《DAX圣经》第六章：DAX实例
------PowerBI非官方 简体精简笔记
计算比率与百分比
百分比：用一种度量的部分值去除以同一度量的总值。
第一种：销售占总销售额的百分比
包含百分比的典型报告如图6-1所示，图6-1一个典型的百分比报告，包含销售额，显示的是绝对值和百分比。
在图6-1，显示的百分比是针对总值的百分比，即在当前列Year和行Color条件下对总计的百分比计值。表达这种度量的规范方法是使用DIVIDE将要计算的两个值分别作为分子分母：
[Sales %] := DIVIDE([Sales Amount],
CALCULATE( [Sales Amount],ALLSELECTED() ))
该公式包含需要计算的两个度量：一个是元度量[Sales Amount]（作为分子），一个是通过元度量加上ALLSELECTED（）条件（受透视表行、列、筛选器影响）的分母度量。分母处，由CALCULATE配合ALLSELECTED函数创建了一个新列表模型，维护了所有原始筛选（切片器和筛选器以及在透视表中的任何筛选器）。
第二种：有时，不仅仅是计算销售占总销售额的百分比。
可能希望颜色列显示在每个年份总数中所占的百分比，以便生成如图6-2所示的报告。图6-2 在本报告中，所显示的百分比是相对于年份的总数，而不是总计。
这时候需要的分母度量是：计算每年的总计。跟上一个公式不同的是，只需要改变分母度量的列表筛选，以便能包含对应的每一年，都包含当前可见的产品计算。我们可以通过添加Values函数轻松地完成这一任务：
VALUES函数返回当前在列表筛选中可见的所有唯一值的列值：
[Yearly %] := DIVIDE([SalesAmount],
CALCULATE([Sales Amount],ALLSELECTED(), VALUES(Date[CalendarYear] )))
值得注意的是，整个CALCULATE([SalesAmount],ALLSELECTED())，就是前面公式的分母，其实就是一个度量值列表。我们只是在该度量的基础上，加了一个VALUES ( Date[CalendarYear]列表筛选条件而已。其实际是一个简洁版的CALCULATE（度量+筛选），因为与上一个公式只是分母不同。可将分母定义成度量的简写公式：
[Sales %01]=[Sales Amount] (ALLSELECTED())
则前面的公式也可简写为：
[Yearly %]:=DIVIDE([Sales Amount],
[Sales %01] ( VALUES( Date[CalendarYear] )//度量+筛选。
当CaⅠcuⅠate的第一参数引用己存在的某个度量时，可以省略CaⅠcuⅠate。
通过VALUES（）筛选后，返回正确的结果。唯一的例外是列的总计：本例中的每一行，VALUES（）的结果返回了两个可见的年份（2007与2008）。到目前，我们使用了两种模式来计算百分比的分母：(1)使用ALLSELECTED（），还原原始筛选器筛选；(2) 重新在被还原的原始筛选中定义任何新的筛选器(例如，限于当前年份等)。
第三种：也可以应用反向筛选模式。
也就是说，可以直接从原关系列表模型开始，而不是使用原始筛选器，然后重新应用筛选，结果也将相同。例如，再现图6 - 1中的报告，可以恢复在[Color]以及[CalendarYear]列上的筛选，而不会影响其他筛选，针对需要维护的列分别使用ALLSELECTED如:
[Yearly %] :=DIVIDE([Sales Amount],
CALCULATE([Sales Amount],
ALLSELECTED( Product[Color] ),
ALLSELECTED( Date[CalendarYear] )))
还可以使用以下代码获得图6-2的度量，这将只从[Color]中删除筛选器，保持该列的筛选器不受影响：
[Yearly %-2] := DIVIDE ([SalesAmount],
CALCULATE([SalesAmount],ALLSELECTED (Product[Color] )))
这些度量作为示例显示在透视表时，它们都返回相同的值。但是，它们之间有很大的差别。事实上，这个[Yearly %]的后一版本恢复了Color上的原始筛选器，但是保留了任何其他位置的筛选器。如果筛选的列只有年份，则结果是相同的，但是，一旦通过日历表中添加更多筛选器列表时，则两个度量返回不同的值，如图6-3所示：
图6-3如果向透视表添加更多筛选器列表，两种度量将返回不同的值。
正如所看到的，Yearly%返回相对于当年的销售百分比，而Yearly%-2则返回相对于月份的销售百分比，这是因为我们将月份添加到透视表中。但这并不表示这两个计算一个正确一个错误，它取决于希望计算的数值。
这里需要记住的重要一点是：
每当计算百分比时，需要非常清楚分母是什么，以及当用户向透视表或报表添加的更多筛选器是什么。
计算累计总数
另一种使用频率较高的模式，可能是累积总数模式。每当有一组事务处理，并且我们有兴趣在某个序列(通常是时间)上累积它们的值时，都会讨论累积总计。例如：
（1）计算一个产品在所有时间内的总销售额，以此作为累计总额；
（2）计算一段时间内不同客户的总数，来作为累计值等。
让我们从分析一个简单的透视表开始，该透视表显示了一段时间内销售的产品数量。可以在图6 - 4中看到它：
图6-4这个透视表显示了每年和每个月销售的产品总数。度量非常简单：
[NumOfProducts] := SUM( Sales[Quantity] )
我们知道：此度量值计算Sales中的Quantity列数量之和。它是一个元度量（即在整个数据模型下计算）。因为时期表与销售表具有一对多的关系，如果选取May 2007的值，它将筛选销售表，得到May 2007的销售额。这很容易。
关键是，如果要计算May 2007的累积总数，我们需要一个新的列表筛选条件：即筛选2007年底之前的所有期间（用于累计），而不是仅筛选May 2007。 这句话虽然很简单，但却隐藏了较大的复杂性。将条件分解一下：
（1）确定当前日期的结束时期，如表示2007年底的示例；
（2） 使用该值，创建一个筛选器，并显示2007年底之前的所有日期。
隐藏的复杂性在于：
（1）新的列表筛选基于当前的列表筛选；
（2）新的列表筛选必须大于原始筛选，因为它将包含2007及更早的所有日期。
图6-5中，可以看到需要检索的日期集，以便计算销售产品的累积数量：
图6-5所售产品的累计数量需要考虑到当前产品在结束前的所有日期。
考虑到算法，现在是研究解决方案公式的时候了：
[CumulativeProducts]:=
CALCULATE(SUM(Sales[Quantity]),
FILTER(ALL('Date'),
'Date'[Datekey]<=MAX('Date'[Datekey])))
这是一个标准的列表关系+筛选+条件的DAX公式，很容易解释该公式：该度量由CALCULATE构建的列表数据模型是：
（1）SUM ( Sales[Quantity]计算列表 + ALL('Date' ) 列表 + 'Date'[Datekey]<=MAX('Date'[Datekey])（条件列表），后两个列表构成新的筛选列表（通过时期关系列表），筛选出计算列表计算。如下简易关系图：
（2）这里关键是要理解条件：'Date'[Datekey]<=MAX ('Date'[Datekey])。回忆一下MAX的确切含义“当前筛选列表DateKey列的最大值”。
一方面，因为表达式是计算筛选的一部分，所以它仍然回到原始列表筛选中工作。例如，如果筛选May 2007，那么，对应的最大日期是2007年的最后一天；
另一方面，左边表达式Date[DateKey] 是一个列，意思是“当前行筛选下的DateKey中的列值”，该列值再构成由FILTER创建的“当前列表筛选”。因此，该表达式表示为：“筛选所有低于或等于（<=）May 2007最后一天的日期。这正是我们需要的条件。你可以在图6-6中看到实际的公式计算的结果：
图6-6 CumulativeProducts将值加到当前日期。
还有一个问题是，这个公式。实际上显示了2010年及以后的数据，而数据库中并没有2010的数据。而且未来所有时期的数据都将会显示。这种行为是正确的，因为我们计算的就是：今后销售的产品的累计数量=迄今为止销售的总数。尽管如此，你可能不想显示这些数字（这种业务场景是常见的）。这可以通过用空白替换不需要的行来删除它们：
（1）通过透视表表默认隐式所有值为空的行(同样也适用于列)；
（2）要隐藏不需要的行，可使用IF函数检查当前筛选中是否存在Sales销售，如下代码所示。
[CumulativeProducts] :=IF(COUNTROWS( Sales ) >0,
CALCULATE ( SUM( Sales[Quantity] ),
FILTER(ALL( 'Date' ),
'Date'[Datekey] <=MAX( 'Date'[Datekey]))))
该度量中，我们基于这样一个事实：即IF的Else分支如果缺失，将返回一个空白。
计算每天与工作日的销售额
另一个常用的业务场景是如何在工作日内执行计算的例子。这是相对于时间智能计算来说的一个简单的场景。
如图6-7所示。希望生成一个报告：
图6-7在这个透视表中，可以看到销售额分别除以天数以及工作日天数。
所显示的数字分别包含不同的含义：
（1） [endif]Sales Amount--销售是该期间的总销售额；
（2） [endif]DailySales-- 每日销售是每天的平均销售。
WorkDailySales是按工作日销售的平均销售，以及它与非工作日销售的比例，以预计这些工作日会不会产生盈利。这些度量的定义如下：
[NumOfDays] := COUNTROWS(Date)
[NumOfWorkingDays] :=CALCULATE( [NumOfDays], Date[WorkingDay] ="WorkDay")
[Sales Amount] :=SUMX( Sales, Sales[Quantity] * Sales[Unit Price] )
[DailySales] : =DIVIDE( [Sales Amount], [NumOfDays] )
[WorkDailySales] :=DIVIDE( [SalesAmount], [NumOfWorkingDays]) --工作日天数销售占比
这些度量很简单，但包含了一些我们必须解决的问题。事实上，在前一张图表中，我们只筛 选了两年：2007和2008。这些数字符合计算。为更清楚地显示出多个年份，我们移除筛选器。如图6-13所示。
图6-13这个透视表的总计显示了错误的值。
如果查看DailySales和WorkDailySales的总计，会立即发现数字是错误的。并不是行中显示的值的平均值。该问题应该很容易理解：因为在透视表中显示的是正常天数和工作天数。按总计计算时，计算的是没有销售的期间，而且由于天数位于分母，因而最终值低于预期。我们先不看最后正确的公式，展示几个错误解决方案对问题的影响。
因为这两项措施都有相同的问题，所以让集中讨论DailySales，公式正确后，同时会适用于NumOfWorkingDays度量。
第一次试验：
你可能想到：清除掉那些没有销售的天数（即反利用条件，该情况在实际中经常出现，但这里只是提起该概念，该示例里是假反利用条件），这很容易，可以为NumOfDays尝试IF处理： [NumOfDays] := IF([Sales Amount] >0,COUNTROWS(Date))
此更新公式使得没有销售的行从其中消失，看起来好了一些。但它不会修正总计行。因此，这不仅是错误的，也具有很大的误导性，而且使问题不容易发现，如图6-8所示。
图6-8 没有销售的期间行消失了，但总计仍然是错误的，
正如所看到的，总计仍然是错误的，即使没有销售的所有行都从透视表中消失了。是的，它 们消失了：
（1）一方面，将NumOfDays设置为Blank，透视表将不显示这些行；
（2）另一方面，在总计销售额中，因为销售额大于零，所以我们的公式仍然考虑了所有的日期。
结论是：第一次实验显然走错了方向。
这一度量存在一个明显的问题：我们称之为“粒度不匹配”。如果仔细看结果，在月和年两个时期粒度上都是正确的，只是在总计上是错误的。原因是：有多个年份并没有销售，这些没有销售的年份是不需要计算的。因此，我们说，在年份粒度时，数字是正确的，而在总体粒度上数字是错误的。
所以，需要解决的问题是：
(1) 需要以正确的粒度计算公式；
(2) 然后将结果合并为单个值；
(3) 并能在更高的粒度上计算这种度量。
这就产生了一个问题：这个正确的粒度是什么？
第二次试验：
需要的时期粒度在年，月，日上都有可能，这取决于实际需要，虽然我们已发现总计的错误，但我们仍然对年度值感到满意，因此，可以使用以下新公式将粒度设置在年份级别：
[DailySales] :=DIVIDE([Sales Amount],
SUMX(VALUES('Date'[Calendar Year] ),
IF([Sales Amount] >0, [NumOfDays])))
该公式定义的分母检查在特定年份是否有销售。如果存在，则IF函数返回存在的天数，否则，返回一个空白，并且不会影响分母的总数。值得记住的是：公式里包含的分子分母的两种度量--Sales Amoun和NumOfDays都会正常，因为存在DAX自动隐式存在的CALCULATE。如果没有这种CALCULATE，公式就不能正确工作。
两个隐式行筛选：
（1）[Sales Amount]度量值列表隐式行筛选，即CALCULATE(SUM([Sales Amount]))； （2）SUMX，迭代函数自带的隐式行筛选；
在图6-9中，可以看到结果现在是正确的，即使在总计上也是如此：
图6-9添加了多年份的迭代计算，并固定了总计。实际上，在用于这些测试的数据库中，所有这些年都有记录数据，这意味着从1月1日到12月31日都存在数据记录。
但在实际需求中，你可能希望生成在几年内的不完全填充数据的报告。例如：在生成8月份报告时，只有到8月为止的那些数据，而没有8月以后并没有的那些月的信息。
本例中，该度量仍将报告不正确的数字。因此，这项度量尚未最后确定。图6-10中，我们希望删除掉2009年8月8之后（没有）的销售：
图6-10当一年没有完成时，度量仍然报告不正确的结果，
可以看到，8月是最后一个月(顺便说一句，它是不完整的)，所有高于它的总数(即季度、年份和总计)都报告了错误的数字。当然这种行为是我们(有意)在代码中使用了错误的粒度，因为正确的粒度不是年份，而是月份。我们使用这个年度粒度，是因为在年度水平上度量似乎是正确的。
但是，即使我们确定了总计的公式，在年的粒度级一旦该年度里的某几个月一消失，就会遇到同样的问题。既然问题在于粒度筛选不对，那么。我们有了：
第三次试验：
也就是，正确的度量表述式需要同时考虑到年份和月份，如：
[DailySales] :=DIVIDE([Sales Amount],
SUMX(VALUES( Date[Calendar Year] ),
SUMX(VALUES( Date[Month] ),
IF([Sales Amount] >0, [NumOfDays]))))
现在，分母在年份和月份上执行两个迭代，它分别检查每对(年份、月份组合)是否存在该月份的销售额，并正确地聚合出当前存在销售的月份的天数。图6-11中结果：
图6-11一旦正确设置了粒度后，公式就会报告正确的数字。
第四次试验：
使用CROSSJOIN表达式，可以更优雅一些：
[DailySales] :=DIVIDE([Sales Amount],
SUMX(CROSSJOIN(
VALUES( Date[Calendar Year] ), VALUES( Date[Month] )),
IF([SalesAmount] >0, [NumOfDays])))
注意：粒度不匹配问题经常出现在多个模型设计（业务场景）中。
如果某些度量只能在定义的粒度上计算，则需要迭代定义该粒度的列，最后聚合该粒度部分的结果。建议详细研究这个示例，因为它将在多个数据模型中有用。
值得注意的是，在最近（最后）那个月里仍有一个小问题：NumOfDays的天数结果并没有考虑到最后一个月可能不完整的情况。例如，如果在8月15日提交了一份报告，就不应该考虑到其未来的日子，因为这时候的销售显然是不存在的。如果还希望在最后一个月也产生此正确的结果，需要进一步限制日期表，方法是在前面公式的后面加上一个筛选条件：删除最后一次销售之后的所有日期。
最后正确的度量：
[DailySalesCorrected]:=
CALCULATE(DIVIDE([Sales Amount],
SUMX(
CROSSJOIN(VALUES( Date[Calendar Year] ),VALUES( Date[Month] )),
IF( [Sales Amount] >0, [NumOfDays] ))), FILTER('Date', 'Date'[Date] <=MAX(Sales[OrderDate] ) ))
计算工作日差异
接下来是是一个非常简单单却非常有用的例子，因为它阐述了一种使用DAX计算值的方式，这在其他分析引擎中并不常见（比如Analysis Services多维引擎）。
考虑在事实表中，对于每个订单，有两个这样的日期：
（1）OrderDate是下订单的日期；（订货时期）
（2）ShipDate 是订单发运的日期（发货时期）
业务场景：计算处理订单业务所需的天数。
这很容易做到，这要归功于DAX存储日期的方式。实际上，执行一个简单的减法即可：ShipDate-OrderDate就足够能计算天数了。话虽如此，一些更有实际有用的数值计算是：
（1）两个日期之间的业务日天数：
（2）排除假日期间的工作：
（3）非公司工作时的工作日天数（比如加班天数）等。
本例，使用工作日而不是非工作日来计算处理订单的时期要公平得多。
事实证明，这比简单的减法更具挑战性。与前面的示例一样，日历表包含一个列，该列定义出特定的日期：是否为工作日。我们需要找到一种方法来使用该列，以计算这两个日期之间的差异(以工作日表示)。
在数据模型中，Calendar表用于按订单日期、年份等对订单进行切片。日历和事实表之间的关系基于订单日期。为了解决这种情况，需要停止将Calendar表视为维度(只用于筛选数据表)，并认为Calendar表只是一个表。使用它以不同的方式计数，而不是仅仅是维度筛选等。
例如，可以在OrderDate和ShipDate之间计算Calendar表中的行数，这些行同时也是工作日。如果以这种方式表示该算法，它将非常快地通过DAX定义出计算列：
Sales[WorkinDaysHandling] = COUNTROWS(
FILTER(Date,
AND( AND(Date[Date] >= Sales[OrderDate],Date[Date] <= Sales[ShipDate]),
Date[Working Day] ="WorkDay"))) --并接第一个AND
相同算法的一种更优雅的度量方式如下：
Sales[WorkinDaysHandling] =
CALCULATE(COUNTROWS ( Date ),
ALL(Date),
DATESBETWEEN( Date[Date], Sales[OrderDate],Sales[ShipDate]),
Date[WorkingDay] ="WorkDay")
后一个公式使用了DATESBETWEEN函数构建时期筛选：即订货时期与发货时期之间的所有日期，结果是一个表，然后使用它作为筛选器参数来筛选计算，以更改现有的WorkDay选择。
计算静态移动平均值
移动平均线是另一个常见的模式。本例提供一个如何以静态方式计算移动平均值的示例。例如，使用包含某些股票价格的股票数据模型，想要计算过去50至200个期间的平均价格。因为在股票市场上，一种常见的交易技巧是：观察移动速度较快的平均线(超过50个周期)何时穿过移动到较慢的平均线(200个时段)，以确定买入和卖出点。
此示例还要求，由于数据库中的节假日和遗漏日(如未确定股票价格的天数等)，50个时间段与固定天数不相对应。这就需要考虑数据库中的遗漏日，并始终确保平均50个点的股票覆盖有一个定义的价格。
本示例使用的数据模型非常简单，仅包含一个日历表和另一个包含股票收盘价的表，如图6 -12所示，其中没有1月6 - 7日两天的价格：
图6-12对于假期和其他非工作日，股票价格有几个遗漏。
为了计算平均值，可以添加计算列。
主要原因是想要在图表上显示这个平均值，这意味着DAX需要计算数百个值来绘制线条。由于计算这么多平均值的点可能是一个缓慢的操作，所以，可以将这些计算合并到计算列中，以便生成更快的图表。
这需要定义好移动平均值起始日期，这些日期可能因股票而异。我们来解决这个问题：
第一步：给表中的每一行分配一个数字。
这个数字随每个股票单而增加。因此，为第一个Microsoft的价格指定一个数字：1，数字2代表Microsoft的第二个价格，以此类推。对Apple等每个唯一值的行都执行同样的操作。结果可见于图6-19。
图6-13 DayNumber列是股票价格的频次数字。
该计数只需：对与当前行相同的每一行时期计数即可，使用EARLIER：
Prices[DayNumber] =
COUNTROWS(FILTER(Prices, // FILTER（）表AND(Prices[Date] <=EARLIER( Prices[Date]),
Prices[Stock] =EARLIER( Prices[Stock] )))) // 同时满足的两个条件筛选
第二步：计算移动平均值。
既然每一行都有一个索引符，就很容易确定50或200个周期的边界：只需取当前DayNumber--天数，减去要考虑的期间数，然后取确定行的日期就足够了。
可以使用两种不同的技术来构建这个计算列。第一个方案更容易理解，即使代码不是最优的；第二个解决方案比较优雅一些，最大的优点是遵循了前面概述的非常简单的DAX计值算法规律：
Prices[MovingAverage200] =
CALCULATE ( AVERAGE(Prices[Close]),
FILTER(ALL(Prices[Date]),
AND(Prices[Date]>=LOOKUPVALUE(Prices[Date],Prices[Stock],EARLIER(Prices[Stock]),Prices[DayNumber],
EARLIER(Prices[DayNumber]) –200),
Prices[Date]<=EARLIER(Prices[Date]))),
ALLEXCEPT( Prices,Prices[Stock]))
该公式的核心是最内部的条件，它筛选当前的日期与DayNumber-200之间的日期。外部ALLEXCEPT需要将计算限制为同一股票的行。
该公式的第二个版本是一个更好的解决方案：
Prices[MovingAverage200]=
CALCULATE (
CALCULATE ( AVERAGE(Prices[Close]),
Prices[DayNumber]>=VALUES(Prices[DayNumber])- 200,Prices[DayNumber]<=VALUES(Prices[DayNumber])),
ALLEXCEPT( Prices,Prices[Stock],Prices[DayNumber]))
同样，定义出：Prices[MovingAverage50] 度量（200改为50即可）
这个移动平均值使用了两个嵌套CALCULATE。这里略过原内容，其实使用DAX的万能公式模式：关系+筛选+条件很好理解，如图：
事实上，第一个红框内：第二个CALCULATE定义的是一个度量值列表，两个条件筛选下的求平均值的度量，该度量做为第一个CALCULATE的第一个参数，然后再放置了一个关系列表筛选条件（它针对ALLEXCEPT（）定义的其中两列与第二个CALCULATE（）度量列表构成新关系的计算列集，参与计算）。
三个度量很容易定义出来：
[AVG 200] := AVERAGE( Prices[MovingAverage200] )
[AVG 50] := AVERAGE ( Prices[MovingAverage50] )
[AVG Close]:= AVERAGE ( Prices[Close] )
最后，使用度量来显示某个图表，该图表为每只股票指示移动平均线交点处的买卖点，如图6-20所示：
图6-20移动平均线是有用的，以显示一个股票的随着时间的推移方向。