【实验】阿里云大数据助理工程师认证(ACA)- QuickBI数据分析(下)

本文涉及的产品
RDS DuckDB + QuickBI 企业套餐,8核32GB + QuickBI 专业版
简介: 【实验】阿里云大数据助理工程师认证(ACA)- QuickBI数据分析

我们可以看到,在数量字段前有一个标签SUM,该标签指定了数量字段的聚合方式,即求和。如果我们需要改变数量字段的聚合方式,只需要点击SUM标签,然后选择相应的聚合方式即可(在这个步骤中不需要修改数量字段的聚合方式)。

202007111429574.png

如果我们需要对数据集中的某些字段进行过滤,只需要将相应的字段拖动到过滤器中,然后填写相应的过滤条件即可(在本步骤中不需要对字段进行过滤操作)。

20200711143015210.png

在完成了上述操作之后,我们只需要点击更新按钮,即可生成相应的交叉表。交叉表如下图所示:


20200711143034494.png

在生成了交叉表之后我们可以在页面右侧,图表设计的样式中,将交叉表的表名修改为Sales_Amount


20200711143059895.png


修改完成之后,我们可以看到交叉表的表名已经变成了Sales_Amount


20200711143120142.png

5. 如果我们需要分析该公司月度平均销售额,那么我们就需要改变相应度量的聚合方式。首先我们点击页面上方的工具栏中的交叉表,重新创建一个交叉表。

然后在页面右侧选择数据集Global_Superstore_Orders_2016,选择的方法与之前的步骤相同。然后将维度中的订购日期(month)和度量中的销售额分别拖动到行和列中,如下图所示


20200711143149637.png


点击销售额前方的聚合类型的标签SUM,将聚合类型修改为平均值(AVG)

20200711143212989.png


然后点击更新按钮即可得到相应的交叉表

20200711143232638.png

月度平均销售额交叉表如下图所示:


2020071114325090.png

在生成了交叉表之后我们可以在页面右侧,图表设计的样式中,将交叉表的表名修改为Avg_Sale


20200711143307911.png


修改完成之后,我们可以看到交叉表的表名已经变成了Avg_Sale

6. 点击页面右上角的保存按钮

7. 在保存仪表板的对话框中,将仪表板的名称修改为报表,然后点击确定即可保存仪表板。如果有需求,我们可以将仪表板保存到不同的位置。

8. 保存完成之后我们就可以在仪表板页面查看我们刚才保存的仪表板


第 3 章:思考与讨论


3.1 思考与讨论


阿里云Quick BI产品相对于普通桌面Excel等电子表格有什么优势?

参考答案


Quick BI 支持众多种类的数据源,既可以连接 MaxCompute(ODPS)、RDS、ADS、HybridDB(Greenplum)等云数据源,也支持连接 ECS 上您自有的 MySQL 数据库,还支持上传本地文件到 Quick BI 内置的探索空间进行分析。


由于云计算的天生优势,使用Quick BI处理和分析海量数据成本很低。


Quick BI 使用起来很简单,通过提供智能化的数据建模工具,极大降低了数据的获取成本和使用门槛,拖拽式操作和丰富的可视化图表控件为数据分析提供了便利。

相关实践学习
阿里云实时数仓实战 - 用户行为数仓搭建
课程简介 1)学习搭建一个数据仓库的过程,理解数据在整个数仓架构的从采集、存储、计算、输出、展示的整个业务流程。 2)整个数仓体系完全搭建在阿里云架构上,理解并学会运用各个服务组件,了解各个组件之间如何配合联动。 3 )前置知识要求:熟练掌握 SQL 语法熟悉 Linux 命令,对 Hadoop 大数据体系有一定的了解   课程大纲 第一章 了解数据仓库概念 初步了解数据仓库是干什么的 第二章 按照企业开发的标准去搭建一个数据仓库 数据仓库的需求是什么 架构 怎么选型怎么购买服务器 第三章 数据生成模块 用户形成数据的一个准备 按照企业的标准,准备了十一张用户行为表 方便使用 第四章 采集模块的搭建 购买阿里云服务器 安装 JDK 安装 Flume 第五章 用户行为数据仓库 严格按照企业的标准开发 第六章 搭建业务数仓理论基础和对表的分类同步 第七章 业务数仓的搭建  业务行为数仓效果图  
目录
相关文章
|
9月前
|
存储 分布式计算 大数据
【赵渝强老师】阿里云大数据存储计算服务:MaxCompute
阿里云MaxCompute是快速、全托管的TB/PB级数据仓库解决方案,提供海量数据存储与计算服务。支持多种计算模型,适用于大规模离线数据分析,具备高安全性、低成本、易用性强等特点,助力企业高效处理大数据。
446 0
|
7月前
|
人工智能 分布式计算 DataWorks
阿里云大数据AI产品月刊-2025年8月
阿里云大数据& AI 产品技术月刊【2025年 8 月】,涵盖 8 月技术速递、产品和功能发布、市场和客户应用实践等内容,帮助您快速了解阿里云大数据& AI 方面最新动态。
543 2
|
7月前
|
存储 分布式计算 资源调度
【赵渝强老师】阿里云大数据MaxCompute的体系架构
阿里云MaxCompute是快速、全托管的EB级数据仓库解决方案,适用于离线计算场景。它由计算与存储层、逻辑层、接入层和客户端四部分组成,支持多种计算任务的统一调度与管理。
623 1
|
机器学习/深度学习 数据采集 数据可视化
基于爬虫和机器学习的招聘数据分析与可视化系统,python django框架,前端bootstrap,机器学习有八种带有可视化大屏和后台
本文介绍了一个基于Python Django框架和Bootstrap前端技术,集成了机器学习算法和数据可视化的招聘数据分析与可视化系统,该系统通过爬虫技术获取职位信息,并使用多种机器学习模型进行薪资预测、职位匹配和趋势分析,提供了一个直观的可视化大屏和后台管理系统,以优化招聘策略并提升决策质量。
1054 4
|
数据采集 数据可视化 数据挖掘
数据分析大神养成记:Python+Pandas+Matplotlib助你飞跃!
在数字化时代,数据分析至关重要,而Python凭借其强大的数据处理能力和丰富的库支持,已成为该领域的首选工具。Python作为基石,提供简洁语法和全面功能,适用于从数据预处理到高级分析的各种任务。Pandas库则像是神兵利器,其DataFrame结构让表格型数据的处理变得简单高效,支持数据的增删改查及复杂变换。配合Matplotlib这一数据可视化的魔法棒,能以直观图表展现数据分析结果。掌握这三大神器,你也能成为数据分析领域的高手!
341 2
|
机器学习/深度学习 算法 数据挖掘
2023 年第二届钉钉杯大学生大数据挑战赛初赛 初赛 A:智能手机用户监测数据分析 问题二分类与回归问题Python代码分析
本文介绍了2023年第二届钉钉杯大学生大数据挑战赛初赛A题的Python代码分析,涉及智能手机用户监测数据分析中的聚类分析和APP使用情况的分类与回归问题。
622 0
2023 年第二届钉钉杯大学生大数据挑战赛初赛 初赛 A:智能手机用户监测数据分析 问题二分类与回归问题Python代码分析
|
机器学习/深度学习 算法 数据挖掘
数据分析的 10 个最佳 Python 库
数据分析的 10 个最佳 Python 库
1688 4
数据分析的 10 个最佳 Python 库
|
供应链 数据可视化 数据挖掘
【2023年第十一届泰迪杯数据挖掘挑战赛】B题:产品订单的数据分析与需求预测 建模及python代码详解 问题一
本文详细介绍了第十一届泰迪杯数据挖掘挑战赛B题的解决方案,涵盖了对产品订单数据的深入分析、多种因素对需求量影响的探讨,并建立了数学模型进行未来需求量的预测,同时提供了Python代码实现和结果可视化的方法。
599 3
【2023年第十一届泰迪杯数据挖掘挑战赛】B题:产品订单的数据分析与需求预测 建模及python代码详解 问题一

热门文章

最新文章

下一篇
开通oss服务