Синтаксис и примеры фильтра модели (службы Analysis Services — интеллектуальный анализ данных)

Применимо к: SQL Server 2019 и более ранних версий Analysis Services Azure Analysis Services Fabric/Power BI Premium

Важно!

Интеллектуальный анализ данных не рекомендуется использовать в службах SQL Server 2017 Analysis Services, а в SQL Server 2022 Analysis Services его поддержка прекращена. Документация не обновляется для устаревших и неподдерживаемых функций. Дополнительные сведения см. в статье об обратной совместимости служб Analysis Services.

В этом разделе приводятся сведения о синтаксисе фильтров моделей, а также образцы критериев.

Синтаксис фильтра

Фильтры для атрибутов варианта

Фильтры для атрибутов вложенной таблицы

Фильтры для нескольких атрибутов вложенной таблицы

Фильтры для атрибутов, отсутствующих во вложенной таблице

Фильтры для нескольких значений вложенной таблицы

Фильтры для атрибутов вложенной таблицы с инструкцией EXISTS

Сочетания фильтров

Фильтры по датам

Синтаксис фильтра

Критерии фильтра обычно эквивалентны содержимому предложения WHERE. Можно соединить несколько условий с помощью логических операторов AND, ORи NOT.

Во вложенных таблицах также можно использовать операторы EXISTS и NOT EXISTS . Условие EXISTS принимает значение true , если вложенный запрос возвращает, по крайней мере, одну строку. Это может быть удобно в тех случаях, когда необходимо ограничить модель вариантами, содержащими определенное значение во вложенной таблице, например покупатели, купившие товар по крайней мере один раз.

Условие NOT EXISTS принимает значение true , если условие, указанное во вложенном запросе, не существует. Например, можно создать для модели ограничение, касающееся клиентов, которые не покупали определенный товар.

Общий синтаксис выглядит следующим образом:

<filter>::=<predicate list>  | ( <predicate list> )  
<predicate list>::= <predicate> | [<logical_operator> <predicate list>]   
<logical_operator::= AND| OR  
<predicate>::= NOT <predicate>|( <predicate> ) <avPredicate> | <nestedTablePredicate> | ( <predicate> )   
<avPredicate>::= <columnName> <operator> <scalar> | <columnName> IS [NOT] NULL  
<operator>::= = | != | <> | > | >= | < | <=  
<nestedTablePredicate>::= EXISTS (<subquery>)  
<subquery>::=SELECT * FROM <columnName>[ WHERE  <predicate list> ]  

filter
Содержит один или несколько предикатов, соединенных логическими операторами.

predicate list
Один или несколько критериев фильтра, разделенных логическими операторами.

columnName
Имя столбца структуры интеллектуального анализа данных.

логический оператор
AND, OR, NOT

avPredicate
Критерий фильтра, применимый только к скалярному столбцу структуры интеллектуального анализа данных. Критерий avPredicate может быть использован и в фильтрах моделей, и в фильтрах вложенных таблиц.

Критерий, в котором используется любой из перечисленных ниже операторов, может быть применен только к непрерывному столбцу. :

• < (меньше чем);

• > (больше чем);

• >= (больше или равно)

• <= (меньше или равно)

Примечание

Вне зависимости от типа данных эти операторы не могут быть применены к столбцам, имеющим тип Discrete, Discretizedили Key.

Выражение, в котором используется любой из перечисленных ниже операторов, может быть применен к непрерывному, дискретному, дискретизированному или ключевому столбцу.

• = (равно)

• != (не равно)

• IS NULL

Если критерий avPredicateприменяется к дискретизированному столбцу, то в фильтре может использоваться любое значение из конкретного сегмента.

Иными словами, условие не определяется как AgeDisc = '25-35'. Вместо этого вычисляется, а затем используется значение из этого интервала.

Пример: AgeDisc = 27 означает любое значение в том же интервале, что и 27, которое в данном случае равно 25–35.

nestedTablePredicate
Критерий фильтра, применяющийся к вложенной таблице. Может использоваться только в фильтрах модели.

Аргумент вложенного запроса критерия для аргумента nestedTablePredicateможет применяться только к столбцу структуры интеллектуального анализа данных

вложенный запрос
Инструкция SELECT, за которой следует допустимый предикат или список предикатов.

Все предикаты должны иметь тип, описанный в avPredicates. Кроме того, предикаты должны ссылаться только на столбцы, включенные в текущую вложенную таблицу, определяемую аргументом columnName.

Ограничения синтаксиса фильтра

На фильтры налагаются следующие ограничения.

• Фильтр может содержать только простые предикаты. Они включают математические операторы, скалярные переменные и имена столбцов.

• В синтаксисе фильтров не допускаются определяемые пользователем функции.

• Операторы, не являющиеся логическими, например знаки плюса и минуса, не поддерживаются в синтаксисе фильтров.

Примеры фильтров

В следующих примерах демонстрируется применение фильтров к модели интеллектуального анализа данных. Если вы создаете выражение фильтра с помощью SQL Server Data Tools, в окне Свойство и в области Выражение диалогового окна фильтра вы увидите только строку, которая отображается после ключевых слов WITH FILTER. Определение структуры интеллектуального анализа данных было включено, чтобы легче понять типы столбцов и методы их использования.

Пример 1. Обычная фильтрация на уровне вариантов

В этом примере показан простой фильтр, который ограничивает варианты, используемые в модели, пользователями, имеющими профессию архитектора и возраст старше 30 лет.

ALTER MINING STRUCTURE MyStructure  ADD MINING MODEL MyModel_1  
(  
CustomerId,  
Age,  
Occupation,  
MaritalStatus PREDICT  
)  
WITH FILTER (Age > 30 AND Occupation='Architect')  

Пример 2. Фильтрация на уровне вариантов с использованием атрибутов вложенной таблицы

Если в структуре интеллектуального анализа данных содержатся вложенные таблицы, осуществлять фильтрацию можно по существованию значения во всей таблице либо по конкретным строкам вложенной таблицы, в которых содержится конкретное значение. В этом примере для модели ограничиваются только покупатели старше 30 лет, которые совершили по крайней мере одну покупку, включающую молоко.

В этом примере показано, что в фильтре могут использоваться столбцы, которых нет в модели. Вложенная таблица Products является частью структуры интеллектуального анализа данных, но не включена в модель интеллектуального анализа данных. Несмотря на это, фильтры могут применяться к значениям и атрибутам этой вложенной таблицы. Чтобы просматривать сведения о таких вариантах, необходимо включить детализацию.

ALTER MINING STRUCTURE MyStructure  ADD MINING MODEL MyModel_2  
(  
CustomerId,  
Age,  
Occupation,  
MaritalStatus PREDICT  
)  
WITH DRILLTHROUGH,   
FILTER (Age > 30 AND EXISTS (SELECT * FROM Products WHERE ProductName='Milk')  
)  

Пример 3. Фильтрация на уровне вариантов по нескольким атрибутам вложенной таблицы

В этом примере показан фильтр, состоящий из трех частей: условия, применяемого к таблице вариантов, второго условия, касающегося атрибута вложенной таблицы, и третьего условия, касающегося определенного значения в одном из столбцов вложенной таблицы.

Первое условие фильтра, Age > 30, применяется к столбцу в таблице вариантов. Остальные условия применяются к вложенной таблице.

Второе условие, EXISTS (SELECT * FROM Products WHERE ProductName='Milk', проверяет наличие во вложенной таблице по крайней мере одной покупки, включающей молоко. Третье условие, Quantity>=2, обозначает, что заказчик должен был купить по крайней мере две упаковки молока за одну транзакцию.

ALTER MINING STRUCTURE MyStructure  ADD MINING MODEL MyModel_3  
(  
CustomerId,  
Age,  
Occupation,  
MaritalStatus PREDICT,  
Products PREDICT  
(  
ProductName KEY,  
Quantity        
)  
)  
FILTER (Age > 30 AND EXISTS (SELECT * FROM Products WHERE ProductName='Milk'  AND Quantity >= 2)   
)  

Пример 4. Фильтрация на уровне вариантов по отсутствию атрибутов вложенной таблицы

В этом примере показано, как можно ограничить выбор вариантов покупателями, которые не приобретали определенный товар, с помощью фильтрации по атрибута во вложенной таблице. В этом примере модель обучается на данных о клиентах старше 30 лет, которые никогда не покупали молоко.

ALTER MINING STRUCTURE MyStructure  ADD MINING MODEL MyModel_4  
(  
CustomerId,  
Age,  
Occupation,  
MaritalStatus PREDICT,  
Products PREDICT  
(  
ProductName  
)  
)  
FILTER (Age > 30 AND NOT EXISTS (SELECT * FROM Products WHERE ProductName='Milk') )  

Пример 5. Фильтрация по нескольким значениям вложенной таблицы

Целью этого примера является демонстрация фильтрации во вложенной таблице. Фильтр вложенной таблицы применяется после фильтра вариантов и ограничивает только строки вложенной таблицы.

В этой модели может содержаться несколько вариантов с пустыми вложенными таблицами, поскольку инструкция EXISTS не была указана.

ALTER MINING STRUCTURE MyStructure  ADD MINING MODEL MyModel_5  
(  
CustomerId,  
Age,  
Occupation,  
MaritalStatus PREDICT,  
Products PREDICT  
(  
ProductName KEY,  
Quantity        
) WITH FILTER(ProductName='Milk' OR ProductName='bottled water')  
)  
WITH DRILLTHROUGH  

Пример 6. Фильтрация по атрибутам вложенной таблицы с инструкцией EXISTS

В этом примере фильтр для вложенной таблицы ограничивает строки, в которых содержится либо молоко, либо бутилированная вода. Затем происходит фильтрация вариантов в модели с помощью инструкции EXISTS . Это гарантирует, что вложенная таблица не будет пустой.

ALTER MINING STRUCTURE MyStructure  ADD MINING MODEL MyModel_6  
(  
CustomerId,  
Age,  
Occupation,  
MaritalStatus PREDICT,  
Products PREDICT  
(  
ProductName KEY,  
Quantity        
) WITH FILTER(ProductName='Milk' OR ProductName='bottled water')  
)  
FILTER (EXISTS (Products))  

Пример 7. Сложные сочетания фильтров

Сценарий для этой модели напоминает сценарий из примера 4, но здесь он более сложный. Вложенная таблица, ProductsOnSale, имеет условие фильтра (OnSale) , означающее, что для продукта, указанного в столбце ProductName , параметр OnSale должен иметь значение true. Здесь OnSale — это столбец структуры.

Во второй части фильтра повторяется тот же синтаксис для таблицы ProductsNotOnSale, но фильтрация происходит по продуктам, для которых параметр OnSale имеет значение not true(!OnSale).

Затем эти условия объединяются, а на таблицу вариантов накладывается одно дополнительное ограничение. В результате прогнозируются покупки продуктов в списке ProductsNotOnSale на основе вариантов, включенных в список ProductsOnSale , для покупателей старше 25 лет.

ALTER MINING STRUCTURE MyStructure ADD MINING MODEL MyModel_7

(

CustomerId,

Age,

Occupation,

MaritalStatus,

ProductsOnSale

(

ProductName KEY

) WITH FILTER(OnSale),

ProductsNotOnSale PREDICT ONLY

(

ProductName KEY

) WITH FILTER(!OnSale)

)

WITH DRILLTHROUGH,

FILTER (EXISTS (ProductsOnSale) AND EXISTS(ProductsNotOnSale) AND Age > 25)

Пример 8. Фильтрация по датам

Входные столбцы можно фильтровать по датам, так же как и по любым другим данным. Даты, содержащиеся в столбце типа date/time, являются непрерывными значениями; Таким образом, можно указать диапазон дат с помощью таких операторов, как больше (>) или меньше (<). Если источник данных представляет даты не как непрерывный тип данных, а как дискретные или текстовые значения, то выполнять фильтрацию по диапазону дат нельзя, необходимо указывать отдельные дискретные значения.

Однако нельзя задать фильтр по столбцу дат в модели временных рядов в том случае, если столбец дат, используемый для фильтрации, также является ключевым столбцом для модели. Это связано с тем, что в моделях временных рядов и в моделях кластеризации последовательностей столбец дат может обрабатываться как тип KeyTime или KeySequence.

Если необходимо выполнить фильтрацию по непрерывно расположенным датам в модели временных рядов, то можно создать копию столбца в структуре интеллектуального анализа данных и выполнить фильтрацию в модели по этому новому столбцу.

Например, следующее выражение представляет фильтр для столбца дат типа Сontinuous , добавленного в модель прогнозирования.

=[DateCopy] > '12:31:2003:00:00:00'

Примечание

Следует заметить, что любые дополнительные столбцы, добавленные в модель, могут повлиять на результат. В связи с этим, если этот столбец не должен быть использован при вычислении рядов, его следует добавить только в структуру интеллектуального анализа данных, но не в модель. Также для столбца можно установить флаг модели PredictOnly или Ignore. Дополнительные сведения см. в разделе Флаги моделирования (интеллектуальный анализ данных).

Для других типов моделей даты можно использовать в качестве входных критериев или условий критерия, как и в любых других столбцах. Однако, если необходимо использовать определенный уровень гранулярности, который не поддерживается типом данных Continuous , можно создать производное значение в источнике данных, использовав выражения для извлечения единицы, которая будет использоваться при фильтрации и анализе.

Предупреждение

Если в качестве условия фильтра вы указываете даты, следует использовать формат mm/dd/yyyy, независимо от формата даты для используемой операционной системы. Любой другой формат приведет к ошибке.

Например, если необходимо фильтровать результаты центра обработки вызовов, чтобы отображались только данные за выходные, то можно создать выражение в представлении источника данных, извлекающее название дня недели для каждой даты, а затем использовать название дня в качестве входных данных или как дискретное значение при фильтрации. Однако следует помнить, что повторяющиеся значения также могут повлиять на модель, поэтому следует использовать только один из столбцов и не использовать совместно столбец дат и производное значение.

См. также:

Фильтры для моделей интеллектуального анализа данных (службы Analysis Services — интеллектуальный анализ данных)
Тестирование и проверка (интеллектуальный анализ данных)