Création de tables dérivées natives

Une table dérivée est une requête dont les résultats sont utilisés comme si la table dérivée était une table physique de la base de données. Une table dérivée native est basée sur une requête que vous définissez à l'aide de termes LookML. Cela diffère d'une table dérivée basée sur SQL, qui repose sur une requête que vous définissez avec des termes SQL. Comparées aux tables dérivées basées sur SQL, les tables dérivées natives sont beaucoup plus faciles à lire et à comprendre lors de la modélisation des données. Pour en savoir plus, consultez la section Tables dérivées natives et tables dérivées basées sur SQL de la page de documentation Tables dérivées dans Looker.

Les tables dérivées natives et basées sur SQL sont définies dans LookML à l'aide du paramètre derived_table au niveau de la vue. En revanche, avec les tables dérivées natives, il est inutile de créer une requête SQL. À la place, utilisez le paramètre explore_source pour spécifier l'exploration sur laquelle baser la table dérivée, les colonnes souhaitées et d'autres caractéristiques souhaitées.

Vous pouvez également demander à Looker de créer la table dérivée LookML à partir d'une requête SQL Runner, comme décrit sur la page de documentation Utiliser SQL Runner pour créer des tables dérivées.

Définition de vos tables dérivées natives à partir d'une exploration

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 :

  1. Sélectionnez le menu Outils Explore Actions (Explorer les actions), puis Get LookML (Obtenir LookML).

  2. Cliquez sur l'onglet Table dérivée pour afficher le code LookML permettant de créer une table dérivée native pour l'exploration.

  3. Copiez le code LookML.

Après avoir copié le code LookML généré, collez-le dans un fichier de vue :

  1. En mode Développement, accédez aux fichiers de votre projet.

  2. Cliquez sur + en haut de la liste des fichiers du projet dans l'IDE Looker, puis sélectionnez Créer une vue. Vous pouvez également cliquer sur le menu d'un dossier et sélectionner Créer une vue pour créer le fichier dans le dossier.

  3. Donnez un nom représentatif à la vue.

  4. Au besoin, changez le nom des colonnes, désignez des colonnes dérivées et ajoutez des filtres.

Lorsque vous utilisez une mesure de type: count dans une exploration, la visualisation attribue aux valeurs obtenues le nom de la vue plutôt que le mot Count (Nombre). Pour éviter toute confusion, mettez le nom de la vue au pluriel. Vous pouvez modifier le nom de la vue en sélectionnant Afficher le nom complet du champ sous Série dans les paramètres de visualisation ou en utilisant le paramètre view_label avec une version au pluriel du nom de la vue.

Définition d'une table dérivée native dans LookML

Que vous utilisiez des tables dérivées déclarées en SQL ou en LookML natif, la sortie d'une requête de derived_table est une table avec un ensemble de colonnes. Si la table dérivée est exprimée en SQL, les noms de ces colonnes de sortie sont implicitement fournis par la requête SQL. Par exemple, la requête SQL suivante contiendra les colonnes de sortie user_id, lifetime_number_of_orders et lifetime_customer_value:

SELECT
  user_id
  , COUNT(DISTINCT order_id) as lifetime_number_of_orders
  , SUM(sale_price) as lifetime_customer_value
FROM order_items
GROUP BY 1

Dans Looker, les requêtes sont basées sur une exploration, incluent des champs de mesure et de dimension, ajoutent si nécessaire des filtres, et peuvent même indiquer un ordre de tri. Une table dérivée native contient tous ces éléments, ainsi que les noms de sortie des colonnes.

L'exemple simple suivant génère une table dérivée avec trois colonnes: user_id, lifetime_customer_value et lifetime_number_of_orders. Vous n'avez pas besoin d'écrire la requête manuellement en SQL. Looker crée la requête pour vous en utilisant l'order_items d'exploration spécifié et certains des champs de cette exploration (order_items.user_id, order_items.total_revenue et order_items.order_count).

view: user_order_facts {
  derived_table: {
    explore_source: order_items {
      column: user_id {
        field: order_items.user_id
      }
      column: lifetime_number_of_orders {
        field: order_items.order_count
      }
      column: lifetime_customer_value {
        field: order_items.total_revenue
      }
    }
  }
  # Define the view's fields as desired
  dimension: user_id {
    hidden: yes
  }
  dimension: lifetime_number_of_orders {
    type: number
  }
  dimension: lifetime_customer_value {
    type: number
  }
}

Utiliser des instructions include pour référencer des champs

Dans le fichier de vue de la table dérivée native, utilisez le paramètre explore_source pour pointer vers une exploration et définir les colonnes et d'autres caractéristiques de la table dérivée native.

Dans le fichier de vue de la table dérivée native, il n'est pas nécessaire d'utiliser le paramètre include pour pointer vers le fichier contenant la définition de l'exploration. Si vous ne disposez pas de l'instruction include, l'IDE Looker ne suggérera pas automatiquement de noms de champs ni ne vérifiera vos références de champ lorsque vous créerez la table dérivée native. À la place, vous pouvez utiliser l'outil LookML Validator pour vérifier les champs que vous référencez dans votre table dérivée native.

Toutefois, si vous souhaitez activer la suggestion automatique et la vérification immédiate des champs dans l'IDE Looker, ou si vous avez un projet LookML complexe comportant plusieurs explorations du même nom ou pouvant contenir des références circulaires, vous pouvez utiliser le paramètre include pour pointer vers l'emplacement de la définition de l'exploration.

Les explorations sont souvent définies dans un fichier de modèle, mais dans le cas des tables dérivées natives, il est préférable de créer un fichier séparé pour l'exploration. Les fichiers d'exploration LookML ont l'extension de fichier .explore.lkml, comme décrit dans la documentation sur la création de fichiers d'exploration. De cette façon, vous pouvez inclure un unique fichier d'exploration dans le fichier de vue de votre table dérivée native, plutôt que l'intégralité du fichier de modèle.

Si vous souhaitez créer un fichier d'exploration distinct et utiliser le paramètre include pour le diriger vers le fichier d'exploration dans le fichier de vue de votre table dérivée native, assurez-vous que vos fichiers LookML répondent aux exigences suivantes :

  • Le fichier de vue de la table dérivée native doit inclure le fichier de l'exploration. Exemple :
    • include: "/explores/order_items.explore.lkml"
  • Le fichier de l'exploration doit inclure les fichiers de vue dont il a besoin. Exemple :
    • include: "/views/order_items.view.lkml"
    • include: "/views/users.view.lkml"
  • Le modèle doit inclure le fichier de l'exploration. Exemple :
    • include: "/explores/order_items.explore.lkml"

Définition de colonnes d'une table dérivée native

Comme indiqué dans l'exemple précédent, vous utilisez column pour spécifier les colonnes de sortie de la table dérivée.

Spécification des noms de colonnes

Dans la colonne user_id, le nom de la colonne correspond à celui du champ désigné dans l'exploration d'origine.

En général, vous souhaitez que les colonnes de la table de sortie portent un nom différent de celui des champs de l'exploration d'origine. L'exemple précédent a généré un calcul de la valeur vie par utilisateur à l'aide de l'exploration order_items. Dans la table de sortie, total_revenue est en fait le lifetime_customer_value d'un client.

La déclaration column permet de déclarer un nom de sortie différent de celui du champ en entrée. Par exemple, le code suivant demande à Looker de "créer une colonne de sortie nommée lifetime_value à partir du champ order_items.total_revenue" :

column: lifetime_value {
  field: order_items.total_revenue
}

Noms de colonnes implicites

Si le paramètre field est exclu d'une déclaration de colonne, il est supposé être <explore_name>.<field_name>. Par exemple, si vous avez spécifié explore_source: order_items, alors

column: user_id {
  field: order_items.user_id
}

équivaut à

column: user_id {}

Création de 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 de la table.

L'exemple suivant génère la même table dérivée que l'exemple précédent, à la différence qu'il ajoute une colonne average_customer_order calculée, 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: order_items.user_id
      }
      column: lifetime_number_of_orders {
        field: order_items.order_count
      }
      column: lifetime_customer_value {
        field: order_items.total_revenue
      }
      derived_column: average_customer_order {
        sql:  lifetime_customer_value / lifetime_number_of_orders ;;
      }
    }
  }
  # Define the view's fields as desired
  dimension: user_id {
    hidden: yes
  }
  dimension: lifetime_number_of_orders {
    type: number
  }
  dimension: lifetime_customer_value {
    type: number
  }
  dimension: average_customer_order {
    type: number
  }
}

Utilisation 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 le fenêtrage souhaité. Pour référencer ces valeurs, vous devez utiliser le nom de colonne défini dans la table dérivée native.

L'exemple suivant crée une table dérivée native incluant les colonnes user_id, order_id et created_time. Ensuite, à l'aide d'une colonne dérivée avec une fonction de fenêtrage SQL ROW_NUMBER(), il calcule 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
  }
}

Ajout de filtres à une table dérivée native

Supposons que vous souhaitiez créer une table dérivée de la valeur d'un client au cours des 90 derniers jours. Vous souhaitez utiliser les mêmes calculs que dans l'exemple précédent, mais vous souhaitez inclure uniquement les achats des 90 derniers jours.

Il vous suffit d'ajouter un filtre à derived_table afin de filtrer les transactions des 90 derniers jours. Le paramètre filters d'une table dérivée utilise la même syntaxe que vous utilisez pour créer une mesure filtrée.

view: user_90_day_facts {
  derived_table: {
    explore_source: order_items {
      column: user_id {
        field: order_items.user_id
      }
      column: number_of_orders_90_day {
        field: order_items.order_count
      }
      column: customer_value_90_day {
        field: order_items.total_revenue
      }
      filters: [order_items.created_date: "90 days"]
    }
  }
  # Add define view's fields as desired
  dimension: user_id {
    hidden: yes
  }
  dimension: number_of_orders_90_day {
    type: number
  }
  dimension: customer_value_90_day {
    type: number
  }
}

Des filtres seront ajoutés à la clause WHERE lorsque Looker écrira le code SQL de la table dérivée.

Vous pouvez également utiliser le sous-paramètre dev_filters de explore_source avec une table dérivée native. Le paramètre dev_filters vous permet de spécifier des filtres que Looker n'applique qu'aux versions de développement de la table dérivée. Vous pouvez ainsi créer des versions plus petites et filtrées de la table pour les itérer et les tester sans attendre la création de la table complète après chaque modification.

Le paramètre dev_filters fonctionne conjointement avec le paramètre filters afin que tous les filtres soient appliqués à la version de développement de la table. Si dev_filters et filters spécifient des filtres pour la même colonne, dev_filters est prioritaire pour la version de développement de la table.

Pour en savoir plus, consultez Gains d'efficacité en mode Développement.

Utilisation de filtres basés sur un modèle

Vous pouvez utiliser bind_filters pour inclure des filtres basés sur un modèle :

bind_filters: {
  to_field: users.created_date
  from_field: filtered_lookml_dt.filter_date
}

Cette méthode revient pour l'essentiel à utiliser le code suivant dans un bloc sql :

{% condition filtered_lookml_dt.filter_date %} users.created_date {% endcondition %}

to_field correspond au champ auquel le filtre est appliqué. to_field doit être un champ de l'explore_source sous-jacent.

from_field spécifie le champ à partir duquel obtenir le filtre, s'il existe un filtre au moment de l'exécution.

Dans l'exemple bind_filters précédent, Looker prend tout filtre appliqué au champ filtered_lookml_dt.filter_date et l'applique au champ users.created_date.

Vous pouvez également utiliser le sous-paramètre bind_all_filters de explore_source pour transmettre tous les filtres d'exécution d'une exploration à une sous-requête de table dérivée native. Pour en savoir plus, consultez la page de documentation du paramètre explore_source.

Tri et limitation des tables dérivées natives

Vous pouvez également trier et limiter les tables dérivées, si vous le souhaitez :

sorts: [order_items.count: desc]
limit: 10

N'oubliez pas qu'une exploration peut présenter les lignes dans un ordre différent de l'ordre de tri sous-jacent.

Conversion de tables NDT dans différents fuseaux horaires

Vous pouvez spécifier le fuseau horaire de votre table dérivée native à l'aide du sous-paramètre timezone:

timezone: "America/Los_Angeles"

Lorsque vous utilisez le sous-paramètre timezone, toutes les données temporelles dans la table dérivée native sont converties dans le fuseau horaire que vous spécifiez. Consultez la page de documentation sur les valeurs timezone pour obtenir la liste des fuseaux horaires acceptés.

Si vous ne spécifiez pas de fuseau horaire dans la définition de votre table dérivée native, celle-ci ne convertira pas le fuseau horaire des données temporelles. Par défaut, les données temporelles utiliseront le fuseau horaire de votre base de données.

Si la table dérivée native n'est pas persistante, définissez la valeur du fuseau horaire sur "query_timezone" pour utiliser automatiquement le fuseau horaire de la requête en cours d'exécution.