Cómo usar 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 control detallado cuando se trabaja con funciones 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

  • Si no se especifica un valor para date_filter, {% date_start date_filter %} y {% 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 prácticos

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 conjunto de datos público de BigQuery Wikipedia [fh-bigquery:wikipedia], que tiene tablas con nombres como pagecounts_201601, pagecounts_201602, pagecounts_201603, etcétera.

Ejemplo 1: LookML que depende de always_filter

En la siguiente tabla derivada, se usa TABLE_QUERY([dataset], [expr]) a fin de 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 en la expresión:

  • table_id se refiere 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') mostrará solo la parte YYYYmm de la fecha de inicio.

Se sustituirá NULL 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 seguirá fallando para los filtros de fechas anteriores a la fecha más antigua del conjunto de datos porque {% 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 EE.UU. (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. Esto puede causar problemas en los que los archivos de registro ya se hayan lanzado a la fecha de mañana en la zona horaria local de la consulta, lo que puede causar que se pierdan algunos datos.

La solución es agregar un día adicional a la fecha de finalización del filtro de fecha para asegurarse de que, si es pasada la medianoche UTC, se captan 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 este SQL fallará si se sustituyen 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())
  • 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 N días finales (en BigQuery)

Cuando se realizan ciertos análisis, se espera que los cálculos sean de alguna 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, cuando se usa una tabla particionada por fecha, existe un catch-22: primero se debe dictar el conjunto de tablas con el que se ejecutará la consulta, incluso si esta necesita tablas históricas adicionales para el procesamiento.

Cómo solucionarlo: Permite que la fecha de inicio sea anterior a las fechas indicadas en el filtro de fechas. Este es un ejemplo de un período anterior de una semana: 

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)

En las tablas de Hadoop, es un patrón común usar columnas particionadas para acelerar los tiempos de búsqueda de las columnas en las que se suele realizar la búsqueda, 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 string 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.
  • coalesce sirve para manejar las mayúsculas y minúsculas 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 de 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 filtrarla

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 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 realmente se estén usando verificando el resultado de EXPLAIN en el Ejecutor de SQL para una consulta generada por este LookML (puedes acceder a ella haciendo clic en la sección SQL en la pestaña Datos de la página Explorar). Verás algo como esto: 

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.