Pipe In R: Anslutningsfunktioner med Dplyr
I den här handledningen kommer du att lära dig hur du kopplar ihop funktioner med hjälp av dplyr-röroperatorn i programmeringsspråket R.
I den här handledningen kommer jag att visa dig hur en kraftfull dataavvikare och anomalitypanalys med hjälp av dynamiska avvikande triggerpunkter. Du kan se hela videon av denna handledning längst ner på den här bloggen.
Vad är betydelsen av dynamiska extremvärden?
Tja, titta på det här exemplet.
Titta på siffran 10 000 i punktdiagrammet. I ett visst kvartal eller kvartalsval, om försäljningen var över 10 000 eller mer än 30 %, skulle det betraktas som en extremvärde.
Denna insikt är särskilt relevant för banker eller försäkringsbolag som har kreditkontroll, eller för fabriker som vill veta antalet defekta kontra icke-defekta varor som de producerar. Dessa data extremvärden är dock vanligtvis statiska siffror.
Det finns tillfällen där extremvärdena kommer att vara mer användbara om de var dynamiska, eller att de kan ändras automatiskt med en enkel användning av en slicer och även när man byter från en tidsram till en annan.
Så här gör du.
Innehållsförteckning
Granska de statiska formlerna
Målet är att göra 10 000 och 30 % extremvärden dynamiska. Detta gör att du kan avgöra vilka kunder som är extrema kunder i ett visst kvartal.
Du vill kunna välja inom en slicer för att känna till triggerpunkterna.
I detta spridningsdiagram kan du borra i icke-avvikande värden och extremvärden eftersom det är en dynamisk beräkning.
För detta exempel ärmått är nyckeln.
Nu måste du skapa en annan åtgärd som liknar denna. Och de två sakerna att hålla utkik efter och justera är Outlier Sales och Non-Outlier Sales .
Jag har skapat en helt ny måttgrupp som innehåller nya formler, en av dem har jag kallat Dynamic Non-Outlier Sales .
Du måste sub i olika mängder och mått inuti formeln för att få detta att fungera på ett dynamiskt sätt.
Detta är den viktigaste delen av formeln:
I varenda en av dessa formler finns det en OutlierSalesMin och OutlierMarginsMin . Dessa är 10 000 respektive 30 %. Jag ska använda en arbetsparameter och lägga in den i den här delen av formeln.
Detta kommer att bli ett dynamiskt nummer baserat på dess val. Och sedan kommer du att kunna se diagrammet röra sig dynamiskt baserat på ett utsnittsval.
Skapa nya dynamiska parametrar
Låt oss gå till modelleringsområdet och klicka på Ny parameter .
Namnge den nya parametern Sales Outliers . Ändratill 20 0000 och ökningen till 1 000 så att den kan justeras på ett granulärt sätt. Se till att kryssrutan Lägg till skivare på sidan är markerad och klicka sedan på OK.
När du tittar på sidan ser du att skivaren nu är dynamisk.
Titta nu in i den nyskapade tabellen som heter Sales Outliers . Dra Sales Outliers-värdet till sidan och ändra det till en annan visualisering.
Jag ska skapa en annan parameter som heter Margin Outliers . Ändra datatypen till decimaltal. Maxvärdet är 0,45 eller 45 % , och ökningen blir 0,05 eller 5 %. Ändra standard till 0,3 eller 30 %.
Du kan se att Marginal Outliers nu visas i fältet till höger. Återigen, dra värdet för Marginal Outliers till sidan och ändra det till en annan visualisering.
Innan vi fortsätter, låt oss först fixa formateringen.
Ändra värdet för marginalavvikelser till en procentandel.
Ändra Sales Outliers-värdet till dollar.
Nu finns det två åtgärder. Försäljningsavvikande värde och avvikande marginalvärde .
Ändra de statiska formlerna till dynamiska
Nästa sak att göra är att lägga in de nya värdena till rätt plats i formlerna.
Nu lägger dessa variabler upp saker och ting på ett mycket mer effektivt sätt jämfört med att spränga in allt i formeln.
För formeln Dynamic Outlier Sales skriver du in Sales Outliers Value .
Gör samma sak för Marginals och skriv in Marginal Outliers Value .
Kopiera sedan den här redigerade delen av formeln och lägg in den i formeln Dynamic Non-Outlier Sales .
Tryck sedan på enter. Detta nummer omvärderas nu till skärmaskinerna.
Få diagrammet att visa dynamiska extremvärden
Det sista du ska göra är att kopiera formeln för försäljningsgruppering , välj Nytt mått för att skapa en ny formel och klistra in den där. Denna nya formel kallas Dynamic Outliers . Ersätt nu dess innehåll med de nya dynamiska formlerna, Dynamic Outliers Sales och Dynamic Non-Outlier Sales .
Välj diagrammet. Nu, istället för försäljningsgruppering , ersätt den med Dynamic Outliers .
Titta nu på diagrammet. Du kan se att det nu kan ändras dynamiskt baserat på vad som väljs med hjälp av skivaren.
Det är nu lättare att veta vilka punkter som är Outliers och vilka som är Non-outliers.
Du kan också ändra tidsram och triggerpunkter. Du kan ändra den under sommar- och vinterperioden, eller i fall där det kan vara lite stillestånd med din utrustning.
Slutsats
Det finns så många sätt du kan använda den här tekniken på.
Jag hoppas att den här handledningen har klarat dina frågor om dynamiska extremvärden.
Med lite övning kommer du enkelt att kunna använda dessa tekniker i dina egna modeller och analyser.
Vi hörs snart.
I den här handledningen kommer du att lära dig hur du kopplar ihop funktioner med hjälp av dplyr-röroperatorn i programmeringsspråket R.
RANKX från LuckyTemplates låter dig returnera rankningen av ett specifikt nummer i varje tabellrad som utgör en del av en lista med nummer.
Lär dig hur du tar isär en PBIX-fil för att extrahera LuckyTemplates-teman och bilder från bakgrunden och använda den för att skapa din rapport!
Excel Formler Fuskblad: Mellanvägledning
LuckyTemplates Kalendertabell: Vad är det och hur man använder det
Lär dig hur du installerar programmeringsspråket Python i LuckyTemplates och hur du använder dess verktyg för att skriva koder och visa bilder.
Lär dig hur du beräknar dynamiska vinstmarginaler vid sidan av LuckyTemplates och hur du kan få fler insikter genom att gräva djupare i resultaten.
Lär dig hur du sorterar fälten från en utökad datumtabells kolumner korrekt. Detta är en bra strategi att göra för svåra fält.
I den här artikeln går jag igenom hur du kan hitta dina toppprodukter per region med hjälp av DAX-beräkningar i LuckyTemplates, inklusive TOPN- och CALCULATE-funktionerna.
Lär dig hur du använder en skräpdimension för flaggor med låg kardinalitet som du vill infoga i din datamodell på ett effektivt sätt.