Usa date_start y date_end con filtros de fecha

Puedes usar filtros de plantilla para hacer referencia a fechas seleccionando las fechas de inicio y finalización en un filtro de fecha: {% date_start date_filter %} y {% date_end date_filter %}, respectivamente. En esta página, se explican algunos ejemplos de casos de uso y los pasos para llevarlos a cabo.

Notas de sintaxis

La siguiente sintaxis funciona con la mayoría de los dialectos, pero algunos tienen casos de uso específicos. Ejemplo:

  • BigQuery permite un mayor control cuando se trabaja con funciones de comodín de tablas, como TABLE_DATE_RANGE y TABLE_QUERY, por lo que usar {% table_date_range prefix date_filter %} no es suficiente para especificar filtros de fecha.
  • Hadoop permite trabajar con columnas particionadas por fecha, independientemente del tipo (string, date) o el formato (YYYY-MM-DD) de la columna.

Notas de uso

  • Cuando no se especifica un valor para date_filter, tanto {% date_start date_filter %} como {% date_end date_filter %} se evaluarán como NULL.
  • En el caso de un date_filter abierto (como before 2016-01-01 o after 2016-01-01), uno de los filtros {% date_start date_filter %} o {% date_end date_filter %} será NULL.
  • Para asegurarte de que ninguno de estos dos casos genere SQL no válido, puedes usar IFNULL o COALESCE en LookML.

Ejemplos de casos de uso

Columnas particionadas mensualmente (en BigQuery)

En algunos conjuntos de datos de BigQuery, las tablas se organizan por mes, y el ID de la tabla tiene la combinación de año y mes como sufijo. Un ejemplo de esto se encuentra en el siguiente conjunto de datos, que tiene muchas tablas con nombres como pagecounts_201601, pagecounts_201602 y pagecounts_201603.

Ejemplo 1: LookML que depende de always_filter

La siguiente tabla derivada usa TABLE_QUERY([dataset], [expr]) para obtener el conjunto correcto de tablas para consultar:

view: pagecounts {
  derived_table: {
    sql: SELECT * FROM
    TABLE_QUERY([fh-bigquery:wikipedia],
    "length(table_id) = 17 AND
    table_id >= CONCAT( 'pagecounts_' , STRFTIME_UTC_USEC({% date_start date_filter %},'%Y%m') ) AND
    table_id <= CONCAT('pagecounts_' , STRFTIME_UTC_USEC({% date_end date_filter %},'%Y%m') )";
    )
    ;;
  }
  filter: date_filter {
    type: date
  }
}

Algunas notas sobre el código de la expresión:

  • table_id hace referencia al nombre de la tabla en el conjunto de datos.
  • length(table_id) = 17 se asegura de ignorar las otras tablas con nombres como pagecounts_201407_en_top64k.
  • STRFTIME_UTC_USEC({% date_start date_filter %},'%Y%m') solo mostrará la parte YYYYmm de la fecha de inicio.

NULL se sustituirá por las partes date_filter. Para evitar este problema, se requiere un always_filter en la exploración:

explore: pagecounts {
  always_filter: {
    filters: [date_filter: "2 months ago"]
  }
}

Ten en cuenta que esto fallará en los filtros de fechas anteriores a la fecha más antigua del conjunto de datos, ya que {% date_start date_filter %} se evaluará como NULL.

Ejemplo 2: LookML que no depende de always_filter

También es posible usar COALESCE o IFNULL para codificar un conjunto predeterminado de tablas para consultar. En el siguiente ejemplo, se usan los últimos dos meses:

  • El límite inferior: COALESCE({% date_start date_filter %},DATE_ADD(CURRENT_TIMESTAMP(),-2,'MONTH'))
  • El límite superior: COALESCE({% date_end date_filter %},CURRENT_TIMESTAMP())
view: pagecounts {
  derived_table: {
    sql: SELECT * FROM
    TABLE_QUERY([fh-bigquery:wikipedia],
    "length(table_id) = 17 AND
    table_id >= CONCAT( 'pagecounts_'; , STRFTIME_UTC_USEC(COALESCE({% date_start date_filter %},DATE_ADD(CURRENT_TIMESTAMP(),-2,'MONTH')),'%Y%m') ) AND
    table_id <= CONCAT( 'pagecounts_' , STRFTIME_UTC_USEC(COALESCE({% date_end date_filter %},CURRENT_TIMESTAMP()),'%Y%m') )"
    )
    ;;
  }
  filter: date_filter {
    type: date
  }
}

Los archivos de registro están en UTC cuando se realizan consultas en zonas horarias de América (en BigQuery).

A veces, tus archivos de registro de Looker se almacenan en UTC, aunque realices consultas en zonas horarias del este o del Pacífico. Este problema puede provocar que los archivos de registro ya hayan cambiado a la fecha de mañana en la zona horaria local de la consulta, lo que provocará que se pierdan algunos datos.

La solución es agregar un día adicional a la fecha de finalización del filtro de fecha para asegurarte de que, si es después de la medianoche (UTC), se recojan esas entradas de registro.

En los siguientes ejemplos, se usa el conjunto de datos públicos [githubarchive:day], que tiene una partición diaria de la información de GitHub.

Ejemplo 1: LookML que depende de always_filter

view: githubarchive {
  derived_table: {
    sql: SELECT * FROM
    TABLE_DATE_RANGE([githubarchive:day.],
    {% date_start date_filter %},
    DATE_ADD({% date_end date_filter %},1,"DAY")
    )
    ;;
  }

  filter: date_filter {
    type: date
  }
}

Debido a que esta SQL fallará si se sustituye NULL por las fechas, es necesario agregar un always_filter a Explorar:

explore: githubarchive {
  always_filter: {
    filters: [date_filter: "2 days ago"]
  }
}

Ejemplo 2: LookML que no depende de always_filter

En este ejemplo, el período predeterminado se codifica en LookML. Como COALESCE mostraba un tipo unknown, al final tuve que usar IFNULL para que funcionara SQL.

  • El límite inferior: IFNULL({% date_start date_filter %},CURRENT_DATE())
  • El límite superior: IFNULL({% date_end date_filter %},CURRENT_DATE()) + 1 día
view: githubarchive {
  derived_table: {
    sql: SELECT * FROM
    TABLE_DATE_RANGE([githubarchive:day.],
    IFNULL({% date_start date_filter %},CURRENT_TIMESTAMP()),
    DATE_ADD(IFNULL({% date_end date_filter %},CURRENT_TIMESTAMP()),1,"DAY")
    )
    ;;
  }
  filter: date_filter {
    type: date
  }
}

Funciones analíticas de los últimos N días (en BigQuery)

Cuando se realizan ciertos análisis, se espera que los cálculos se realicen de forma agregada durante un período histórico. Para realizar esta operación en SQL, por lo general, se implementa una función de ventana que alcanza la cantidad de filas n de una tabla única por fecha. Sin embargo, hay un dilema cuando se usa una tabla particionada por fecha: primero, se debe dictar el conjunto de tablas en las que se ejecutará la consulta, incluso si la consulta realmente necesita tablas históricas adicionales para el procesamiento.

Solución: Permite que la fecha de inicio sea anterior a las fechas proporcionadas en el filtro de fecha. Este es un ejemplo que abarca una semana adicional:

view: githubarchive {
  derived_table: {
    sql:  SELECT y._date,
                y.foo,
                y.bar
            FROM (
              SELECT _date,
                    SUM(foo) OVER (ORDER BY _date RANGE BETWEEN x PRECEDING AND CURRENT ROW),
                    COUNT(DISTINCT(bar)) OVER (ORDER BY _date RANGE BETWEEN x PRECEDING AND CURRENT ROW)
                FROM (
                    SELECT _date,
                          foo,
                          bar
                      FROM TABLE_DATE_RANGE([something:something_else.], DATE_ADD(IFNULL({% date_start date_filter %},CURRENT_TIMESTAMP()), -7, "DAY"), IFNULL({% date_end date_filter %},CURRENT_TIMESTAMP()))
                      ) x
            ) y
          WHERE {% condition date_filter %} y._date {% endcondition %};;
  }
  filter: date_filter {
    type: date
  }
}

Se necesita la sentencia SELECT adicional porque proporciona una restricción WHERE para recortar el conjunto de resultados hasta el período que el usuario especificó originalmente en la consulta.

Tabla particionada por fecha a través de una cadena con el formato "AAAA-MM-DD" (en Presto)

Es un patrón común en las tablas de Hadoop usar columnas particionadas para acelerar los tiempos de búsqueda de las columnas en las que se suele buscar, en especial las fechas. El formato de las columnas de fecha puede ser arbitrario, aunque YYYY-MM-DD y YYYYMMDD son los más comunes. El tipo de la columna de fecha puede ser cadena, fecha o número.

En este ejemplo, una tabla de Hive table_part_by_yyyy_mm_dd tiene una columna particionada dt, una cadena con formato YYYY-MM-DD, que Presto busca.

Cuando se ejecuta el generador por primera vez, el código LookML se ve de la siguiente manera:

view: table_part_by_yyyy_mm_dd {
  sql_table_name: hive.taxi. table_part_by_yyyy_mm_dd ;;
  suggestions: no
  dimension: dt {
    type: string
    sql: ${TABLE}.dt ;;
  }
}

Estas son algunas notas sobre el código de las expresiones en ambos ejemplos:

  • El resultado de date_start y date_end es type: timestamp.
  • date_format( <expr>, '%Y-%m-%d') se usa para convertir la marca de tiempo en una cadena y en el formato correcto.
  • El coalesce es para controlar el caso de los valores NULL si alguien escribe un filtro como before 2010-01-01 o after 2012-12-31.
  • Este es un código de dialecto Presto, por lo que Hive tendrá algunas diferencias en la cadena de formato (yyyy-MM-dd) y date_format no puede tomar un valor NULL, por lo que coalesce tendría que moverse allí con algún tipo de valor predeterminado.

Ejemplo 1: LookML que usa una expresión de tabla común para filtrar la tabla

En este ejemplo, se usa una tabla derivada para filtrar la tabla.

view: table_part_by_yyyy_mm_dd {
  # sql_table_name: hive.taxi. table_part_by_yyyy_mm_dd
  suggestions: no
  derived_table: {
    sql: SELECT * FROM hive.taxi. table_part_by_yyyy_mm_dd
      WHERE ( coalesce( dt >= date_format({% date_start date_filter %}, '%Y-%m-%d'), TRUE) )
      AND ( coalesce( dt <= date_format({% date_end date_filter %}, '%Y-%m-%d'), TRUE) )
      ;;
  }
  filter: date_filter {
    type: date
  }
  dimension: dt {
    type: string
    sql: ${TABLE}.dt ;;
  }
}

Por lo general, las tablas particionadas tardan demasiado en realizar análisis de tablas completos (y consumen demasiados recursos del clúster), por lo que es recomendable colocar un filtro predeterminado en Explorar para esta vista:

explore: table_part_by_yyyy_mm_dd {
  always_filter: {
    filters: [date_filter: "2013-01"]
  }
}

Ejemplo 2: LookML que filtra directamente en el predicado

En este ejemplo, el filtrado de predicados se realiza directamente en la tabla, sin una subconsulta ni una expresión de tabla común.

view: table_part_by_yyyy_mm_dd {
  sql_table_name: hive.taxi.table_part_by_yyyy_mm_dd ;;
  filter: date_filter {
    type: date
    sql: ( coalesce( ${dt} >= date_format({% date_start date_filter %}, '%Y-%m-%d'), TRUE) )
    AND ( coalesce( ${dt} <= date_format({% date_end date_filter %}, '%Y-%m-%'), TRUE) );;
  }
  dimension: dt {
    type: string
    sql: ${TABLE}.dt ;;
  }
}

Podemos validar que las particiones de la tabla se estén usando en realidad si verificamos el resultado de EXPLAIN en SQL Runner para una consulta generada por este LookML (puedes acceder a ella haciendo clic en la sección SQL de la pestaña Datos de la página Explorar). Verás algo como lo siguiente:

output[table_part_by_yyyy_mm_dd.count] => [count:bigint]
table_part_by_yyyy_mm_dd.count := count
  TopN[500 by (count DESC_NULLS_LAST)] => [count:bigint]
  Aggregate(FINAL) => [count:bigint]
  count := "count"("count_4")
  RemoteExchange[GATHER] => count_4:bigint
  Aggregate(PARTIAL) => [count_4:bigint]
  count_4 := "count"(*)
  Filter[(COALESCE(("dt" >= CAST('2013-04-01' AS VARCHAR)), true) AND COALESCE(("dt" <= CAST('2016-08-01' AS VARCHAR)), true))] => [dt:varchar]
  TableScan[hive:hive:taxi: table_part_by_yyyy_mm_dd, originalConstraint = (COALESCE(("dt" >= CAST('2013-04-01' AS VARCHAR)), true) AND COALESCE(("dt" <= CAST('2016-08-01' AS VARCHAR)), true))] => [dt:varchar]
  LAYOUT: hive dt := HiveColumnHandle{clientId=hive, name=dt, hiveType=string, hiveColumnIndex=-1, partitionKey=true}
  :: [[2013-04-01, 2013-12-31]]

El partitionKey=true junto con el rango de claves de partición enumeradas indican que solo analiza esas columnas particionadas.