Para dialetos que oferecem suporte a esse recurso, o calendário personalizado do Looker permite definir um calendário personalizado no banco de dados, como um calendário fiscal ou de varejo específico, e aplicá-lo a um grupo de dimensões com base em datas no modelo do LookML. Os usuários podem criar consultas do Explorar usando períodos personalizados, como custom_week e custom_period, como se fossem períodos padrão.
Pré-requisitos
Antes de usar calendários personalizados, verifique se os seguintes pré-requisitos foram atendidos:
- Você precisa ter uma conexão do Looker com um dialeto que oferece suporte a calendários personalizados.
- Você precisa criar uma tabela de calendário no banco de dados que possa ser modelada como uma visualização no Looker. O Looker usa a tabela de calendário no banco de dados para calcular períodos personalizados. Consulte a seção Criar uma tabela de calendário no banco de dados para mais informações.
- O projeto do LookML precisa usar o novo ambiente de execução do LookML. Se o recurso legado Usar o ambiente de execução do LookML legado estiver ativado na sua instância, adicione a instrução
new_lookml_runtime: yesao arquivo de manifesto do projeto.
Como criar um calendário personalizado
Para implementar um calendário personalizado, siga estas etapas gerais descritas nas seções a seguir:
- Criar a tabela de calendário no banco de dados
- Definir a visualização do calendário personalizado no LookML
- Criar um grupo de dimensões de calendário personalizado
Criar uma tabela de calendário no banco de dados
Para calcular datas de calendários personalizados, o Looker precisa de uma tabela de calendário dedicada no banco de dados que defina os períodos personalizados. A tabela precisa ter uma coluna de data de referência que use a data padrão do calendário. O Looker une a tabela de calendário às tabelas de dados (como uma tabela orders) com base na coluna de data de referência.
Os nomes das colunas na tabela de calendário são flexíveis. Ao definir a visualização do calendário personalizado no LookML, você usará o bloco calendar_definition para mapear as colunas no banco de dados para nomes de períodos personalizados padrão.
Confira a seguir um exemplo de esquema de tabela para uma tabela de calendário chamada fiscal_calendar_table.
| Nome da coluna | Tipo de dados | Descrição |
|---|---|---|
reference_date |
DATE |
A data padrão do calendário (como "2023-01-01"). Usada para junção. Precisa ser uma chave exclusiva ou primária. |
fiscal_year |
VARCHAR |
O ano fiscal (como "FY2023"). |
fiscal_year_num |
INTEGER |
O ano fiscal numérico (como 2023). |
fiscal_quarter_of_year |
VARCHAR |
O trimestre fiscal (como "FQ1"). |
fiscal_quarter_of_year_num |
INTEGER |
O trimestre fiscal numérico (como 1). |
fiscal_week_of_year |
VARCHAR |
A semana fiscal do ano (como "Week01", "FW01"). |
fiscal_week_of_year_num |
INTEGER |
A semana fiscal numérica do ano (como 1). |
fiscal_period_of_year |
VARCHAR |
Um nome de período personalizado (como "P01"). |
fiscal_period_of_year_num |
INTEGER |
O período personalizado numérico (como 1). |
season |
VARCHAR |
Um nome de temporada personalizado (como "Winter"). |
season_num |
INTEGER |
A temporada personalizada numérica (como 1). |
prev_week_num |
INTEGER |
O valor ordinal da semana anterior (como 52 ou 53). O Looker precisa desse valor para calcular medidas de período a período nos casos em que a semana atual é 1 e a semana anterior no calendário não é 52. O uso de prev_week_num é necessário apenas se você quiser usar medidas de período a período com calendários personalizados e somente se o calendário personalizado não tiver 52 semanas. |
prev_day_num |
INTEGER |
O valor ordinal do dia anterior (como 364 ou 371). O Looker precisa desse valor para calcular medidas de período a período nos casos em que o dia atual é 1 e o dia anterior no calendário não é 364. O uso de prev_day_num é necessário apenas se você quiser usar medidas de período a período com calendários personalizados e somente se o calendário personalizado não tiver 364 dias. |
Para ilustrar, confira alguns exemplos de linhas da tabela fiscal_calendar_table:
reference_date |
fiscal_year |
fiscal_year_num |
fiscal_period |
fiscal_period_num |
prev_week_num |
prev_day_num |
|---|---|---|---|---|---|---|
2023-12-25 |
FY2024 |
2024 |
P01 |
1 |
51 |
358 |
2023-12-26 |
FY2024 |
2024 |
P01 |
1 |
51 |
359 |
2024-01-01 |
FY2024 |
2024 |
P02 |
2 |
52 |
364 |
2024-01-02 |
FY2024 |
2024 |
P02 |
2 |
52 |
1 |
Definir a visualização do calendário personalizado no LookML
Depois de criar uma tabela de calendário no banco de dados, você precisa criar uma visualização do LookML para modelar a tabela de calendário do banco de dados.
O arquivo de visualização do calendário personalizado precisa incluir o seguinte:
- O parâmetro
sql_table_nameque aponta para a tabela de calendário personalizado no banco de dados. - O
calendar_definitionbloco para mapear as colunas da tabela para os tipos de período personalizado do Looker. dimensionparâmetros para modelar as colunas da tabela de calendário personalizado no banco de dados.
Confira a seguir um exemplo de arquivo de visualização chamado fiscal_calendar.view.lkml que modela o exemplo fiscal_calendar_table:
view: fiscal_calendar {
sql_table_name: fiscal_calendar_table ;;
calendar_definition: {
reference_date: reference_date
timeframe_mapping: {
custom_year: fiscal_year
custom_quarter: fiscal_quarter_of_year
custom_date: fiscal_date
custom_week: fiscal_week_of_year
custom_period: fiscal_period_of_year
custom_season: season
}
timeframe_ordinal_mapping: {
custom_year: fiscal_year_num
custom_quarter: fiscal_quarter_of_year_num
custom_date: fiscal_date_num
custom_week: fiscal_week_of_year_num
custom_period: fiscal_period_of_year_num
custom_season: season_num
}
previous_ordinal_mapping: {
custom_week: prev_week_num
custom_date: prev_day_num
}
}
dimension: reference_date {
type: date
primary_key: yes
sql: ${TABLE}.reference_date ;; # Assuming column name is reference_date
}
dimension: fiscal_date {
type: string
sql: FORMAT_TIMESTAMP('%Y-%m-%d', ${TABLE}.reference_date) ;;
}
dimension: fiscal_year {
type: string
sql: ${TABLE}.fiscal_year ;;
}
dimension: fiscal_year_num {
type: number
sql: ${TABLE}.fiscal_year_num ;;
}
# ... other dimensions for quarters, weeks, periods, seasons, etc. ...
# Example placeholder dimensions for unused timeframes
dimension: season {
type: string
sql: 'N/A' ;;
hidden: yes
}
dimension: season_num {
type: number
sql: 0 ;;
hidden: yes
}
}
Consulte a página de parâmetros calendar_definition para detalhes sobre os parâmetros calendar_definition.
Criar um grupo de dimensões de calendário personalizado
Depois de criar uma tabela de calendário no banco de dados e modelar a tabela de calendário do banco de dados no LookML, você pode criar um grupo de dimensões de type: custom_calendar com base na visualização do calendário personalizado.
Por exemplo, confira um arquivo de visualização chamado orders.view.lkml que define um grupo de dimensões de calendário personalizado.
include: "/views/fiscal_calendar.view"
view: orders {
sql_table_name: public.orders ;;
dimension_group: created {
type: custom_calendar
# Optional list of allowed timeframes
custom_timeframes: [
custom_date,
custom_week,
custom_year
]
sql: ${TABLE}.created_at ;;
based_on_calendar: fiscal_calendar # This links to your calendar view
}
}
Com esse LookML, o Looker vai criar automaticamente um novo conjunto de períodos personalizados para o grupo de dimensões created (como "Ano personalizado criado", "Semana personalizada criada"). Os usuários podem usar esses campos para explorar, gerar relatórios e filtrar.
Consulte a página de documentação dimension_group para detalhes sobre como criar um grupo de dimensões para calendários personalizados.
Informações importantes
Observe as seguintes limitações com calendários personalizados:
- Medidas filtradas: os calendários personalizados não são compatíveis com medidas filtradas. Não é possível referenciar uma dimensão de calendário personalizado no parâmetro
filtersde uma medida. - Filtros avançados: os calendários personalizados não são compatíveis com filtros avançados. Não é possível referenciar uma dimensão de calendário personalizado em expressões de filtro do Looker.
- Agregações simétricas: em alguns cenários de junção complexos, as agregações simétricas podem não ser totalmente compatíveis com consultas que envolvem dimensões de calendário personalizado.
- Preenchimento de dimensões:o Looker não pode preencher datas ausentes para dimensões de calendário personalizado.
- Filtragem além dos limites do calendário:se um filtro for aplicado a um período personalizado que resulte em uma data que não esteja no calendário, resultados inesperados poderão ser retornados. Isso tem a ver com a aritmética ordinal usada para calcular o início de um período.
- Filtros
OR:os filtrosORnão são compatíveis com consultas com calendários personalizados. - Comportamento de conversão de fuso horário:o Looker respeita a semântica de conversão de fuso horário atual. Ou seja, se o banco de dados e o fuso horário da consulta forem iguais, nenhuma conversão de fuso horário será aplicada. Se eles não concordarem, o Looker vai aplicar a conversão de fuso horário. É possível modificar esse comportamento especificando
convert_tz: nopara o grupo de dimensões de calendário personalizado. - Classificação padrão:o Looker aplica uma classificação padrão ao primeiro campo de data quando os campos de calendário personalizado são selecionados. O usuário pode então especificar uma classificação de dados diferente.
- Filtros de calendário personalizado:as dimensões de calendário personalizado oferecem suporte a opções de filtro específicas, como está nos últimos 3 anos personalizados ou é este período personalizado. Para mais informações, consulte a seção Filtros de calendário personalizado da página de documentação Filtrar e limitar dados.
Dialetos de banco de dados compatíveis com calendários personalizados
A tabela a seguir mostra quais dialetos oferecem suporte a calendários personalizados na versão mais recente do Looker:
| Dialeto | Compatível? |
|---|---|
| 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 | |
| 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 |