Optimisation de Power Query : réduction des nombres décimaux

Dans ce didacticiel, vous apprendrez une technique d'optimisation de Power Query pour réduire l'utilisation de la RAM. Plus précisément, vous apprendrez à réduire les nombres stockés après une décimale . Ceci est utile si vous avez affaire à des colonnes stockées dans un format de nombre décimal.

Dans cet exemple, vous pouvez voir que le prix net consomme 11 Mo de RAM, tandis que le coût total, le coût unitaire et le prix unitaire consomment 8 Mo chacun.

Lorsque vous accédez à Power Query et cliquez sur l'option de filtre de la colonne Prix net, vous pouvez voir que la colonne stocke des valeurs jusqu'à trois décimales.

Cela peut entraîner un problème de performances . Si plusieurs chiffres sont stockés comme nombre décimal, le dictionnaire contiendra davantage de valeurs uniques. Cela amènera VertiPaq à créer une énorme structure de stockage pour le dictionnaire.

Il est donc recommandé d'optimiser ces colonnes.

Table des matières

• Optimisation de Power Query pour les colonnes
  • Vérifier l'utilisation de la RAM
• Conclusion

Optimisation de Power Query pour les colonnes

Idéalement, vous souhaitez stocker des valeurs jusqu'à deux décimales. Faites un clic droit sur la colonne que vous souhaitez optimiser. Cliquez sur Transformer > Arrondi > Arrondi .

Ensuite, définissez les décimales sur 2 et cliquez sur OK.

Un moyen rapide de transformer toutes les colonnes en une seule fois consiste à les mettre en surbrillance, puis à suivre les mêmes étapes.

Cela applique le format de nombre décimal à toutes les colonnes en une seule étape. Une fois terminé, enregistrez votre travail.

Vérifier l'utilisation de la RAM

Pour vérifier la quantité de RAM réduite, ouvrez DAX Studio . Accédez à l'onglet Avancé et cliquez sur Afficher les métriques .

En comparant l'original avec les colonnes optimisées, vous pouvez voir des réductions dans la taille de la colonne et la taille du dictionnaire.

Pour cet exemple, il semblerait que la différence en kilo-octets ne corresponde pas à une bonne réduction de l'espace RAM. Cependant, si vous avez affaire à des valeurs plus distinctes telles que des nombres à sept décimales, les économies de RAM seraient importantes.

Vous pouvez également remarquer que pour la colonne Prix unitaire, la cardinalité ne change pas mais il y a une réduction significative de la taille de la colonne.

Lorsque vous réduisez la granularité ou apportez des modifications au modèle de données dans une colonne, vous introduisez un nouvel ordre de tri dans Analysis Services. Cela peut augmenter ou diminuer la taille du modèle de données.

Même si le nombre de valeurs distinctes n'a pas changé, Analysis Services a peut-être trouvé un meilleur ordre de tri qui a réduit la taille de la colonne.

Cette technique d'optimisation est particulièrement utile si vous stockez une colonne Date/Heure. Cela pourrait stocker des valeurs jusqu'à la milliseconde.

Lorsque vous réduisez la cardinalité de chaque valeur à une seconde, cela réduit les valeurs uniques dans le dictionnaire.

Transformations LuckyTemplates simples pour des données plus optimisées
Optimiser les formules LuckyTemplates à l'aide
du moteur de stockage DAX avancé - Son rôle dans l'optimisation des requêtes DAX dans LuckyTemplates

Conclusion

Si vous travaillez avec un modèle tabulaire, concentrez-vous sur la réduction de la cardinalité d'une colonne.

La cardinalité est le facteur déterminant de la quantité de RAM que le modèle de données consommera. Il vous indique également combien de temps il faudra pour analyser une colonne particulière lorsque vous exécuterez votre code.

L'optimisation de vos requêtes DAX est cruciale pour maintenir un bon rapport LuckyTemplates. Non seulement cela garantit que votre travail fonctionne bien, mais cela réduit également la pression sur votre machine.