Les tableaux dérivés offrent un large éventail de possibilités d'analyse avancée, mais leur approche, leur implémentation et leur dépannage peuvent s'avérer difficiles. Ce guide contient les cas d'utilisation les plus courants des tables dérivées dans Looker.
Cette page contient les exemples suivants:
- Créer un tableau tous les jours à 3 h du matin
- Ajouter de nouvelles données à une grande table
- Utiliser les fonctions de fenêtrage SQL
- Créer des colonnes dérivées pour des valeurs calculées
- Stratégies d'optimisation
- Utiliser des tests PDT pour tester les optimisations
UNION
deux tables- Additionner une somme (dimensionnaliser une mesure)
- Tables récapitulatives avec une visibilité globale
Ressources de tables dérivées
Ces guides pratiques partent du principe que vous avez déjà des connaissances de base sur LookML et les tables dérivées. Vous devez être à l'aise avec la création de vues et la modification du fichier de modèle. Pour rafraîchir vos connaissances sur l'un de ces sujets, consultez les ressources suivantes:
- Tables dérivées
- Termes et concepts LookML
- Créer des tables dérivées natives
- Documentation de référence sur le paramètre
derived_table
- Mettre en cache des requêtes et recompiler des tables PDT à l'aide de groupes de données
Création d'une table tous les jours à 3h du matin
Dans cet exemple, les données sont collectées tous les jours à 2 heures du matin. Les résultats d'une requête sur ces données seront les mêmes, qu'elle soit exécutée à 3 h du matin ou à 21 h. Il est donc logique de créer la table une fois par jour et de permettre aux utilisateurs d'extraire les résultats d'un cache.
En incluant votre groupe de données dans le fichier de modèle, vous pouvez le réutiliser avec plusieurs tableaux et explorations. Ce groupe de données contient un paramètre sql_trigger_value
qui indique au groupe de données quand déclencher et reconstruire la table dérivée.
Pour plus d'exemples d'expressions de déclencheur, consultez la documentation sql_trigger_value
.
## 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 {
…
Ajoutez le paramètre datagroup_trigger
à la définition derived_table
dans le fichier de vue, puis spécifiez le nom du groupe de données que vous souhaitez utiliser. Dans cet exemple, le groupe de données est 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 ;;
}
…
}
Ajouter de nouvelles données à une grande table
Une augmentation de table PDT est une table dérivée persistante créée par Looker en ajoutant des données à jour à la table, au lieu de régénérer la table entière.
L'exemple suivant s'appuie sur l'exemple de table orders
pour montrer comment la table est créée de manière incrémentielle. De nouvelles données de commande sont reçues chaque jour et peuvent être ajoutées à la table existante lorsque vous ajoutez un paramètre increment_key
et un paramètre increment_offset
.
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 ;; }
…
}
La valeur increment_key
est définie sur created_at
, qui correspond à l'incrément de temps pour lequel de nouvelles données doivent être interrogées et ajoutées à la table PDT dans cet exemple.
La valeur increment_offset
est définie sur 3
pour spécifier le nombre de périodes passées (selon la granularité de la clé d'incrémentation) qui sont régénérées pour représenter des données tardives.
Utiliser des fonctions de fenêtrage SQL
Certains dialectes de base de données acceptent les fonctions de fenêtre, en particulier pour créer des numéros de séquence, des clés primaires, des totaux cumulés et en cours, et d'autres calculs utiles sur plusieurs lignes. Une fois la requête principale exécutée, les éventuelles déclarations derived_column
sont exécutées lors d'une autre passe.
Si votre dialecte de base de données prend en charge les fonctions de fenêtrage, vous pouvez les utiliser dans votre table dérivée native. Créez un paramètre derived_column
avec un paramètre sql
contenant votre fonction de fenêtrage. Pour référencer ces valeurs, vous devez utiliser le nom de colonne défini dans la table dérivée native.
L'exemple suivant montre comment créer une table dérivée native qui inclut les colonnes user_id
, order_id
et created_time
. Vous utiliserez ensuite une colonne dérivée avec une fonction de fenêtrage SQL ROW_NUMBER()
pour calculer une colonne contenant le numéro de séquence d'une commande client.
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
}
}
Créer des colonnes dérivées pour des valeurs calculées
Vous pouvez ajouter des paramètres derived_column
pour spécifier des colonnes qui n'existent pas dans l'exploration du paramètre explore_source
. Chaque paramètre derived_column
est associé à un paramètre sql
qui spécifie comment construire la valeur.
Votre calcul sql
peut utiliser toutes les colonnes que vous avez spécifiées à l'aide de paramètres column
. Les colonnes dérivées ne peuvent pas inclure de fonctions d'agrégation, mais peuvent en revanche contenir des calculs réalisables sur une seule ligne du tableau.
Cet exemple crée une colonne average_customer_order
, calculée à partir des colonnes lifetime_customer_value
et lifetime_number_of_orders
de la table dérivée native.
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
}
}
Stratégies d'optimisation
Étant donné que des PDT sont stockées dans votre base de données, vous devriez optimiser vos PDT en suivant les stratégies suivantes, selon ce que prend en charge votre dialecte:
Par exemple, pour ajouter la persistance, vous pouvez configurer la table PDT pour qu'elle soit regénérée lorsque le groupe de données orders_datagroup
se déclenche, puis ajouter des index sur customer_id
et first_order
, comme indiqué ci-dessous:
view: customer_order_summary {
derived_table: {
explore_source: orders {
...
}
datagroup_trigger: orders_datagroup
indexes: ["customer_id", "first_order"]
}
}
Si vous n'ajoutez aucun index (ni équivalent pour votre dialecte), Looker vous invite à le faire pour améliorer les performances des requêtes.
Utiliser des tables PDT pour tester les optimisations
Vous pouvez utiliser des PDT pour tester différents indexages, distributions et autres options d'optimisation sans avoir besoin d'une assistance importante de la part de vos administrateurs de base de données ou développeurs ETL.
Imaginons que vous disposiez d'une table, mais que vous souhaitiez tester différents index. Votre code LookML initial pour la vue peut ressembler à ceci:
view: customer {
sql_table_name: warehouse.customer ;;
}
Pour tester des stratégies d'optimisation, vous pouvez utiliser le paramètre indexes
pour ajouter des index au code LookML, comme indiqué ci-dessous:
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]
}
}
Interrogez la vue une fois pour générer la table PDT. Exécutez ensuite vos requêtes de test et comparez les résultats. Si les résultats sont favorables, vous pouvez demander à votre administrateur de base de données ou à votre équipe ETL d'ajouter les index à la table d'origine.
UNION
: deux tables
Vous pouvez exécuter un opérateur SQL UNION
ou UNION ALL
dans les deux tables dérivées si votre dialecte SQL le permet. Les opérateurs UNION
et UNION ALL
combinent les ensembles de résultats de deux requêtes.
Cet exemple montre à quoi ressemble une table dérivée basée sur SQL avec un UNION
:
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 ;;
}
}
L'instruction UNION
du paramètre sql
génère une table dérivée qui combine les résultats des deux requêtes.
La différence entre UNION
et UNION ALL
est que UNION ALL
ne supprime pas les lignes en double. Des considérations de performances doivent être prises en compte lorsque vous utilisez UNION
par rapport à UNION ALL
, car le serveur de base de données doit effectuer des tâches supplémentaires pour supprimer les lignes en double.
Additionner une somme (dimensionnaliser une mesure)
En règle générale, en SQL (et par extension, dans Looker), vous ne pouvez pas regrouper une requête en fonction des résultats d'une fonction d'agrégation (représentée dans Looker sous la forme de mesures). Vous ne pouvez regrouper les données que par champs non agrégés (représentés dans Looker sous forme de dimensions).
Pour regrouper des données par agrégation (par exemple, pour additionner la somme d'une somme), vous devez "dimensionnaliser" une mesure. Pour ce faire, vous pouvez utiliser une table dérivée, qui crée en fait une sous-requête de l'agrégation.
À partir d'une exploration, Looker peut générer un code LookML pour tout ou partie d'une table dérivée. Il suffit de créer une exploration et de sélectionner tous les champs souhaités dans la table. Ensuite, pour générer le code LookML de la table dérivée native (ou basée sur SQL), procédez comme suit:
Cliquez sur le menu Outils de l'exploration, puis sélectionnez Obtenir LookML.
Pour afficher le code LookML permettant de créer une table dérivée native pour l'exploration, cliquez sur l'onglet Table dérivée.
Copiez le code LookML.
Après avoir copié le code LookML généré, collez-le dans un fichier de vue en procédant comme suit:
En mode développement, accédez à vos fichiers de projet.
Dans l'IDE Looker, cliquez sur + en haut de la liste des fichiers du projet, puis sélectionnez Créer une vue. Pour créer le fichier dans le dossier, cliquez sur le menu d'un dossier, puis sélectionnez Créer une vue.
Donnez un nom représentatif à la vue.
Au besoin, changez le nom des colonnes, désignez des colonnes dérivées et ajoutez des filtres.
Tables récapitulatives avec la reconnaissance des agrégats
Dans Looker, vous pouvez souvent rencontrer des ensembles de données ou des tables très volumineux qui, pour être performants, nécessitent des tables d'agrégation ou des agrégations.
Grâce à la prise en compte des agrégations de Looker, vous pouvez prédéfinir des tables agrégées à différents niveaux de granularité, de dimensionnalité et d'agrégation. Vous pouvez également indiquer à Looker comment les utiliser dans les explorations existantes. Les requêtes utiliseront ensuite ces tables récapitulatives lorsque Looker le jugera approprié, sans aucune intervention de l'utilisateur. Cela réduit la taille des requêtes, les temps d'attente et améliore l'expérience utilisateur.
L'exemple suivant montre une implémentation très simple dans un modèle Looker pour illustrer la légèreté de la prise en compte des agrégations. Imaginons qu'une table de vols hypothétique existe dans la base de données, avec une ligne pour chaque vol enregistré par la FAA. Vous pouvez modéliser cette table dans Looker avec sa propre vue et son exploration. Vous trouverez ci-dessous le code LookML d'une table agrégée que vous pouvez définir pour l'exploration:
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;;
}
}
}
Avec ce tableau agrégé, un utilisateur peut interroger l'exploration flights
, et Looker utilisera automatiquement le tableau agrégé pour répondre aux requêtes. Pour obtenir un aperçu plus détaillé de la connaissance globale, consultez le tutoriel sur la connaissance globale.