Qué es uno mismo en Python: ejemplos del mundo real
Qué es uno mismo en Python: ejemplos del mundo real
Este tutorial tratará sobre la materialización de cachés de datos en DAX Studio. Esta publicación mostrará cómo afecta su cálculo mientras genera resultados con su consulta. Aprenderá qué materialización es mejor para maximizar el rendimiento de DAX.
Hay dos ideas de materialización: Materialización Temprana y Materialización Tardía .
Tabla de contenido
Materialización temprana
La materialización temprana es cuando el número de filas materializadas es mayor que el número de filas necesarias para la salida.
Si su salida es una tabla por año calendario y tiene cinco años de datos, no es necesario traer muchas filas materializadas. La mejor práctica es tener el número de filas materializadas igual al número de filas necesarias. Sin embargo, ese no es siempre el caso porque depende de la complejidad de su configuración de datos y DAX .
Recuerde siempre que los datos consisten en columnas. Entonces, cuando el motor de fórmulas necesita trabajar en una tabla, las columnas se vuelven a juntar en un formato de tabla, que es la materialización. En una idea de materialización temprana, el motor de almacenamiento envía caché de datos al motor de fórmulas. El motor de fórmulas luego trabaja en ese caché y realiza procesos complejos.
La materialización temprana puede deberse a combinaciones complejas o una relación de muchos a muchos en sus modelos de datos. También puede ser causado por tener filtros o iteradores complejos.
No está mal tener medidas complejas; solo tiene que configurarlos correctamente para aprovechar el motor de almacenamiento tanto como sea posible.
Materialización tardía
La materialización tardía es cuando tiene una cantidad de filas materializadas igual o cercana a la cantidad de filas necesarias para su salida.
El motor de almacenamiento hace casi todo el trabajo sin dejar nada para el motor de fórmula. Esto hace que todo el cálculo sea más rápido.
Estas son consultas de ejemplo de materialización temprana y tardía:
Antes de ejecutar estas consultas, asegúrese de borrar el caché. Esto hará que sus consultas se ejecuten en el caché frío. Si ejecuta su DAX sin borrar el caché, obtendrá este resultado:
El tiempo total de ejecución es de solo 1861 milisegundos porque ya usaba un caché. Así que siempre borre su caché antes de ejecutar sus consultas.
Si ejecuta la consulta de materialización temprana, puede ver que el tiempo total que tomó es 9485 milisegundos. Generó un caché de datos y una salida de una fila, pero devolvió 25 millones de filas.
No necesita materializar 25 millones de filas para obtener un resultado de una fila porque lleva tiempo y ralentiza el rendimiento de DAX.
Si ejecuta la consulta de materialización tardía, puede ver que todo el cálculo solo tomó 1340 milisegundos. También generó 2 cachés de datos, cada uno de los cuales devuelve 5003 filas.
Si observa el Plan de consulta física, puede ver 5000 filas. No tienen el mismo número de filas. El resultado de los tiempos del servidor a veces tendrá una pequeña discrepancia con respecto al número exacto de filas en el plan de consulta.
Entonces, de trabajar en un caché de datos con 25 millones de filas, ahora tiene dos cachés de datos con 5003 filas. Es por eso que trabajar con Materialización posterior obtiene resultados más rápidos que con Materialización temprana.
Dentro de cada consulta de materialización
Con solo mirar la consulta, ya puede ver que la Materialización posterior es más rápida. La consulta de materialización temprana cuenta las filas de una tabla resumida.
La tabla que se resume y materializa es más grande que simplemente hacer un de en la tabla, que es lo que hace la consulta de materialización tardía.
Si su consulta es lenta, comience por observar cuántas filas se extraen en su consulta y cuántas se necesitan para la salida. También puede ir al Plan de Consulta Lógica y seguir el flujo de trabajo que está ocurriendo dentro del cálculo.
Qué es DAX Studio en LuckyTemplates Desktop
DAX Tutorial: Contexto y la
medida del motor de cálculo en LuckyTemplates: Sugerencias y técnicas de optimización
Conclusión
La materialización ocurre cuando sus consultas extraen columnas o filas de su modelo de datos. Este proceso ocurre naturalmente cuando su motor obtiene datos de su modelo de datos para proporcionar resultados para su consulta.
Sin embargo, pueden surgir problemas si su DAX extrae demasiadas filas de las necesarias para el resultado. Este problema se puede resolver simplificando su DAX para realizar procesos específicos.
Qué es uno mismo en Python: ejemplos del mundo real
Aprenderá a guardar y cargar objetos desde un archivo .rds en R. Este blog también cubrirá cómo importar objetos desde R a LuckyTemplates.
En este tutorial del lenguaje de codificación DAX, aprenda a usar la función GENERAR y a cambiar dinámicamente el título de una medida.
Este tutorial cubrirá cómo usar la técnica de elementos visuales dinámicos de subprocesos múltiples para crear información a partir de visualizaciones de datos dinámicos en sus informes.
En este artículo, repasaré el contexto del filtro. El contexto del filtro es uno de los temas principales que cualquier usuario de LuckyTemplates debería conocer inicialmente.
Quiero mostrar cómo el servicio en línea de LuckyTemplates Apps puede ayudar a administrar diferentes informes e información generada a partir de varias fuentes.
Aprenda a calcular los cambios de su margen de beneficio utilizando técnicas como la bifurcación de medidas y la combinación de fórmulas DAX en LuckyTemplates.
Este tutorial analizará las ideas de materialización de cachés de datos y cómo afectan el rendimiento de DAX al proporcionar resultados.
Si todavía usa Excel hasta ahora, este es el mejor momento para comenzar a usar LuckyTemplates para sus necesidades de informes comerciales.
¿Qué es la puerta de enlace de LuckyTemplates? Todo lo que necesitas saber