请注意，您正在查看 Looker 文档。如需查看 Looker Studio 文档，请访问 https://support.google.com/looker-studio。

此页面由 Cloud Translation API 翻译。

Looker 实战宝典：充分利用 Looker 中的派生表

派生表为您打开了无数高级分析可能性的大门，但在使用、实现和排查问题时，可能会让您感到棘手。本实战宝典包含 Looker 中派生表的最常见使用场景。

本页面包含以下示例：

在每天凌晨 3 点创建表
将新数据附加到大型表
使用 SQL 窗口函数
为计算值创建派生列
优化策略
使用 PDT 测试优化
UNION两个表
对和求和（测量测量值）
具有汇总感知功能的汇总表

派生表资源

这些实战宝典假定您对 LookML 和派生表有初步了解。您应该能够熟练创建视图和修改模型文件。如果您想复习一下其中任何主题，请查看以下资源：

在每天凌晨 3 点创建表

在此示例中，数据每天凌晨 2 点到达。无论是在凌晨 3 点还是晚上 9 点，针对此数据运行查询的结果都是一样的。因此，每天构建一次表格并让用户从缓存中提取结果是明智之举。

将数据集包含在模型文件中后，您就可以在多个表格和探索中重复使用该数据集。此数据组包含一个 sql_trigger_value 参数，该参数会告知该数据组何时触发并重建派生表。

如需查看触发器表达式的更多示例，请参阅 sql_trigger_value 文档。


## in the model file

datagroup: standard_data_load {
  sql_trigger_value: SELECT FLOOR(((TIMESTAMP_DIFF(CURRENT_TIMESTAMP(),'1970-01-01 00:00:00',SECOND)) - 60*60*3)/(60*60*24)) ;;
  max_cache_age: "24 hours"
}

explore: orders {
…

将 datagroup_trigger 参数添加到视图文件的 derived_table 定义，并指定要使用的数据组的名称。在此示例中，数据组为 standard_data_load。


view: orders {
 derived_table: {
  indexes: ["id"]
  datagroup_trigger: standard_data_load
    sql:
      SELECT
        user_id,
        id,
        created_at,
        status
      FROM
        demo_db.orders
      GROUP BY
        user_id ;;
    }

…
}

将新数据附加到大型表

增量 PDT 是 Looker 通过将新数据附加到表中（而不是重新构建整个表）构建的永久性派生表。

下一个示例基于 orders 表示例构建，展示了该表如何以增量方式构建。每天都会收到新的订单数据，如果您添加 increment_key 参数和 increment_offset 参数，这些数据可能会附加到现有表中。


view: orders {
 derived_table: {
    indexes: ["id"]
    increment_key: "created_at"
    increment_offset: 3
    datagroup_trigger: standard_data_load
    distribution_style: all
    sql:
      SELECT
        user_id,
        id,
        created_at,
        status
      FROM
        demo_db.orders
      GROUP BY
        user_id ;;
    }

  dimension: id {
    primary_key: yes
    type: number
    sql: ${TABLE}.id ;;  }

…
}

increment_key 值设置为 created_at，在此示例中应查询新数据并将其附加到 PDT 的时间增量。

将 increment_offset 值设置为 3，可指定重新构建以考虑延迟数据的先前时间段的数量（以递增键的粒度）。

使用 SQL 窗口函数

某些数据库方言支持窗口函数，尤其是用于创建序列号、主键、运行总计和累计总计以及其他实用的多行计算。在主查询执行完毕后，任何 derived_column 声明都会单独执行。

如果您的数据库方言支持窗口函数，您可以在原生派生表中使用这些函数。创建一个包含窗口函数的 sql 参数，并使用该参数创建 derived_column 参数。引用值时，您应使用原生派生表中定义的列名称。

以下示例展示了如何创建一个包含 user_id、order_id 和 created_time 列的原生派生表。然后，您将使用带有 SQL ROW_NUMBER() 窗口函数的派生列来计算包含客户订单序列号的列。

view: user_order_sequences {
  derived_table: {
    explore_source: order_items {
      column: user_id {
        field: order_items.user_id
      }
      column: order_id {
        field: order_items.order_id
      }
      column: created_time {
        field: order_items.created_time
      }
      derived_column: user_sequence {
        sql: ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY created_time) ;;
      }
    }
  }
  dimension: order_id {
    hidden: yes
  }
  dimension: user_sequence {
    type: number
  }
}

为计算值创建派生列

您可以添加 derived_column 参数，以指定 explore_source 参数的“探索”中不存在的列。每个 derived_column 形参都有一个 sql 形参，用于指定如何构造值。

sql 计算可使用您通过 column 参数指定的任何列。派生列不能包含聚合函数，但可以包含可对表的单行执行的计算。

此示例会创建一个 average_customer_order 列，而此列是根据原生派生表中的 lifetime_customer_value 和 lifetime_number_of_orders 列计算得出的。

view: user_order_facts {
  derived_table: {
    explore_source: order_items {
      column: user_id {
        field: users.id
      }
      column: lifetime_number_of_orders {
        field: order_items.count
      }
      column: lifetime_customer_value {
        field: order_items.total_profit
      }
      derived_column: average_customer_order {
        sql:  lifetime_customer_value / lifetime_number_of_orders ;;
      }
    }
  }

  dimension: user_id {
    hidden: yes
  }
  dimension: lifetime_number_of_orders {
    type: number
  }
  dimension: lifetime_customer_value {
    type: number
  }
  dimension: average_customer_order {
    type: number
  }
}

优化策略

由于 PDT 存储在您的数据库中，因此根据您的方言支持，您应采用以下策略来优化您的 PDT：

例如，如需添加持久性，您可以将 PDT 设置为在数据组 orders_datagroup 触发时重建，然后可以在 customer_id 和 first_order 上添加索引，如下所示：

view: customer_order_summary {
  derived_table: {
    explore_source: orders {
      ...
    }
    datagroup_trigger: orders_datagroup
    indexes: ["customer_id", "first_order"]
  }
}

如果您未添加索引（或您方言的等效项），Looker 会向您发出警告，提醒您添加索引以提高查询性能。

使用 PDT 测试优化

您可以使用 PDT 测试不同的索引编制、发行版和其他优化选项，而无需 DBA 或 ETL 开发者提供大量支持。

假设您有一个表，但想要测试不同索引。该视图的初始 LookML 可能如下所示：

view: customer {
  sql_table_name: warehouse.customer ;;
}

如需测试优化策略，您可以使用 indexes 参数向 LookML 添加索引，如下所示：

view: customer {
  # sql_table_name: warehouse.customer
  derived_table: {
    sql: SELECT * FROM warehouse.customer ;;
    persist_for: "8 hours"
    indexes: [customer_id, customer_name, salesperson_id]
  }
}

查询一次视图以生成 PDT。然后，运行测试查询并比较结果。如果结果理想，您可以要求 DBA 或 ETL 团队将索引添加到原始表中。

`UNION` 2 张表格

如果您的 SQL 方言支持，您可以在两个派生表中执行 SQL UNION 或 UNION ALL 运算符。UNION 和 UNION ALL 运算符可合并两个查询的结果集。

以下示例展示了使用 UNION 的基于 SQL 的派生表：

view: first_and_second_quarter_sales {
  derived_table: {
    sql:
       SELECT * AS sales_records
       FROM sales_records_first_quarter
       UNION
       SELECT * AS sales_records
       FROM sales_records_second_quarter ;;
   }
}

sql 参数中的 UNION 语句会生成一个派生表，该表合并了两个查询的结果。

UNION 和 UNION ALL 之间的区别在于，UNION ALL 不会移除重复的行。在使用 UNION 与 UNION ALL 时，需要注意一些性能注意事项，因为数据库服务器必须执行额外的工作才能移除重复行。

对和求和（测量量度）

根据 SQL 以及 Looker 中的一般规则，您不能按聚合函数（在 Looker 中表示为测量值）的结果对查询进行分组。您只能按未汇总的字段（在 Looker 中表示为维度）进行分组。

如需按汇总项进行分组（例如求和的总和），您需要对指标进行“维度化”。一种方法是使用派生表，这样可有效地创建汇总的子查询。

从探索开始，Looker 可以为您的所有或大部分派生表生成 LookML。只需创建一个“探索”，然后选择要包含在派生表中的所有字段即可。然后，如需生成原生（或基于 SQL）的派生表 LookML，请按以下步骤操作：

点击“探索”的齿轮菜单，然后选择获取 LookML。
如需查看用于为探索创建原生派生表的 LookML，请点击 Derived Table 标签页。
复制该 LookML。

现在，您已复制生成的 LookML，请按照以下步骤将其粘贴到视图文件中：

在开发模式下，前往项目文件。
在 Looker IDE 中，点击项目文件列表顶部的 +，然后选择创建视图。或者，如需在文件夹中创建文件，请点击文件夹的菜单，然后选择创建视图。
为视图名称设置有意义的名称。
（可选）更改列名称、指定派生列以及添加过滤条件。

具备汇总感知能力的汇总表

在 Looker 中，您经常可能会遇到非常庞大的数据集，或是需要汇总表或汇总才能正常运行的表。

借助 Looker 的汇总感知功能，您可以预先构建各种粒度、维度和聚合级别的汇总表；您可以告知 Looker 如何在现有探索中使用它们。然后，查询将在 Looker 认为合适的地方使用这些汇总表，无需任何用户输入。这将缩减查询大小、缩短等待时间并提升用户体验。

下面展示了 Looker 模型中非常简单的实现，展示了轻量级聚合感知如何实现。假设数据库中有一个假设的航班表，其中一行与通过 FAA 记录的每个航班相对应，您可以在 Looker 中对此表建模，使其具有自己的视图和探索功能。以下是您可以为探索定义的汇总表的 LookML：

  explore: flights {
    aggregate_table: flights_by_week_and_carrier {
      query: {
        dimensions: [carrier, depart_week]
        measures: [cancelled_count, count]
      }

      materialization: {
        sql_trigger_value: SELECT CURRENT-DATE;;
      }
    }
  }

借助此汇总表格，用户可以查询 flights 探索，Looker 会自动使用汇总表格来回答查询。有关汇总认知度的更详细演示，请访问“汇总认知度”教程。