Reconnaissance d'agrégats

Présentation

Looker utilise une logique de reconnaissance des agrégats pour trouver la table la plus petite et la plus efficace disponible dans votre base de données, afin d'exécuter une requête tout en restant le plus précis possible.

Pour les très grandes tables de votre base de données, les développeurs Looker peuvent créer des tables agrégées moins volumineuses contenant des données regroupées selon diverses combinaisons d'attributs. Les tables agrégées servent de tables de cumul ou de synthèse. Looker peut les utiliser pour les requêtes, chaque fois que cela est possible, à la place de la grande table d'origine. Lorsqu'elle est implémentée de manière stratégique, la reconnaissance d'agrégats peut accélérer la requête moyenne de plusieurs ordres de grandeur.

Par exemple, vous pouvez disposer d'une table de données à l'échelle du pétaoctet avec une ligne pour chaque commande passée sur votre site Web. À partir de cette base de données, vous pouvez créer un tableau cumulé avec le total de vos ventes quotidiennes. Si votre site Web reçoit 1 000 commandes par jour, votre tableau cumulé quotidien représentera chaque jour avec 999 lignes de moins que votre tableau d'origine. Vous pouvez créer une autre table agrégée avec les totaux des ventes mensuelles, qui sera encore plus efficace. Désormais, si un utilisateur exécute une requête sur les ventes quotidiennes ou hebdomadaires, Looker utilisera la table du total des ventes quotidiennes. Si un utilisateur exécute une requête sur les ventes annuelles et que vous ne disposez pas d'une table agrégée annuelle, Looker utilisera la meilleure solution de rechange, à savoir la table agrégée des ventes mensuelles dans cet exemple.

Looker répond aux questions de vos utilisateurs avec les plus petites tables agrégées possible. Exemple :

  • Pour une requête sur le total des ventes mensuelles, Looker utilise le tableau cumulé basé sur les ventes mensuelles (sales_monthly_aggregate_table).
  • Pour une requête sur le total de chaque vente au cours d'une journée, il n'existe aucune table cumulée avec cette précision. Looker obtient donc les résultats de la requête à partir de la table de base de données d'origine (orders_database). Toutefois, si vos utilisateurs exécutent souvent ce type de requête, vous pouvez créer une table cumulée pour celle-ci.
  • Pour une requête sur les ventes hebdomadaires, il n'existe pas de tableau cumulé hebdomadaire. Looker utilise donc le tableau cumulé basé sur les ventes quotidiennes (sales_daily_aggregate_table), qui est le plus adapté.

Grâce à la logique de reconnaissance des agrégats, Looker interroge le plus petit tableau cumulé possible pour répondre aux questions de vos utilisateurs. La table d'origine ne serait utilisée que pour les requêtes nécessitant une précision plus fine que celle que peuvent fournir les tables agrégées.

Il n'est pas nécessaire de joindre les tables agrégées ni de les ajouter à une exploration distincte. Looker ajuste plutôt dynamiquement la clause FROM de la requête d'exploration pour accéder au tableau cumulé le plus adapté à la requête. Cela signifie que vos analyses détaillées sont conservées et que les explorations peuvent être consolidées. Grâce à la prise en compte des données agrégées, une instance Explore peut exploiter automatiquement les tables agrégées tout en pouvant explorer en profondeur les données granulaires si nécessaire.

Vous pouvez également utiliser des tables agrégées pour améliorer considérablement les performances des tableaux de bord, en particulier pour les tuiles qui interrogent d'énormes ensembles de données. Pour plus de détails, consultez la section Obtenir le LookML du tableau cumulé à partir d'un tableau de bord sur la page de documentation du paramètre aggregate_table.

Ajout de tables agrégées à votre projet

Les développeurs Looker peuvent créer des tables agrégées stratégiques qui minimisent le nombre de requêtes nécessaires sur les grandes tables d'une base de données. Les tables agrégées doivent être conservées dans votre base de données pour être accessibles à la fonctionnalité de reconnaissance d'agrégats. Les tables agrégées sont donc un type de table dérivée persistante (PDT).

Une table agrégée est définie à l'aide du paramètre aggregate_table sous un paramètre explore dans votre projet LookML.

Voici un exemple de fichier explore avec un tableau cumulé dans LookML :

explore: orders {
  label: "Sales Totals"
  join: order_items {
    sql_on: ${orders.id} = ${order_items.id} ;;
  }
  aggregate_table: sales_monthly {
    materialization: {
      datagroup_trigger: orders_datagroup
    }
    query: {
      dimensions: [created_month]
      measures: [order_items.total_sales]
    }
  }
  # other explore parameters
}

Pour créer un tableau cumulé, vous pouvez écrire le LookML à partir de zéro, ou vous pouvez obtenir le LookML du tableau cumulé à partir d'une exploration ou à partir d'un tableau de bord. Consultez la page de documentation du paramètre aggregate_table pour plus de détails sur le paramètre aggregate_table et ses sous-paramètres.

Concevoir des tables agrégées

Pour qu'une requête d'exploration utilise un tableau cumulé, celui-ci doit être en mesure de fournir des données précises pour la requête d'exploration. Looker peut utiliser un tableau cumulé pour une exploration si toutes les conditions suivantes sont remplies :

  • Les champs de requête d'une exploration représentent un sous-ensemble des champs de la table agrégée (voir la section Facteurs de champ sur cette page). Pour les périodes, celles de la requête Explorer peuvent être dérivées de celles du tableau agrégé (voir la section Facteurs de période sur cette page).
  • La requête d'exploration contient des types de mesures compatibles avec la reconnaissance d'agrégats (consultez la section Facteurs liés au type de mesure sur cette page) ou une table agrégée qui correspond exactement à la requête d'exploration (consultez la section Créer des tables agrégées qui correspondent exactement aux requêtes d'exploration sur cette page).
  • Le fuseau horaire de la requête Explore correspond au fuseau horaire utilisé par le tableau cumulé (voir la section Facteurs de fuseau horaire sur cette page).
  • Les filtres de la requête d'exploration font référence à des champs disponibles en tant que dimensions dans le tableau cumulé, ou chacun des filtres de la requête d'exploration correspond à un filtre du tableau cumulé (voir la section Facteurs de filtre sur cette page).

Pour vous assurer qu'une table agrégée peut fournir des données précises pour une requête d'exploration, vous pouvez créer une table agrégée qui correspond exactement à une requête d'exploration. Pour en savoir plus, consultez la section Créer des tables agrégées qui correspondent exactement aux requêtes Explorer sur cette page.

Facteurs de champ

Pour être utilisée dans une requête d'exploration, une table cumulée doit comporter toutes les dimensions et mesures nécessaires à cette requête d'exploration, y compris les champs utilisés pour les filtres dans la requête d'exploration. Si une requête d'exploration contient une dimension ou une mesure qui ne figure pas dans un tableau cumulé, Looker ne peut pas utiliser le tableau cumulé et utilise la table de base à la place.

Par exemple, si une requête regroupe par les dimensions A et B, agrège par la mesure C et filtre sur la dimension D, le tableau cumulé doit au minimum comporter A, B et D comme dimensions et C comme mesure.

Le tableau cumulé peut également contenir d'autres champs, mais il doit au moins contenir les champs de requête "Explorer" pour pouvoir être optimisé. La seule exception concerne les dimensions de période, car les périodes de précision inférieure peuvent être dérivées de celles de précision supérieure.

En raison de ces considérations concernant les champs, un tableau cumulé est spécifique à l'exploration sous laquelle il est défini. Une table agrégée définie sous une exploration ne sera pas utilisée pour les requêtes sur une autre exploration.

Facteurs de période

La logique de sensibilisation globale de Looker permet de dériver une période d'une autre. Un tableau cumulé peut être utilisé pour une requête tant que la période du tableau cumulé a une granularité plus fine (ou égale) que celle de la requête d'exploration. Par exemple, un tableau cumulé basé sur des données quotidiennes peut être utilisé pour une exploration qui nécessite d'autres périodes, comme des requêtes pour des données quotidiennes, mensuelles et annuelles, ou même des données de jour du mois, de jour de l'année et de semaine de l'année. En revanche, un tableau cumulé annuel ne peut pas être utilisé pour une exploration qui nécessite des données horaires, car les données du tableau cumulé ne sont pas assez précises pour l'exploration.

Il en va de même pour les sous-ensembles de plages de dates. Par exemple, si vous disposez d'un tableau cumulé filtré pour les trois derniers mois et qu'un utilisateur interroge les données avec un filtre pour les deux derniers mois, Looker pourra utiliser le tableau cumulé pour cette requête.

De plus, la même logique s'applique aux requêtes avec des filtres de période : un tableau cumulé peut être utilisé pour une requête avec un filtre de période tant que la période du tableau cumulé a une granularité plus fine (ou égale) que le filtre de période utilisé dans la requête d'exploration. Par exemple, un tableau cumulé avec une dimension de période quotidienne peut être utilisé pour une requête d'exploration avec un filtrage par jour, par semaine ou par mois.

Facteurs de type de mesure

Pour qu'une exploration utilise un tableau cumulé, les mesures du tableau cumulé doivent pouvoir fournir des données précises pour l'exploration.

C'est pourquoi seuls certains types de mesures sont acceptés, comme décrit dans les sections suivantes :

Si une requête d'exploration utilise un autre type de mesure, Looker utilisera la table d'origine, et non le tableau cumulé, pour renvoyer les résultats. La seule exception est si la requête d'exploration correspond exactement à une requête de tableau cumulé, comme décrit dans la section Créer des tableaux cumulés qui correspondent exactement aux requêtes d'exploration.

Sinon, Looker utilisera la table d'origine, et non la table agrégée, pour renvoyer les résultats.

Mesures avec des types de mesures compatibles

La sensibilisation agrégée peut être utilisée pour les requêtes Explore qui utilisent des mesures avec les types de mesures suivants :

Pour utiliser une table agrégée pour une requête Explorer, Looker doit pouvoir opérer sur les mesures de la table agrégée afin de fournir des données précises dans la requête Explorer. Par exemple, une mesure avec type: sum peut être utilisée pour la notoriété globale, car vous pouvez additionner plusieurs sommes : un tableau cumulé de sommes hebdomadaires peut être additionné pour obtenir une somme mensuelle précise. De même, une mesure avec type: max peut être utilisée, car une table agrégée des maximums quotidiens peut être utilisée pour trouver le maximum hebdomadaire précis.

Dans le cas des mesures avec type: average, la connaissance agrégée est prise en charge, car Looker utilise les données de somme et de nombre pour dériver précisément les valeurs moyennes des tableaux agrégés.

Mesures définies avec des expressions SQL

La notoriété globale peut également être utilisée avec des mesures définies avec des expressions dans le paramètre sql. Les types de mesures suivants sont également acceptés lorsqu'ils sont définis avec des expressions SQL :

La sensibilisation agrégée est acceptée pour les mesures définies comme des combinaisons d'autres mesures, comme dans l'exemple suivant :

measure: total_revenue_in_dollars {
  type: number
  sql: ${total_revenue_in_dollars} - ${inventory_item.total_cost_in_dollars} ;;
}

La prise en compte de l'agrégation est également possible pour les mesures dont les calculs sont définis dans le paramètre sql, comme cette mesure :

measure: wholesale_value {
  type: number
    sql: (${order_items.total_sale_price} * 0.60) ;;
}

La prise en compte de l'agrégation est compatible avec les mesures pour lesquelles les opérations MIN, MAX et COUNT sont définies dans le paramètre sql, comme cette mesure :

measure: most_recent_order_date {
  type: date
  sql: MAX(${users.created_at_raw})
}

Mesures faisant référence à des champs LookML

Lorsque des expressions sql sont utilisées dans des mesures, la reconnaissance d'agrégats est compatible avec les types de références de champ suivants :

  • Références au format ${view_name.field_name}, qui indique les champs dans d'autres vues
  • Références au format ${field_name}, qui indiquent les champs de la même vue

La fonction Aggregate Awareness n'est pas compatible avec les mesures définies au format ${TABLE}.column_name, qui indique une colonne dans un tableau. (Pour obtenir une présentation de l'utilisation des références dans LookML, consultez la page de documentation Intégrer des objets SQL et faire référence à des objets LookML.)

Par exemple, une mesure définie avec ce paramètre sql ne serait pas compatible avec un tableau cumulé, car elle utilise le format ${TABLE}.column_name :

measure: wholesale_value {
  type: number
  sql: (${TABLE}.total_sale_price * 0.60) ;;
}

Si vous souhaitez inclure cette mesure dans un tableau cumulé, vous pouvez créer une dimension définie au format ${TABLE}.column_name, puis créer une mesure qui fait référence à la dimension, comme ceci :


 dimension: total_sale_price {
    sql: (${TABLE}.total_sale_price) ;;
  }

  measure: wholesale_value {
    type: number
    sql: (${total_sale_price} * 0.60) ;;
}

Vous pouvez maintenant utiliser la mesure wholesale_value dans votre tableau cumulé.

Mesures qui permettent d'approximer les nombres distincts

En général, les nombres distincts ne sont pas compatibles avec la notoriété agrégée, car vous ne pouvez pas obtenir de données précises si vous essayez d'agréger des nombres distincts. Par exemple, si vous comptez les utilisateurs distincts sur un site Web, il peut y avoir un utilisateur qui est venu sur le site Web à deux reprises, à trois semaines d'intervalle. Si vous avez essayé d'appliquer un tableau cumulé hebdomadaire pour obtenir un nombre mensuel d'utilisateurs uniques sur votre site Web, cet utilisateur aurait été comptabilisé deux fois dans votre requête de nombre mensuel d'utilisateurs uniques, et les données seraient incorrectes.

Pour contourner ce problème, vous pouvez créer un tableau cumulé qui correspond exactement à une exploration, comme décrit dans la section Créer des tableaux cumulés qui correspondent exactement aux explorations de cette page. Lorsque la requête d'exploration et la requête de tableau cumulé sont identiques, les mesures de nombre de valeurs distinctes fournissent des données précises. Elles peuvent donc être utilisées pour la reconnaissance des agrégats.

Une autre option consiste à utiliser des approximations pour les nombres distincts. Pour les dialectes compatibles avec les résumés HyperLogLog, Looker peut utiliser l'algorithme HyperLogLog pour estimer le nombre de valeurs distinctes pour les tableaux agrégés.

L'algorithme HyperLogLog est connu pour avoir une marge d'erreur d'environ 2 %. Le paramètre allow_approximate_optimization: yes exige que vos développeurs Looker reconnaissent qu'il est acceptable d'utiliser des données approximatives pour la mesure afin qu'elle puisse être calculée approximativement à partir de tables agrégées.

Pour en savoir plus et consulter la liste des dialectes compatibles avec le décompte distinct à l'aide de HyperLogLog, consultez la page de documentation sur le paramètre allow_approximate_optimization.

Facteurs de fuseau horaire

Dans de nombreux cas, les administrateurs de bases de données utilisent le fuseau horaire UTC pour les bases de données. Toutefois, de nombreux utilisateurs ne se trouvent pas dans le fuseau horaire UTC. Looker propose plusieurs options pour convertir les fuseaux horaires afin que vos utilisateurs obtiennent les résultats des requêtes dans leur propre fuseau horaire :

  • Le fuseau horaire des requêtes est un paramètre qui s'applique à toutes les requêtes sur la connexion à la base de données. Si tous vos utilisateurs se trouvent dans le même fuseau horaire, vous pouvez définir un seul fuseau horaire pour les requêtes. Toutes les requêtes seront ainsi converties du fuseau horaire de la base de données vers le fuseau horaire des requêtes.
  • Fuseaux horaires spécifiques aux utilisateurs : les utilisateurs peuvent se voir attribuer des fuseaux horaires et les sélectionner individuellement. Dans ce cas, les requêtes sont converties du fuseau horaire de la base de données vers le fuseau horaire de chaque utilisateur.

Pour en savoir plus sur ces options, consultez la page de documentation Utiliser les paramètres de fuseau horaire.

Il est important de comprendre ces concepts pour comprendre la prise en compte des agrégats. En effet, pour qu'un tableau cumulé puisse être utilisé pour une requête avec des dimensions ou des filtres de date, le fuseau horaire du tableau cumulé doit correspondre au paramètre de fuseau horaire utilisé pour la requête d'origine.

Les tables agrégées utilisent le fuseau horaire de la base de données si aucune valeur timezone n'est spécifiée. Votre connexion à la base de données utilisera également le fuseau horaire de la base de données si l'une des conditions suivantes est remplie :

  • Votre base de données n'accepte pas les fuseaux horaires.
  • Le fuseau horaire des requêtes de votre connexion à la base de données est défini sur le même fuseau horaire que celui de la base de données.
  • Votre connexion à la base de données ne comporte ni fuseau horaire de requête spécifié, ni fuseaux horaires spécifiques à l'utilisateur. Dans ce cas, votre connexion à la base de données utilisera le fuseau horaire de la base de données.

Si l'une de ces conditions est remplie, vous pouvez omettre le paramètre timezone pour vos tableaux agrégés.

Sinon, le fuseau horaire du tableau cumulé doit être défini pour correspondre aux requêtes possibles afin que le tableau cumulé soit plus susceptible d'être utilisé :

  • Si votre connexion à la base de données utilise un seul fuseau horaire pour les requêtes, vous devez faire correspondre la valeur timezone de votre tableau agrégé à la valeur du fuseau horaire pour les requêtes.
  • Si votre connexion à la base de données utilise des fuseaux horaires spécifiques aux utilisateurs, vous devez créer des tables agrégées identiques, chacune avec une valeur timezone différente pour correspondre aux fuseaux horaires possibles de vos utilisateurs.

Facteurs de filtre

Soyez prudent lorsque vous incluez des filtres dans votre tableau cumulé. Les filtres appliqués à un tableau cumulé peuvent affiner les résultats au point de rendre le tableau cumulé inutilisable. Par exemple, imaginons que vous créez une table agrégée pour le nombre de commandes quotidiennes, et que cette table agrégée ne filtre que les commandes de lunettes de soleil provenant d'Australie. Si un utilisateur exécute une exploration pour obtenir le nombre de commandes quotidiennes de lunettes de soleil dans le monde entier, Looker ne peut pas utiliser le tableau cumulé pour cette exploration, car elle ne contient que les données pour l'Australie. La table agrégée filtre les données de manière trop restrictive pour être utilisée par la requête d'exploration.

Faites également attention aux filtres que vos développeurs Looker ont peut-être intégrés à votre exploration, par exemple :

  • access_filters : applique des restrictions de données spécifiques à l'utilisateur.
  • always_filter : oblige les utilisateurs à inclure un certain ensemble de filtres pour une requête Explorer. Les utilisateurs peuvent modifier la valeur par défaut du filtre pour leur requête, mais ils ne peuvent pas supprimer complètement le filtre.
  • conditionally_filter : définit un ensemble de filtres par défaut que les utilisateurs peuvent remplacer s'ils appliquent au moins un filtre d'une deuxième liste également définie dans l'exploration.

Ces types de filtres sont basés sur des champs spécifiques. Si votre exploration comporte ces filtres, vous devez inclure leurs champs dans le paramètre dimensions de aggregate_table.

Par exemple, voici une exploration avec un filtre d'accès basé sur le champ orders.region :

explore: orders {
  access_filter: {
    field: orders.region
    user_attribute: region
  }
}

Pour créer un tableau cumulé qui serait utilisé pour cette exploration, le tableau cumulé doit inclure le champ sur lequel repose le filtre d'accès. Dans l'exemple suivant, le filtre d'accès est basé sur le champ orders.region, et ce même champ est inclus en tant que dimension dans le tableau agrégé :

explore: orders {
  access_filter: {
    field: orders.region  # <-- orders.region field
    user_attribute: region
  }
  aggregate_table: sales_monthly {
    materialization: {
      datagroup_trigger: orders_datagroup
    }
    query: {
      dimensions: [orders.created_day, orders.region] # <-- orders.region field
      measures: [orders.total_sales]
      timezone: America/Los_Angeles
    }
  }
}

Étant donné que la requête de table agrégée inclut la dimension orders.region, Looker peut filtrer dynamiquement les données de la table agrégée pour qu'elles correspondent au filtre de la requête d'exploration. Par conséquent, Looker peut toujours utiliser le tableau cumulé pour les requêtes de l'exploration, même si l'exploration comporte un filtre d'accès.

Cela s'applique également aux requêtes Explorer qui utilisent une table dérivée native configurée avec bind_filters. Le paramètre bind_filters transmet les filtres spécifiés d'une requête Explore à la sous-requête de table dérivée native. Dans le cas de l'agrégation, si votre requête d'exploration nécessite une table dérivée native qui utilise bind_filters, la requête d'exploration ne peut utiliser un tableau cumulé que si tous les champs utilisés dans le paramètre bind_filters de la table dérivée native ont exactement les mêmes valeurs de filtre dans la requête d'exploration que dans le tableau cumulé.

Créer des tables agrégées qui correspondent exactement aux requêtes d'exploration

Pour vous assurer qu'une table agrégée peut être utilisée pour une requête d'exploration, vous pouvez créer une table agrégée qui correspond exactement à la requête d'exploration. Si la requête d'exploration et le tableau cumulé utilisent les mêmes mesures, dimensions, filtres, fuseaux horaires et autres paramètres, les résultats du tableau cumulé s'appliqueront à la requête d'exploration. Si une table agrégée correspond exactement à une requête Explorer, Looker peut utiliser des tables agrégées qui incluent n'importe quel type de mesure.

Vous pouvez créer un tableau cumulé à partir d'une exploration à l'aide de l'option Obtenir le code LookML du menu en forme de roue dentée d'une exploration. Vous pouvez également créer des correspondances exactes pour toutes les vignettes d'un tableau de bord à l'aide de l'option Obtenir le LookML du menu en forme de roue dentée d'un tableau de bord.

Déterminer la table agrégée utilisée pour une requête

Les utilisateurs disposant de l'autorisation see_sql peuvent utiliser les commentaires de l'onglet SQL d'une exploration pour voir quelle table cumulée sera utilisée pour une requête. Les commentaires de l'onglet SQL sont également affichés en mode Développement. Les développeurs peuvent ainsi tester de nouvelles tables agrégées pour voir comment Looker les utilise avant de les transférer en production.

Par exemple, en vous basant sur le tableau agrégé mensuel exemple présenté précédemment, vous pouvez accéder à l'Explorer et exécuter une requête pour obtenir les totaux des ventes annuelles. Vous pouvez ensuite cliquer sur l'onglet SQL pour voir les détails de la requête créée par Looker. Si vous êtes en mode Développement, Looker affiche des commentaires pour indiquer la table agrégée qu'il a utilisée pour la requête.

D'après les commentaires suivants sur l'onglet SQL, nous pouvons voir que Looker utilise la table d'agrégation sales_monthly pour cette requête, et des informations sur les raisons pour lesquelles d'autres tables d'agrégation n'ont pas été utilisées pour la requête :

-- use existing orders::sales_monthly in sandbox_scratch.LR$LB4151619827209021_orders$sales_monthly
-- Did not use orders::sales_weekly; it does not include the following fields in the query: orders.created_month
-- Did not use orders::sales_daily; orders::sales_monthly was a better fit for optimization.
-- Did not use orders::sales_last_3_days; contained filters not in the query: orders.created_date

Consultez la section Dépannage de cette page pour connaître les commentaires que vous pourriez voir dans l'onglet SQL et les suggestions sur la façon de les résoudre.

Estimations des économies de calcul pour une sensibilisation globale

Si votre connexion à la base de données prend en charge les estimations de coûts et si une table agrégée peut être utilisée pour une requête, la fenêtre Explorer affichera les économies de calcul réalisées en utilisant la table agrégée au lieu d'interroger directement la base de données. Les économies de sensibilisation globales sont affichées à côté du bouton Exécuter dans une fenêtre Explorer avant l'exécution de la requête.

Avant d'exécuter la requête, si vous souhaitez voir quelle table agrégée sera utilisée pour la requête, vous pouvez cliquer sur l'onglet SQL, comme décrit dans la section Détermination de la table agrégée utilisée pour une requête de cette page de documentation.

Une fois la requête exécutée, la fenêtre Explorer affichera la table agrégée utilisée pour répondre à la requête à côté du bouton Exécuter.

Les économies globales réalisées grâce à la sensibilisation sont affichées pour les connexions aux bases de données activées pour les estimations de coûts. Consultez la page de documentation Exploration des données dans Looker pour plus d'informations.

Looker fusionne les nouvelles données avec vos tables agrégées.

Pour les tableaux agrégés avec filtres temporels, Looker peut union ajouter de nouvelles données à votre tableau agrégé. Vous pourriez avoir un tableau agrégé qui inclut des données des trois derniers jours, mais ce tableau agrégé pourrait avoir été créé hier. Le tableau agrégé ne contiendrait pas les informations du jour, il ne serait donc pas approprié de l'utiliser pour une requête Explore sur les données quotidiennes les plus récentes.

Cependant, Looker peut toujours utiliser les données de cette table agrégée pour la requête, car Looker exécutera une requête sur les données les plus récentes, puis fusionnera ces résultats avec ceux de la table agrégée.

Looker peut associer des données récentes à celles de votre tableau agrégé dans les cas suivants :

  • Le tableau agrégé comporte un filtre temporel.
  • Le tableau agrégé comprend une dimension basée sur le même champ temporel que le filtre temporel.

Par exemple, le tableau agrégé suivant comporte une dimension basée sur le champ orders.created_date et un filtre temporel ("3 days") basé sur le même champ :

aggregate_table: sales_last_3_days {
  query:  {
    dimensions: [orders.created_date]
    measures: [order_items.total_sales]
    filters: [orders.created_date: "3 days"]  # <-- time filter
    timezone: America/Los_Angeles
  }
  ...
}

Si ce tableau agrégé a été créé hier, Looker récupérera les données les plus récentes qui ne sont pas encore incluses dans le tableau agrégé, puis fusionnera les nouveaux résultats avec les résultats du tableau agrégé. Cela signifie que vos utilisateurs recevront les données les plus récentes tout en optimisant les performances grâce à une vision globale.

Si vous êtes en mode Développement, vous pouvez cliquer sur l'onglet SQL d'une exploration pour voir le tableau cumulé que Looker a utilisé pour la requête, et l'instruction UNION que Looker a utilisée pour importer des données plus récentes qui n'étaient pas incluses dans le tableau cumulé.

Les tables agrégées doivent être conservées

Pour être accessible à la fonctionnalité de reconnaissance d'agrégats, votre tableau cumulé doit être conservé dans votre base de données. La stratégie de persistance est spécifiée dans le paramètre materialization de la table agrégée. Comme les tables agrégées sont un type de table dérivée persistante (PDT), elles sont soumises aux mêmes exigences que les PDT. Pour en savoir plus, consultez la page de documentation Tables dérivées dans Looker.

Vous pouvez créer des PDT incrémentales dans votre projet si votre dialecte les prend en charge. Looker crée des PDT incrémentales en ajoutant de nouvelles données à la table, au lieu de régénérer la table entière. Étant donné que les tables agrégées sont elles-mêmes un type de PDT, vous pouvez également créer des tables agrégées incrémentales. Pour en savoir plus sur les PDT incrémentales, consultez la page de documentation PDT incrémentales. Consultez la page de documentation sur le paramètre increment_key pour obtenir un exemple de tableau cumulé incrémentiel.

Un utilisateur disposant de l'autorisation develop peut remplacer les paramètres de persistance et reconstruire toutes les tables agrégées pour une requête afin d'obtenir les données les plus récentes. Pour recréer les tables d'une requête, sélectionnez l'option Recréer les tables dérivées et exécuter dans le menu en forme de roue dentée Actions sur les explorations.

Vous devez attendre le chargement de la requête Explore avant que cette option soit disponible.

L'option Régénérer les tables dérivées et exécuter régénère toutes les tables dérivées référencées dans la requête, ainsi que toutes les tables dérivées dont dépendent les tables de la requête. Cela inclut les tables agrégées, qui sont elles-mêmes un type de table dérivée persistante.

Pour l'utilisateur qui sélectionne l'option Régénérer les tables dérivées et exécuter, la requête attend que les tables soient régénérées avant de charger des résultats. Les requêtes des autres utilisateurs continueront d'utiliser les tables existantes. Une fois les tables persistantes régénérées, tous les utilisateurs s'en servent.

Pour en savoir plus sur l'option Reconstruire les tables dérivées et exécuter, consultez la page de documentation Tables dérivées dans Looker.

Dépannage

Comme décrit dans la section Déterminer quelle table agrégée est utilisée pour une requête, si vous êtes en mode Développement, vous pouvez exécuter des requêtes dans l'explorateur et cliquer sur l'onglet SQL pour afficher les commentaires sur la table agrégée utilisée pour la requête, le cas échéant.

L'onglet SQL comprend également des commentaires sur la raison pour laquelle les tables agrégées n'ont pas été utilisées pour une requête, le cas échéant. Pour les tables agrégées non utilisées, le commentaire commencera par :

Did not use [explore name]::[aggregate table name];

Par exemple, voici un commentaire expliquant pourquoi la table agrégée sales_daily définie dans l'exploration order_items n'a pas été utilisée pour une requête :

-- Did not use order_items::sales_daily; query contained the following filters
that were neither included as fields nor exactly matched by filters in the aggregate table:
order_items.created_year.

Dans ce cas, les filtres de la requête ont empêché l'utilisation de la table agrégée.

Le tableau suivant présente d'autres raisons possibles pour lesquelles une table agrégée ne peut pas être utilisée, ainsi que les étapes à suivre pour améliorer son utilité.

Raison de la non-utilisation du tableau agrégé Explication et étapes possibles
Ce champ n'existe pas dans l'exploration. Une erreur de type validation LookML s'est produite. Cela est très probablement dû au fait que la table d'agrégation n'a pas été correctement définie, ou qu'il y avait une faute de frappe dans le LookML de votre table d'agrégation. Un nom de champ incorrect ou une erreur similaire est probablement à l'origine du problème.

Pour résoudre ce problème, vérifiez que les dimensions et les mesures de la table agrégée correspondent aux noms de champs de l'exploration. Consultez la page de documentation du paramètre aggregate_table pour plus d'informations sur la façon de définir une table agrégée.
Le tableau agrégé n'inclut pas les champs suivants dans la requête. Pour être utilisée dans une requête d'exploration, une table cumulée doit comporter toutes les dimensions et mesures nécessaires à cette requête d'exploration, y compris les champs utilisés pour les filtres dans la requête d'exploration. Si une requête Explorer contient une dimension ou une mesure qui ne figure pas dans une table agrégée, Looker ne peut pas utiliser la table agrégée et utilise la table de base à la place. Pour en savoir plus, consultez la section Facteurs de champ sur cette page. La seule exception concerne les dimensions de période, car les périodes de précision inférieure peuvent être dérivées de celles de précision supérieure.

Pour résoudre ce problème, vérifiez que les champs de la requête Explore sont inclus dans la définition de la table agrégée.
La requête contenait les filtres suivants qui n'étaient ni inclus comme champs ni exactement correspondants aux filtres de la table agrégée. Les filtres de la requête d'exploration empêchent Looker d'utiliser la table agrégée.

Pour résoudre ce problème, vous pouvez faire l'une des choses suivantes :
  • Ajoutez le même filtre à votre tableau agrégé.
  • Ajoutez à votre tableau agrégé le champ utilisé par le filtre.
  • Supprimez les filtres de la requête Explorer.
Pour en savoir plus, consultez la section Facteurs de filtrage sur cette page.
La requête contient les mesures suivantes qui ne peuvent pas être cumulées. La requête contient un ou plusieurs types de mesures qui ne sont pas pris en charge pour la prise en compte des agrégats, tels que distinct count, median ou percentile.

Pour résoudre ce problème, vérifiez le type de chaque mesure dans la requête et assurez-vous qu'il s'agit de l'un des types de mesures acceptés. De plus, si votre exploration comporte des jointures, vérifiez que vos mesures ne sont pas converties en mesures distinctes (agrégats symétriques) par le biais de jointures en éventail. Pour en savoir plus, consultez la section Agrégations symétriques pour les explorations avec jointures sur cette page.
Une autre table agrégée était plus adaptée à l'optimisation. Plusieurs tableaux cumulés viables étaient disponibles pour la requête, et Looker en a trouvé un plus optimal à utiliser à la place. Il n'y a rien à faire dans ce cas.
Looker n'a effectué aucun regroupement (en raison d'un paramètre primary_key ou cancel_grouping_fields) et par conséquent la requête ne peut pas être agrégée. La requête fait référence à une dimension qui l'empêche d'avoir une clause GROUP BY. Looker ne peut donc utiliser aucune table agrégée pour la requête.

Pour résoudre ce problème, vérifiez que les paramètres primary_key de la vue et cancel_grouping_fields d'Explorer sont correctement configurés.
Le tableau cumulé contenait des filtres qui ne figuraient pas dans la requête. Le tableau cumulé comporte un filtre non temporel qui ne figure pas dans la requête.

Pour résoudre ce problème, vous pouvez supprimer le filtre du tableau cumulé. Pour en savoir plus, consultez la section Facteurs de filtrage de cette page.
Un champ est défini comme un champ de filtre uniquement dans la requête Explore mais est répertorié dans le paramètre dimensions du tableau cumulé. Le paramètre dimensions de la table agrégée liste un champ qui n'est défini que comme champ filter dans la requête Explorer.

Pour résoudre ce problème, supprimez le champ de la liste dimensions de la table agrégée. Si ce champ est nécessaire pour le tableau cumulé, ajoutez-le à la liste filters dans la requête du tableau cumulé.
L'optimiseur ne peut pas déterminer pourquoi la table agrégée n'a pas été utilisée. Ce commentaire est réservé aux cas particuliers. Si vous voyez ce message pour une requête d'exploration souvent utilisée, vous pouvez créer un tableau cumulé qui correspond exactement à la requête d'exploration. Vous pouvez obtenir le code LookML d'un tableau cumulé à partir d'une exploration, comme décrit sur la page du paramètre aggregate_table.

Éléments à prendre en compte

Agrégations symétriques pour les explorations avec jointures

Il est important de noter que dans une exploration qui joint plusieurs tables de base de données, Looker peut afficher les mesures de type SUM, COUNT et AVERAGE sous la forme SUM DISTINCT, COUNT DISTINCT et AVERAGE DISTINCT, respectivement. Looker procède ainsi pour éviter les erreurs de calcul de la distribution. Par exemple, une mesure count est affichée en tant que type de mesure count_distinct. Cela permet d'éviter les erreurs de calcul du fanout pour les jointures et fait partie de la fonctionnalité d'agrégations symétriques de Looker. Consultez la page sur les bonnes pratiques concernant les agrégations symétriques pour en savoir plus sur cette fonctionnalité de Looker.

La fonctionnalité d'agrégats symétriques permet d'éviter les erreurs de calcul, mais elle peut également empêcher l'utilisation de vos tables agrégées dans certains cas. Il est donc important de la comprendre.

Pour les types de mesures compatibles avec la reconnaissance d'agrégats, cela s'applique à sum, count et average. Looker affichera ces types de mesures comme DISTINCT si :

Pour en savoir plus sur ces types de jointures, consultez la page de documentation sur le paramètre relationship.

Si vous constatez que votre tableau cumulé n'est pas utilisé pour cette raison, vous pouvez créer un tableau cumulé qui correspond exactement à une exploration afin d'utiliser ces types de mesures pour une exploration avec des jointures. Pour en savoir plus, consultez la section Créer des tables agrégées qui correspondent exactement aux requêtes Explore sur cette page.

De plus, si vous disposez d'un dialecte SQL compatible avec les croquis HyperLogLog, vous pouvez ajouter le paramètre allow_approximate_optimization: yes à la mesure. Lorsqu'une mesure de nombre est définie avec allow_approximate_optimization: yes, Looker peut l'utiliser pour la reconnaissance des agrégats, même si elle s'affiche sous la forme d'un nombre distinct.

Pour en savoir plus, consultez la page de documentation sur le paramètre allow_approximate_optimization et la liste des dialectes SQL compatibles avec les schémas HyperLogLog.

Prise en charge des dialectes pour la reconnaissance d'agrégats

La possibilité d'utiliser la fonction Aggregate Awareness dépend du dialecte de base de données de votre connexion Looker. Dans la dernière version de Looker, les dialectes suivants sont compatibles avec la reconnaissance des agrégats :

Dialecte Compatibilité
Actian Avalanche
Amazon Athena
Amazon Aurora MySQL
Amazon Redshift
Amazon Redshift 2.1+
Amazon Redshift Serverless 2.1+
Apache Druid
Apache Druid 0.13.x - 0.17.x
Apache Druid 0.18+
Apache Hive 2.3+
Apache Hive 3.1.2+
Apache Spark 3+
ClickHouse
Cloudera Impala 3.1+
Cloudera Impala 3.1+ with Native Driver
Cloudera Impala with Native Driver
DataVirtuality
Databricks
Denodo 7
Denodo 8 & 9
Dremio
Dremio 11+
Exasol
Google BigQuery Legacy SQL
Google BigQuery Standard SQL
Google Cloud AlloyDB for PostgreSQL
Google Cloud PostgreSQL
Google Cloud SQL
Google Spanner
Greenplum
HyperSQL
IBM Netezza
MariaDB
Microsoft Azure PostgreSQL
Microsoft Azure SQL Database
Microsoft Azure Synapse Analytics
Microsoft SQL Server 2008+
Microsoft SQL Server 2012+
Microsoft SQL Server 2016
Microsoft SQL Server 2017+
MongoBI
MongoSQL
MySQL
MySQL 8.0.12+
Oracle
Oracle ADWC
PostgreSQL 9.5+
PostgreSQL pre-9.5
PrestoDB
PrestoSQL
SAP HANA
SAP HANA 2+
SingleStore
SingleStore 7+
Snowflake
Teradata
Trino
Vector
Vertica

Prise en charge des dialectes pour la création incrémentielle de tables agrégées

Pour que Looker prenne en charge les tables agrégées incrémentielles dans votre projet, votre dialecte de base de données doit également les prendre en charge. Le tableau suivant indique les dialectes qui permettent de créer des PDT de manière incrémentielle dans la dernière version de Looker :

Dialecte Compatibilité
Actian Avalanche
Amazon Athena
Amazon Aurora MySQL
Amazon Redshift
Amazon Redshift 2.1+
Amazon Redshift Serverless 2.1+
Apache Druid
Apache Druid 0.13.x - 0.17.x
Apache Druid 0.18+
Apache Hive 2.3+
Apache Hive 3.1.2+
Apache Spark 3+
ClickHouse
Cloudera Impala 3.1+
Cloudera Impala 3.1+ with Native Driver
Cloudera Impala with Native Driver
DataVirtuality
Databricks
Denodo 7
Denodo 8 & 9
Dremio
Dremio 11+
Exasol
Google BigQuery Legacy SQL
Google BigQuery Standard SQL
Google Cloud AlloyDB for PostgreSQL
Google Cloud PostgreSQL
Google Cloud SQL
Google Spanner
Greenplum
HyperSQL
IBM Netezza
MariaDB
Microsoft Azure PostgreSQL
Microsoft Azure SQL Database
Microsoft Azure Synapse Analytics
Microsoft SQL Server 2008+
Microsoft SQL Server 2012+
Microsoft SQL Server 2016
Microsoft SQL Server 2017+
MongoBI
MongoSQL
MySQL
MySQL 8.0.12+
Oracle
Oracle ADWC
PostgreSQL 9.5+
PostgreSQL pre-9.5
PrestoDB
PrestoSQL
SAP HANA
SAP HANA 2+
SingleStore
SingleStore 7+
Snowflake
Teradata
Trino
Vector
Vertica