Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich. # Erfahrung in der Datenaufbereitung (Legacy) **Topics** + [Berechnungen hinzufügen](working-with-calculated-fields.md) + [Verknüpfen von Daten](joining-data.md) + [Datenfelder für die Analyse in Amazon Quick Sight vorbereiten](preparing-data-fields.md) + [Filtern von Daten in Amazon Quick Sight](adding-a-filter.md) + [Tabellen in einem Datensatz in einer Vorschau anzeigen](previewing-tables-in-a-dataset.md) # Berechnungen hinzufügen Erstellen Sie Kalkulationsfelder, transformieren Sie Ihre Daten, indem Sie eine oder mehrere der folgenden Optionen verwenden: + [Betreiber](arithmetic-and-comparison-operators.md) + [Funktionen](functions.md) + Felder, die Daten enthalten + Andere Kalkulationsfelder Sie können während der Datenvorbereitung oder über die Seite für die Analyse einem Dataset Kalkulationsfelder hinzufügen. Wenn Sie während der Datenvorbereitung einem Dataset ein Kalkulationsfeld hinzufügen, steht das Feld in allen Analysen zur Verfügung, die dieses Dataset nutzen. Wenn Sie einem Dataset ein Kalkulationsfeld in einer Analyse hinzufügen, ist es nur in dieser Analyse verfügbar. Weitere Informationen zum Hinzufügen von Kalkulationsfeldern finden Sie in den folgenden Themen. **Topics** + [Hinzufügen eines Kalkulationsfelds](adding-a-calculated-field-analysis.md) + [Reihenfolge der Bewertung in Amazon Quick Sight](order-of-evaluation-quicksight.md) + [Verwenden von niveauabhängigen Berechnungen in Quick Sight](level-aware-calculations.md) + [Berechnete Feldfunktion und Operatorreferenz für Amazon Quick](calculated-field-reference.md) # Hinzufügen eines Kalkulationsfelds Erstellen Sie Kalkulationsfelder, transformieren Sie Ihre Daten, indem Sie eine oder mehrere der folgenden Optionen verwenden: + [Betreiber](arithmetic-and-comparison-operators.md) + [Funktionen](functions.md) + Aggregatfunktionen (Sie können diese nur zu einer Analyse hinzufügen) + Felder, die Daten enthalten + Andere Kalkulationsfelder Sie können während der Datenvorbereitung oder über die Seite für die Analyse einem Dataset Kalkulationsfelder hinzufügen. Wenn Sie während der Datenvorbereitung einem Dataset ein Kalkulationsfeld hinzufügen, steht das Feld in allen Analysen zur Verfügung, die dieses Dataset nutzen. Wenn Sie einem Dataset ein Kalkulationsfeld in einer Analyse hinzufügen, ist es nur in dieser Analyse verfügbar. Analysen unterstützen sowohl einzeilige als auch aggregierte Operationen. Operationen mit einzelnen Zeilen liefern (möglicherweise) für jede Zeile ein anderes Ergebnis. Aggregierte Operationen liefern Ergebnisse, die für alle Zeilen einer Gruppe immer gleich sind. Wenn Sie beispielsweise eine einfache Zeichenfolge-Funktion ohne Bedingungen verwenden, wird jede Zeile geändert. Wenn Sie eine Aggregationsfunktion verwenden, gilt diese für alle Zeilen einer Gruppe. Wenn Sie den Gesamtumsatz der Verkäufe in den USA abfragen, gilt dieselbe Zahl für das gesamte Set. Wenn Sie Daten eines bestimmten Bundeslands abfragen, ändert sich der Gesamtumsatz der Verkäufe entsprechend der neuen Gruppierung. Es wird weiterhin ein Ergebnis für das gesamte Set geliefert. Wenn Sie das aggregierte Kalkulationsfeld innerhalb der Analyse erstellen, können Sie die Daten weiter aufschlüsseln. Der Wert dieses aggregierten Felds wird für jede Ebene entsprechend neu berechnet. Diese Art der Aggregation ist während der Aufbereitung des Datensatzes nicht möglich. Nehmen wir an, Sie möchten den prozentualen Gewinn für jedes Land, jede Region und jedes Bundesland berechnen. Sie können ein Kalkulationsfeld zu einer Analyse hinzufügen: `(sum(salesAmount - cost)) / sum(salesAmount)` Wenn der Analyst dann die Geografie aufschlüsselt, wird dieses Feld dann für jedes Land, jede Region und jedes Bundesland berechnet. **Topics** + [Hinzufügen von Kalkulationsfeldern zu einer Analyse](#using-the-calculated-field-editor-analysis) + [Hinzufügen von Kalkulationsfeldern zu einem Datensatz](#using-the-calculated-field-editor) + [Behandeln von Dezimalwerten in Kalkulationsfeldern](#handling-decimal-fields) ## Hinzufügen von Kalkulationsfeldern zu einer Analyse Wenn Sie einer Analyse einen Datensatz hinzufügen, wird jedes Kalkulationsfeld, das im Datensatz vorhanden ist, der Analyse hinzugefügt. Sie können zusätzliche Kalkulationsfelder auf Analyseebene hinzufügen, um Kalkulationsfelder zu erstellen, die nur in dieser Analyse verfügbar sind. **So fügen Sie ein Kalkulationsfeld zu einer Analyse hinzu** 1. Öffnen Sie die [Quick-Konsole](https://quicksight.aws.amazon.com/). 1. Öffnen Sie die Analyse, die Sie ändern möchten. 1. Wählen Sie im Bereich **Daten** oben links **Hinzufügen** und dann **\$1 BERECHNETES FELD**. 1. Gehen Sie im sich öffnenden Berechnungseditor wie folgt vor: 1. Geben Sie einen Namen für das Kalkulationsfeld ein. 1. Geben Sie eine Formel mit Feldern aus Ihrem Datensatz, Funktionen und Operatoren ein. 1. Wenn Sie fertig sind, wählen Sie **Speichern** aus. Weitere Informationen zum Erstellen von Formeln mithilfe der verfügbaren Funktionen in Quick Sight finden Sie unter[Berechnete Feldfunktion und Operatorreferenz für Amazon QuickFunktionen und Operatoren](calculated-field-reference.md). ## Hinzufügen von Kalkulationsfeldern zu einem Datensatz Amazon Quick Sight-Autoren können berechnete Felder während der Datenvorbereitungsphase der Erstellung eines Datensatzes generieren. Wenn Sie ein Kalkulationsfeld für einen Datensatz erstellen, wird das Feld zu einer neuen Spalte im Datensatz. Alle Analysen, die den Datensatz verwenden, erben die Kalkulationsfelder des Datensatzes. Wenn das berechnete Feld auf Zeilenebene funktioniert und der Datensatz darin gespeichert istSPICE, berechnet Quick Sight das Ergebnis und materialisiert es in. SPICE Wenn das berechnete Feld auf einer Aggregationsfunktion basiert, behält Quick Sight die Formel bei und führt die Berechnung durch, wenn die Analyse generiert wird. Diese Art von Kalkulationsfeld wird als unmaterialisiertes Kalkulationsfeld bezeichnet. **So bearbeiten oder fügen Sie ein Kalkulationsfeld für einen Datensatz hinzu** 1. Öffnen Sie den Datensatz, mit dem Sie arbeiten möchten. Weitere Informationen finden Sie unter [Bearbeiten von Datensätzen](edit-a-data-set.md). 1. Führen Sie auf der Datenvorbereitungsseite einen der folgenden Schritte aus: + Um ein neues Feld zu erstellen, wählen Sie links **Kalkulationsfeld hinzufügen** aus. + Um ein vorhandenes Kalkulationsfeld zu bearbeiten, wählen Sie es links unter **Kalkulationsfelder** aus und wählen Sie dann im Kontextmenü (Rechtsklick) die Option **Bearbeiten** aus. 1. Geben Sie im Berechnungseditor einen beschreibenden Namen für **Titel hinzufügen** ein, um dem neuen Kalkulationsfeld einen Namen zu geben. Dieser Name erscheint in der Feldliste im Datensatz und sollte daher den anderen Feldern ähneln. In diesem Beispiel nennen wir das Feld `Total Sales This Year`. 1. (Optional) Fügen Sie einen Kommentar hinzu, um beispielsweise zu erläutern, was der Ausdruck bewirkt, indem Sie Text in Schrägstriche und Sternchen einschließen. ``` /* Calculates sales per year for this year*/ ``` 1. Identifizieren Sie die Metriken, Funktionen und anderen Elemente, die verwendet werden sollen. Für dieses Beispiel müssen wir Folgendes identifizieren: + Die zu verwendende Metrik + Funktionen: `ifelse` und `datediff` Wir möchten eine Aussage wie „Wenn der Verkauf in diesem Jahr stattfand, ist der Gesamtumsatz anzugeben, andernfalls ist 0 anzugeben.“ Um die `ifelse`-Funktion hinzuzufügen, öffnen Sie die Liste **Funktionen**. Wählen Sie **Alle**, um die Liste aller Funktionen zu schließen. Jetzt sollten Sie die Funktionsgruppen **Aggregat**, **Bedingung**, **Datum** usw. sehen. Wählen Sie **Bedingung** und doppelklicken Sie dann auf `ifelse`, um es dem Arbeitsbereich hinzuzufügen. ``` ifelse() ``` 1. Platzieren Sie den Cursor innerhalb der Klammer im Arbeitsbereich und fügen Sie drei Leerzeilen ein. ``` ifelse( ) ``` 1. Setzen Sie den Cursor auf die erste leere Zeile und suchen Sie die Funktion `dateDiff`. Sie ist für **Funktionen** unter **Daten** aufgeführt. Sie können es auch finden, indem Sie **date** für **Suchfunktionen** eingeben. Die `dateDiff`-Funktion gibt alle Funktionen zurück, die *`date`* als Teil ihres Namens haben. Sie gibt nicht alle Funktionen zurück, die unter **Daten** aufgeführt sind. Beispielsweise fehlt die `now`-Funktion in den Suchergebnissen. Doppelklicken Sie auf `dateDiff`, um sie der ersten Leerzeile der `ifelse`-Anweisung hinzuzufügen. ``` ifelse( dateDiff() ) ``` Fügen Sie die Parameter hinzu, die `dateDiff` verwendet. Platzieren Sie den Cursor in den `dateDiff`-Klammern, um mit dem Hinzufügen von `date1`, `date2`, und `period` zu beginnen: 1. Für `date1`: Der erste Parameter ist das Feld, das das Datum enthält. Suchen Sie ihn unter **Felder** und fügen Sie ihn dem Arbeitsbereich hinzu, indem Sie darauf doppelklicken oder seinen Namen eingeben. 1. Fügen Sie für `date2` ein Komma hinzu und wählen Sie dann `truncDate()` für **Funktionen** aus. Fügen Sie in der Klammer einen Zeitraum und ein Datum hinzu, etwa so: **truncDate( "YYYY", now() )** 1. Für `period`: Fügen Sie nach `date2` ein Komma hinzu und geben Sie **YYYY** ein. Dies ist der Zeitraum für das Jahr. Um eine Liste aller unterstützten Zeiträume anzuzeigen, suchen Sie in der Liste **Funktionen** nach `dateDiff` und öffnen Sie die Dokumentation, indem Sie **Mehr erfahren** wählen. Wenn Sie sich die Dokumentation bereits ansehen, so wie Sie es jetzt tun, finden Sie weitere Informationen unter [dateDiff](dateDiff-function.md). Fügen Sie zur besseren Lesbarkeit einige Leerzeichen hinzu, wenn Sie möchten. Ihr Ausdruck sollte folgendermaßen aussehen. ``` ifelse( dateDiff( {Date}, truncDate( "YYYY", now() ) ,"YYYY" ) ) ``` 1. Geben Sie den Rückgabewert an. In unserem Beispiel muss der erste Parameter in `ifelse` einen Wert von `TRUE` oder `FALSE` zurückgeben. Da wir das aktuelle Jahr suchen und mit diesem vergleichen, geben wir an, dass die `dateDiff`-Anweisung `0` zurückgeben soll. Der `if`-Teil des `ifelse` wird als wahr für Zeilen ausgewertet, bei denen es keinen Unterschied zwischen dem Jahr des Verkaufs und dem aktuellen Jahr gibt. ``` dateDiff( {Date}, truncDate( "YYYY", now() ) ,"YYYY" ) = 0 ``` Um ein Feld für `TotalSales` für das letzte Jahr zu erstellen, können Sie `0` in `1` ändern. Eine andere Möglichkeit, das Gleiche zu tun, ist die Verwendung von `addDateTime` anstelle von `truncDate`. Dann ändern Sie für jedes vorangegangene Jahr den ersten Parameter für `addDateTime`, um jedes Jahr darzustellen. Dazu verwenden Sie `-1` für das letzte Jahr, `-2` für das Jahr davor usw. Wenn Sie `addDateTime` verwenden, verlassen Sie die `dateDiff`-Funktion `= 0` für jedes Jahr. ``` dateDiff( {Discharge Date}, addDateTime(-1, "YYYY", now() ) ,"YYYY" ) = 0 /* Last year */ ``` 1. Bewegen Sie den Cursor auf die erste Leerzeile, direkt unter `dateDiff`. Fügen Sie ein Komma hinzu. Für den `then`-Teil der `ifelse`-Anweisung müssen wir den Messwert (Metrik) wählen, der den Umsatzbetrag `TotalSales` enthält. Um ein Feld auszuwählen, öffnen Sie die Liste **Felder** und doppelklicken Sie auf ein Feld, um es dem Bildschirm hinzuzufügen. Oder Sie können den Namen eingeben. Fügen Sie geschweifte Klammern `{ }` um Namen hinzu, die Leerzeichen enthalten. Es ist wahrscheinlich, dass Ihre Metrik einen anderen Namen hat. Anhand des vorangestellten Nummernzeichens (**\$1**) können Sie erkennen, welches Feld eine Metrik ist. Ihr Ausdruck sollte jetzt wie folgt aussehen. ``` ifelse( dateDiff( {Date}, truncDate( "YYYY", now() ) ,"YYYY" ) = 0 ,{TotalSales} ) ``` 1. Fügen Sie eine `else`-Klausel hinzu. Die `ifelse`-Funktion benötigt keine, aber wir möchten sie hinzufügen. Zu Berichtszwecken möchten Sie normalerweise keine Nullwerte verwenden, da manchmal Zeilen mit Nullen weggelassen werden. Wir setzen den anderen Teil des Feldes auf `0`. Das Ergebnis ist, dass dieses Feld für Zeilen, die Verkäufe aus früheren Jahren enthalten, `0` ist. Fügen Sie dazu in der leeren Zeile ein Komma und dann ein `0` hinzu. Wenn Sie den Kommentar am Anfang hinzugefügt haben, sollte Ihr fertiger `ifelse`-Ausdruck wie folgt aussehen. ``` /* Calculates sales per year for this year*/ ifelse( dateDiff( {Date}, truncDate( "YYYY", now() ) ,"YYYY" ) = 0 ,{TotalSales} ,0 ) ``` 1. Speichern Sie Ihre Arbeit, indem Sie oben rechts **Speichern** wählen. Wenn Ihr Ausdruck Fehler enthält, zeigt der Editor unten eine Fehlermeldung an. Suchen Sie in Ihrem Ausdruck nach einer roten, verschnörkelten Linie, und bewegen Sie dann den Mauszeiger über diese Linie, um die Fehlermeldung zu sehen. Zu den häufigsten Fehlern gehören fehlende Satzzeichen, fehlende Parameter, Rechtschreibfehler und ungültige Datentypen. Um Änderungen zu vermeiden, wählen Sie **Abbrechen**. **So fügen Sie einem Kalkulationsfeld einen Parameterwert hinzu** 1. Sie können auf Parameter in Kalkulationsfeldern verweisen. Indem Sie den Parameter zu Ihrem Ausdruck hinzufügen, fügen Sie den aktuellen Wert dieses Parameters hinzu. 1. Um einen Parameter hinzuzufügen, öffnen Sie die Liste **Parameter** und wählen Sie den Parameter aus, dessen Wert Sie einbeziehen möchten. 1. (Optional) Um dem Ausdruck manuell einen Parameter hinzuzufügen, geben Sie den Namen des Parameters ein. Dann schließen Sie ihn in geschweifte Klammern `{}` ein und stellen ihm ein `$` voran, zum Beispiel `${parameterName}`. Sie können den Datentyp jedes Felds in Ihrem Datensatz ändern, einschließlich der Typen der Kalkulationsfelder. Sie können nur Datentypen auswählen, die mit den Daten im Feld übereinstimmen. **So ändern Sie den Datentyp eines Kalkulationsfelds** + Wählen Sie für **Kalkulationsfelder** (links) das Feld aus, das Sie ändern möchten, und wählen Sie dann im Kontextmenü (Rechtsklick) die Option **Datentyp ändern** aus. Im Gegensatz zu den anderen Feldern im Datensatz können Kalkulationsfelder nicht deaktiviert werden. Löschen Sie sie stattdessen. **So löschen Sie ein Kalkulationsfeld** + Wählen Sie für **Kalkulationsfelder** (links) das Feld aus, das Sie ändern möchten, und wählen Sie dann im Kontextmenü (Rechtsklick) die Option **Löschen** aus. ## Behandeln von Dezimalwerten in Kalkulationsfeldern Wenn Ihr Datensatz den Direktabfragemodus verwendet, wird die Berechnung des Dezimaldatentyps durch das Verhalten der Quell-Engine bestimmt, aus der der Datensatz stammt. In bestimmten Fällen wendet Quick Sight spezielle Verfahren an, um den Datentyp der Ausgabeberechnung zu bestimmen. Wenn Ihr Datensatz den SPICE-Abfragemodus verwendet und ein Kalkulationsfeld materialisiert wird, hängt der Datentyp des Ergebnisses von den spezifischen Funktionsoperatoren und dem Datentyp der Eingabe ab. Die folgenden Tabellen zeigen das erwartete Verhalten für einige numerische Kalkulationsfelder. **Unäre Operatoren** Die folgende Tabelle zeigt, welcher Datentyp basierend auf dem von Ihnen verwendeten Operator und dem Datentyp des von Ihnen eingegebenen Werts ausgegeben wird. Wenn Sie beispielsweise eine Ganzzahl in eine `abs`-Berechnung eingeben, ist der Datentyp des Ausgabewerts eine ganze Zahl. **** [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/adding-a-calculated-field-analysis.html) **Binäre Operatoren** Die folgenden Tabellen zeigen, welcher Datentyp auf der Grundlage der Datentypen der beiden eingegebenen Werte ausgegeben wird. Wenn Sie z. B. für einen arithmetischen Operator zwei Ganzzahl-Datentypen angeben, wird das Ergebnis der Berechnung als Ganzzahl ausgegeben. Für grundlegende Operatoren (\$1, -, \$1): | | **Ganzzahl** | **Decimal-fixed** | **Decimal-float** | | --- | --- | --- | --- | | **Ganzzahl** | Ganzzahl | Decimal-fixed | Decimal-float | | **Decimal-fixed** | Decimal-fixed | Decimal-fixed | Decimal-float | | **Decimal-float** | Decimal-float | Decimal-float | Decimal-float | Für Abteilungsoperatoren (/): | | **Ganzzahl** | **Decimal-fixed** | **Decimal-float** | | --- | --- | --- | --- | | **Ganzzahl** | Decimal-float | Decimal-float | Decimal-float | | **Decimal-fixed** | Decimal-float | Decimal-fixed | Decimal-float | | **Decimal-float** | Decimal-float | Decimal-float | Decimal-float | Für Exponential- und Mod-Operatoren (^, %): | | **Ganzzahl** | **Decimal-fixed** | **Decimal-float** | | --- | --- | --- | --- | | **Ganzzahl** | Decimal-float | Decimal-float | Decimal-float | | **Decimal-fixed** | Decimal-float | Decimal-float | Decimal-float | | **Decimal-float** | Decimal-float | Decimal-float | Decimal-float | # Reihenfolge der Bewertung in Amazon Quick Sight Wenn Sie eine Analyse öffnen oder aktualisieren, bewertet Amazon Quick Sight vor der Anzeige alles, was in der Analyse konfiguriert ist, in einer bestimmten Reihenfolge. Amazon Quick Sight übersetzt die Konfiguration in eine Abfrage, die eine Datenbank-Engine ausführen kann. Die Abfrage gibt die Daten auf ähnliche Weise zurück, unabhängig davon, ob Sie eine Verbindung zu einer Datenbank, einer SaaS-Quelle (Software as a Service) oder der Amazon Quick Sight-Analyse-Engine ([SPICE](spice.md)) herstellen. Wenn Sie die Sequenz kennen, in der die Konfiguration ausgewertet wird, kennen Sie die Reihenfolge, die festlegt, wann ein bestimmter Filter oder eine bestimmte Berechnung auf Ihre Daten angewendet wird. Die folgende Abbildung zeigt die Reihenfolge der Auswertung. Die linke Spalte zeigt die Reihenfolge der Auswertung, wenn weder die Funktion Level Aware Calculation Window (LAC-W) noch die Funktion Aggregate (LAC-A) beteiligt ist. Die zweite Spalte zeigt die Reihenfolge der Auswertung für Analysen, die Kalkulationsfelder zur Berechnung von LAC-W-Ausdrücken auf der Vorfilterebene (`PRE_FILTER`) enthalten. Die dritte Spalte zeigt die Reihenfolge der Auswertung für Analysen, die Kalkulationsfelder zur Berechnung von LAC-W-Ausdrücken auf der Voraggregatsebene (`PRE_AGG`) enthalten. Die letzte Spalte zeigt die Reihenfolge der Auswertung für Analysen, die Kalkulationsfelder zur Berechnung von LAC-A-Ausdrücken enthalten. Auf die Abbildung folgt eine detaillierte Erläuterung der Reihenfolge der Auswertung. Weitere Informationen zu Level-Aware-Berechnungen finden Sie unter [Verwenden von niveauabhängigen Berechnungen in Quick Sight](level-aware-calculations.md). ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/order-of-evaluation2.png) Die folgende Liste zeigt die Reihenfolge, in der Amazon Quick Sight die Konfiguration in Ihrer Analyse anwendet. Alles, was in Ihrem Dataset konfiguriert ist, erfolgt außerhalb Ihrer Analyse, z. B. Berechnungen auf Datasetebene, Filter und Sicherheitseinstellungen. Diese Vorgänge gelten alle für die zugrunde liegenden Daten. Die folgende Liste enthält nur das, was innerhalb der Analyse erfolgt. 1. **LAC-W-Vorfilterstufe**: Wertet die Daten mit der Kardinalität der Originaltabelle aus, bevor die Analysefilter angewendet werden 1. **Einfache Berechnungen**: Berechnungen auf Skalarebene ohne Aggregationen oder Fensterberechnungen. Beispiel, `date_metric/60, parseDate(date, 'yyyy/MM/dd'), ifelse(metric > 0, metric, 0), split(string_column, '|' 0)`. 1. **LAC-W-Funktion PRE\$1FILTER**: Wenn ein LAC-W PRE\$1FILTER-Ausdruck an der Grafik beteiligt ist, berechnet Amazon Quick Sight zunächst die Fensterfunktion auf der ursprünglichen Tabellenebene, bevor alle Filter verwendet werden. Wenn der Ausdruck LAC-W PRE\$1FILTER in Filtern verwendet wird, wird er an dieser Stelle angewendet. Beispiel, `maxOver(Population, [State, County], PRE_FILTER) > 1000`. 1. **LAC-W PRE\$1AGG**: Wertet die Daten vor den Aggregationen mit der Kardinalität der Originaltabelle aus 1. **Während der Analyse hinzugefügte Filter**: Filter, die für nicht aggregierte Felder in den Bildern erstellt wurden, werden an dieser Stelle angewendet. Sie ähneln WO-Klauseln. Beispiel, `year > 2020`. 1. **LAC-W-Funktion PRE\$1AGG**: Wenn ein LAC-W PRE\$1AGG-Ausdruck an der Grafik beteiligt ist, berechnet Amazon Quick Sight die Fensterfunktion, bevor eine Aggregation angewendet wird. Wenn der Ausdruck LAC-W PRE\$1AGG in Filtern verwendet wird, wird er an dieser Stelle angewendet. Beispiel, `maxOver(Population, [State, County], PRE_AGG) > 1000`. 1. N-Filter nach **oben/unten**: Filter, die für Dimensionen so konfiguriert sind, dass sie N Elemente anzeigen. top/bottom 1. **LAC-A-Ebene**: Evaluieren Sie Aggregationen auf benutzerdefinierter Ebene, bevor Sie visuelle Aggregationen vornehmen 1. **Aggregationen auf benutzerdefinierter Ebene**: Wenn ein LAC-A-Ausdruck Teil der visuellen Darstellung ist, wird er an dieser Stelle berechnet. Basierend auf der Tabelle nach den oben genannten Filtern QuickSight berechnet Amazon die Aggregation, gruppiert nach den Dimensionen, die in den berechneten Feldern angegeben sind. Beispiel, `max(Sales, [Region])`. 1. **Visuelle Ebene**: Wertet Aggregationen auf visueller Ebene und Tabellenberechnungen nach der Aggregation aus, wobei die übrigen Konfigurationen auf die Bilder angewendet werden 1. **Aggregationen auf visueller Ebene**: Visuelle Aggregationen sollten immer angewendet werden, mit Ausnahme von tabellarischen Tabellen (bei denen die Dimension leer ist). Mit dieser Einstellung werden Aggregationen, die auf den Feldern in den Feldbereichen basieren, berechnet und nach den Dimensionen gruppiert, die in die visuelle Darstellung einfließen. Wenn ein Filter auf Aggregationen aufbaut, wird er an dieser Stelle angewendet, ähnlich wie bei HAVING-Klauseln. Beispiel, `min(distance) > 100`. 1. **Tabellenberechnungen**: Wenn in der Grafik auf eine Tabellenberechnung nach der Aggregation verwiesen wird (sie sollte einen aggregierten Ausdruck als Operanden verwenden), wird sie an dieser Stelle berechnet. Amazon Quick Sight führt Fensterberechnungen nach visuellen Aggregationen durch. In ähnlicher Weise werden Filter angewendet, die auf solchen Berechnungen basieren. 1. **Berechnungen anderer Kategorien**: Diese Art der Berechnung ist nur in line/bar/pie/donut Diagrammen verfügbar. Weitere Informationen finden Sie unter [Anzeigen von Grenzwerten](working-with-visual-types.md#display-limits). 1. **Summen und Zwischensummen**: Summen und Zwischensummen werden auf Anfrage in Ringdiagrammen (nur Summen), Tabellen (nur Summen) und Pivot-Tabellen berechnet. # Verwenden von niveauabhängigen Berechnungen in Quick Sight | | | --- | |    Gilt für: Enterprise Edition und Standard Edition  | Mit *Level-aware Calculations* (LAC) können Sie den Granularitätsgrad angeben, mit dem Sie Fensterfunktionen oder Aggregatfunktionen berechnen möchten. Es gibt zwei Arten von LAC-Funktionen: niveauabhängige Berechnungen – Aggregatfunktionen (LAC-A) und niveauabhängige Berechnungen – Fensterfunktion (LAC-W). **Topics** + [LAC-A-Funktionen](#level-aware-calculations-aggregate) + [LAC-W-Funktionen](#level-aware-calculations-window) ## Niveauabhängige Berechnung – Aggregatfunktionen (LAC-A) Mit LAC-A-Funktionen können Sie angeben, auf welcher Ebene die Berechnung gruppiert werden soll. Durch Hinzufügen eines Arguments zu einer bestehenden Aggregatfunktion, wie z. B. `sum() , max() , count()`, können Sie jede beliebige Gruppierungsebene für die Aggregation definieren. Bei der hinzugefügten Ebene kann es sich um eine beliebige Dimension handeln, unabhängig von den Dimensionen, die dem Bild hinzugefügt wurden. Beispiel: ``` sum(measure,[group_field_A]) ``` Um LAC-A-Funktionen zu verwenden, geben Sie sie direkt in den Berechnungseditor ein, indem Sie die gewünschten Aggregationsebenen als zweites Argument in Klammern hinzufügen. Im Folgenden finden Sie zum Vergleich ein Beispiel für eine Aggregatfunktion und eine LAC-A-Funktion. + Aggregationsfunktion: `sum({sales})` + LAC-A-Funktion: `sum({sales}, [{Country},{Product}])` Die LAC-A-Ergebnisse werden mit der angegebenen Stufe in der Klammer `[ ]` berechnet und können als Operand einer Aggregatfunktion verwendet werden. Die Gruppierungsebene der Aggregatfunktion entspricht der visuellen Ebene, wobei die **Gruppierung nach** Feldern zum Feldbereich der visuellen Darstellung hinzugefügt wird. Zusätzlich zur Erstellung eines statischen LAC-Gruppenschlüssels in der Klammer `[ ]` können Sie ihn dynamisch an visuelle Gruppierungsfelder anpassen, indem Sie einen Parameter `$visualDimensions` in die Klammer setzen. Dies ist ein vom System bereitgestellter Parameter, im Gegensatz zu benutzerdefinierten Parametern. Der `[$visualDimensions]`-Parameter stellt die Felder, die dem Feldbereich **Gruppieren nach** hinzugefügt wurden, in der aktuellen Grafik gut dar. Die folgenden Beispiele zeigen, wie Gruppenschlüssel dynamisch zu den visuellen Dimensionen hinzugefügt oder Gruppenschlüssel aus visuellen Dimensionen entfernt werden + LAC-A mit dynamisch hinzugefügtem Gruppenschlüssel: `sum({sales}, [${visualDimensions},{Country},{Products}])` Es berechnet, bevor die Aggregation auf visueller Ebene berechnet wird, die Summe aus Umsatz, Gruppierung nach `country`, `products` und allen anderen Feldern im Feldbereich **Gruppieren nach**. + LAC-A mit dynamisch entferntem Gruppenschlüssel: `sum({sales}, [${visualDimensions},!{Country},!{Products}])` Es berechnet, bevor die Aggregation auf visueller Ebene berechnet wird, die Summe des Umsatzes, gruppiert nach den Feldern im Feldbereich **Gruppieren nach** der Grafik, außer `country` und `product`. Sie können einen hinzugefügten oder entfernten Gruppenschlüssel in einem LAC-Ausdruck angeben, aber nicht beides. LAC-A-Funktionen werden für die folgenden Aggregatfunktionen unterstützt: + [avg](avg-function.md) + [count](count-function.md) + [distinct\$1count](distinct_count-function.md) + [max](max-function.md) + [median](median-function.md) + [min](min-function.md) + [percentile](percentile-function.md) + [percentileCont](percentileCont-function.md) + [percentileDisc-(Perzentil)](percentileDisc-function.md) + [stdev](stdev-function.md) + [stdevp](stdevp-function.md) + [sum](sum-function.md) + [var](var-function.md) + [varp](varp-function.md) ### LAC-A-Beispiele Mit den LAC-A-Funktionen können Sie Folgendes tun: + Führen Sie Berechnungen aus, die unabhängig von den Ebenen in der Grafik sind. Bei der folgenden Berechnung werden die Verkaufszahlen beispielsweise nur auf Landesebene aggregiert, nicht aber über andere Dimensionen (Region oder Produkt) im Bild. ``` sum({Sales},[{Country}]) ``` + Führen Sie Berechnungen für die Dimensionen durch, die nicht in der Grafik enthalten sind. Wenn Sie beispielsweise über die folgende Funktion verfügen, können Sie den durchschnittlichen Gesamtumsatz pro Land nach Regionen berechnen. ``` sum({Sales},[{Country}]) ``` Obwohl das Land in der Darstellung nicht enthalten ist, aggregiert die Funktion LAC-A zunächst die Verkäufe auf Länderebene, und die Berechnung auf visueller Ebene ergibt dann die Durchschnittszahl für jede Region. Wenn die LAC-A-Funktion nicht zur Angabe der Ebene verwendet wird, werden die Durchschnittsumsätze auf der niedrigsten detaillierten Ebene (der Basisebene des Datensatzes) für jede Region berechnet (in der Verkaufsspalte angezeigt). + Verwenden Sie LAC-A in Kombination mit anderen Aggregatfunktionen und LAC-W-Funktionen. Es gibt zwei Möglichkeiten, LAC-A-Funktionen mit anderen Funktionen zu verschachteln. + Sie können beim Erstellen einer Berechnung eine verschachtelte Syntax schreiben. Beispielsweise kann die LAC-A-Funktion mit einer LAC-W-Funktion verschachtelt werden, um den Gesamtumsatz pro Land anhand des Durchschnittspreises jedes Produkts zu berechnen: ``` sum(avgOver({Sales},[{Product}],PRE_AGG),[{Country}]) ``` + Wenn Sie einer Grafik eine LAC-A-Funktion hinzufügen, kann die Berechnung mit Aggregatfunktionen auf visueller Ebene, die Sie in den Feldbereichen ausgewählt haben, weiter verschachtelt werden. Weitere Informationen zum Ändern der Aggregation von Feldern im Bildmaterial finden Sie unter [Ändern oder Hinzufügen von Statistikfunktionen zu einem Feld über einen Feldbereich](changing-field-aggregation.md#change-field-aggregation-field-wells). ### LAC-A-Einschränkungen Für die LAC-A-Funktionen gelten die folgenden Einschränkungen: + LAC-A-Funktionen werden für alle additiven und nicht-additiven Aggregatfunktionen unterstützt, wie z. B. `sum()`, `count()` und `percentile()`. LAC-A-Funktionen werden weder für bedingte Aggregatfunktionen unterstützt, die mit „wenn“ enden, wie z. B. `sumif()` und`countif()`, noch für Periodenaggregatfunktionen, die mit "periodToDate" beginnen, wie z. B. und. `periodToDateSum()` `periodToDateMax()` + Summen auf Zeilen- und Spaltenebene werden derzeit für LAC-A-Funktionen in Tabellen und Pivot-Tabellen nicht unterstützt. Wenn Sie dem Diagramm Summen auf Zeilen- oder Spaltenebene hinzufügen, wird die Gesamtzahl leer angezeigt. Andere Dimensionen, die nicht zu LAC gehören, sind nicht betroffen. + Verschachtelte LAC-A-Funktionen werden derzeit nicht unterstützt. Eingeschränkte Funktionen von LAC-A, die mit regulären Aggregatfunktionen und LAC-W-Funktionen verschachtelt sind, werden unterstützt. Gültige Funktionen sind zum Beispiel: + `Aggregation(LAC-A())`. Beispiel: `max(sum({sales}, [{country}]))` + `LAC-A(LAC-W())`. Beispiel: `sum(sumOver({Sales},[{Product}],PRE_AGG), [{Country}])` Die folgenden Funktionen sind ungültig: + `LAC-A(Aggregation())`. Beispiel: `sum(max({sales}), [{country}])` + `LAC-A(LAC-A())`. Beispiel: `sum(max({sales}, [{country}]),[category])` + `LAC-W(LAC-A())`. Beispiel: `sumOver(sum({Sales},[{Product}]),[{Country}],PRE_AGG)` ## Niveauabhängige Berechnung – Fensterfunktionen (LAC-W) Mit LAC-W-Funktionen können Sie das Fenster oder die Partition angeben, um die Berechnung zu berechnen. LAC-W-Funktionen sind eine Gruppe von Fensterfunktionen, wie z. B. `sumover()`, `(maxover)`, `denseRank`, die Sie auf der Vorfilter- oder Voraggregatsebene ausführen können. Beispiel: `sumOver(measure,[partition_field_A],pre_agg)`. LAC-W-Funktionen wurden früher als niveauabhängige Aggregationen (Level Aware Aggregations, LAA) bezeichnet. Die LAC-W-Funktionen helfen Ihnen bei der Beantwortung der folgenden Arten von Fragen: + Wie viele meiner Kunden haben nur eine Bestellung aufgegeben? Oder 10? Oder 50? Wir möchten, dass das Visual die Zählung als Dimension und nicht als Metrik im Visual verwendet. + Wie hoch ist der Gesamtumsatz pro Marktsegment für Kunden, deren Lebenszyklusausgaben mehr als 100.000 US-Dollar betragen? Das Visual sollte nur das Marktsegment und den Gesamtumsatz für jedes Segment darstellen. + Wie hoch ist der Beitrag der einzelnen Branchen zum Gewinn des gesamten Unternehmens (Prozent des Gesamtergebnisses)? Wir wollen in der Lage sein, das Visual zu filtern, um einige der Branchen zu zeigen und wie sie zum Gesamtumsatz der angezeigten Branchen beitragen. Wir wollen aber auch den Anteil der einzelnen Branchen am Gesamtumsatz des gesamten Unternehmens (einschließlich der herausgefilterten Branchen) sehen. + Wie hoch ist der Gesamtumsatz in jeder Kategorie im Vergleich zum Branchendurchschnitt? Der Branchendurchschnitt sollte alle Kategorien umfassen, auch nach der Filterung. + Wie werden meine Kunden in kumulative Ausgabenbereiche eingeteilt? Wir wollen die Gruppierung als Dimension und nicht als Metrik verwenden. Bei komplexeren Fragen können Sie eine Berechnung oder einen Filter einfügen, bevor Quick Sight bei der Auswertung Ihrer Einstellungen einen bestimmten Punkt erreicht. Um Ihre Ergebnisse direkt zu beeinflussen, fügen Sie einer Tabellenberechnung ein Schlüsselwort für die Berechnungsebene hinzu. Weitere Informationen darüber, wie Quick Sight Abfragen auswertet, finden Sie unter. [Reihenfolge der Bewertung in Amazon Quick Sight](order-of-evaluation-quicksight.md) Die folgenden Berechnungsebenen werden für LAC-W-Funktionen unterstützt: + **`PRE_FILTER`**— Vor der Anwendung von Filtern aus der Analyse wertet Quick Sight Vorfilterberechnungen aus. Anschließend werden alle Filter angewendet, die für diese Vorfilterberechnungen konfiguriert sind. + **`PRE_AGG`**— Vor der Berechnung von Aggregationen auf Anzeigeebene führt Quick Sight Berechnungen vor der Aggregation durch. Anschließend werden alle Filter angewendet, die für diese Voraggregatberechnungen konfiguriert sind. Dies geschieht vor dem Anwenden der Top- und Bottom-*N*-Filter. Sie können das Schlüsselwort `PRE_FILTER` oder `PRE_AGG` als Parameter in den folgenden Tabellenberechnungsfunktionen verwenden. Wenn Sie eine Berechnungsebene angeben, verwenden Sie in der Funktion eine nicht aggregierte Metrik. Sie können beispielsweise die Datei `countOver({ORDER ID}, [{Customer ID}], PRE_AGG)` verwenden. Mit `PRE_AGG` legen Sie fest, dass die `countOver` auf der Voraggregateebene ausgeführt wird. + [avgOver](avgOver-function.md) + [countOver](countOver-function.md) + [denseRank](denseRank-function.md) + [distinctCountOver](distinctCountOver-function.md) + [minOver](minOver-function.md) + [maxOver](maxOver-function.md) + [percentileRank](percentileRank-function.md) + [rank](rank-function.md) + [stdevOver](stdevOver-function.md) + [stdevpOver](stdevpOver-function.md) + [sumOver](sumOver-function.md) + [varOver](varOver-function.md) + [varpOver](varpOver-function.md) Standardmäßig muss der erste Parameter für jede Funktion eine aggregierte Metrik sein. Wenn Sie entweder `PRE_FILTER` oder `PRE_AGG` nutzen, verwenden Sie für den ersten Parameter ein nicht aggregiertes Maß. Bei LAC-W-Funktionen ist die visuelle Aggregation standardmäßig auf `MIN` eingestellt, um Duplikate zu vermeiden. Um die Aggregation zu ändern, öffnen Sie das Kontextmenü des Feldes (Rechtsklick) und wählen eine andere Aggregation aus. Beispiele dafür, wann und wie LAC-W-Funktionen in realen Szenarien verwendet werden können, finden Sie im folgenden Beitrag im AWS Big Data-Blog: [Erstellen Sie erweiterte Erkenntnisse mithilfe von Level Aware Aggregations](https://aws.amazon.com/jp/blogs/big-data/create-advanced-insights-using-level-aware-aggregations-in-amazon-quicksight/) in Amazon. QuickSight # Berechnete Feldfunktion und Operatorreferenz für Amazon Quick Sie können während der Datenvorbereitung oder über die Seite für die Analyse einem Dataset Kalkulationsfelder hinzufügen. Wenn Sie während der Datenvorbereitung einem Dataset ein Kalkulationsfeld hinzufügen, steht das Feld in allen Analysen zur Verfügung, die dieses Dataset nutzen. Wenn Sie einem Dataset ein Kalkulationsfeld in einer Analyse hinzufügen, ist es nur in dieser Analyse verfügbar. Sie können berechnete Felder erstellen, um Ihre Daten mithilfe der folgenden Funktionen und Operatoren zu transformieren. **Topics** + [Betreiber](arithmetic-and-comparison-operators.md) + [Funktionen nach Kategorie](functions-by-category.md) + [Funktionen](functions.md) + [Aggregationsfunktionen](calculated-field-aggregations.md) + [Funktionen für Tabellenkalkulationen](table-calculation-functions.md) # Betreiber Sie können die folgenden Operatoren für Kalkulationsfelder verwenden. Quick verwendet die Standardreihenfolge der Operationen: Klammern, Exponenten, Multiplikation, Division, Addition, Subtraktion (PEMDAS). Bei den Vergleichsoperatoren Gleich (=) und Nicht gleich (<>) wird die Groß-/Kleinschreibung beachtet. + Addition (\$1) + Subtraktion (−) + Multiplikation (\$1) + Division (/) + Modulo (%) - Siehe auch `mod()` in der folgenden Liste. + Potenz (^) - Siehe auch `exp()` in der folgenden Liste. + Gleich (=) + Ungleich (<>) + größer als (>) + größer als oder gleich (>=) + Kleiner als (<) + Kleiner als oder gleich (<=) + AND + ODER + NOT Amazon Quick unterstützt die Anwendung der folgenden mathematischen Funktionen auf einen Ausdruck. + `[https://docs.aws.amazon.com/quicksight/latest/user/mod-function.html](https://docs.aws.amazon.com/quicksight/latest/user/mod-function.html)(number, divisor)` – Findet den Rest, nachdem eine Zahl durch einen Divisor geteilt wurde. + `[https://docs.aws.amazon.com/quicksight/latest/user/log-function.html](https://docs.aws.amazon.com/quicksight/latest/user/log-function.html)(expression) `- Gibt den Logarithmus mit der Basis 10 eines bestimmten Ausdrucks zurück. + `[https://docs.aws.amazon.com/quicksight/latest/user/ln-function.html](https://docs.aws.amazon.com/quicksight/latest/user/ln-function.html)(expression) `– Gibt den natürlichen Logarithmus eines bestimmten Ausdrucks zurück. + `[https://docs.aws.amazon.com/quicksight/latest/user/abs-function.html](https://docs.aws.amazon.com/quicksight/latest/user/abs-function.html)(expression) `– Gibt den absoluten Wert eines bestimmten Ausdrucks zurück. + `[https://docs.aws.amazon.com/quicksight/latest/user/sqrt-function.html](https://docs.aws.amazon.com/quicksight/latest/user/sqrt-function.html)(expression) `– Gibt die Quadratwurzel eines bestimmten Ausdrucks zurück. + `[https://docs.aws.amazon.com/quicksight/latest/user/exp-function.html](https://docs.aws.amazon.com/quicksight/latest/user/exp-function.html)(expression) `– Gibt die Basis des natürlichen Logarithmus von *e* zurück, die auf die Potenz eines bestimmten Ausdrucks erhöht wird. Um langwierige Berechnungen besser lesbar zu machen, können Sie mit Klammern Gruppierungen klären und Prioritäten in Berechnungen festlegen. In der folgenden Anweisung benötigen Sie keine Klammern. Die Multiplikationsanweisung wird zuerst verarbeitet. Anschließend wird fünf zum Ergebnis hinzugefügt. Der zurückgegebene Wert ist 26. Durch Verwendung von Klammern wird die Anweisung jedoch einfacher zu lesen und damit zu pflegen. ``` 5 + (7 * 3) ``` Da Klammern in der Rangfolge der Operationen an erster Stelle stehen, können Sie damit die Reihenfolge ändern, in der die anderen Operatoren angewendet werden. In der folgenden Programmzeile wird beispielsweise zuerst die Additionsanweisung verarbeitet und dann das Ergebnis mit drei multipliziert. Der zurückgegebene Wert lautet 36. ``` (5 + 7) * 3 ``` ## Beispiel: Arithmetische Operatoren Im folgenden Beispiel werden mehrere arithmetische Operatoren eingesetzt, um den Gesamtumsatz nach Abzug von Skonto zu bestimmen. ``` (Quantity * Amount) - Discount ``` ## Beispiel: (/) Division Im folgenden Beispiel wird die Division verwendet, um 3 durch 2 zu dividieren. Es wird ein Wert von 1,5 zurückgegeben. Amazon Quick verwendet Gleitkommadivisionen. ``` 3/2 ``` ## Beispiel: (=) Gleich Mit = werden Werte verglichen, wobei die Groß- und Kleinschreibung berücksichtigt wird. Zeilen, in denen der Vergleich TRUE ergibt, werden in die Ergebnismenge aufgenommen. Im folgenden Beispiel werden Zeilen, in denen das Feld `Region` gleich **South** ist, in die Ergebnismenge aufgenommen. Ist `Region` gleich **south**, werden diese Zeilen ausgeschlossen. ``` Region = 'South' ``` Im folgenden Beispiel ergibt der Vergleich FALSE. ``` Region = 'south' ``` Das folgende Beispiel zeigt einen Vergleich, der `Region` in Großbuchstaben umwandelt (**SOUTH**) und sie dann mit **SOUTH** vergleicht. Damit werden Zeilen zurückgegeben, in denen die Region **south**, **South** oder **SOUTH** ist. ``` toUpper(Region) = 'SOUTH' ``` ## Beispiel: (<>) Das Ungleichheitssymbol <> bedeutet *kleiner oder größer als*. Wenn wir also **x<>1** angeben, bedeutet dies *wenn x kleiner als 1 ODER wenn x größer als 1 ist*. < und > werden gemeinsam ausgewertet. Mit anderen Worten, *wenn x ein beliebiger Wert außer 1 ist*. Oder *x ist nicht gleich 1*. **Anmerkung** Verwenden Sie <>, nicht \$1=. Das folgende Beispiel vergleicht `Status Code` mit einem numerischen Wert. Damit werden Zeilen zurückgegeben, in denen der `Status Code` ungleich **1** ist. ``` statusCode <> 1 ``` Das folgende Beispiel vergleicht mehrere `statusCode`-Werte. In diesem Fall sind aktive Datensätze mit `activeFlag = 1` markiert. Dieses Beispiel gibt Zeilen zurück, in denen eine der folgenden Aussagen gilt: + Für aktive Datensätze werden Zeilen angezeigt, in denen der Status nicht 1 oder 2 ist + Für nicht aktive Datensätze werden Zeilen angezeigt, in denen der Status 99 oder -1 ist ``` ( activeFlag = 1 AND (statusCode <> 1 AND statusCode <> 2) ) OR ( activeFlag = 0 AND (statusCode= 99 OR statusCode= -1) ) ``` ## Beispiel: (^) Das Potenz-Symbol `^` bedeutet *hoch*. Sie können den Power-Operator mit einem beliebigen numerischen Feld und einem beliebigen gültigen Exponenten verwenden. Das folgende Beispiel ist ein einfacher Ausdruck für 2 hoch 4 oder (2 \$1 2 \$1 2 \$1 2). Diese Funktion gibt den Wert 16 zurück. ``` 2^4 ``` Das folgende Beispiel berechnet die Quadratwurzel des Umsatzfeldes. ``` revenue^0.5 ``` ## Beispiel: AND, OR und NOT Im folgenden Beispiel werden AND, OR und NOT verwendet, um mehrere Ausdrücke zu vergleichen. Dabei werden konditionale Operatoren verwendet, um Top-Kunden, die mehr als 10 Bestellungen aufgegeben haben, NICHT in Washington oder Oregon mit einer Sonderaktion zu versehen. Wenn keine Werte zurückgegeben werden, wird der Wert „n/a“ verwendet. ``` ifelse(( (NOT (State = 'WA' OR State = 'OR')) AND Orders > 10), 'Special Promotion XYZ', 'n/a') ``` ## Beispiel: Erstellen von Vergleichslisten wie „in“ oder „nicht in“ Dieses Beispiel verwendet Operatoren, um einen Vergleich auszuführen, der feststellt, ob Werte in einer bestimmten Werteliste enthalten oder nicht enthalten sind. Das folgende Beispiel vergleicht `promoCode` mit einer vorgegebenen Werteliste. Dieses Beispiel gibt Zeilen zurück, in denen sich der `promoCode` in der Liste **(1, 2, 3)** befindet. ``` promoCode = 1 OR promoCode = 2 OR promoCode = 3 ``` Das folgende Beispiel vergleicht `promoCode` mit einer vorgegebenen Werteliste. Dieses Beispiel gibt Zeilen zurück, in denen sich der `promoCode` NICHT in der Liste **(1, 2, 3)** befindet. ``` NOT(promoCode = 1 OR promoCode = 2 OR promoCode = 3 ) ``` Eine weitere Möglichkeit, dies auszudrücken, ist die Bereitstellung einer Liste, in der der `promoCode` ungleich allen Elementen der Liste ist. ``` promoCode <> 1 AND promoCode <> 2 AND promoCode <> 3 ``` ## Beispiel: Erstellen eines „between“-Vergleichs Dieses Beispiel verwendet Vergleichsoperatoren zum Erstellen eines Vergleichs, der Werte anzeigt, die zwischen einem Wert und einem anderen Wert liegen. Das folgende Beispiel untersucht `OrderDate` und gibt Zeilen zurück, in denen das `OrderDate` zwischen der ersten und dem letzten Tag des Jahres 2016 liegt. In diesem Fall wollen wir den ersten und letzten Tag einschließen, deshalb verwenden wir „oder gleich“ in den Vergleichsoperatoren. ``` OrderDate >= "1/1/2016" AND OrderDate <= "12/31/2016" ``` # Funktionen nach Kategorie In diesem Abschnitt finden Sie eine Liste der in Amazon Quick verfügbaren Funktionen, sortiert nach Kategorien. **Topics** + [Aggregationsfunktionen](#aggregate-functions) + [Konditionale Funktionen](#conditional-functions) + [Datumsfunktionen](#date-functions) + [Numerische Funktionen](#numeric-functions) + [Mathematische Funktionen](#mathematical-functions) + [Zeichenfolgenfunktionen](#string-functions) + [Tabellenberechnungen](#table-calculations) ## Aggregationsfunktionen Zu den Aggregatfunktionen für berechnete Felder in Amazon Quick gehören die folgenden. Sie stehen nur während der Analyse und Visualisierung zur Verfügung. Jede dieser Funktionen gibt Werte zurück, die nach er/den gewählten Dimension(en) gruppiert sind. Für jede Aggregation steht auch eine bedingte Aggregation zur Verfügung. Diese führen die gleiche Art von Aggregation auf der Grundlage einer Bedingung aus. + [https://docs.aws.amazon.com/quicksight/latest/user/avg-function.html](https://docs.aws.amazon.com/quicksight/latest/user/avg-function.html) berechnet den Durchschnittswert der Zahlengruppe im angegebenen Maß, gruppiert nach den gewählten Dimensionen. + [https://docs.aws.amazon.com/quicksight/latest/user/avgIf-function.html](https://docs.aws.amazon.com/quicksight/latest/user/avgIf-function.html) berechnet den Durchschnitt auf der Grundlage einer bedingten Anweisung. + [https://docs.aws.amazon.com/quicksight/latest/user/count-function.html](https://docs.aws.amazon.com/quicksight/latest/user/count-function.html) berechnet die Anzahl der Werte in einer Dimension oder einem Maß, gruppiert nach den gewählten Dimensionen. + [https://docs.aws.amazon.com/quicksight/latest/user/countIf-function.html](https://docs.aws.amazon.com/quicksight/latest/user/countIf-function.html) berechnet die Anzahl auf der Grundlage einer bedingten Anweisung. + [https://docs.aws.amazon.com/quicksight/latest/user/distinct_count-function.html](https://docs.aws.amazon.com/quicksight/latest/user/distinct_count-function.html) berechnet die Anzahl individueller Werte in einer Dimension oder einem Maß, gruppiert nach den gewählten Dimensionen. + [https://docs.aws.amazon.com/quicksight/latest/user/distinct_countIf-function.html](https://docs.aws.amazon.com/quicksight/latest/user/distinct_countIf-function.html) berechnet die Anzahl der einzelnen Zeichen auf der Grundlage einer bedingten Anweisung. + [https://docs.aws.amazon.com/quicksight/latest/user/max-function.html](https://docs.aws.amazon.com/quicksight/latest/user/max-function.html) gibt den Höchstwert des angegebenen Maßes zurück, gruppiert nach den gewählten Dimensionen. + [https://docs.aws.amazon.com/quicksight/latest/user/maxIf-function.html](https://docs.aws.amazon.com/quicksight/latest/user/maxIf-function.html) berechnet den Höchstwert auf der Grundlage einer bedingten Anweisung. + [https://docs.aws.amazon.com/quicksight/latest/user/median-function.html](https://docs.aws.amazon.com/quicksight/latest/user/median-function.html) gibt den Medianwert des angegebenen Maßes zurück, gruppiert nach den gewählten Dimensionen. + [https://docs.aws.amazon.com/quicksight/latest/user/medianIf-function.html](https://docs.aws.amazon.com/quicksight/latest/user/medianIf-function.html) berechnet den Median auf der Grundlage einer bedingten Anweisung. + [https://docs.aws.amazon.com/quicksight/latest/user/min-function.html](https://docs.aws.amazon.com/quicksight/latest/user/min-function.html) gibt den niedrigsten Wert des angegebenen Maßes zurück, gruppiert nach den gewählten Dimensionen. + [https://docs.aws.amazon.com/quicksight/latest/user/minIf-function.html](https://docs.aws.amazon.com/quicksight/latest/user/minIf-function.html) berechnet den Mindestwert auf der Grundlage einer bedingten Anweisung. + [https://docs.aws.amazon.com/quicksight/latest/user/percentile-function.html](https://docs.aws.amazon.com/quicksight/latest/user/percentile-function.html) (Alias von `percentileDisc`) berechnet das *n*. Perzentil des angegebenen Maßes, gruppiert nach den gewählten Dimensionen. + [https://docs.aws.amazon.com/quicksight/latest/user/percentileCont-function.html](https://docs.aws.amazon.com/quicksight/latest/user/percentileCont-function.html) berechnet das *n*. Perzentil auf der Grundlage einer kontinuierlichen Verteilung der Zahlen der angegebenen Kennzahl, gruppiert nach der/den ausgewählten Dimension/en. + [percentileDisc(Perzentil)](https://docs.aws.amazon.com/quicksight/latest/user/percentileDisc-function.html) berechnet das *n-te* Perzentil auf der Grundlage der tatsächlichen Zahlen der angegebenen Kennzahl, gruppiert nach der oder den ausgewählten Dimensionen. + [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateAvg-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateAvg-function.html) berechnet den Durchschnittswert der Zahlengruppe im angegebenen Maß für eine bestimmte Zeitgranularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt. + [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateCount-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateCount-function.html) berechnet die Anzahl der Werte in einer Dimension oder Kennzahl für eine bestimmte Zeitgranularität (z. B. Quartal) bis zu einem bestimmten Zeitpunkt, einschließlich Duplikaten. + [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateMax-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateMax-function.html) gibt den Maximalwert der angegebenen Kennzahl für eine bestimmte Zeitgranularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt zurück. + [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateMedian-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateMedian-function.html) gibt den Medianwert der angegebenen Kennzahl für eine bestimmte Zeitgranularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt zurück. + [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateMin-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateMin-function.html) gibt den Minimalwert der angegebenen Kennzahl oder des angegebenen Datums für eine bestimmte Zeitgranularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt zurück. + [https://docs.aws.amazon.com/quicksight/latest/user/periodToDatePercentile-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDatePercentile-function.html) berechnet das Perzentil auf der Grundlage der tatsächlichen Maßzahlen für eine bestimmte Zeitgranularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt. + [https://docs.aws.amazon.com/quicksight/latest/user/periodToDatePercentileCont-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDatePercentileCont-function.html) berechnet das Perzentil auf der Grundlage einer kontinuierlichen Verteilung der Zahlen in der Kennzahl für eine bestimmte zeitliche Granularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt. + [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateStDev-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateStDev-function.html) berechnet die Standardabweichung der Zahlengruppe im angegebenen Maß für eine bestimmte zeitliche Granularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt auf der Grundlage einer Stichprobe. + [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateStDevP-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateStDevP-function.html) berechnet die Populationsstandardabweichung der Zahlengruppe im angegebenen Maß für eine bestimmte zeitliche Granularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt auf der Grundlage einer Stichprobe. + [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateSum-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateSum-function.html) addiert die Zahlengruppe im angegebenen Maß für eine bestimmte zeitliche Granularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt. + [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateVar-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateVar-function.html) berechnet die Stichprobenvarianz der Zahlengruppe im angegebenen Maß für eine bestimmte Zeitgranularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt. + [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateVarP-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateVarP-function.html) berechnet die Populationsvarianz der Zahlengruppe im angegebenen Maß für eine bestimmte zeitliche Granularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt. + [https://docs.aws.amazon.com/quicksight/latest/user/stdev-function.html](https://docs.aws.amazon.com/quicksight/latest/user/stdev-function.html)) berechnet anhand einer Stichprobe die Standardabweichung der Zahlenmenge in der angegebenen Messung, gruppiert nach der/den ausgewählten Dimension(en). + [https://docs.aws.amazon.com/quicksight/latest/user/stdevIf-function.html](https://docs.aws.amazon.com/quicksight/latest/user/stdevIf-function.html) berechnet die Standardabweichung der Stichprobe auf der Grundlage einer bedingten Anweisung. + [https://docs.aws.amazon.com/quicksight/latest/user/stdevp-function.html](https://docs.aws.amazon.com/quicksight/latest/user/stdevp-function.html) berechnet anhand einer Population mit Bias die Standardabweichung der Zahlenmenge in der angegebenen Messung, gruppiert nach der/den ausgewählten Dimension(en). + [https://docs.aws.amazon.com/quicksight/latest/user/stdevpIf-function.html](https://docs.aws.amazon.com/quicksight/latest/user/stdevpIf-function.html) berechnet die Abweichung der Grundgesamtheit auf der Grundlage einer bedingten Anweisung. + [https://docs.aws.amazon.com/quicksight/latest/user/var-function.html](https://docs.aws.amazon.com/quicksight/latest/user/var-function.html)) berechnet anhand einer Stichprobe die Varianz der Zahlengruppe im angegebenen Maß, gruppiert nach der/den ausgewählten Dimension(en). + [https://docs.aws.amazon.com/quicksight/latest/user/varIf-function.html](https://docs.aws.amazon.com/quicksight/latest/user/varIf-function.html) berechnet die Stichprobenvarianz auf der Grundlage einer bedingten Anweisung. + [https://docs.aws.amazon.com/quicksight/latest/user/varp-function.html](https://docs.aws.amazon.com/quicksight/latest/user/varp-function.html)) berechnet anhand einer Population mit Bias die Varianz der Zahlenmenge in der angegebenen Messung, gruppiert nach der/den ausgewählten Dimension(en). + [https://docs.aws.amazon.com/quicksight/latest/user/varpIf-function.html](https://docs.aws.amazon.com/quicksight/latest/user/varpIf-function.html) berechnet die Varianz der Grundgesamtheit auf der Grundlage einer bedingten Anweisung. + [https://docs.aws.amazon.com/quicksight/latest/user/sum-function.html](https://docs.aws.amazon.com/quicksight/latest/user/sum-function.html)) addiert die Zahlengruppe im angegebenen Maß, gruppiert nach den gewählten Dimensionen. + [https://docs.aws.amazon.com/quicksight/latest/user/sumIf-function.html](https://docs.aws.amazon.com/quicksight/latest/user/sumIf-function.html)) berechnet die Summe auf der Grundlage einer bedingten Anweisung. ## Konditionale Funktionen Zu den bedingten Funktionen für berechnete Felder in Amazon Quick gehören: + [https://docs.aws.amazon.com/quicksight/latest/user/coalesce-function.html](https://docs.aws.amazon.com/quicksight/latest/user/coalesce-function.html) gibt den Wert des ersten Arguments zurück, das nicht null ist. + [https://docs.aws.amazon.com/quicksight/latest/user/ifelse-function.html](https://docs.aws.amazon.com/quicksight/latest/user/ifelse-function.html) wertet einen Satz von *if*-*then*-Ausdruckspaaren aus und gibt den Wert des *then*-Arguments für das erste *if*-Argument zurück, das als "true" ausgewertet wird. + [https://docs.aws.amazon.com/quicksight/latest/user/in-function.html](https://docs.aws.amazon.com/quicksight/latest/user/in-function.html) wertet einen Ausdruck aus, um festzustellen, ob er in einer bestimmten Werteliste enthalten ist. + [https://docs.aws.amazon.com/quicksight/latest/user/isNotNull-function.html](https://docs.aws.amazon.com/quicksight/latest/user/isNotNull-function.html) wertet einen Ausdruck aus, um zu prüfen, ob dieser nicht null ist. + [https://docs.aws.amazon.com/quicksight/latest/user/isNull-function.html](https://docs.aws.amazon.com/quicksight/latest/user/isNull-function.html) wertet einen Ausdruck aus, um zu prüfen, ob dieser null ist. Wenn der Ausdruck null ist, gibt `isNull` "true" zurück, andernfalls "false". + [https://docs.aws.amazon.com/quicksight/latest/user/notIn-function.html](https://docs.aws.amazon.com/quicksight/latest/user/notIn-function.html) wertet einen Ausdruck aus, um festzustellen, ob er nicht in einer bestimmten Werteliste enthalten ist. + [https://docs.aws.amazon.com/quicksight/latest/user/nullIf-function.html](https://docs.aws.amazon.com/quicksight/latest/user/nullIf-function.html) vergleicht zwei Ausdrücke. Sind diese gleich, gibt die Funktion null zurück. Sind sie nicht gleich, gibt die Funktion den ersten Ausdruck zurück. + [https://docs.aws.amazon.com/quicksight/latest/user/switch-function.html](https://docs.aws.amazon.com/quicksight/latest/user/switch-function.html) gibt einen Ausdruck zurück, der der ersten Bezeichnung entspricht, die dem Bedingungsausdruck entspricht. ## Datumsfunktionen Zu den Datumsfunktionen für berechnete Felder in Amazon Quick gehören: + [https://docs.aws.amazon.com/quicksight/latest/user/addDateTime-function.html](https://docs.aws.amazon.com/quicksight/latest/user/addDateTime-function.html) addiert oder subtrahiert eine Zeiteinheit, das ein Datum oder die Uhrzeit bereitstellt. + [https://docs.aws.amazon.com/quicksight/latest/user/addWorkDays-function.html](https://docs.aws.amazon.com/quicksight/latest/user/addWorkDays-function.html) addiert oder subtrahiert die angegebene Anzahl von Arbeitstagen zu dem angegebenen Datum oder der angegebenen Uhrzeit. + [https://docs.aws.amazon.com/quicksight/latest/user/dateDiff-function.html](https://docs.aws.amazon.com/quicksight/latest/user/dateDiff-function.html) gibt den Unterschied zwischen zwei Datumsfeldern in Tagen zurück. + [https://docs.aws.amazon.com/quicksight/latest/user/epochDate-function.html](https://docs.aws.amazon.com/quicksight/latest/user/epochDate-function.html) wandelt ein Epoche-Datum in ein Standarddatum um. + [https://docs.aws.amazon.com/quicksight/latest/user/extract-function.html](https://docs.aws.amazon.com/quicksight/latest/user/extract-function.html) gibt einen bestimmten Teil eines Datumwerts zurück. + [https://docs.aws.amazon.com/quicksight/latest/user/formatDate-function.html](https://docs.aws.amazon.com/quicksight/latest/user/formatDate-function.html) formatiert ein Datum in dem von Ihnen angegebenem Muster. + [https://docs.aws.amazon.com/quicksight/latest/user/isWorkDay-function.html](https://docs.aws.amazon.com/quicksight/latest/user/isWorkDay-function.html) gibt TRUE zurück, wenn ein gegebener Datums-/Uhrzeitwert ein Arbeits- oder Werktag ist. + [https://docs.aws.amazon.com/quicksight/latest/user/netWorkDays-function.html](https://docs.aws.amazon.com/quicksight/latest/user/netWorkDays-function.html) gibt die Anzahl der Arbeitstage zwischen den beiden angegebenen Datumswerten zurück. + [https://docs.aws.amazon.com/quicksight/latest/user/now-function.html](https://docs.aws.amazon.com/quicksight/latest/user/now-function.html) gibt das aktuelle Datum und die Uhrzeit zurück, wozu die Einstellungen für eine Datenbank oder UTC für Datei und Salesforce verwendet werden. + [https://docs.aws.amazon.com/quicksight/latest/user/truncDate-function.html](https://docs.aws.amazon.com/quicksight/latest/user/truncDate-function.html) gibt einen Datumswert zurück, der einen bestimmten Teil eines Datums darstellt. ## Numerische Funktionen Zu den numerischen Funktionen für berechnete Felder in Amazon Quick gehören: + [https://docs.aws.amazon.com/quicksight/latest/user/ceil-function.html](https://docs.aws.amazon.com/quicksight/latest/user/ceil-function.html) rundet einen Dezimalwert auf die nächst höhere Ganzzahl auf. + [https://docs.aws.amazon.com/quicksight/latest/user/decimalToInt-function.html](https://docs.aws.amazon.com/quicksight/latest/user/decimalToInt-function.html) wandelt einen Dezimalwert in eine ganze Zahl um. + [https://docs.aws.amazon.com/quicksight/latest/user/floor-function.html](https://docs.aws.amazon.com/quicksight/latest/user/floor-function.html) rundet einen Dezimalwert auf die nächst niedrigere Ganzzahl ab. + [https://docs.aws.amazon.com/quicksight/latest/user/intToDecimal-function.html](https://docs.aws.amazon.com/quicksight/latest/user/intToDecimal-function.html) wandelt eine ganze Zahl in einen Dezimalwert um. + [https://docs.aws.amazon.com/quicksight/latest/user/round-function.html](https://docs.aws.amazon.com/quicksight/latest/user/round-function.html) rundet einen Dezimalwert auf den nächsten Ganzzahlwert, oder, wenn eine Skalierung angegeben ist, auf die nächste Dezimalstelle. ## Mathematische Funktionen Zu den mathematischen Funktionen für berechnete Felder in Amazon Quick gehören: + `[https://docs.aws.amazon.com/quicksight/latest/user/mod-function.html](https://docs.aws.amazon.com/quicksight/latest/user/mod-function.html)(number, divisor)` – Findet den Rest, nachdem eine Zahl durch einen Divisor geteilt wurde. + `[https://docs.aws.amazon.com/quicksight/latest/user/log-function.html](https://docs.aws.amazon.com/quicksight/latest/user/log-function.html)(expression) `- Gibt den Logarithmus mit der Basis 10 eines bestimmten Ausdrucks zurück. + `[https://docs.aws.amazon.com/quicksight/latest/user/ln-function.html](https://docs.aws.amazon.com/quicksight/latest/user/ln-function.html)(expression) `– Gibt den natürlichen Logarithmus eines bestimmten Ausdrucks zurück. + `[https://docs.aws.amazon.com/quicksight/latest/user/abs-function.html](https://docs.aws.amazon.com/quicksight/latest/user/abs-function.html)(expression) `– Gibt den absoluten Wert eines bestimmten Ausdrucks zurück. + `[https://docs.aws.amazon.com/quicksight/latest/user/sqrt-function.html](https://docs.aws.amazon.com/quicksight/latest/user/sqrt-function.html)(expression) `– Gibt die Quadratwurzel eines bestimmten Ausdrucks zurück. + `[https://docs.aws.amazon.com/quicksight/latest/user/exp-function.html](https://docs.aws.amazon.com/quicksight/latest/user/exp-function.html)(expression) `– Gibt die Basis des natürlichen Logarithmus von *e* zurück, die auf die Potenz eines bestimmten Ausdrucks erhöht wird. ## Zeichenfolgenfunktionen Die Zeichenkettenfunktionen (Text) für berechnete Felder in Amazon Quick umfassen Folgendes: + [https://docs.aws.amazon.com/quicksight/latest/user/concat-function.html](https://docs.aws.amazon.com/quicksight/latest/user/concat-function.html) verkettet zwei oder mehr Zeichenfolgen. + [https://docs.aws.amazon.com/quicksight/latest/user/contains-function.html](https://docs.aws.amazon.com/quicksight/latest/user/contains-function.html) prüft, ob ein Ausdruck eine Teilzeichenfolge enthält. + [https://docs.aws.amazon.com/quicksight/latest/user/endsWith-function.html](https://docs.aws.amazon.com/quicksight/latest/user/endsWith-function.html) prüft, ob der Ausdruck mit der angegebenen Teilzeichenfolge endet. + [https://docs.aws.amazon.com/quicksight/latest/user/left-function.html](https://docs.aws.amazon.com/quicksight/latest/user/left-function.html) gibt die angegebene Anzahl der Zeichen ganz links in einer Zeichenfolge zurück. + [https://docs.aws.amazon.com/quicksight/latest/user/locate-function.html](https://docs.aws.amazon.com/quicksight/latest/user/locate-function.html) sucht eine Teilzeichenfolge innerhalb einer anderen Zeichenfolge und gibt die Anzahl der Zeichen vor der Teilzeichenfolge zurück. + [https://docs.aws.amazon.com/quicksight/latest/user/ltrim-function.html](https://docs.aws.amazon.com/quicksight/latest/user/ltrim-function.html) entfernt vorangestellte Leerzeichen aus einer Zeichenfolge. + [https://docs.aws.amazon.com/quicksight/latest/user/parseDate-function.html](https://docs.aws.amazon.com/quicksight/latest/user/parseDate-function.html) analysiert eine Zeichenfolge, um festzustellen, ob sie einen Datumswert enthält, und gibt dieses Datum zurück, wenn es gefunden wird. + [https://docs.aws.amazon.com/quicksight/latest/user/parseDecimal-function.html](https://docs.aws.amazon.com/quicksight/latest/user/parseDecimal-function.html) parst eine Zeichenfolge, um zu bestimmen, ob diese einen Dezimalwert enthält. + [https://docs.aws.amazon.com/quicksight/latest/user/parseInt-function.html](https://docs.aws.amazon.com/quicksight/latest/user/parseInt-function.html) parst eine Zeichenfolge, um zu bestimmen, ob diese einen Ganzzahlwert enthält. + [https://docs.aws.amazon.com/quicksight/latest/user/parseJson-function.html](https://docs.aws.amazon.com/quicksight/latest/user/parseJson-function.html) analysiert Werte aus nativem JSON oder einem JSON-Objekt in einem Textfeld. + [https://docs.aws.amazon.com/quicksight/latest/user/replace-function.html](https://docs.aws.amazon.com/quicksight/latest/user/replace-function.html) ersetzt einen Teil einer Zeichenfolge durch eine neue Zeichenfolge. + [https://docs.aws.amazon.com/quicksight/latest/user/right-function.html](https://docs.aws.amazon.com/quicksight/latest/user/right-function.html) gibt die angegebene Anzahl der Zeichen ganz rechts in einer Zeichenfolge zurück. + [https://docs.aws.amazon.com/quicksight/latest/user/rtrim-function.html](https://docs.aws.amazon.com/quicksight/latest/user/rtrim-function.html) entfernt nachgestellte Leerzeichen aus einer Zeichenfolge. + [https://docs.aws.amazon.com/quicksight/latest/user/split-function.html](https://docs.aws.amazon.com/quicksight/latest/user/split-function.html) teilt eine Zeichenfolge anhand des festgelegten Trennzeichens in ein Array von Teilzeichenfolgen auf und gibt das Element an der angegebenen Position zurück. + [https://docs.aws.amazon.com/quicksight/latest/user/startsWith-function.html](https://docs.aws.amazon.com/quicksight/latest/user/startsWith-function.html) prüft, ob der Ausdruck mit der angegebenen Teilzeichenfolge beginnt. + [https://docs.aws.amazon.com/quicksight/latest/user/strlen-function.html](https://docs.aws.amazon.com/quicksight/latest/user/strlen-function.html) gibt die Anzahl der Zeichen in einer Zeichenfolge zurück. + [https://docs.aws.amazon.com/quicksight/latest/user/substring-function.html](https://docs.aws.amazon.com/quicksight/latest/user/substring-function.html) gibt die angegebene Anzahl von Zeichen in einer Zeichenfolge zurück, beginnend bei der angegebenen Position. + [https://docs.aws.amazon.com/quicksight/latest/user/toLower-function.html](https://docs.aws.amazon.com/quicksight/latest/user/toLower-function.html) formatiert eine Zeichenfolge in Kleinbuchstaben. + [https://docs.aws.amazon.com/quicksight/latest/user/toString-function.html](https://docs.aws.amazon.com/quicksight/latest/user/toString-function.html) formatiert den Eingabeausdruck als Zeichenfolge. + [https://docs.aws.amazon.com/quicksight/latest/user/toUpper-function.html](https://docs.aws.amazon.com/quicksight/latest/user/toUpper-function.html) formatiert eine Zeichenfolge in Großbuchstaben. + [https://docs.aws.amazon.com/quicksight/latest/user/trim-function.html](https://docs.aws.amazon.com/quicksight/latest/user/trim-function.html) entfernt sowohl vorangestellte als auch nachfolgende Leerzeichen aus einer Zeichenfolge. ## Tabellenberechnungen Tabellenberechnungen bilden eine Gruppe von Funktionen, die in einer Analyse Kontextinformationen bereitstellen. Sie bieten Unterstützung für umfangreiche Zusammenfassungsanalysen. Mit Hilfe dieser Berechnungen können Sie gängige Geschäftsszenarien wie die Berechnung des Prozentsatzes der Gesamtsumme, der laufenden Summe, der Differenz, der gemeinsamen Basislinie und des Rangs umsetzen. Wenn Sie Daten für bestimmte visualisierte Daten analysieren, können Sie Tabellenberechnungen auf den aktuellen Datensatz anwenden, um herauszufinden, wie Dimensionen die Messwerte oder einander beeinflussen. Visualisierte Daten sind Ihre Ergebnismenge basierend auf Ihrem aktuellen Datensatz, wobei alle Filter, Feldauswahlen und Anpassungen angewendet werden. Um genau zu sehen, wie diese Ergebnismenge aussieht können Sie Ihre visualisierten Daten in eine Datei exportieren. Eine Tabellenberechnungsfunktion führt Operationen mit den Daten durch, um Beziehungen zwischen Feldern aufzudecken. **Suchbasierte Funktionen** + [https://docs.aws.amazon.com/quicksight/latest/user/difference-function.html](https://docs.aws.amazon.com/quicksight/latest/user/difference-function.html) berechnet die Differenz zwischen einem Messwert, der auf einem Satz von Partitionen basiert und sortiert, und einem Messwert, der auf einem anderen basiert. + [https://docs.aws.amazon.com/quicksight/latest/user/lag-function.html](https://docs.aws.amazon.com/quicksight/latest/user/lag-function.html) berechnet den Lag-Wert (Verzögerung) für einen Messwert. + [https://docs.aws.amazon.com/quicksight/latest/user/lead-function.html](https://docs.aws.amazon.com/quicksight/latest/user/lead-function.html) berechnet den Lead-Wert (Vorlauf) für einen Messwert. + [https://docs.aws.amazon.com/quicksight/latest/user/percentDifference-function.html](https://docs.aws.amazon.com/quicksight/latest/user/percentDifference-function.html) berechnet die prozentuale Differenz zwischen dem aktuellen Wert und einem Vergleichswert. **Über die Funktionen** + [https://docs.aws.amazon.com/quicksight/latest/user/avgOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/avgOver-function.html) berechnet den Mittelwert eines Messwerts über eine oder mehrere Dimensionen. + [https://docs.aws.amazon.com/quicksight/latest/user/countOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/countOver-function.html) berechnet die Anzahl der Felder über eine oder mehrere Dimensionen. + [https://docs.aws.amazon.com/quicksight/latest/user/distinctCountOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/distinctCountOver-function.html) berechnet die eindeutige Anzahl der Operanden, partitioniert nach den angegebenen Attributen auf einer bestimmten Ebene. + [https://docs.aws.amazon.com/quicksight/latest/user/maxOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/maxOver-function.html) berechnet das Maximum eines Messwerts über eine oder mehrere Dimensionen. + [https://docs.aws.amazon.com/quicksight/latest/user/minOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/minOver-function.html) berechnet das Minimum eines Messwerts über eine oder mehrere Dimensionen. + [https://docs.aws.amazon.com/quicksight/latest/user/percentileOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/percentileOver-function.html) (Alias von `percentileDiscOver`) berechnet das *n*. Perzentil eines Messwerts, das durch eine Liste von Dimensionen partitioniert ist. + [https://docs.aws.amazon.com/quicksight/latest/user/percentileContOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/percentileContOver-function.html) berechnet das *n*. Perzentil auf der Grundlage einer kontinuierlichen Verteilung von Zahlen einer Messung, die durch eine Liste von Dimensionen partitioniert ist. + [https://docs.aws.amazon.com/quicksight/latest/user/percentileDiscOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/percentileDiscOver-function.html) berechnet das *n*. Perzentil auf der Grundlage von tatsächlichen Zahlen einer Messung, die durch eine Liste von Dimensionen partitioniert ist. + [https://docs.aws.amazon.com/quicksight/latest/user/percentOfTotal-function.html](https://docs.aws.amazon.com/quicksight/latest/user/percentOfTotal-function.html) berechnet den prozentualen Anteil, den ein Messwert an der Gesamtsumme hat. + [https://docs.aws.amazon.com/quicksight/latest/user/periodOverPeriodDifference-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodOverPeriodDifference-function.html) berechnet die Differenz eines Messwerts über zwei verschiedene Zeiträume, wie durch die Periodengranularität und den Offset spezifiziert. + [https://docs.aws.amazon.com/quicksight/latest/user/periodOverPeriodLastValue-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodOverPeriodLastValue-function.html) berechnet den letzten (vorherigen) Wert eines Messwerts aus einem früheren Zeitraum, wie durch die Periodengranularität und den Offset angegeben. + [https://docs.aws.amazon.com/quicksight/latest/user/periodOverPeriodPercentDifference-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodOverPeriodPercentDifference-function.html) berechnet die prozentuale Differenz eines Messwerts über zwei verschiedene Zeiträume, spezifiziert durch Periodengranularität und Offset. + [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateAvgOverTime-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateAvgOverTime-function.html) berechnet den Durchschnitt eines Messwerts für eine bestimmte Zeitgranularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt. + [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateCountOverTime-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateCountOverTime-function.html) berechnet die Anzahl einer Dimension oder eines Messwertes für eine bestimmte Zeitgranularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt. + [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateMaxOverTime-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateMaxOverTime-function.html) berechnet den Höchstwert eines Messwertes oder eines Datums für eine bestimmte Zeitgranularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt. + [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateMinOverTime-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateMinOverTime-function.html) berechnet das Minimum eines Messwertes oder eines Datums für eine bestimmte Zeitgranularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt. + [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateSumOverTime-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateSumOverTime-function.html) berechnet die Summe eines Messwertes für eine bestimmte Zeitgranularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt. + [https://docs.aws.amazon.com/quicksight/latest/user/sumOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/sumOver-function.html) berechnet die Summe eines Messwerts über eine oder mehrere Dimensionen. + [https://docs.aws.amazon.com/quicksight/latest/user/stdevOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/stdevOver-function.html) berechnet anhand einer Stichprobe die Standardabweichung der angegebenen Messung, partitioniert in das/die ausgewählte(n) Attribut(e). + [https://docs.aws.amazon.com/quicksight/latest/user/stdevpOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/stdevpOver-function.html) berechnet anhand einer Population mit Bias die Standardabweichung der angegebenen Messung, partitioniert in das/die ausgewählte(n) Attribut(e). + [https://docs.aws.amazon.com/quicksight/latest/user/varOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/varOver-function.html) berechnet anhand einer Stichprobe die Varianz der angegebenen Messung, partitioniert in das/die gewählte(n) Attribut(e). + [https://docs.aws.amazon.com/quicksight/latest/user/varpOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/varpOver-function.html) berechnet anhand einer Population mit Bias die Varianz der angegebenen Messung, partitioniert in das/die ausgewählte(n) Attribut(e). **Rangfestlegungsfunktionen** + [https://docs.aws.amazon.com/quicksight/latest/user/rank-function.html](https://docs.aws.amazon.com/quicksight/latest/user/rank-function.html) berechnet den Rang eines Messwerts oder einer Dimension. + [https://docs.aws.amazon.com/quicksight/latest/user/denseRank-function.html](https://docs.aws.amazon.com/quicksight/latest/user/denseRank-function.html) berechnet den Rang eines Messwerts oder einer Dimension, wobei Duplikate ignoriert werden. + [https://docs.aws.amazon.com/quicksight/latest/user/percentileRank-function.html](https://docs.aws.amazon.com/quicksight/latest/user/percentileRank-function.html) berechnet basierend auf dem Perzentil den Rang eines Messwerts oder einer Dimension. **Ausführung von Funktionen** + [https://docs.aws.amazon.com/quicksight/latest/user/runningAvg-function.html](https://docs.aws.amazon.com/quicksight/latest/user/runningAvg-function.html) berechnet einen laufenden Durchschnitt für einen Messwert. + [https://docs.aws.amazon.com/quicksight/latest/user/runningCount-function.html](https://docs.aws.amazon.com/quicksight/latest/user/runningCount-function.html) berechnet eine laufende Anzahl für einen Messwert. + [https://docs.aws.amazon.com/quicksight/latest/user/runningMax-function.html](https://docs.aws.amazon.com/quicksight/latest/user/runningMax-function.html) berechnet ein laufendes Maximum für einen Messwert. + [https://docs.aws.amazon.com/quicksight/latest/user/runningMin-function.html](https://docs.aws.amazon.com/quicksight/latest/user/runningMin-function.html) berechnet ein laufendes Minimum für einen Messwert. + [https://docs.aws.amazon.com/quicksight/latest/user/runningSum-function.html](https://docs.aws.amazon.com/quicksight/latest/user/runningSum-function.html) berechnet eine laufende Summe für einen Messwert. **Fensterfunktionen** + [https://docs.aws.amazon.com/quicksight/latest/user/firstValue-function.html](https://docs.aws.amazon.com/quicksight/latest/user/firstValue-function.html) berechnet den ersten Wert der aggregierten Messwerte oder Dimensionen, die nach bestimmten Attributen partitioniert und sortiert sind. + [https://docs.aws.amazon.com/quicksight/latest/user/lastValue-function.html](https://docs.aws.amazon.com/quicksight/latest/user/lastValue-function.html) berechnet den letzten Wert der aggregierten Messwerte oder Dimensionen, die nach bestimmten Attributen partitioniert und sortiert sind. + [https://docs.aws.amazon.com/quicksight/latest/user/windowAvg-function.html](https://docs.aws.amazon.com/quicksight/latest/user/windowAvg-function.html) berechnet den Durchschnitt des aggregierten Messwerts in einem benutzerdefinierten Fenster, das nach bestimmten Attributen partitioniert und sortiert ist. + [https://docs.aws.amazon.com/quicksight/latest/user/windowCount-function.html](https://docs.aws.amazon.com/quicksight/latest/user/windowCount-function.html) berechnet die Anzahl der aggregierten Messwerte in einem benutzerdefinierten Fenster, das nach bestimmten Attributen partitioniert und sortiert ist. + [https://docs.aws.amazon.com/quicksight/latest/user/windowMax-function.html](https://docs.aws.amazon.com/quicksight/latest/user/windowMax-function.html) berechnet das Maximum des aggregierten Messwerts in einem benutzerdefinierten Fenster, das nach bestimmten Attributen partitioniert und sortiert ist. + [https://docs.aws.amazon.com/quicksight/latest/user/windowMin-function.html](https://docs.aws.amazon.com/quicksight/latest/user/windowMin-function.html) berechnet das Minimum des aggregierten Messwerts in einem benutzerdefinierten Fenster, das nach bestimmten Attributen partitioniert und sortiert ist. + [https://docs.aws.amazon.com/quicksight/latest/user/windowSum-function.html](https://docs.aws.amazon.com/quicksight/latest/user/windowSum-function.html) berechnet die Summe der aggregierten Messwerte in einem benutzerdefinierten Fenster, das nach bestimmten Attributen partitioniert und sortiert ist. # Funktionen In diesem Abschnitt finden Sie eine Liste der in Amazon Quick verfügbaren Funktionen. Eine nach Kategorien sortierte Liste der Funktionen mit kurzen Definitionen finden Sie unter [Funktionen nach Kategorien](https://docs.aws.amazon.com/quicksight/latest/user/functions-by-category.html). **Topics** + [addDateTime](addDateTime-function.md) + [addWorkDays](addWorkDays-function.md) + [Abs](abs-function.md) + [Ceil](ceil-function.md) + [Coalesce](coalesce-function.md) + [Concat](concat-function.md) + [contains](contains-function.md) + [decimalToInt](decimalToInt-function.md) + [dateDiff](dateDiff-function.md) + [endsWith](endsWith-function.md) + [epochDate](epochDate-function.md) + [Exp](exp-function.md) + [Extract](extract-function.md) + [Floor](floor-function.md) + [formatDate](formatDate-function.md) + [Ifelse](ifelse-function.md) + [in](in-function.md) + [intToDecimal](intToDecimal-function.md) + [isNotNull](isNotNull-function.md) + [isNull](isNull-function.md) + [isWorkDay](isWorkDay-function.md) + [Left](left-function.md) + [Locate](locate-function.md) + [Log](log-function.md) + [Ln](ln-function.md) + [Ltrim](ltrim-function.md) + [Mod](mod-function.md) + [netWorkDays](netWorkDays-function.md) + [Now](now-function.md) + [notIn](notIn-function.md) + [nullIf](nullIf-function.md) + [parseDate](parseDate-function.md) + [parseDecimal](parseDecimal-function.md) + [parseInt](parseInt-function.md) + [parseJson](parseJson-function.md) + [Replace](replace-function.md) + [Right](right-function.md) + [Round](round-function.md) + [Rtrim](rtrim-function.md) + [Split](split-function.md) + [Sqrt](sqrt-function.md) + [startsWith](startsWith-function.md) + [Strlen](strlen-function.md) + [Substring](substring-function.md) + [switch](switch-function.md) + [toLower](toLower-function.md) + [toString](toString-function.md) + [toUpper](toUpper-function.md) + [trim](trim-function.md) + [truncDate](truncDate-function.md) # addDateTime `addDateTime` fügt eine Zeiteinheit von einem Datums-/Uhrzeit-Wert hinzu oder zieht diese ab. Beispielsweise gibt `addDateTime(2,'YYYY',parseDate('02-JUL-2018', 'dd-MMM-yyyy') )` `02-JUL-2020` zurück. Mit dieser Funktion können Sie eine Datumsberechnung für Ihre Datums- und Zeitdaten durchführen. ## Syntax ``` addDateTime(amount, period, datetime) ``` ## Argumente *Betrag* Ein positiver oder negativer Ganzzahlwert, der die Zeit angibt, die Sie vom angegebenen Datumsfeld addieren oder subtrahieren möchten. *Zeitraum* Ein positiver oder negativer Wert, der die Zeit angibt, die Sie vom angegebenen Datumsfeld addieren oder subtrahieren möchten. Folgende Zeiträume werden unterstützt: + YYYY: Gibt den Jahresteil des Datums zurück. + Q: Gibt das Quartal zurück, in das das Datum fällt (1-4). + MM: Gibt den Monatsteil des Datums zurück. + DD: Gibt den Tagesteil des Datums zurück. + WK: Gibt den Wochenteil des Datums zurück. Die Woche beginnt am Sonntag in Amazon Quick. + HH: Gibt den Stundenteil des Datums zurück. + MI: Gibt den Minutenteil des Datums zurück. + SS: Gibt den Sekundenteil des Datums zurück. + SS: Gibt den Sekundenteil des Datums zurück. *datetime* Das Datum oder die Uhrzeit, für das Sie die Datumsberechnung durchführen möchten. ## Rückgabetyp DateTime ## Beispiel Nehmen wir an, Sie haben ein Feld mit dem Namen `purchase_date`, das die folgenden Werte hat. ``` 2018 May 13 13:24 2017 Jan 31 23:06 2016 Dec 28 06:45 ``` Mit den folgenden Berechnungen modifiziert `addDateTime` die Werte wie folgt. ``` addDateTime(-2, 'YYYY', purchaseDate) 2016 May 13 13:24 2015 Jan 31 23:06 2014 Dec 28 06:45 addDateTime(4, 'DD', purchaseDate) 2018 May 17 13:24 2017 Feb 4 23:06 2017 Jan 1 06:45 addDateTime(20, 'MI', purchaseDate) 2018 May 13 13:44 2017 Jan 31 23:26 2016 Dec 28 07:05 ``` # addWorkDays `addWorkDays` addiert oder subtrahiert eine bestimmte Anzahl von Arbeitstagen zu einem bestimmten Datumswert. Die Funktion gibt ein Datum für einen Arbeitstag zurück, das auf einen bestimmten Werktag nach oder vor einem bestimmten Eingabedatumswert liegt. ## Syntax ``` addWorkDays(initDate, numWorkDays) ``` ## Argumente *initDate* Ein gültiges Datum ungleich NULL, das als Startdatum für die Berechnung dient. + **Datensatzfeld** — Jedes `date`-Feld aus dem Datensatz, dem Sie diese Funktion hinzufügen. + **Datumsfunktion** — Jede Datumsausgabe aus einer anderen `date`-Funktion, wie z. B. `parseDate`, `epochDate`, `addDateTime`. usw. **Example** ``` addWorkDays(epochDate(1659484800), numWorkDays) ``` + **Berechnete Felder** — Jedes schnell berechnete Feld, das einen `date` Wert zurückgibt. **Example** ``` calcFieldStartDate = addDateTime(10, “DD”, startDate) addWorkDays(calcFieldStartDate, numWorkDays) ``` + **Parameter** — Beliebiger `datetime` Quick-Parameter. **Example** ``` addWorkDays($paramStartDate, numWorkDays) ``` + Beliebige Kombination der oben angegebenen Argumentwerte. *numWorkDays* Eine Ganzzahl ungleich Null, die als Enddatum für die Berechnung dient. + **Literal** - Ein Integer-Literal, das direkt in den Ausdruckseditor eingegeben wurde. **Example** ``` ``` + **Datensatzfeld** - Ein beliebiges Datumsfeld aus dem Datensatz **Example** ``` ``` + **Skalarfunktion oder Berechnung** — Jede skalare Schnellfunktion, die beispielsweise eine Ganzzahlausgabe von einer anderen Funktion zurückgibt `decimalToInt``abs`, usw. **Example** ``` addWorkDays(initDate, decimalToInt(sqrt (abs(numWorkDays)) ) ) ``` + **Berechnetes Feld** — Jedes schnell berechnete Feld, das einen `date` Wert zurückgibt. **Example** ``` someOtherIntegerCalcField = (num_days * 2) + 12 addWorkDays(initDate, someOtherIntegerCalcField) ``` + **Parameter** — Beliebiger `datetime` Quick-Parameter. **Example** ``` addWorkDays(initDate, $param_numWorkDays) ``` + Beliebige Kombination der oben angegebenen Argumentwerte. ## Rückgabetyp Ganzzahl ## Ausgabewerte Zu den erwarteten Ausgabewerten gehören: + Positive Ganzzahl (wenn start\$1date < end\$1date) + Positive Ganzzahl (wenn start\$1date > end\$1date) + NULL, wenn eines oder beide Argumente einen Nullwert von `dataset field` erhalten. ## Eingabefehler Unzulässige Argumentwerte führen zu Fehlern, wie in den folgenden Beispielen dargelegt. + Die Verwendung eines literalen NULL-Werts als Argument im Ausdruck ist nicht zulässig. **Example** ``` addWorkDays(NULL, numWorkDays) ``` **Example** ``` Error At least one of the arguments in this function does not have correct type. Correct the expression and choose Create again. ``` + Die Verwendung eines Zeichenfolgenliterals als Argument oder eines anderen Datentyps als Datum im Ausdruck ist nicht zulässig. Im folgenden Beispiel sieht die Zeichenfolge **"2022-08-10"** wie ein Datum aus, ist aber tatsächlich eine Zeichenfolge. Um sie zu verwenden, müssten Sie eine Funktion verwenden, die in einen Datentyp vom Datentyp Datum konvertiert. **Example** ``` addWorkDays("2022-08-10", 10) ``` **Example** ``` Error Expression addWorkDays("2022-08-10", numWorkDays) for function addWorkDays has incorrect argument type addWorkDays(String, Number). Function syntax expects Date, Integer. ``` ## Beispiel Eine positive Ganzzahl als `numWorkDays`-Argument ergibt ein Datum vor dem Eingabedatum. Eine negative Ganzzahl als `numWorkDays`-Argument ergibt ein resultierendes Datum, das in der Vergangenheit des Eingabedatums liegt. Ein Nullwert für das `numWorkDays`-Argument ergibt denselben Wert wie das Eingabedatum, unabhängig davon, ob es auf einen Arbeitstag oder ein Wochenende fällt oder nicht. Die `addWorkDays`-Funktion arbeitet mit der Granularität: `DAY`. Die Genauigkeit kann bei keiner Granularität beibehalten werden, die niedriger oder höher als die Stufe `DAY` ist. ``` addWorkDays(startDate, endDate) ``` Nehmen wir an, es gibt ein Feld `employmentStartDate` mit den folgenden Werten: ``` 2022-08-10 2022-08-06 2022-08-07 ``` Unter Verwendung des obigen Felds und der folgenden Berechnungen wird `addWorkDays` die geänderten Werte wie unten dargestellt zurückgegeben: ``` addWorkDays(employmentStartDate, 7) 2022-08-19 2022-08-16 2022-08-16 addWorkDays(employmentStartDate, -5) 2022-08-02 2022-08-01 2022-08-03 addWorkDays(employmentStartDate, 0) 2022-08-10 2022-08-06 2022-08-07 ``` Im folgenden Beispiel wird der anteilige Gesamtbonus, der jedem Mitarbeiter zwei Jahre lang gezahlt wird, auf der Grundlage der Anzahl der Tage berechnet, die jeder Mitarbeiter tatsächlich gearbeitet hat. ``` last_day_of_work = addWorkDays(employment_start_date, 730) total_days_worked = netWorkDays(employment_start_date, last_day_of_work) total_bonus = total_days_worked * bonus_per_day ``` ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/addWorkDays-function-example.png) # Abs `abs` gibt den absoluten Wert eines bestimmten Ausdrucks zurück. ## Syntax ``` abs(expression) ``` ## Argumente *expression* Der Ausdruck muss numerisch sein. Es kann sich um einen Feldnamen, einen literalen Wert oder eine andere Funktion handeln. # Ceil `ceil` rundet einen Dezimalwert auf die nächst höhere Ganzzahl auf. Beispielsweise gibt `ceil(29.02)` `30` zurück. ## Syntax ``` ceil(decimal) ``` ## Argumente *Dezimalwert* Ein Feld, das den Datentyp "decimal", einen literalen Wert wie **17.62** oder den Aufruf einer anderen Funktion verwendet, die einen Dezimalwert ausgibt. ## Rückgabetyp Ganzzahl ## Beispiel Im folgenden Beispiel wird der Wert eines Dezimalfelds auf die nächst höhere Ganzzahl gerundet. ``` ceil(salesAmount) ``` Das Feld enthält folgende Werte. ``` 20.13 892.03 57.54 ``` Für diese Feldwerte werden die folgenden Ergebniswerte zurückgegeben. ``` 21 893 58 ``` # Coalesce `coalesce` gibt den Wert des ersten Arguments zurück, das nicht null ist. Wird ein Wert gefunden, der nicht null ist, werden die übrigen Argumente in der Liste nicht ausgewertet. Wenn alle Argumente null sind, ist das Ergebnis null. Zeichenfolgen mit einer Länge von null sind gültige Werte und gelten nicht als Werte, die null entsprechen. ## Syntax ``` coalesce(expression1, expression2 [, expression3, ...]) ``` ## Argumente `coalesce` nutzt zwei oder mehr Ausdrücke als Argumente. Alle Ausdrücke müssen vom selben Datentyp sein oder implizit in denselben Datentyp umgewandelt werden können. *Ausdruck* Der Ausdruck kann ein numerisch, vom Typ Datetime oder eine Zeichenfolge sein. Es kann sich um einen Feldnamen, einen literalen Wert oder eine andere Funktion handeln. ## Rückgabetyp `coalesce` gibt einen Wert desselben Datentyps als Eingabeargumente zurück. ## Beispiel Im folgenden Beispiel wird die Rechnungsadresse eines Kunden abgerufen (sofern vorhanden). Ist keine Rechnungsadresse vorhanden, wir die Postanschrift abgerufen. Ist auch diese nicht vorhanden, wird dem Benutzer mitgeteilt, dass keine Adresse verfügbar ist ("No address listed" (Keine Adresse angeführt)). ``` coalesce(billingAddress, streetAddress, 'No address listed') ``` # Concat `concat` verkettet zwei oder mehr Zeichenfolgen. ## Syntax ``` concat(expression1, expression2 [, expression3 ...]) ``` ## Argumente `concat` nutzt zwei oder mehr Zeichenfolgenausdrücke als Argumente. *Ausdruck* Der Ausdruck muss eine Zeichenfolge sein. Es kann der Name eines Felds sein, das den Datentyp "string" verwendet, ein literaler Wert wie **'12 Main Street'** oder der Aufruf einer Funktion, die eine Zeichenfolge ausgibt. ## Rückgabetyp Zeichenfolge ## Beispiele Im folgenden Beispiel werden drei Zeichenfolgenfelder verkettet und entsprechende Leerzeichen hinzugefügt. ``` concat(salutation, ' ', firstName, ' ', lastName) ``` Das Feld enthält folgende Werte. ``` salutation firstName lastName ------------------------------------------------------- Ms. Li Juan Dr. Ana Carolina Silva Mr. Nikhil Jayashankar ``` Für diese Feldwerte werden die folgenden Ergebniswerte zurückgegeben. ``` Ms. Li Juan Dr. Ana Carolina Silva Mr. Nikhil Jayashankar ``` Im folgenden Beispiel werden zwei Zeichenfolgenliterale verkettet. ``` concat('Hello', 'world') ``` Der folgende Wert wird zurückgegeben. ``` Helloworld ``` # contains `contains` bewertet, ob die von Ihnen angegebene Teilzeichenfolge in einem Ausdruck existiert. Wenn der Ausdruck die Teilzeichenfolge enthält, gibt contains true zurück, andernfalls wird false zurückgegeben. ## Syntax ``` contains(expression, substring, string-comparison-mode) ``` ## Argumente *expression* Der Ausdruck muss eine Zeichenfolge sein. Es kann der Name eines Felds sein, das den Datentyp "string" verwendet, ein literaler Wert wie **'12 Main Street'** oder der Aufruf einer Funktion, die eine Zeichenfolge ausgibt. *substring* Der Zeichensatz, der mit dem *Ausdruck* verglichen werden soll. Die Teilzeichenfolge kann sowohl einmal als auch mehrmals im *Ausdruck* enthalten sein. *string-comparison-mode* (Optional) Gibt den zu verwendenden Zeichenfolgenvergleichsmodus an: + `CASE_SENSITIVE` - Bei Zeichenfolgenvergleichen wird zwischen Groß- und Kleinschreibung unterschieden. + `CASE_INSENSITIVE` - Bei Zeichenfolgenvergleichen wird nicht zwischen Groß- und Kleinschreibung unterschieden. Dieser Wert wird standardmäßig auf `CASE_SENSITIVE` eingestellt, wenn er leer ist. ## Rückgabetyp Boolesch ## Beispiele ### Standardbeispiel für Groß- und Kleinschreibung Das folgende Beispiel, bei dem Groß- und Kleinschreibung beachtet wird, bewertet, ob `state_nm` **New** enthält. ``` contains(state_nm, "New") ``` Das Feld enthält folgende Werte. ``` New York new york ``` Für diese Feldwerte werden die folgenden Ergebniswerte zurückgegeben. ``` true false ``` ### Beispiel ohne Unterscheidung von Groß- und Kleinschreibung Das folgende Beispiel ohne Berücksichtigung der Groß- und Kleinschreibung bewertet, ob `state_nm` **new** enthält. ``` contains(state_nm, "new", CASE_INSENSITIVE) ``` Das Feld enthält folgende Werte. ``` New York new york ``` Für diese Feldwerte werden die folgenden Ergebniswerte zurückgegeben. ``` true true ``` ### Beispiel mit bedingten Anweisungen Die Funktion contains kann als bedingte Anweisung in den folgenden If-Funktionen verwendet werden: [AvGif](https://docs.aws.amazon.com/quicksight/latest/user/avgIf-function.html), [MiniF](https://docs.aws.amazon.com/quicksight/latest/user/minIf-function.html), [distinct\$1countIf](https://docs.aws.amazon.com/quicksight/latest/user/distinct_countIf-function.html), [countIf](https://docs.aws.amazon.com/quicksight/latest/user/countIf-function.html), [maxIf](https://docs.aws.amazon.com/quicksight/latest/user/maxIf-function.html), [medianIf](https://docs.aws.amazon.com/quicksight/latest/user/medianIf-function.html), [stdevIf](https://docs.aws.amazon.com/quicksight/latest/user/stdevIf-function.html), [stdevpIf](https://docs.aws.amazon.com/quicksight/latest/user/stdevpIf-function.html), [sumIf](https://docs.aws.amazon.com/quicksight/latest/user/sumIf-function.html), [varIf](https://docs.aws.amazon.com/quicksight/latest/user/varIf-function.html) und [varpIf](https://docs.aws.amazon.com/quicksight/latest/user/varpIf-function.html). Das folgende Beispiel summiert `Sales` nur, wenn `state_nm` **New** enthält. ``` sumIf(Sales,contains(state_nm, "New")) ``` ### Enthält KEIN Beispiel Der konditionale `NOT`-Operator kann verwendet werden, um auszuwerten, ob der Ausdruck die angegebene Teilzeichenfolge nicht enthält. ``` NOT(contains(state_nm, "New")) ``` ### Beispiel mit numerischen Werten Numerische Werte können in den Ausdrucks- oder Teilzeichenfolgenargumenten durch Anwendung der `toString`-Funktion verwendet werden. ``` contains(state_nm, toString(5) ) ``` # decimalToInt `decimalToInt` konvertiert einen Dezimalwert in den Datentyp "integer", indem das Dezimaltrennzeichen sowie alle Ziffern dahinter entfernt werden. `decimalToInt` führt keine Rundung durch. Beispielsweise gibt `decimalToInt(29.99)` `29` zurück. ## Syntax ``` decimalToInt(decimal) ``` ## Argumente *Dezimalwert* Ein Feld, das den Datentyp "decimal", einen literalen Wert wie **17.62** oder den Aufruf einer anderen Funktion verwendet, die einen Dezimalwert ausgibt. ## Rückgabetyp Ganzzahl ## Beispiel Im folgenden Beispiel wird ein Feld vom Typ "decimal" in ein Feld vom Typ "integer" konvertiert. ``` decimalToInt(salesAmount) ``` Das Feld enthält folgende Werte. ``` 20.13 892.03 57.54 ``` Für diese Feldwerte werden die folgenden Ergebniswerte zurückgegeben. ``` 20 892 57 ``` # dateDiff `dateDiff` gibt den Unterschied zwischen zwei Datumsfeldern in Tagen zurück. Wenn Sie einen Wert für den Zeitraum einschließen, gibt `dateDiff` die Differenz anstatt in Tagen im betreffenden Periodenintervall zurück. ## Syntax ``` dateDiff(date1, date2,[period]) ``` ## Argumente `dateDiff` nutzt zwei Datumsangaben als Argumente. Die Angabe eines Zeitraums ist optional. *Datum 1* Das erste Datum im Vergleich. Ein Datumsfeld oder der Aufruf einer anderen Funktion, die ein Datum ausgibt. *Datum 2* Das zweite Datum im Vergleich. Ein Datumsfeld oder der Aufruf einer anderen Funktion, die ein Datum ausgibt. *Zeitraum* Der Zeitraum, in dem die Differenz in zurückgegeben werden soll, in Anführungszeichen. Folgende Zeiträume werden unterstützt: + YYYY: Gibt den Jahresteil des Datums zurück. + Q: Gibt das Datum des ersten Tags des Quartals zurück, in das das Datum fällt. + MM: Gibt den Monatsteil des Datums zurück. + DD: Gibt den Tagesteil des Datums zurück. + WK: Gibt den Wochenteil des Datums zurück. Die Woche beginnt am Sonntag in Amazon Quick. + HH: Gibt den Stundenteil des Datums zurück. + MI: Gibt den Minutenteil des Datums zurück. + SS: Gibt den Sekundenteil des Datums zurück. + SS: Gibt den Sekundenteil des Datums zurück. ## Rückgabetyp Ganzzahl ## Beispiel Im folgenden Beispiel wird die Zeitspanne zwischen zwei Datumsangaben zurückgegeben. ``` dateDiff(orderDate, shipDate, "MM") ``` Das Feld enthält folgende Werte. ``` orderDate shipdate ============================= 01/01/18 03/05/18 09/13/17 10/20/17 ``` Für diese Feldwerte werden die folgenden Ergebniswerte zurückgegeben. ``` 2 1 ``` # endsWith `endsWith` wertet aus, ob der Ausdruck mit einer von Ihnen angegebenen Teilzeichenfolge endet. Wenn der Ausdruck mit der Teilzeichenfolge endet, gibt `endsWith` „true“ zurück, andernfalls „false“. ## Syntax ``` endsWith(expression, substring, string-comparison-mode) ``` ## Argumente *expression* Der Ausdruck muss eine Zeichenfolge sein. Es kann der Name eines Felds sein, das den Datentyp "string" verwendet, ein literaler Wert wie **'12 Main Street'** oder der Aufruf einer Funktion, die eine Zeichenfolge ausgibt. *substring* Der Zeichensatz, der mit dem *Ausdruck* verglichen werden soll. Die Teilzeichenfolge kann sowohl einmal als auch mehrmals im *Ausdruck* enthalten sein. *string-comparison-mode* (Optional) Gibt den zu verwendenden Zeichenfolgenvergleichsmodus an: + `CASE_SENSITIVE` - Bei Zeichenfolgenvergleichen wird zwischen Groß- und Kleinschreibung unterschieden. + `CASE_INSENSITIVE` - Bei Zeichenfolgenvergleichen wird nicht zwischen Groß- und Kleinschreibung unterschieden. Dieser Wert wird standardmäßig auf `CASE_SENSITIVE` eingestellt, wenn er leer ist. ## Rückgabetyp Boolesch ## Beispiele ### Standardbeispiel für Groß- und Kleinschreibung Das folgende Beispiel, bei dem Groß- und Kleinschreibung berücksichtigt wird, bewertet, ob `state_nm` mit **"York"** endet. ``` endsWith(state_nm, "York") ``` Das Feld enthält folgende Werte. ``` New York new york ``` Für diese Feldwerte werden die folgenden Ergebniswerte zurückgegeben. ``` true false ``` ### Beispiel ohne Unterscheidung von Groß- und Kleinschreibung Das folgende Beispiel ohne Berücksichtigung der Groß- und Kleinschreibung bewertet, ob `state_nm` mit **"york"** endet. ``` endsWith(state_nm, "york", CASE_INSENSITIVE) ``` Das Feld enthält folgende Werte. ``` New York new york ``` Für diese Feldwerte werden die folgenden Ergebniswerte zurückgegeben. ``` true true ``` ### Beispiel mit bedingten Anweisungen Die `endsWith`-Funktion kann als bedingte Anweisung in den folgenden If-Funktionen verwendet werden: [avgIf](https://docs.aws.amazon.com/quicksight/latest/user/avgIf-function.html), [minIf](https://docs.aws.amazon.com/quicksight/latest/user/minIf-function.html), [distinct\$1countIf](https://docs.aws.amazon.com/quicksight/latest/user/distinct_countIf-function.html), [countIf](https://docs.aws.amazon.com/quicksight/latest/user/countIf-function.html), [maxIf](https://docs.aws.amazon.com/quicksight/latest/user/maxIf-function.html), [medianIf](https://docs.aws.amazon.com/quicksight/latest/user/medianIf-function.html), [stdevIf](https://docs.aws.amazon.com/quicksight/latest/user/stdevIf-function.html), [stdevpIf](https://docs.aws.amazon.com/quicksight/latest/user/stdevpIf-function.html), [sumIf](https://docs.aws.amazon.com/quicksight/latest/user/sumIf-function.html), [varIf](https://docs.aws.amazon.com/quicksight/latest/user/varIf-function.html) und [varpIf](https://docs.aws.amazon.com/quicksight/latest/user/varpIf-function.html). Das folgende Beispiel summiert `Sales` nur, wenn `state_nm` mit **"York"** endet. ``` sumIf(Sales,endsWith(state_nm, "York")) ``` ### Enthält KEIN Beispiel Der konditionale `NOT`-Operator kann verwendet werden, um auszuwerten, ob der Ausdruck nicht mit der angegebenen Teilzeichenfolge beginnt. ``` NOT(endsWith(state_nm, "York")) ``` ### Beispiel mit numerischen Werten Numerische Werte können in den Ausdrucks- oder Teilzeichenfolgenargumenten durch Anwendung der `toString`-Funktion verwendet werden. ``` endsWith(state_nm, toString(5) ) ``` # epochDate `epochDate`[konvertiert ein Epochendatum in ein Standarddatum im Format yyyy-MM-DD **T** kk:mm:ss.sss **Z** und verwendet dabei die in Class in der Joda-Projektdokumentation angegebene Formatmustersyntax. DateTimeFormat](http://www.joda.org/joda-time/apidocs/org/joda/time/format/DateTimeFormat.html) Ein Beispiel ist `2015-10-15T19:11:51.003Z`. `epochDate`wird für Analysen unterstützt, die auf in Quick () gespeicherten Datensätzen basieren. SPICE ## Syntax ``` epochDate(epochdate) ``` ## Argumente *epochdate* Ein Epoche-Datum als ganzzahlige Darstellung eines Datums, bei der die Anzahl der Sekunden angegeben wird, die seit dem 1. Januar 1970 00:00:00 UTC verstrichen sind. *epochdate* muss eine Ganzzahl sein. Es kann der Name eines Felds sein, das den Datentyp "integer" verwendet, ein literaler Wert oder der Aufruf einer Funktion, die eine Ganzzahl ausgibt. Besteht der Ganzzahlwert aus mehr als 10 Ziffern, werden alle Ziffern nach der 10. Stelle verworfen. ## Rückgabetyp Date ## Beispiel Im folgenden Beispiel wird ein Epoche-Datum in ein Standarddatum konvertiert. ``` epochDate(3100768000) ``` Der folgende Wert wird zurückgegeben. ``` 2068-04-04T12:26:40.000Z ``` # Exp `exp` gibt die Basis des natürlichen Logarithmus von e zurück, die auf die Potenz eines bestimmten Ausdrucks erhöht wird. ## Syntax ``` exp(expression) ``` ## Argumente *expression* Der Ausdruck muss numerisch sein. Es kann sich um einen Feldnamen, einen literalen Wert oder eine andere Funktion handeln. # Extract `extract` gibt einen bestimmten Teil eines Datumwerts zurück. Wird ein zeitbezogener Teil eines Datums angefordert, das keine zeitbezogenen Informationen enthält, wird null zurückgegeben. ## Syntax ``` extract(period, date) ``` ## Argumente *Zeitraum* Der Zeitraum, den Sie aus dem Datumswert extrahieren möchten. Folgende Zeiträume werden unterstützt: + YYYY: Gibt den Jahresteil des Datums zurück. + Q: Gibt das Quartal zurück, in das das Datum fällt (1-4). + MM: Gibt den Monatsteil des Datums zurück. + DD: Gibt den Tagesteil des Datums zurück. + WD: Gibt den Wochentag als Ganzzahl zurück. Dabei erhält der Sonntag den Wert 1. + HH: Gibt den Stundenteil des Datums zurück. + MI: Gibt den Minutenteil des Datums zurück. + SS: Gibt den Sekundenteil des Datums zurück. + SS: Gibt den Sekundenteil des Datums zurück. **Anmerkung** Das Extrahieren von Millisekunden wird in Presto-Datenbanken unter Version 0.216 nicht unterstützt. *date* Ein Datumsfeld oder der Aufruf einer anderen Funktion, die ein Datum ausgibt. ## Rückgabetyp Ganzzahl ## Beispiel Im folgenden Beispiel wird der Tag aus einem Datumswert extrahiert. ``` extract('DD', orderDate) ``` Das Feld enthält folgende Werte. ``` orderDate ========= 01/01/14 09/13/16 ``` Für diese Feldwerte werden die folgenden Ergebniswerte zurückgegeben. ``` 01 13 ``` # Floor `floor` rundet einen Dezimalwert auf die nächst niedrigere Ganzzahl ab. Beispielsweise gibt `floor(29.08)` `29` zurück. ## Syntax ``` floor(decimal) ``` ## Argumente *Dezimalwert* Ein Feld, das den Datentyp "decimal", einen literalen Wert wie **17.62** oder den Aufruf einer anderen Funktion verwendet, die einen Dezimalwert ausgibt. ## Rückgabetyp Ganzzahl ## Beispiel Im folgenden Beispiel wird der Wert eines Dezimalfelds auf die nächst niedrigere Ganzzahl abgerundet. ``` floor(salesAmount) ``` Das Feld enthält folgende Werte. ``` 20.13 892.03 57.54 ``` Für diese Feldwerte werden die folgenden Ergebniswerte zurückgegeben. ``` 20 892 57 ``` # formatDate `formatDate` formatiert ein Datum in dem von Ihnen angegebenem Muster. Wenn Sie Daten vorbereiten, können Sie mit `formatDate` das Datum neu formatieren. Um ein Datum in einer Analyse neu zu formatieren, wählen Sie die Formatoption im Kontextmenü des Datumsfelds aus. ## Syntax ``` formatDate(date, ['format']) ``` ## Argumente *date* Ein Datumsfeld oder der Aufruf einer anderen Funktion, die ein Datum ausgibt. *format* (Optional) Eine Zeichenfolge, die das anzuwendende Muster enthält. Dieses Argument akzeptiert die [unter Unterstützte Datumsformate](https://docs.aws.amazon.com/quicksight/latest/user/supported-date-formats.html) angegebenen Formatmuster. Wenn Sie kein Format angeben, ist diese Zeichenfolge standardmäßig yyyy-MM-dd**T**kk: mm: ss: SSS. ## Rückgabetyp Zeichenfolge ## Beispiel Im folgenden Beispiel wird ein UTC-Datum formatiert. ``` formatDate(orderDate, 'dd-MMM-yyyy') ``` Das Feld enthält folgende Werte. ``` order date ========= 2012-12-14T00:00:00.000Z 2013-12-29T00:00:00.000Z 2012-11-15T00:00:00.000Z ``` Für diese Feldwerte werden die folgenden Ergebniswerte zurückgegeben. ``` 13 Dec 2012 28 Dec 2013 14 Nov 2012 ``` ## Beispiel Wenn das Datum beispielsweise einfache Anführungszeichen oder Apostrophe wie z. B. `yyyyMMdd'T'HHmmss` enthält, können Sie dieses Datumsformat mit einer der folgenden Methoden verarbeiten. + Schließen Sie das gesamte Datum in doppelte Anführungszeichen ein, wie im folgenden Beispiel gezeigt: ``` formatDate({myDateField}, "yyyyMMdd'T'HHmmss") ``` + Vermeiden Sie einfache Anführungszeichen oder Apostrophe, indem Sie, wie im folgenden Beispiel dargelegt, links neben ihnen einen umgekehrten Schrägstrich (`\`) hinzufügen: ``` formatDate({myDateField}, 'yyyyMMdd\'T\'HHmmss') ``` # Ifelse `ifelse` wertet einen Satz von *if*-*then*-Ausdruckspaaren aus und gibt den Wert des *then*-Arguments für das erste *if*-Argument zurück, das als "true" ausgewertet wird. Wenn keines der *if*-Argumente "true" ergibt, wird der Wert des *else*-Arguments zurückgegeben. ## Syntax ``` ifelse(if-expression-1, then-expression-1 [, if-expression-n, then-expression-n ...], else-expression) ``` ## Argumente `ifelse` erfordert mindestens ein oder mehrere *if*,*then*-Ausdruckspaar/e sowie genau einen Ausdruck für das *else*-Argument. *if-expression* Der als "true" oder "false" auszuwertende Ausdruck. Es kann sich dabei um einen Feldnamen wie **address1**, einen literalen Wert wie **'Unknown'** oder um eine Funktion wie `toString(salesAmount)` handeln. Ein Beispiel ist `isNotNull(FieldName)`. Wenn Sie mehrere AND- und OR-Operatoren im `if`-Argument verwenden, schließen Sie die Anweisungen in Klammern ein, um die Verarbeitungsreihenfolge zu bestimmen. Die folgende `if`-Argument gibt beispielsweise Datensätze mit den Monaten 1, 2 oder 5 und das Jahr 2000 zurück. ``` ifelse((month = 5 OR month < 3) AND year = 2000, 'yes', 'no') ``` Das nächste `if`-Argument verwendet dieselben Operatoren, gibt aber Datensätze mit dem Monat 5 und einem beliebigem Jahr oder den Monaten 1 oder 2 und dem Jahr 2000 zurück. ``` ifelse(month = 5 OR (month < 3 AND year = 2000), 'yes', 'no') ``` *then-expression* Der Ausdruck, der zurückgegeben werden soll, wenn dessen *if*-Argument als "true" ausgewertet wird. Es kann sich dabei um einen Feldnamen wie **address1**, einen literalen Wert wie **'Unknown'** oder um den Aufruf einer anderen Funktion handeln. Der Ausdruck muss vom gleichen Datentyp wie die anderen `then`-Argumente und das Argument `else` sein. *else-expression* Der Ausdruck, der zurückgegeben werden soll, wenn keines der *if*-Argument als "true" ausgewertet wird. Es kann sich dabei um einen Feldnamen wie **address1**, einen literalen Wert wie **'Unknown'** oder um eine Funktion wie `toString(salesAmount)` handeln. Der Ausdruck muss vom gleichen Datentyp wie alle `then`-Argumente sein. ## Rückgabetyp `ifelse` gibt einen Wert desselben Datentyps wie die Werte in *then-expression* zurück. Alle Ausdrücke, die *then* und *else* zurückgegeben haben, müssen denselben Datentyp haben oder in denselben Datentyp konvertiert werden. ## Beispiele Im folgenden Beispiel wird eine Spalte mit Aliasnamen für das Feld `country` generiert. ``` ifelse(country = "United States", "US", country = "China", "CN", country = "India", "IN", "Others") ``` In solchen Anwendungsfällen wird jeder Wert in einem Feld anhand einer Liste von Literalen ausgewertet und das Ergebnis zurückgegeben, das dem ersten übereinstimmenden Wert entspricht. Um Ihre Arbeit zu vereinfachen, wird ein Funktionswechsel empfohlen. Das vorherige Beispiel kann als folgende Anweisung mit [https://docs.aws.amazon.com/quicksight/latest/user/switch-function.html](https://docs.aws.amazon.com/quicksight/latest/user/switch-function.html) umgeschrieben werden: ``` switch(country,"United States","US","China","CN","India","IN","Others") ``` Im folgenden Beispiel wird der Umsatz pro Kunde in für Menschen lesbare Stufen unterteilt. ``` ifelse(salesPerCustomer < 1000, “VERY_LOW”, salesPerCustomer < 10000, “LOW”, salesPerCustomer < 100000, “MEDIUM”, “HIGH”) ``` Das folgende Beispiel verwendet AND, OR und NOT, um mehrere Ausdrücke mit konditionalen Operatoren zu vergleichen und Top-Kunden, die mehr als 10 Bestellungen getätigt haben und NICHT in Washington oder Oregon angesiedelt sind, eine bestimmte Werbung zukommen zu lassen. Wenn keine Werte zurückgegeben werden, wird der Wert `'n/a'` verwendet. ``` ifelse(( (NOT (State = 'WA' OR State = 'OR')) AND Orders > 10), 'Special Promotion XYZ', 'n/a') ``` In den folgenden Beispielen wird nur ODER verwendet, um eine neue Spalte zu generieren, die den Namen des jeweiligen Kontinents enthält, der `country` entspricht. ``` ifelse(country = "United States" OR country = "Canada", "North America", country = "China" OR country = "India" OR country = "Japan", "Asia", "Others") ``` Das vorherige Beispiel kann vereinfacht werden, wie im nächsten Beispiel gezeigt. Im folgenden Beispiel wird `ifelse` und[https://docs.aws.amazon.com/quicksight/latest/user/in-function.html](https://docs.aws.amazon.com/quicksight/latest/user/in-function.html) verwendet, um einen Wert in einer neuen Spalte für jede Zeile zu erstellen, in der sich der getestete Wert in einer literalen Liste befindet. Sie könnten auch `ifelse` mit [https://docs.aws.amazon.com/quicksight/latest/user/notIn-function.html](https://docs.aws.amazon.com/quicksight/latest/user/notIn-function.html) verwenden. ``` ifelse(in(country,["United States", "Canada"]), "North America", in(country,["China","Japan","India"]),"Asia","Others") ``` Autoren können eine literale Liste in einem mehrwertigen Parameter speichern und sie in den [https://docs.aws.amazon.com/quicksight/latest/user/in-function.html](https://docs.aws.amazon.com/quicksight/latest/user/in-function.html)- oder [https://docs.aws.amazon.com/quicksight/latest/user/notIn-function.html](https://docs.aws.amazon.com/quicksight/latest/user/notIn-function.html)-Funktionen verwenden. Das folgende Beispiel entspricht dem vorherigen Beispiel, mit der Ausnahme, dass die literalen Listen in zwei mehrwertigen Parametern gespeichert werden. ``` ifelse(in(country,${NorthAmericaCountryParam}), "North America", in(country,${AsiaCountryParam}),"Asia", "Others") ``` Im folgenden Beispiel wird eine Gruppe basierend auf dem Gesamtumsatz zu einem Verkaufsdatensatz zugewiesen. Die Struktur der einzelnen `if-then`-Phrasen ahmt das Verhalten von *between* nach, einem Schlüsselwort, das derzeit in berechneten Feldausdrücken nicht funktioniert. Das Ergebnis des Vergleichs `salesTotal >= 0 AND salesTotal < 500` gibt beispielsweise dieselben Werte zurück wie der SQL-Vergleich `salesTotal between 0 and 499`. ``` ifelse(salesTotal >= 0 AND salesTotal < 500, 'Group 1', salesTotal >= 500 AND salesTotal < 1000, 'Group 2', 'Group 3') ``` Im folgenden Beispiel wird geprüft, ob ein NULL-Wert vorliegt, wobei `coalesce` verwendet wird, um den ersten Wert zurückzugeben, der nicht NULL ist. Anstatt sich die Bedeutung einer NULL in einem Datumsfeld merken zu müssen, können Sie stattdessen eine lesbare Beschreibung verwenden. Wenn das Verbindungsdatum NULL ist, gibt das Beispiel das Sperrdatum zurück, es sei denn, beide Werte sind NULL. Dann gibt `coalesce(DiscoDate, SuspendDate, '12/31/2491')` `'12/31/2491'` zurück. Der Rückgabewert muss mit den anderen Datentypen übereinstimmen. Dieses Datum mag wie ein ungewöhnlicher Wert erscheinen, aber ein Datum im 25. Jahrhundert simuliert vernünftigerweise das „Ende der Zeit“, definiert als das höchste Datum in einem Data Mart. ``` ifelse ( (coalesce(DiscoDate, SuspendDate, '12/31/2491') = '12/31/2491'), 'Active subscriber', 'Inactive subscriber') ``` Das Folgende zeigt ein komplexeres Beispiel in einem besser lesbaren Format, nur um zu zeigen, dass Sie Ihren gesamten Code nicht in eine lange Zeile komprimieren müssen. Dieses Beispiel ermöglicht mehrere Vergleiche des Werts eines Umfrageergebnisses. Es verarbeitet potenzielle NULL-Werte für dieses Feld und kategorisiert zwei zulässige Bereiche. Es kennzeichnet auch einen Bereich, der mehr Tests erfordert, und einen anderen, der ungültig ist (außerhalb des zulässigen Bereichs). Für alle verbleibenden Werte wird die `else`-Bedingung angewendet, und die Zeile wird so gekennzeichnet, dass drei Jahre nach dem Datum in dieser Zeile ein erneuter Test erforderlich ist. ``` ifelse ( isNull({SurveyResult}), 'Untested', {SurveyResult}=1, 'Range 1', {SurveyResult}=2, 'Range 2', {SurveyResult}=3, 'Need more testing', {SurveyResult}=99, 'Out of Range', concat ( 'Retest by ', toString ( addDateTime(3, "YYYY", {Date}) ) ) ) ``` Im folgenden Beispiel wird einer Gruppe von Bundesstaaten ein „manuell“ erstellter Regionsname zugewiesen. Außerdem werden Leerzeichen und Kommentare in `/* */` gepackt verwendet, um die Verwaltung des Codes zu vereinfachen. ``` ifelse ( /* NE REGION*/ locate('New York, New Jersey, Connecticut, Vermont, Maine, Rhode Island, New Hampshire',{State}) > 0, 'Northeast', /* SE REGION*/ locate('Georgia, Alabama, South Carolina, Louisiana',{State}) > 0, 'Southeast', 'Other Region' ) ``` Die Logik für die Kennzeichnung von Regionen gliedert sich wie folgt: 1. Wir listen die Staaten auf, die wir für jede Region benötigen, und setzen jede Liste in Anführungszeichen, sodass jede Liste zu einer Zeichenfolge wie der Folgenden wird: + `'New York, New Jersey, Connecticut, Vermont, Maine, Rhode Island, New Hampshire'` + `'Georgia, Alabama, South Carolina, Louisiana'` + Sie können weitere Sets hinzufügen oder Länder, Städte, Provinzen oder What3Words verwenden, wenn Sie möchten. 1. Wir fragen, ob der Wert für `State` (für jede Zeile) in der Liste gefunden wurde, indem wir die `locate`-Funktion verwenden, um einen Wert ungleich Null zurückzugeben, wenn das Bundesland in der Liste wie im Folgenden gefunden wird. ``` locate('New York, New Jersey, Connecticut, Vermont, Maine, Rhode Island, New Hampshire',{State}) and locate('Georgia, Alabama, South Carolina, Louisiana',{State}) ``` 1. Die `locate`-Funktion gibt eine Zahl statt eines `TRUE` oder `FALSE` zurück, aber `ifelse` benötigt aber den booleschen Wert `TRUE`/`FALSE`. Um dies zu umgehen, können wir das Ergebnis von `locate` mit einer Zahl vergleichen. Wenn der Status in der Liste enthalten ist, ist der Rückgabewert größer als Null. 1. Fragen Sie, ob der Staat vorhanden ist. ``` locate('New York, New Jersey, Connecticut, Vermont, Maine, Rhode Island, New Hampshire',{State}) > 0 ``` 1. Wenn es die Region gibt, kennzeichnen Sie sie als die spezifische Region, in diesem Fall als Nordostregion. ``` /*The if expression:*/ locate('New York, New Jersey, Connecticut, Vermont, Maine, Rhode Island, New Hampshire',{State}) > 0, /*The then expression:*/ 'Northeast', ``` 1. Da wir Bundesstaaten haben, die nicht in einer Liste enthalten sind, und weil `ifelse` einen einzigen `else`-Ausdruck erfordert, stellen wir `'Other Region'` als Bezeichnung für die übrigen Bundesstaaten zur Verfügung. ``` /*The if expression:*/ locate('New York, New Jersey, Connecticut, Vermont, Maine, Rhode Island, New Hampshire',{State}) > 0, /*The then expression:*/ 'Northeast', /*The else expression:*/ 'Other Region' ``` 1. Wir packen das alles in die `ifelse( )`-Funktion, um die endgültige Version zu erhalten. Im folgenden Beispiel werden die Bundesstaaten der Region Südosten, die im Original enthalten waren, weggelassen. Sie können sie anstelle des *``*-Tags wieder hinzufügen. Wenn Sie weitere Regionen hinzufügen möchten, können Sie weitere Kopien dieser beiden Zeilen erstellen und die Liste der Bundesstaaten an Ihren Zweck anpassen. Sie können den Namen der Region so ändern, dass er zu Ihnen passt, und den Feldnamen von `State` beliebig nach Bedarf ändern. ``` ifelse ( /*The if expression:*/ locate('New York, New Jersey, Connecticut, Vermont, Maine, Rhode Island, New Hampshire',{State}) > 0, /*The then expression:*/ 'Northeast', /**/ /*The else expression:*/ 'Other Region' ) ``` **Anmerkung** Es gibt andere Möglichkeiten, den ersten Vergleich für den if-Ausdruck durchzuführen. Nehmen wir zum Beispiel an, Sie stellen die Frage „Welche Staaten fehlen in dieser Liste nicht?“ statt „Welche Staaten stehen auf der Liste?“ Wenn Sie dies tun, könnten Sie es anders formulieren. Sie könnten die Locate-Anweisung mit Null vergleichen, um Werte zu finden, die in der Liste fehlen, und sie dann mit dem NOT-Operator folgendermaßen als „nicht fehlend“ klassifizieren. ``` /*The if expression:*/ NOT (locate('New York, New Jersey, Connecticut, Vermont, Maine, Rhode Island, New Hampshire',{State}) = 0), ``` Beide Versionen sind korrekt. Die Version, die Sie wählen, sollte für Sie und Ihr Team am sinnvollsten sein, sodass Sie sie problemlos verwalten können. Wenn alle Optionen gleich erscheinen, wählen Sie die einfachste. # in `in` bewertet, ob ein Ausdruck in einer literalen Liste existiert. Wenn die Liste den Ausdruck enthält, wird wahr zurückgegeben, andernfalls falsch. `in` unterscheidet bei Eingaben vom Typ Zeichenfolge zwischen Groß- und Kleinschreibung. `in` akzeptiert zwei Arten von literalen Listen: eine ist eine manuell eingegebene Liste und die andere ist ein [mehrwertiger Parameter.](https://docs.aws.amazon.com/quicksight/latest/user/parameters-in-quicksight.html) ## Syntax Verwenden einer manuell eingegebenen Liste: ``` in(expression, [literal-1, ...]) ``` Verwendung eines mehrwertigen Parameters: ``` in(expression, $multivalue_parameter) ``` ## Argumente *expression* Der Ausdruck, der mit den Elementen in der literalen Liste verglichen werden soll. Dabei kann es sich um einen Feldnamen wie `address`, einen literalen Wert wie „**Unknown**„, einen Einzelwertparameter oder einen Aufruf einer anderen Skalarfunktion handeln — vorausgesetzt, es handelt sich bei dieser Funktion nicht um eine Aggregatfunktion oder eine Tabellenberechnung. *Literale Liste* (erforderlich) Dies kann eine manuell eingegebene Liste oder ein mehrwertiger Parameter sein. Dieses Argument akzeptiert bis zu 5.000 Elemente. Bei einer direkten Abfrage an eine Datenquelle eines Drittanbieters, beispielsweise Oracle oder Teradata, kann die Einschränkung jedoch geringer sein. + ***manuell eingegebene Liste*** — Ein oder mehrere literale Werte in einer Liste, die mit dem Ausdruck verglichen werden sollen. Die Liste sollte in eckige Klammern gesetzt werden. Alle zu vergleichenden Literale müssen denselben Datentyp wie der Ausdruck haben. + ***Mehrwertiger Parameter*** — Ein vordefinierter mehrwertiger Parameter, der als literale Liste übergeben wird. Der mehrwertige Parameter muss denselben Datentyp wie der Ausdruck haben. ## Rückgabetyp Boolesch „TRUE“/„FALSE“ ## Beispiel mit einer statischen Liste Im folgenden Beispiel wird das Feld `origin_state_name` nach Werten in einer Zeichenfolgenliste ausgewertet. Beim Vergleich von Zeichenfolgeneingaben unterstützt `in` nur den Vergleich zwischen Groß- und Kleinschreibung. ``` in(origin_state_name,["Georgia", "Ohio", "Texas"]) ``` Das Feld enthält folgende Werte. ``` "Washington" "ohio" "Texas" ``` Für diese Feldwerte werden die folgenden Ergebniswerte zurückgegeben. ``` false false true ``` Der dritte Rückgabewert ist true, da nur „Texas“ einer der eingeschlossenen Werte ist. Im folgenden Beispiel wird das Feld `fl_date` nach Werten in einer Zeichenfolgenliste ausgewertet. Um dem Typ zu entsprechen, wird `toString` verwendet, um den Datumstyp in den Zeichenfolgentyp umzuwandeln. ``` in(toString(fl_date),["2015-05-14","2015-05-15","2015-05-16"]) ``` ![\[Ein Image der Ergebnisse des Funktionsbeispiels in Tabellenform.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/in-function-example-manual-list.png) Literale und NULL-Werte werden im Ausdrucksargument unterstützt, um mit den Literalen in der Liste verglichen zu werden. In den beiden folgenden Beispielen wird eine neue Spalte mit TRUE-Werten generiert. ``` in("Washington",["Washington","Ohio"]) ``` ``` in(NULL,[NULL,"Ohio"]) ``` ## Beispiel mit mehrwertigem Parameter Nehmen wir an, ein Autor erstellt einen [mehrwertigen Parameter](https://docs.aws.amazon.com/quicksight/latest/user/parameters-in-quicksight.html), der eine Liste aller Staatsnamen enthält. Dann fügt der Autor ein Steuerelement hinzu, mit dem der Leser Werte aus der Liste auswählen kann. Als Nächstes wählt der Leser drei Werte - „Georgia“, „Ohio“ und „Texas“ - aus dem Dropdownlisten-Steuerelement des Parameters aus. In diesem Fall entspricht der folgende Ausdruck dem ersten Beispiel, in dem diese drei Bundesstaatennamen als literale Liste übergeben werden, die mit dem Feld `original_state_name` verglichen werden soll. ``` in (origin_state_name, ${stateName MultivalueParameter}) ``` ## Beispiel mit `ifelse` `in` kann als boolescher Wert in andere Funktionen verschachtelt werden. Ein Beispiel ist, dass Autoren jeden Ausdruck in einer Liste auswerten und den gewünschten Wert mithilfe von `in` und `ifelse` zurückgeben können. Im folgenden Beispiel wird ausgewertet, ob sich das `dest_state_name` eines Flug in einer bestimmten Liste von US-Bundesstaaten befindet, und es werden auf der Grundlage des Vergleichs verschiedene Kategorien der Bundesstaaten zurückgegeben. ``` ifelse(in(dest_state_name,["Washington", "Oregon","California"]), "WestCoastUSState", "Other US State") ``` ![\[Ein Image der Ergebnisse des Funktionsbeispiels in Tabellenform.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/in-function-with-ifelse.png) # intToDecimal `intToDecimal` konvertiert einen Ganzzahlwert in den Datentyp "decimal". ## Syntax ``` intToDecimal(integer) ``` ## Argumente *int* Ein Feld, das den Datentyp"integer", einen literalen Wert wie **14** oder den Aufruf einer anderen Funktion verwendet, die eine Ganzzahl ausgibt. ## Rückgabetyp Dezimalzahl (fest) in der älteren Datenaufbereitung. Dezimal (Float) in der neuen Datenaufbereitungserfahrung. ## Beispiel Im folgenden Beispiel wird ein Feld vom Typ "integer" in ein Feld vom Typ "decimal" konvertiert. ``` intToDecimal(price) ``` Das Feld enthält folgende Werte. ``` 20 892 57 ``` Für diese Feldwerte werden die folgenden Ergebniswerte zurückgegeben. ``` 20.0 892.0 58.0 ``` Sie können innerhalb einer Analyse Formatierung anwenden, um z. B. `price` als Währung zu formatieren. # isNotNull `isNotNull` wertet einen Ausdruck aus, um zu prüfen, ob dieser nicht null ist. Wenn der Ausdruck nicht null ist, gibt `isNotNull` "true" zurück, andernfalls "false". ## Syntax ``` isNotNull(expression) ``` ## Argumente *expression* Der als "null" oder "nicht null" auszuwertende Ausdruck. Es kann sich dabei um einen Feldnamen wie **address1** handeln oder um den Aufruf einer anderen Funktion, die eine Zeichenfolge ausgibt. ## Rückgabetyp Boolesch ## Beispiel Im folgenden Beispiel wird das Feld "sales\$1amount" auf Null-Werte überprüft. ``` isNotNull(salesAmount) ``` Das Feld enthält folgende Werte. ``` 20.13 (null) 57.54 ``` Für diese Feldwerte werden die folgenden Ergebniswerte zurückgegeben. ``` true false true ``` # isNull `isNull` wertet einen Ausdruck aus, um zu prüfen, ob dieser null ist. Wenn der Ausdruck null ist, gibt `isNull` "true" zurück, andernfalls "false". ## Syntax ``` isNull(expression) ``` ## Argumente *expression* Der als "null" oder "nicht null" auszuwertende Ausdruck. Es kann sich dabei um einen Feldnamen wie **address1** handeln oder um den Aufruf einer anderen Funktion, die eine Zeichenfolge ausgibt. ## Rückgabetyp Boolesch ## Beispiel Im folgenden Beispiel wird das Feld "sales\$1amount" auf Null-Werte überprüft. ``` isNull(salesAmount) ``` Das Feld enthält folgende Werte. ``` 20.13 (null) 57.54 ``` Für diese Feldwerte werden die folgenden Ergebniswerte zurückgegeben. ``` false true false ``` Das folgende Beispiel testet, ob eine `ifelse`-Anweisung einen NULL-Wert enthält, und gibt stattdessen einen menschenlesbaren Wert zurück. ``` ifelse( isNull({ActiveFlag}) , 'Inactive', 'Active') ``` # isWorkDay `isWorkDay` wertet einen bestimmten Wert für Datum und Uhrzeit aus, um festzustellen, ob es sich bei dem Wert um einen Arbeitstag handelt oder nicht. `isWorkDay` nimmt eine 5-tägige Standardarbeitswoche an, die am Montag beginnt und am Freitag endet. Es wird davon ausgegangen, dass Samstag und Sonntag Wochenenden sind. Die Funktion berechnet ihr Ergebnis immer mit der `DAY`-Granularität und schließt das angegebene Eingabedatum aus. ## Syntax ``` isWorkDay(inputDate) ``` ## Argumente *inputDate* (Eingabedatum) Der Wert für Datum und Uhrzeit, den Sie auswerten möchten. Gültige Werte sind: + Datensatzfelder: Jedes `date`-Feld aus dem Datensatz, dem Sie diese Funktion hinzufügen. + Datumsfunktionen: Jede Datumsausgabe einer anderen `date`-Funktion, zum Beispiel `parseDate`. + Berechnete Felder: Jedes schnell berechnete Feld, das einen `date` Wert zurückgibt. + Parameter: Beliebiger `DateTime` Quick-Parameter. ## Rückgabetyp Ganzzahl (`0` oder `1`) ## Beispiel Das folgende Beispiel bestimmt, ob es sich bei dem `application_date`-Feld um einen Arbeitstag handelt oder nicht. Nehmen wir an, es gibt ein Feld namens `application_date` mit den folgenden Werten: ``` 2022-08-10 2022-08-06 2022-08-07 ``` Wenn Sie diese Felder verwenden und die folgenden Berechnungen hinzufügen, gibt `isWorkDay` die folgenden Werte zurück: ``` isWorkDay({application_date}) 1 0 0 ``` Im folgenden Beispiel werden Mitarbeiter gefiltert, deren Beschäftigung an einem Werktag endet, und anhand der bedingten Formatierung bestimmt, ob ihre Beschäftigung an einem Werktag oder an einem Wochenende begonnen hat: ``` is_start_date_work_day = isWorkDay(employment_start_date) is_end_date_work_day = isWorkDay(employment_end_date) ``` ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/isWorkDay-example.png) # Left `left` gibt die linken Zeichen einer Zeichenfolge zurück, einschließlich Leerzeichen. Sie geben die Anzahl der zurückzugebenden Zeichen an. ## Syntax ``` left(expression, limit) ``` ## Argumente *expression* Der Ausdruck muss eine Zeichenfolge sein. Es kann der Name eines Felds sein, das den Datentyp "string" verwendet, ein literaler Wert wie **'12 Main Street'** oder der Aufruf einer Funktion, die eine Zeichenfolge ausgibt. *limit* Die Anzahl der Zeichen, die vom *Ausdruck* zurückgegeben werden, beginnend mit dem ersten Zeichen der Zeichenfolge. ## Rückgabetyp Zeichenfolge ## Beispiel Im folgenden Beispiel werden die ersten 3 Zeichen einer Zeichenfolge zurückgegeben. ``` left('Seattle Store #14', 3) ``` Der folgende Wert wird zurückgegeben. ``` Sea ``` # Locate `locate` sucht eine Teilzeichenfolge, die Sie innerhalb einer anderen Zeichenfolge angeben und gibt die Anzahl der Zeichen zurück, bis das erste Zeichen der Teilzeichenfolge erreicht ist. Die Funktion gibt 0 zurück, wenn die Teilzeichenfolge nicht gefunden wird. Die Funktion basiert auf 1. ## Syntax ``` locate(expression, substring, start) ``` ## Argumente *expression* Der Ausdruck muss eine Zeichenfolge sein. Es kann der Name eines Felds sein, das den Datentyp "string" verwendet, ein literaler Wert wie **'12 Main Street'** oder der Aufruf einer Funktion, die eine Zeichenfolge ausgibt. *substring* Die Zeichen im *Ausdruck*, nach denen Sie suchen möchten. Die Teilzeichenfolge kann sowohl einmal als auch mehrmals im *Ausdruck* enthalten sein. *start* (Optional) Wenn die *Teilzeichenfolge* mehrmals vorhanden ist, nutzen Sie *start*, um festzulegen, an welcher Stelle die Funktion in der Zeichenfolge mit der Suche nach der Teilzeichenfolge beginnen soll. Angenommen, Sie suchen nach dem zweiten Vorkommen der Teilzeichenfolge und gehen davon aus, dass diese in der Regel nach den ersten 10 Zeichen vorkommt. Sie geben ein *start*-Wert von 10 ein. Sie sollte bei 1 beginnen. ## Rückgabetyp Ganzzahl ## Beispiele Im folgenden Beispiel werden Informationen zum ersten Vorkommen der Teilzeichenfolge "and" in einer Zeichenfolge zurückgegeben. ``` locate('1 and 2 and 3 and 4', 'and') ``` Der folgende Wert wird zurückgegeben. ``` 3 ``` Im folgenden Beispiel werden Informationen darüber zurückgeben, wann die Teilzeichenfolge "and" das erste Mal nach dem vierten Zeichen vorkommt. ``` locate('1 and 2 and 3 and 4', 'and', 4) ``` Der folgende Wert wird zurückgegeben. ``` 9 ``` # Log `log` gibt den Logarithmus mit der Basis 10 eines bestimmten Ausdrucks zurück. ## Syntax ``` log(expression) ``` ## Argumente *expression* Der Ausdruck muss numerisch sein. Es kann sich um einen Feldnamen, einen literalen Wert oder eine andere Funktion handeln. # Ln `ln` gibt den natürlichen Logarithmus eines bestimmten Ausdrucks zurück. ## Syntax ``` ln(expression) ``` ## Argumente *expression* Der Ausdruck muss numerisch sein. Es kann sich um einen Feldnamen, einen literalen Wert oder eine andere Funktion handeln. # Ltrim `ltrim` entfernt vorangestellte Leerzeichen aus einer Zeichenfolge. ## Syntax ``` ltrim(expression) ``` ## Argumente *expression* Der Ausdruck muss eine Zeichenfolge sein. Es kann der Name eines Felds sein, das den Datentyp "string" verwendet, ein literaler Wert wie **'12 Main Street'** oder der Aufruf einer Funktion, die eine Zeichenfolge ausgibt. ## Rückgabetyp Zeichenfolge ## Beispiel Im folgenden Beispiel werden vorangestellte Leerzeichen aus einer Zeichenfolge entfernt. ``` ltrim(' Seattle Store #14') ``` Der folgende Wert wird zurückgegeben. ``` Seattle Store #14 ``` # Mod Verwenden Sie die Funktion `mod`, um den Rest zu finden, nachdem die Zahl durch den Divisor geteilt wurde. Sie können die Funktion `mod` oder den Modulo-Operator (%) synonym verwenden. ## Syntax ``` mod(number, divisor) ``` ``` number%divisor ``` ## Argumente *number (Zahl* Die Zahl ist die positive Ganzzahl, die Sie teilen und für die Sie den Rest suchen möchten. *Divisor* Der Divisor ist die positive Ganzzahl, durch die Sie dividieren. Wenn der Divisor Null ist, gibt diese Funktion einen Fehler beim Dividieren durch 0 zurück. ## Beispiel Die folgenden Beispiele geben als Modulo 17 zurück, wenn durch 6 geteilt wird. Im ersten Beispiel wird der Operator % verwendet, und im zweiten Beispiel wird die Funktion mod verwendet. ``` 17%6 ``` ``` mod( 17, 6 ) ``` Der folgende Wert wird zurückgegeben. ``` 5 ``` # netWorkDays `netWorkDays`gibt die Anzahl der Arbeitstage zwischen den beiden angegebenen Datumsfeldern oder sogar benutzerdefinierte Datumswerte zurück, die mit anderen Quick Date-Funktionen wie `parseDate` oder `epochDate` als Ganzzahl generiert wurden. `netWorkDays` nimmt eine 5-tägige Standardarbeitswoche an, die am Montag beginnt und am Freitag endet. Es wird davon ausgegangen, dass Samstag und Sonntag Wochenenden sind. Die Berechnung beinhaltet sowohl als `startDate` auch `endDate`. Die Funktion arbeitet weiter und zeigt Ergebnisse für die DAY-Granularität an. ## Syntax ``` netWorkDays(startDate, endDate) ``` ## Argumente *startDate* Ein gültiges Datum ungleich NULL, das als Startdatum für die Berechnung dient. + Datensatzfelder: Jedes `date`-Feld aus dem Datensatz, dem Sie diese Funktion hinzufügen. + Datumsfunktionen: Jede Datumsausgabe einer anderen `date`-Funktion, zum Beispiel `parseDate`. + Berechnete Felder: Jedes schnell berechnete Feld, das einen `date` Wert zurückgibt. + Parameter: Beliebiger `DateTime` Quick-Parameter. + Beliebige Kombination der oben angegebenen Argumentwerte. *endDate* Ein gültiges Datum ungleich NULL, das als Enddatum für die Berechnung dient. + Datensatzfelder: Jedes `date`-Feld aus dem Datensatz, dem Sie diese Funktion hinzufügen. + Datumsfunktionen: Jede Datumsausgabe einer anderen `date`-Funktion, zum Beispiel `parseDate`. + Berechnete Felder: Jedes schnell berechnete Feld, das einen `date` Wert zurückgibt. + Parameter: Beliebiger `DateTime` Quick-Parameter. + Beliebige Kombination der oben angegebenen Argumentwerte. ## Rückgabetyp Ganzzahl ## Ausgabewerte Zu den erwarteten Ausgabewerten gehören: + Positive Ganzzahl (wenn start\$1date < end\$1date) + Positive Ganzzahl (wenn start\$1date > end\$1date) + NULL, wenn eines oder beide Argumente einen Nullwert von `dataset field` erhalten. ## Beispiel Im folgenden Beispiel wird die Anzahl der Arbeitstage zurückgegeben, die zwischen zwei Daten liegen. Nehmen wir an, es gibt ein Feld namens `application_date` mit den folgenden Werten: ``` netWorkDays({startDate}, {endDate}) ``` Das Feld enthält folgende Werte. ``` startDate endDate netWorkDays 9/4/2022 9/11/2022 5 9/9/2022 9/2/2022 -6 9/10/2022 9/11/2022 0 9/12/2022 9/12/2022 1 ``` Im folgenden Beispiel werden die Anzahl der Arbeitstage jedes Mitarbeiters und das pro Tag für jeden Mitarbeiter ausgegebene Gehalt berechnet: ``` days_worked = netWorkDays({employment_start_date}, {employment_end_date}) salary_per_day = {salary}/{days_worked} ``` Im folgenden Beispiel werden Mitarbeiter gefiltert, deren Beschäftigung an einem Werktag endet, und anhand der bedingten Formatierung bestimmt, ob ihre Beschäftigung an einem Werktag oder an einem Wochenende begonnen hat: ``` is_start_date_work_day = netWorkDays(employment_start_date) is_end_date_work_day = netWorkDays(employment_end_date) ``` ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/netWorkDays-function-example.png) # Now Bei Datenbank-Datasets, die direkt die Datenbank abfragen, gibt `now` das aktuelle Datum und die aktuelle Uhrzeit zurück. Dabei werden die Einstellungen und das Format verwendet, die für den Datenbankserver konfiguriert sind. Bei SPICE- und Salesforce-Datasets gibt `now` das UTC-Datum und die UTC-Zeit im Format `yyyy-MM-ddTkk:mm:ss:SSSZ` zurück (beispielsweise 2015-10-15T19:11:51:003Z). ## Syntax ``` now() ``` ## Rückgabetyp Date # notIn `notIn` bewertet, ob ein Ausdruck in einer literalen Liste existiert. Wenn die Liste den Ausdruck nicht enthält, gibt `notIn` true zurück, andernfalls false. `notIn` unterscheidet bei Eingaben vom Typ Zeichenfolge zwischen Groß- und Kleinschreibung. `notIn` akzeptiert zwei Arten von literalen Listen: eine ist eine manuell eingegebene Liste und die andere ist ein [mehrwertiger Parameter.](https://docs.aws.amazon.com/quicksight/latest/user/parameters-in-quicksight.html) ## Syntax Verwenden einer manuell eingegebenen Liste: ``` notIn(expression, [literal-1, ...]) ``` Verwendung eines mehrwertigen Parameters: ``` notIn(expression, $multivalue_parameter) ``` ## Argumente *expression* Der Ausdruck, der mit den Elementen in der literalen Liste verglichen werden soll. Dabei kann es sich um einen Feldnamen wie `address`, einen literalen Wert wie „**Unknown**„, einen Einzelwertparameter oder einen Aufruf einer anderen Skalarfunktion handeln — vorausgesetzt, es handelt sich bei dieser Funktion nicht um eine Aggregatfunktion oder eine Tabellenberechnung. *Literale Liste* (erforderlich) Dies kann eine manuell eingegebene Liste oder ein mehrwertiger Parameter sein. Dieses Argument akzeptiert bis zu 5.000 Elemente. Bei einer direkten Abfrage an eine Datenquelle eines Drittanbieters, beispielsweise Oracle oder Teradata, kann die Einschränkung jedoch geringer sein. + ***manuell eingegebene Liste*** — Ein oder mehrere literale Werte in einer Liste, die mit dem Ausdruck verglichen werden sollen. Die Liste sollte in eckige Klammern gesetzt werden. Alle zu vergleichenden Literale müssen denselben Datentyp wie der Ausdruck haben. + ***Mehrwertiger Parameter*** — Ein vordefinierter mehrwertiger Parameter, der als literale Liste übergeben wird. Der mehrwertige Parameter muss denselben Datentyp wie der Ausdruck haben. ## Rückgabetyp Boolesch „TRUE“/„FALSE“ ## Beispiel mit einer manuell eingegebenen Liste Im folgenden Beispiel wird das Feld `origin_state_name` nach Werten in einer Zeichenfolgenliste ausgewertet. Beim Vergleich von Zeichenfolgeneingaben unterstützt `notIn` nur den Vergleich zwischen Groß- und Kleinschreibung. ``` notIn(origin_state_name,["Georgia", "Ohio", "Texas"]) ``` Das Feld enthält folgende Werte. ``` "Washington" "ohio" "Texas" ``` Für diese Feldwerte werden die folgenden Ergebniswerte zurückgegeben. ``` true true false ``` Der dritte Rückgabewert ist false, weil nur „Texas“ einer der ausgeschlossenen Werte ist. Im folgenden Beispiel wird das Feld `fl_date` nach Werten in einer Zeichenfolgenliste ausgewertet. Um dem Typ zu entsprechen, wird `toString` verwendet, um den Datumstyp in den Zeichenfolgentyp umzuwandeln. ``` notIn(toString(fl_date),["2015-05-14","2015-05-15","2015-05-16"]) ``` ![\[Ein Image der Ergebnisse des Funktionsbeispiels in Tabellenform.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/notin-function-example-manual-list.png) Literale und NULL-Werte werden im Ausdrucksargument unterstützt, um mit den Literalen in der Liste verglichen zu werden. In den beiden folgenden Beispielen wird eine neue Spalte mit FALSE-Werten generiert. ``` notIn("Washington",["Washington","Ohio"]) ``` ``` notIn(NULL,[NULL,"Ohio"]) ``` ## Beispiel mit mehrwertigem Parameter Nehmen wir an, ein Autor erstellt einen [mehrwertigen Parameter](https://docs.aws.amazon.com/quicksight/latest/user/parameters-in-quicksight.html), der eine Liste aller Staatsnamen enthält. Dann fügt der Autor ein Steuerelement hinzu, mit dem der Leser Werte aus der Liste auswählen kann. Als Nächstes wählt der Leser drei Werte - „Georgia“, „Ohio“ und „Texas“ - aus dem Dropdownlisten-Steuerelement des Parameters aus. In diesem Fall entspricht der folgende Ausdruck dem ersten Beispiel, in dem diese drei Bundesstaatennamen als literale Liste übergeben werden, die mit dem Feld `original_state_name` verglichen werden soll. ``` notIn (origin_state_name, ${stateName MultivalueParameter}) ``` ## Beispiel mit `ifelse` `notIn` kann als boolescher Wert in andere Funktionen verschachtelt werden. Ein Beispiel ist, dass Autoren jeden Ausdruck in einer Liste auswerten und den gewünschten Wert mithilfe von `notIn` und `ifelse` zurückgeben können. Im folgenden Beispiel wird ausgewertet, ob sich das `dest_state_name` eines Flug in einer bestimmten Liste von US-Bundesstaaten befindet, und es werden auf der Grundlage des Vergleichs verschiedene Kategorien der Bundesstaaten zurückgegeben. ``` ifelse(notIn(dest_state_name,["Washington", "Oregon","California"]), "notWestCoastUSState", "WestCoastUSState") ``` ![\[Ein Image der Ergebnisse des Funktionsbeispiels in Tabellenform.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/notin-function-with-ifelse.png) # nullIf `nullIf` vergleicht zwei Ausdrücke. Sind diese gleich, gibt die Funktion null zurück. Sind sie nicht gleich, gibt die Funktion den ersten Ausdruck zurück. ## Syntax ``` nullIf(expression1, expression2) ``` ## Argumente `nullIf` nutzt zwei Ausdrücke als Argumente. *Ausdruck* Der Ausdruck kann ein numerisch, vom Typ Datetime oder eine Zeichenfolge sein. Es kann sich um einen Feldnamen, einen literalen Wert oder eine andere Funktion handeln. ## Rückgabetyp Zeichenfolge ## Beispiel Im folgenden Beispiel wird null zurückgegeben, wenn der Grund für eine Lieferverzögerung unbekannt ist (delay reason = unknown). ``` nullIf(delayReason, 'unknown') ``` Das Feld enthält folgende Werte. ``` delayReason ============ unknown back ordered weather delay ``` Für diese Feldwerte werden die folgenden Ergebniswerte zurückgegeben. ``` (null) back ordered weather delay ``` # parseDate `parseDate`analysiert eine Zeichenfolge, um festzustellen, ob sie einen Datumswert enthält, und gibt ein Standarddatum in dem Format zurück `yyyy-MM-ddTkk:mm:ss.SSSZ` (unter Verwendung der Formatmuster-Syntax, die in [Class DateTimeFormat](http://www.joda.org/joda-time/apidocs/org/joda/time/format/DateTimeFormat.html) in der Joda-Projektdokumentation angegeben ist), zum Beispiel 2015-10-15T 19:11:51.003 Z. Diese Funktion gibt alle Zeilen mit einem Datum in einem gültigen Format zurück und überspringt alle anderen Zeilen (auch Zeilen mit Nullwerten). Quick unterstützt Daten im Bereich vom 1. Januar 1900 00:00:00 UTC bis 31. Dezember 2037 23:59:59 UTC. [Weitere Informationen finden Sie unter Unterstützte Datumsformate.](https://docs.aws.amazon.com/quicksight/latest/user/supported-date-formats.html) ## Syntax ``` parseDate(expression, ['format']) ``` ## Argumente *expression* Der Ausdruck muss eine Zeichenfolge sein. Es kann der Name eines Felds sein, das den Datentyp "string" verwendet, ein literaler Wert wie **'1/1/2016'** oder der Aufruf einer Funktion, die eine Zeichenfolge ausgibt. *format* (Optional) Eine Zeichenfolge mit einem Formatmuster, das mit *date\$1string* übereinstimmen muss. Wenn Sie beispielsweise ein Feld mit Daten wie verwenden**01/03/2016**, geben Sie das Format 'MM/dd/yyyy' an. Wenn Sie kein Format angeben, wird standardmäßig `yyyy-MM-dd` verwendet. Zeilen, deren Daten nicht dem *Format* entsprechen, werden übersprungen. Basierend auf dem verwendeten Dataset-Typ werden unterschiedliche Datumsformate unterstützt. In der folgenden Tabelle finden Sie Details zu den unterstützten Datumsformaten. **** [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/parseDate-function.html) ## Rückgabetyp Date ## Beispiel Im folgenden Beispiel wird `prodDate` ausgewertet, um zu bestimmen, ob Datumswerte enthalten sind. ``` parseDate(prodDate, 'MM/dd/yyyy') ``` Das Feld enthält folgende Werte. ``` prodDate -------- 01-01-1999 12/31/2006 1/18/1982 7/4/2010 ``` Für diese Feldwerte werden die folgenden Zeilen zurückgegeben. ``` 12-31-2006T00:00:00.000Z 01-18-1982T00:00:00.000Z 07-04-2010T00:00:00.000Z ``` # parseDecimal `parseDecimal` parst eine Zeichenfolge, um zu bestimmen, ob diese einen Dezimalwert enthält. Diese Funktion gibt alle Zeilen mit einem Dezimal-, Ganzzahl- oder Nullwert zurück und überspringt alle anderen. Enthält die Zeile einen Ganzzahlwert, wird dieser als Dezimalwert mit bis zu 4 Dezimalstellen zurückgegeben. Ein Wert von "2" wird beispielsweise als "2,0" zurückgegeben. ## Syntax ``` parseDecimal(expression) ``` ## Argumente *expression* Der Ausdruck muss eine Zeichenfolge sein. Es kann der Name eines Felds sein, das den Datentyp "string" verwendet, ein literaler Wert wie **'9.62'** oder der Aufruf einer Funktion, die eine Zeichenfolge ausgibt. ## Rückgabetyp Dezimalzahl (fest) in der älteren Datenaufbereitung. Dezimal (Float) in der neuen Datenaufbereitungserfahrung. ## Beispiel Im folgenden Beispiel wird `fee` ausgewertet, um zu bestimmen, ob Dezimalwerte enthalten sind. ``` parseDecimal(fee) ``` Das Feld enthält folgende Werte. ``` fee -------- 2 2a 12.13 3b 3.9 (null) 198.353398 ``` Für diese Feldwerte werden die folgenden Zeilen zurückgegeben. ``` 2.0 12.13 3.9 (null) 198.3533 ``` # parseInt `parseInt` parst eine Zeichenfolge, um zu bestimmen, ob diese einen Ganzzahlwert enthält. Diese Funktion gibt alle Zeilen mit einem Dezimal-, Ganzzahl- oder Nullwert zurück und überspringt alle anderen. Enthält die Zeile einen Dezimalwert, wird dieser auf die nächst niedrigere Ganzzahl abgerundet. Ein Wert von "2,99" wird beispielsweise als "2" zurückgegeben. ## Syntax ``` parseInt(expression) ``` ## Argumente *expression* Der Ausdruck muss eine Zeichenfolge sein. Es kann der Name eines Felds sein, das den Datentyp "string" verwendet, ein literaler Wert wie **'3'** oder der Aufruf einer Funktion, die eine Zeichenfolge ausgibt. ## Rückgabetyp Ganzzahl ## Beispiel Im folgenden Beispiel wird `feeType` ausgewertet, um zu bestimmen, ob Ganzzahlwerte enthalten sind. ``` parseInt(feeType) ``` Das Feld enthält folgende Werte. ``` feeType -------- 2 2.1 2a 3 3b (null) 5 ``` Für diese Feldwerte werden die folgenden Zeilen zurückgegeben. ``` 2 2 3 (null) 5 ``` # parseJson Verwenden Sie `parseJson` zum Extrahieren von Werten aus einem JSON-Objekt. Wenn Ihr Datensatz in Quick gespeichert istSPICE, können Sie ihn `parseJson` bei der Vorbereitung eines Datensatzes verwenden, jedoch nicht in berechneten Feldern während der Analyse. Für die direkte Abfrage können Sie `parseJson` während der Datenvorbereitung und während der Analyse verwenden. Die Funktion `parseJson` gilt für beide Zeichenfolgen oder native JSON-Datentypen (abhängig vom Dialekt), wie in der folgenden Tabelle dargestellt. | Dialekt | Typ | | --- | --- | | PostgreSQL | JSON | | Amazon Redshift | Zeichenfolge | | Microsoft SQL Server | Zeichenfolge | | MySQL | JSON | | Teradata | JSON | | Oracle | Zeichenfolge | | Presto | Zeichenfolge | | Snowflake | Halbstrukturiertes Datentypobjekt und -array | | Hive | Zeichenfolge | ## Syntax ``` parseJson(fieldName, path) ``` ## Argumente *fieldName* Das Feld mit dem JSON-Objekt, das Sie analysieren möchten. *path* Der Pfad zum Datenelement, das Sie aus dem JSON-Objekt analysieren wollen. Im Pfadargument werden nur Buchstaben, Zahlen und Leerzeichen unterstützt. Die gültige Pfadsyntax kann unter anderem wie folgt aussehen: + *\$1* — Stammobjekt + *.* – Untergeordneter Operator + *[]* – Index-Operator für Arrays ## Rückgabetyp Zeichenfolge ## Beispiel Das folgende Beispiel wertet eingehende JSON-Daten aus, um einen Wert für die Artikelmenge abzurufen. Durch dessen Verwendung während der Datenvorbereitung können Sie eine Tabelle aus den JSON-Daten erstellen. ``` parseJson({jsonField}, “$.items.qty”) ``` Nachfolgend ist der JSON-Text dargestellt. ``` { "customer": "John Doe", "items": { "product": "Beer", "qty": 6 }, "list1": [ "val1", "val2" ], "list2": [ { "list21key1": "list1value1" } ] } ``` In diesem Beispiel wird der folgende Wert zurückgegeben. ``` 6 ``` ## Beispiel Das folgende Beispiel wertet `JSONObject1` aus, um das erste Schlüssel-Wert-Paar (KVP) auszuwerten, das als `"State"` gekennzeichnet ist, und den Wert dem Kalkulationsfeld zuzuweisen, das Sie erstellen. ``` parseJson(JSONObject1, “$.state”) ``` Das Feld enthält folgende Werte. ``` JSONObject1 ----------- {"State":"New York","Product":"Produce","Date Sold":"1/16/2018","Sales Amount":"$3423.39"} {"State":"North Carolina","Product":"Bakery Products","Date Sold":"2/1/2018","Sales Amount":"$3226.42"} {"State":"Utah","Product":"Water","Date Sold":"4/24/2018","Sales Amount":"$7001.52"} ``` Für diese Feldwerte werden die folgenden Zeilen zurückgegeben. ``` New York North Carolina Utah ``` # Replace `replace` ersetzt einen Teil einer Zeichenfolge durch eine andere von Ihnen angegebene Zeichenfolge. ## Syntax ``` replace(expression, substring, replacement) ``` ## Argumente *expression* Der Ausdruck muss eine Zeichenfolge sein. Es kann der Name eines Felds sein, das den Datentyp "string" verwendet, ein literaler Wert wie **'12 Main Street'** oder der Aufruf einer Funktion, die eine Zeichenfolge ausgibt. *substring* Die Zeichen im *Ausdruck*, die Sie ersetzen möchten. Die Teilzeichenfolge kann sowohl einmal als auch mehrmals im *Ausdruck* enthalten sein. *replacement* Die Zeichenfolge, mit der Sie die *Teilzeichenfolge* ersetzt haben möchten. ## Rückgabetyp Zeichenfolge ## Beispiel Im folgenden Beispiel wird die Teilzeichenfolge "and" durch "or" ersetzt. ``` replace('1 and 2 and 3', 'and', 'or') ``` Die folgende Zeichenfolge wird zurückgegeben. ``` 1 or 2 or 3 ``` # Right `right` gibt das rechte Zeichen einer Zeichenfolge, einschließlich Leerzeichen, zurück. Sie geben die Anzahl der zurückzugebenden Zeichen an. ## Syntax ``` right(expression, limit) ``` ## Argumente *expression* Der Ausdruck muss eine Zeichenfolge sein. Es kann der Name eines Felds sein, das den Datentyp "string" verwendet, ein literaler Wert wie **'12 Main Street'** oder der Aufruf einer Funktion, die eine Zeichenfolge ausgibt. *limit* Die Anzahl der Zeichen, die vom *Ausdruck* zurückgegeben werden, beginnend mit dem letzten Zeichen der Zeichenfolge. ## Rückgabetyp Zeichenfolge ## Beispiel Im folgenden Beispiel werden die letzten fünf Zeichen einer Zeichenfolge zurückgegeben. ``` right('Seattle Store#14', 12) ``` Der folgende Wert wird zurückgegeben. ``` tle Store#14 ``` # Round `round` rundet einen Dezimalwert auf den nächsten Ganzzahlwert, wenn keine Skalierung angegeben ist, oder auf die nächste Dezimalstelle, wenn eine Skalierung angegeben ist. ## Syntax ``` round(decimal, scale) ``` ## Argumente *Dezimalwert* Ein Feld, das den Datentyp "decimal", einen literalen Wert wie **17.62** oder den Aufruf einer anderen Funktion verwendet, die einen Dezimalwert ausgibt. *scale* Die Anzahl der Dezimalstellen für die Rückgabewerte. ## Rückgabetyp | Operand | Geben Sie die Rückgabeart in der alten Datenaufbereitung ein | Geben Sie die neue Datenaufbereitungserfahrung ein | | --- | --- | --- | | INT | DEZIMAL (FEST) | DEZIMAL (FEST) | | DEZIMAL (FEST) | DEZIMAL (FEST) | DEZIMAL (FEST) | | DEZIMAL (FLOAT) | DEZIMAL (FEST) | DEZIMAL (FLOAT) | ## Beispiel Im folgenden Beispiel wird der Wert eines Dezimalfelds auf die nächstliegende zweite Dezimalstelle gerundet. ``` round(salesAmount, 2) ``` Das Feld enthält folgende Werte. ``` 20.1307 892.0388 57.5447 ``` Für diese Feldwerte werden die folgenden Ergebniswerte zurückgegeben. ``` 20.13 892.04 58.54 ``` # Rtrim `rtrim` entfernt nachgestellte Leerzeichen aus einer Zeichenfolge. ## Syntax ``` rtrim(expression) ``` ## Argumente *expression* Der Ausdruck muss eine Zeichenfolge sein. Es kann der Name eines Felds sein, das den Datentyp "string" verwendet, ein literaler Wert wie **'12 Main Street'** oder der Aufruf einer Funktion, die eine Zeichenfolge ausgibt. ## Rückgabetyp Zeichenfolge ## Beispiel Im folgenden Beispiel werden nachgestellte Leerzeichen aus einer Zeichenfolge entfernt. ``` rtrim('Seattle Store #14 ') ``` Für diese Feldwerte werden die folgenden Ergebniswerte zurückgegeben. ``` Seattle Store #14 ``` # Split `split` teilt eine Zeichenfolge anhand des festgelegten Trennzeichens in ein Array von Teilzeichenfolgen auf und gibt das Element an der angegebenen Position zurück. Sie können `split` während der Datenvorbereitung nur einem Kalkulationsfeld hinzufügen, nicht zu einer Analyse. Diese Funktion wird in direkten Abfragen an Microsoft SQL Server nicht unterstützt. ## Syntax ``` split(expression, delimiter , position) ``` ## Argumente *expression* Der Ausdruck muss eine Zeichenfolge sein. Es kann der Name eines Felds sein, das den Datentyp "string" verwendet, ein literaler Wert wie **'12 Main Street;1402 35th Ave;1818 Elm Ct;11 Janes Lane'** oder der Aufruf einer Funktion, die eine Zeichenfolge ausgibt. *delimiter* Das Zeichen, bei dessen Auftreten die übergebene Zeichenfolge in Teilzeichenfolgen aufgeteilt wird. Der Aufruf `split('one|two|three', '|', 2)` führt beispielsweise zu folgender Ausgabe. ``` one two three ``` Wenn Sie `position = 2` angeben, gibt `split` den Wert `'two'` zurück. *position* (Erforderlich) Die Position des zurückzugebenden Array-Elements. Die Position des ersten Elements im Array lautet 1. ## Rückgabetyp Zeichenfolgen-Array ## Beispiel Das folgende Beispiel teilt eine Zeichenfolge in ein Array auf und gibt dessen drittes Element zurück. Als Trennzeichen für die Aufteilung wird das Semikolon (;) verwendet. ``` split('123 Test St;1402 35th Ave;1818 Elm Ct;11 Janes Lane', ';', 3) ``` Das folgende Element wird zurückgegeben. ``` 1818 Elm Ct ``` Diese Funktion überspringt Elemente, die Nullwerte oder leere Zeichenfolgen enthalten. # Sqrt `sqrt` gibt die Quadratwurzel eines bestimmten Ausdrucks zurück. ## Syntax ``` sqrt(expression) ``` ## Argumente *expression* Der Ausdruck muss numerisch sein. Es kann sich um einen Feldnamen, einen literalen Wert oder eine andere Funktion handeln. # startsWith `startsWith` wertet aus, ob der Ausdruck mit einer von Ihnen angegebenen Teilzeichenfolge beginnt. Wenn der Ausdruck mit der Teilzeichenfolge beginnt, gibt `startsWith` „True“ zurück, andernfalls „false“. ## Syntax ``` startsWith(expression, substring, string-comparison-mode) ``` ## Argumente *expression* Der Ausdruck muss eine Zeichenfolge sein. Es kann der Name eines Felds sein, das den Datentyp "string" verwendet, ein literaler Wert wie **'12 Main Street'** oder der Aufruf einer Funktion, die eine Zeichenfolge ausgibt. *substring* Der Zeichensatz, der mit dem *Ausdruck* verglichen werden soll. Die Teilzeichenfolge kann sowohl einmal als auch mehrmals im *Ausdruck* enthalten sein. *string-comparison-mode* (Optional) Gibt den zu verwendenden Zeichenfolgenvergleichsmodus an: + `CASE_SENSITIVE` - Bei Zeichenfolgenvergleichen wird zwischen Groß- und Kleinschreibung unterschieden. + `CASE_INSENSITIVE` - Bei Zeichenfolgenvergleichen wird nicht zwischen Groß- und Kleinschreibung unterschieden. Dieser Wert wird standardmäßig auf `CASE_SENSITIVE` eingestellt, wenn er leer ist. ## Rückgabetyp Boolesch ## Beispiele ### Standardbeispiel für Groß- und Kleinschreibung Das folgende Beispiel, bei dem Groß- und Kleinschreibung berücksichtigt wird, bewertet, ob `state_nm` mit **New** startet. ``` startsWith(state_nm, "New") ``` Das Feld enthält folgende Werte. ``` New York new york ``` Für diese Feldwerte werden die folgenden Ergebniswerte zurückgegeben. ``` true false ``` ### Beispiel ohne Unterscheidung von Groß- und Kleinschreibung Im folgenden Beispiel ohne Unterscheidung von Groß- und Kleinschreibung wird ausgewertet, ob `state_nm` mit **new** startet. ``` startsWith(state_nm, "new", CASE_INSENSITIVE) ``` Das Feld enthält folgende Werte. ``` New York new york ``` Für diese Feldwerte werden die folgenden Ergebniswerte zurückgegeben. ``` true true ``` ### Beispiel mit bedingten Anweisungen Die `startsWith`-Funktion kann als bedingte Anweisung in den folgenden If-Funktionen verwendet werden: [avgIf](https://docs.aws.amazon.com/quicksight/latest/user/avgIf-function.html), [minIf](https://docs.aws.amazon.com/quicksight/latest/user/minIf-function.html), [distinct\$1countIf](https://docs.aws.amazon.com/quicksight/latest/user/distinct_countIf-function.html), [countIf](https://docs.aws.amazon.com/quicksight/latest/user/countIf-function.html), [maxIf](https://docs.aws.amazon.com/quicksight/latest/user/maxIf-function.html), [medianIf](https://docs.aws.amazon.com/quicksight/latest/user/medianIf-function.html), [stdevIf](https://docs.aws.amazon.com/quicksight/latest/user/stdevIf-function.html), [stdevpIf](https://docs.aws.amazon.com/quicksight/latest/user/stdevpIf-function.html), [sumIf](https://docs.aws.amazon.com/quicksight/latest/user/sumIf-function.html), [varIf](https://docs.aws.amazon.com/quicksight/latest/user/varIf-function.html) und [varpIf](https://docs.aws.amazon.com/quicksight/latest/user/varpIf-function.html). Das folgende Beispiel summiert `Sales` nur, wenn state\$1nm mit **New** beginnt. ``` sumIf(Sales,startsWith(state_nm, "New")) ``` ### Enthält KEIN Beispiel Der konditionale `NOT`-Operator kann verwendet werden, um auszuwerten, ob der Ausdruck nicht mit der angegebenen Teilzeichenfolge beginnt. ``` NOT(startsWith(state_nm, "New")) ``` ### Beispiel mit numerischen Werten Numerische Werte können in den Ausdrucks- oder Teilzeichenfolgenargumenten durch Anwendung der `toString`-Funktion verwendet werden. ``` startsWith(state_nm, toString(5) ) ``` # Strlen `strlen` gibt die Anzahl der Zeichen einer Zeichenfolge, einschließlich Leerstellen, zurück. ## Syntax ``` strlen(expression) ``` ## Argumente *expression* Ein Ausdruck kann der Name eines Felds sein, bei dem der Datentyp "string" verwendet wird, beispielsweise **address1**, ein literaler Wert wie **'Unknown'** oder eine andere Funktion wie `substring(field_name,0,5)`. ## Rückgabetyp Ganzzahl ## Beispiel Im folgenden Beispiel wird die Länge der angegebenen Zeichenfolge zurückgegeben. ``` strlen('1421 Main Street') ``` Der folgende Wert wird zurückgegeben. ``` 16 ``` # Substring `substring` gibt die Zeichen einer Zeichenfolge zurück. Dabei wird an der durch das *start*-Argument festgelegten Position begonnen und nach Erreichen der in den *length*-Argumenten angegebenen Anzahl an Zeichen aufgehört. ## Syntax ``` substring(expression, start, length) ``` ## Argumente *expression* Ein Ausdruck kann der Name eines Felds sein, bei dem der Datentyp "string" verwendet wird, beispielsweise **address1**, ein literaler Wert wie **'Unknown'** oder eine andere Funktion wie `substring(field_name,1,5)`. *start* Die Position für den Start. *start* ist inklusiv, das heißt, das Zeichen an der Startposition ist das erste Zeichen im zurückgegebenen Wert. Der Mindestwert für *Start* ist 1. *length* Die Anzahl der zusätzlichen Zeichen, die nach *start* eingeschlossen werden sollen. *length* schließt *start*, ein. Somit ist das letzte zurückgegebene Zeichen (*length* - 1) nach dem ersten Zeichen. ## Rückgabetyp Zeichenfolge ## Beispiel Im folgenden Beispiel werden die 13. bis 19. Zeichen einer Zeichenfolge zurückgegeben. Der Anfang der Zeichenfolge ist Index 1. Sie beginnen also beim ersten Zeichen zu zählen. ``` substring('Fantasy and Science Fiction',13,7) ``` Der folgende Wert wird zurückgegeben. ``` Science ``` # switch `switch` vergleicht einen *condition-expression (Bedingungsausdruck)* mit den literalen Bezeichnungen innerhalb einer Reihe von Kombinationen aus literalen Bezeichnungen und *Rückgabeausdrücken.* Anschließend wird der *return-expression (Rückgabeausdruck)* zurückgegeben, der der ersten literalen Bezeichnung entspricht, die dem *Bedingungsausdruck* entspricht. Wenn kein Label dem *condition-expression* (Bedingungsausdruck) entspricht, gibt `switch` *default-expression* (Standardausdruck) zurück. Jeder *return-expression* (Rückgabeausdruck) und jeder *default-expression* (Standardausdruck) müssen denselben Datentyp haben. ## Syntax ``` switch(condition-expression, label-1, return-expression-1 [, label-n, return-expression-n ...], default-expression) ``` ## Argumente `switch` erfordert mindestens ein oder mehrere *if*,*then*-Ausdruckspaar/e sowie genau einen Ausdruck für das *else*-Argument. *condition-expression* (Bedingungsausdruck) Der Ausdruck, der mit den label-literals (Labelliteralen) verglichen werden soll. Es kann sich dabei um einen Feldnamen wie `address`, einen literalen Wert wie „`Unknown`“ oder um eine sakalare Funktion wie `toString(salesAmount)` handeln. *Bezeichnung* Das Literal, das mit dem Argument *ondition-expression (Bedingungsausdruck)* verglichen werden soll. Alle Literale müssen denselben Datentyp wie das Argument *Bedingungsausdruck* haben. `switch` akzeptiert bis zu 5000 Bezeichnungen. *return-expressio* (Rückgabeausdruck) Der Ausdruck, der zurückgegeben werden soll, wenn der Wert seiner Bezeichnung dem Wert des *condition-expression* (Bedingungsausdrucks) entspricht. Es kann sich dabei um einen Feldnamen wie `address`, einen literalen Wert wie „`Unknown`“ oder um eine sakalare Funktion wie `toString(salesAmount)` handeln. Alle *return-expression*-Argumente müssen vom gleichen Datentyp wie alle *default-expression*-Argumente sein. *default-expression* (Standardausdruck) Der Ausdruck, der zurückgegeben werden soll, wenn kein Wert eines Bezeichungsarguments dem Wert des *condition-expression* (Bedingungsausdrucks) entspricht. Es kann sich dabei um einen Feldnamen wie `address`, einen literalen Wert wie „`Unknown`“ oder um eine sakalare Funktion wie `toString(salesAmount)` handeln. Der *default-expression* muss vom gleichen Datentyp wie alle *return-expression*-Argumente sein. ## Rückgabetyp `switch` gibt einen Wert desselben Typs wie die Werte in *return-expression* zurück. Alle Daten, die *return-expression* (Rückgabeausdruck) und *default-expression* (Standardausdruck) zurückgeben, müssen denselben Datentyp haben oder in denselben Datentyp konvertiert werden. ## Allgemeine Beispiele Das folgende Beispiel gibt den AWS-Region Code des Namens der Eingaberegion zurück. ``` switch(region_name, "US East (N. Virginia)", "us-east-1", "Europe (Ireland)", "eu-west-1", "US West (N. California)", "us-west-1", "other regions") ``` Das Feld enthält folgende Werte. ``` "US East (N. Virginia)" "US West (N. California)" "Asia Pacific (Tokyo)" ``` Für diese Feldwerte werden die folgenden Ergebniswerte zurückgegeben. ``` "us-east-1" "us-west-1" "other regions" ``` ## Verwenden Sie den Schalter zum Ersetzen von `ifelse` Der folgende Anwendungsfall `ifelse` entspricht dem vorherigen Beispiel, wobei `ifelse` bewertet, ob Werte eines Felds unterschiedlichen literalen Werten entsprechen, und `switch` stattdessen besser verwendet werden sollte. ``` ifelse(region_name = "US East (N. Virginia)", "us-east-1", region_name = "Europe (Ireland)", "eu-west-1", region_name = "US West (N. California)", "us-west-1", "other regions") ``` ## Ausdruck als Rückgabewert Das folgende Beispiel verwendet Ausdrücke in *return-expressions* (Rückgabeausdrücken): ``` switch({origin_city_name}, "Albany, NY", {arr_delay} + 20, "Alexandria, LA", {arr_delay} - 10, "New York, NY", {arr_delay} * 2, {arr_delay}) ``` Im vorherigen Beispiel wird die erwartete Verspätungszeit für jeden Flug aus einer bestimmten Stadt geändert. ![\[Ein Image der Ergebnisse des Funktionsbeispiels in Tabellenform.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/switch-function-example.png) # toLower `toLower` formatiert Zeichenkette in Kleinbuchstaben. `toLower` überspringt Zeilen mit Nullwerten. ## Syntax ``` toLower(expression) ``` ## Argumente *expression* Der Ausdruck muss eine Zeichenfolge sein. Es kann der Name eines Felds sein, das den Datentyp "string" verwendet, ein literaler Wert wie **'12 Main Street'** oder der Aufruf einer Funktion, die eine Zeichenfolge ausgibt. ## Rückgabetyp Zeichenfolge ## Beispiel Im folgenden Beispiel wird ein Zeichenfolgenwert in Kleinbuchstaben konvertiert. ``` toLower('Seattle Store #14') ``` Der folgende Wert wird zurückgegeben. ``` seattle store #14 ``` # toString `toString` formatiert die Ausgangszeichenfolge als String. `toString` überspringt Zeilen, die Nullwerte enthalten. ## Syntax ``` toString(expression) ``` ## Argumente *expression* Ein Ausdruck kann ein Feld eines beliebigen Datentyps sein, ein literaler Wert wie **14.62** oder der Aufruf einer anderen Funktion, die einen beliebigen Datentyp zurückgibt. ## Rückgabetyp Zeichenfolge ## Beispiel Im folgenden Beispiel werden die Werte von `payDate` (dem der Datentyp `date` zugewiesen ist) als Zeichenfolgen zurückgegeben. ``` toString(payDate) ``` Das Feld enthält folgende Werte. ``` payDate -------- 1992-11-14T00:00:00.000Z 2012-10-12T00:00:00.000Z 1973-04-08T00:00:00.000Z ``` Für diese Feldwerte werden die folgenden Zeilen zurückgegeben. ``` 1992-11-14T00:00:00.000Z 2012-10-12T00:00:00.000Z 1973-04-08T00:00:00.000Z ``` # toUpper `toUpper` formatiert eine Zeichenkette in Großbuchstaben. `toUpper` überspringt Zeilen mit Nullwerten. ## Syntax ``` toUpper(expression) ``` ## Argumente *expression* Der Ausdruck muss eine Zeichenfolge sein. Es kann der Name eines Felds sein, das den Datentyp "string" verwendet, ein literaler Wert wie **'12 Main Street'** oder der Aufruf einer Funktion, die eine Zeichenfolge ausgibt. ## Rückgabetyp Zeichenfolge ## Beispiel Im folgenden Beispiel wird ein Zeichenfolgenwert in Großbuchstaben konvertiert. ``` toUpper('Seattle Store #14') ``` Der folgende Wert wird zurückgegeben. ``` SEATTLE STORE #14 ``` # trim `trim` entfernt sowohl vorangestellte als auch nachfolgende Leerzeichen aus einer Zeichenfolge. ## Syntax ``` trim(expression) ``` ## Argumente *expression* Der Ausdruck muss eine Zeichenfolge sein. Es kann der Name eines Felds sein, das den Datentyp "string" verwendet, ein literaler Wert wie **'12 Main Street'** oder der Aufruf einer Funktion, die eine Zeichenfolge ausgibt. ## Rückgabetyp Zeichenfolge ## Beispiel Im folgenden Beispiel werden nachgestellte Leerzeichen aus einer Zeichenfolge entfernt. ``` trim(' Seattle Store #14 ') ``` Für diese Feldwerte werden die folgenden Ergebniswerte zurückgegeben. ``` Seattle Store #14 ``` # truncDate `truncDate` gibt einen Datumswert zurück, der einen bestimmten Teil eines Datums darstellt. Beispiel: Wird der Jahresteil des Werts 2012-09-02T00:00:00.000Z abgerufen, wird 2012-01-01T00:00:00.000Z zurückgegeben. Die Angabe eines Uhrzeit-bezogenen Teils eines Datums, das keine Zeitinformationen enthält, führt dazu, dass der ursprüngliche Datumswert unverändert zurückgegeben wird. ## Syntax ``` truncDate('period', date) ``` ## Argumente *Zeitraum* Der Zeitraum des Datums, der zurückgegeben werden soll. Folgende Zeiträume werden unterstützt: + YYYY: Gibt den Jahresteil des Datums zurück. + Q: Gibt das Datum des ersten Tags des Quartals zurück, in das das Datum fällt. + MM: Gibt den Monatsteil des Datums zurück. + DD: Gibt den Tagesteil des Datums zurück. + WK: Gibt den Wochenteil des Datums zurück. Die Woche beginnt am Sonntag in Amazon Quick. + HH: Gibt den Stundenteil des Datums zurück. + MI: Gibt den Minutenteil des Datums zurück. + SS: Gibt den Sekundenteil des Datums zurück. + SS: Gibt den Sekundenteil des Datums zurück. *date* Ein Datumsfeld oder der Aufruf einer anderen Funktion, die ein Datum ausgibt. ## Rückgabetyp Date ## Beispiel Im folgenden Beispiel wird ein Datum zurückgegeben, aus dem der Monat des Bestelldatums hervorgeht. ``` truncDate('MM', orderDate) ``` Das Feld enthält folgende Werte. ``` orderDate ========= 2012-12-14T00:00:00.000Z 2013-12-29T00:00:00.000Z 2012-11-15T00:00:00.000Z ``` Für diese Feldwerte werden die folgenden Ergebniswerte zurückgegeben. ``` 2012-12-01T00:00:00.000Z 2013-12-01T00:00:00.000Z 2012-11-01T00:00:00.000Z ``` # Aggregationsfunktionen Aggregationsfunktionen stehen nur während der Analyse und Visualisierung zur Verfügung. Jede dieser Funktionen gibt Werte zurück, die nach er/den gewählten Dimension(en) gruppiert sind. Für jede Aggregation steht auch eine bedingte Aggregation zur Verfügung. Diese führen die gleiche Art von Aggregation auf der Grundlage einer Bedingung aus. Wenn die Formel eines Kalkulationsfelds eine Aggregation enthält, wird daraus eine benutzerdefinierte Aggregation. Um sicherzustellen, dass Ihre Daten korrekt angezeigt werden, wendet Amazon Quick die folgenden Regeln an: + Benutzerdefinierte Aggregationen können keine verschachtelten Aggregationsfunktionen enthalten. Diese Formel funktioniert z. B. nicht: `sum(avg(x)/avg(y))`. Die Verschachtelung von Nicht-Aggregationsfunktionen innerhalb oder außerhalb von Aggregationsfunktionen funktionieren jedoch. Dieser Code `ceil(avg(x))` funktioniert beispielsweise. Auch dieser Code funktioniert: `avg(ceil(x))`. + Benutzerdefinierte Aggregationen können nicht sowohl aggregierte als auch nicht aggregierte Felder in einer beliebigen Kombination enthalten. Diese Formel funktioniert z. B. nicht: `Sum(sales)+quantity`. + Filtergruppen können nicht sowohl aggregierte als auch nicht aggregierte Felder enthalten. + Benutzerdefinierte Aggregationen können nicht in eine Dimension umgewandelt werden. Sie können dem Feldbereich auch nicht als Dimension hinzugefügt werden. + In einer Pivot-Tabelle können benutzerdefinierte Aggregationen nicht zu Tabellenkalkulationen hinzugefügt werden. + Streudiagramme mit benutzerdefinierten Aggregationen benötigen mindestens eine Dimension unter **Group/Color (Gruppe/Farbe)** in den Feldbereichen. Weitere Informationen zu unterstützten Funktionen und Operatoren finden Sie unter [Referenz für berechnete Feldfunktionen und Operatoren für Amazon Quick](https://docs.aws.amazon.com/quicksight/latest/user/calculated-field-reference.html). Zu den Aggregatfunktionen für berechnete Felder in Quick gehören die folgenden. **Topics** + [avg](avg-function.md) + [avgIf](avgIf-function.md) + [count](count-function.md) + [countIf](countIf-function.md) + [distinct\$1count](distinct_count-function.md) + [distinct\$1countIf](distinct_countIf-function.md) + [max](max-function.md) + [maxIf](maxIf-function.md) + [median](median-function.md) + [medianIf](medianIf-function.md) + [min](min-function.md) + [minIf](minIf-function.md) + [percentile](percentile-function.md) + [percentileCont](percentileCont-function.md) + [percentileDisc-(Perzentil)](percentileDisc-function.md) + [periodToDateAvg](periodToDateAvg-function.md) + [periodToDateCount](periodToDateCount-function.md) + [periodToDateMax](periodToDateMax-function.md) + [periodToDateMedian](periodToDateMedian-function.md) + [periodToDateMin](periodToDateMin-function.md) + [periodToDatePercentile](periodToDatePercentile-function.md) + [periodToDatePercentileCont](periodToDatePercentileCont-function.md) + [periodToDateStDev](periodToDateStDev-function.md) + [periodToDateStDevP](periodToDateStDevP-function.md) + [periodToDateSum](periodToDateSum-function.md) + [periodToDateVar](periodToDateVar-function.md) + [periodToDateVarP](periodToDateVarP-function.md) + [stdev](stdev-function.md) + [stdevp](stdevp-function.md) + [stdevIf](stdevIf-function.md) + [stdevpIf](stdevpIf-function.md) + [sum](sum-function.md) + [sumIf](sumIf-function.md) + [var](var-function.md) + [varIf](varIf-function.md) + [varp](varp-function.md) + [varpIf](varpIf-function.md) # avg Die Funktion `avg` errechnet den Durchschnittswert der Zahlengruppe im angegebenen Maß, gruppiert nach der/den gewählten Dimension(en). Beispielsweise gibt `avg(salesAmount)` den Durchschnittswert für dieses Maß zurück, gruppiert nach der gewählten Dimension (optional). ## Syntax ``` avg(decimal, [group-by level]) ``` ## Argumente *Dezimalwert* Das Argument muss ein Maß sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. Das Argument muss ein Feld sein. *nach Ebene gruppieren* (Optional) Gibt die Ebene an, nach der die Aggregation gruppiert werden soll. Bei der hinzugefügten Ebene kann es sich um eine beliebige Dimension oder Dimensionen handeln, unabhängig von den Dimensionen, die dem Bild hinzugefügt wurden. Das Argument muss ein Dimensionsfeld sein. Die Gruppenebene muss in eckige Klammern `[ ]` eingeschlossen werden. Weitere Informationen finden Sie unter [Level-sensitive Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). ## Beispiele Im folgenden Beispiel wird der durchschnittliche Umsatz berechnet. ``` avg({Sales}) ``` Sie können auch anhand einer oder mehrerer Dimensionen in der Ansicht oder in Ihrem Datensatz angeben, auf welcher Ebene die Berechnung gruppiert werden soll. Dies wird als LAC-A-Funktion bezeichnet. Weitere Informationen zu LAC-A-Funktionen finden Sie unter [Ebenenorientierte Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). Im folgenden Beispiel wird der durchschnittliche Umsatz auf Länderebene berechnet, jedoch nicht über andere Dimensionen (Region oder Produkt) im Bild. ``` avg({Sales}, [{Country}]) ``` ![\[Die durchschnittlichen Verkaufszahlen werden nur auf Landesebene aggregiert.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/avg-function-example.png) # avgIf Die Funktion `avgIf` berechnet auf der Grundlage einer bedingten Anweisung den Durchschnittswert der Zahlengruppe im angegebenen Maß, gruppiert nach den gewählten Dimensionen. `avgIf(ProdRev,CalendarDay >= ${BasePeriodStartDate} AND CalendarDay <= ${BasePeriodEndDate} AND SourcingType <> 'Indirect')` gibt beispielsweise den Durchschnittswert für dieses Maß zurück, gruppiert nach der (optional) gewählten Dimension, wenn die Bedingung erfüllt ist. ## Syntax ``` avgIf(dimension or measure, condition) ``` ## Argumente *Dezimalwert* Das Argument muss ein Maß sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. Das Argument muss ein Feld sein. *condition* Eine oder mehrere Bedingungen in einer einzelnen Anweisung. # count Die Funktion `count` berechnet die Anzahl der Werte in einer Dimension oder einem Maß, gruppiert nach der/den gewählten Dimension(en). Beispielsweise gibt `count(product type)` die Gesamtzahl der Produktarten zurück, gruppiert nach der gewählten Dimension (optional), einschließlich aller Duplikate. Die Funktion `count(sales)` gibt die Gesamtzahl der Verkäufe zurück, gruppiert nach der gewählten Dimension (optional), beispielsweise dem Verkäufer. ## Syntax ``` count(dimension or measure, [group-by level]) ``` ## Argumente *Dimension oder Maß* Das Argument muss ein Maß oder eine Dimension sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. Das Argument muss ein Feld sein. *nach Ebene gruppieren* (Optional) Gibt die Ebene an, nach der die Aggregation gruppiert werden soll. Bei der hinzugefügten Ebene kann es sich um eine beliebige Dimension oder Dimensionen handeln, unabhängig von den Dimensionen, die dem Bild hinzugefügt wurden. Das Argument muss ein Dimensionsfeld sein. Die Gruppenebene muss in eckige Klammern `[ ]` eingeschlossen werden. Weitere Informationen finden Sie unter [Level-sensitive Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). ## Beispiele Im folgenden Beispiel wird die Anzahl der Verkäufe nach einer bestimmten Dimension im Bild berechnet. In diesem Beispiel wird die Anzahl der Verkäufe pro Monat angezeigt. ``` count({Sales}) ``` ![\[Die Anzahl der Verkäufe pro Monat.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/count-function-example.png) Sie können auch anhand einer oder mehrerer Dimensionen in der Ansicht oder in Ihrem Datensatz angeben, auf welcher Ebene die Berechnung gruppiert werden soll. Dies wird als LAC-A-Funktion bezeichnet. Weitere Informationen zu LAC-A-Funktionen finden Sie unter [Ebenenorientierte Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). Im folgenden Beispiel wird die Anzahl auf Länderebene berechnet, jedoch nicht über andere Dimensionen (Region oder Produkt) im Bild. ``` count({Sales}, [{Country}]) ``` ![\[Die Anzahl der Verkäufe wird nur auf Landesebene aggregiert.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/count-function-example2.png) # countIf Die Funktion `countIf` berechnet auf der Grundlage einer bedingten Anweisung die Anzahl der Werte in einer Dimension oder einem Maß, gruppiert nach den gewählten Dimensionen. ## Syntax ``` countIf(dimension or measure, condition) ``` ## Argumente *Dimension oder Maß* Das Argument muss ein Maß oder eine Dimension sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. Das Argument muss ein Feld sein. *condition* Eine oder mehrere Bedingungen in einer einzelnen Anweisung. ## Rückgabetyp Ganzzahl ## Beispiel Die folgende Funktion gibt die Anzahl der Verkaufstransaktionen (`Revenue`) zurück, die die Bedingungen erfüllen, einschließlich aller Duplikate. ``` countIf ( Revenue, # Conditions CalendarDay >= ${BasePeriodStartDate} AND CalendarDay <= ${BasePeriodEndDate} AND SourcingType <> 'Indirect' ) ``` # distinct\$1count Die Funktion `distinct_count` berechnet die Anzahl der individuellen Werte in einer Dimension oder einem Maß, gruppiert nach der/den gewählten Dimension(en). Beispielsweise gibt `distinct_count(product type)` die Gesamtzahl der eindeutigen Produktarten zurück, gruppiert nach der gewählten Dimension (optional), ohne alle Duplikate. Die Funktion `distinct_count(ship date)` gibt die Gesamtzahl der Daten zurück, an denen die Produkte geliefert wurden, gruppiert nach der gewählten Dimension (optional), beispielsweise der Region. ## Syntax ``` distinct_count(dimension or measure, [group-by level]) ``` ## Argumente *Dimension oder Maß* Das Argument muss ein Maß oder eine Dimension sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. Das Argument muss ein Feld sein. *nach Ebene gruppieren* (Optional) Gibt die Ebene an, nach der die Aggregation gruppiert werden soll. Bei der hinzugefügten Ebene kann es sich um eine beliebige Dimension oder Dimensionen handeln, unabhängig von den Dimensionen, die dem Bild hinzugefügt wurden. Das Argument muss ein Dimensionsfeld sein. Die Gruppenebene muss in eckige Klammern `[ ]` eingeschlossen werden. Weitere Informationen finden Sie unter [Level-sensitive Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). ## Beispiel Das folgende Beispiel berechnet die Gesamtzahl der Bestelldaten, an denen Produkte bestellt wurden, gruppiert nach der (optional) ausgewählten Dimension in der visuellen Ansicht, z. B. Region. ``` distinct_count({Order Date}) ``` ![\[Die Gesamtzahl der Termine, an denen Produkte in jeder Region bestellt wurden.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/distinct_count-function-example.png) Sie können auch anhand einer oder mehrerer Dimensionen in der Ansicht oder in Ihrem Datensatz angeben, auf welcher Ebene die Berechnung gruppiert werden soll. Dies wird als LAC-A-Funktion bezeichnet. Weitere Informationen zu LAC-A-Funktionen finden Sie unter [Ebenenorientierte Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). Im folgenden Beispiel wird der durchschnittliche Umsatz auf Länderebene berechnet, jedoch nicht über andere Dimensionen (Region) im Bild. ``` distinct_count({Order Date}, [Country]) ``` ![\[Die Gesamtzahl der Termine, an denen Produkte in jedem Land bestellt wurden.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/distinct_count-function-example2.png) # distinct\$1countIf Die Funktion `distinct_countIf` berechnet auf der Grundlage einer bedingten Anweisung die Anzahl der individuellen Werte in einer Dimension oder einem Maß, gruppiert nach den gewählten Dimensionen. Beispielsweise gibt `distinct_countIf(product type)` die Gesamtzahl der eindeutigen Produktarten zurück, gruppiert nach der gewählten Dimension (optional), ohne alle Duplikate. Die Funktion `distinct_countIf(ProdRev,CalendarDay >= ${BasePeriodStartDate} AND CalendarDay <= ${BasePeriodEndDate} AND SourcingType <> 'Indirect')` gibt die Gesamtanzahl der Termine zurück, an denen Produkte versendet wurden, gruppiert nach der (optional) gewählten Dimension (beispielsweise der Region), wenn die Bedingung erfüllt ist. ## Syntax ``` distinct_countIf(dimension or measure, condition) ``` ## Argumente *Dimension oder Maß* Das Argument muss ein Maß oder eine Dimension sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. Das Argument muss ein Feld sein. *condition* Eine oder mehrere Bedingungen in einer einzelnen Anweisung. # max Die Funktion „`max`“ gibt den Höchstwert des angegebenen Maßes oder Datums zurück, gruppiert nach der/den gewählten Dimension(en). Beispielsweise gibt `max(sales goal)` die maximalen Verkaufsziele für dieses Maß zurück, gruppiert nach der gewählten Dimension (optional). ## Syntax ``` max(measure, [group-by level]) ``` ## Argumente *measure* Das Argument muss ein Maß oder Datum sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. Das Argument muss ein Feld sein. Maximale Datumsangaben funktionieren nur im Feldbereich **Value (Wert)** für Tabellen und Pivot-Tabellen. *nach Ebene gruppieren* (Optional) Gibt die Ebene an, nach der die Aggregation gruppiert werden soll. Bei der hinzugefügten Ebene kann es sich um eine beliebige Dimension oder Dimensionen handeln, unabhängig von den Dimensionen, die dem Bild hinzugefügt wurden. Das Argument muss ein Dimensionsfeld sein. Die Gruppenebene muss in eckige Klammern `[ ]` eingeschlossen werden. Weitere Informationen finden Sie unter [Level-sensitive Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). ## Beispiele Das folgende Beispiel gibt den maximalen Verkaufswert für jede Region zurück. Er wird mit dem Gesamt-, Mindest- und Medianwert des Umsatzes verglichen. ``` max({Sales}) ``` ![\[Der maximale Verkaufswert für jede Region.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/min-max-median-function-example.png) Sie können auch anhand einer oder mehrerer Dimensionen in der Ansicht oder in Ihrem Datensatz angeben, auf welcher Ebene die Berechnung gruppiert werden soll. Dies wird als LAC-A-Funktion bezeichnet. Weitere Informationen zu LAC-A-Funktionen finden Sie unter [Ebenenorientierte Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). Im folgenden Beispiel wird der maximale Umsatz auf Länderebene berechnet, jedoch nicht über andere Dimensionen (Region) im Bild. ``` max({Sales}, [Country]) ``` ![\[Der maximale Verkaufswert in jedem Land.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/max-function-example2.png) # maxIf Die Funktion `maxIf` gibt auf der Grundlage einer bedingten Anweisung den maximalen Wert des angegebenen Maßes zurück, gruppiert nach den gewählten Dimensionen. `maxIf(ProdRev,CalendarDay >= ${BasePeriodStartDate} AND CalendarDay <= ${BasePeriodEndDate} AND SourcingType <> 'Indirect')` gibt beispielsweise die maximalen Verkaufsziele zurück, gruppiert nach der (optional) gewählten Dimension, wenn die Bedingung erfüllt ist. ## Syntax ``` maxIf(measure, condition) ``` ## Argumente *measure* Das Argument muss ein Maß sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. Das Argument muss ein Feld sein. *condition* Eine oder mehrere Bedingungen in einer einzelnen Anweisung. # median Die Funktion `median` gibt den Medianwert des angegebenen Maßes zurück, gruppiert nach der/den gewählten Dimension(en). Beispielsweise gibt `median(revenue)` den Median-Umsatz zurück, gruppiert nach der (optional) ausgewählten Dimension. ## Syntax ``` median(measure, [group-by level]) ``` ## Argumente *measure* Das Argument muss ein Maß sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. Das Argument muss ein Feld sein. *nach Ebene gruppieren* (Optional) Gibt die Ebene an, nach der die Aggregation gruppiert werden soll. Bei der hinzugefügten Ebene kann es sich um eine beliebige Dimension oder Dimensionen handeln, unabhängig von den Dimensionen, die dem Bild hinzugefügt wurden. Das Argument muss ein Dimensionsfeld sein. Die Gruppenebene muss in eckige Klammern `[ ]` eingeschlossen werden. Weitere Informationen finden Sie unter [Level-sensitive Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). ## Beispiele Das folgende Beispiel gibt den Median des Umsatzes für jede Region zurück. Er wird mit dem Gesamt-, Höchst- und Mindestumsatz verglichen. ``` median({Sales}) ``` ![\[Der mittlere Umsatzwert für jede Region.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/min-max-median-function-example.png) Sie können auch anhand einer oder mehrerer Dimensionen in der Ansicht oder in Ihrem Datensatz angeben, auf welcher Ebene die Berechnung gruppiert werden soll. Dies wird als LAC-A-Funktion bezeichnet. Weitere Informationen zu LAC-A-Funktionen finden Sie unter [Ebenenorientierte Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). Im folgenden Beispiel wird der durchschnittliche Umsatz auf Länderebene berechnet, aber nicht über andere Dimensionen (Region) im Bild. ``` median({Sales}, [Country]) ``` ![\[Der durchschnittliche Umsatzwert in jedem Land.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/median-function-example2.png) # medianIf Die Funktion `medianIf` gibt auf der Grundlage einer bedingten Anweisung den Medianwert des angegebenen Maßes zurück, gruppiert nach den gewählten Dimensionen. `medianIf(Revenue,SaleDate >= ${BasePeriodStartDate} AND SaleDate <= ${BasePeriodEndDate})` gibt beispielsweise den durchschnittlichen Umsatz zurück, gruppiert nach der (optional) ausgewählten Dimension, wenn die Bedingung erfüllt ist. ## Syntax ``` medianIf(measure, condition) ``` ## Argumente *measure* Das Argument muss ein Maß sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. Das Argument muss ein Feld sein. *condition* Eine oder mehrere Bedingungen in einer einzelnen Anweisung. # min Die Funktion „`min`“ gibt den niedrigsten Wert des angegebenen Maßes oder Datums zurück, gruppiert nach der/den gewählten Dimension(en). Beispielsweise gibt `min(return rate)` die niedrigste Anzahl der Retouren für dieses Maß zurück, gruppiert nach der gewählten Dimension (optional). ## Syntax ``` min(measure, [group-by level]) ``` ## Argumente *measure* Das Argument muss ein Maß oder Datum sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. Das Argument muss ein Feld sein. Minimale Datumsangaben funktionieren nur im Feldbereich **Value (Wert)** für Tabellen und Pivot-Tabellen. *nach Ebene gruppieren* (Optional) Gibt die Ebene an, nach der die Aggregation gruppiert werden soll. Bei der hinzugefügten Ebene kann es sich um eine beliebige Dimension oder Dimensionen handeln, unabhängig von den Dimensionen, die dem Bild hinzugefügt wurden. Das Argument muss ein Dimensionsfeld sein. Die Gruppenebene muss in eckige Klammern `[ ]` eingeschlossen werden. Weitere Informationen finden Sie unter [Level-sensitive Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). ## Beispiele Das folgende Beispiel gibt den Mindestumsatzwert für jede Region zurück. Er wird mit dem Gesamt-, Maximal- und Medianumsatz verglichen. ``` min({Sales}) ``` ![\[Der Mindestumsatzwert für jede Region.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/min-max-median-function-example.png) Sie können auch anhand einer oder mehrerer Dimensionen in der Ansicht oder in Ihrem Datensatz angeben, auf welcher Ebene die Berechnung gruppiert werden soll. Dies wird als LAC-A-Funktion bezeichnet. Weitere Informationen zu LAC-A-Funktionen finden Sie unter [Ebenenorientierte Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). Im folgenden Beispiel wird der minimale Umsatz auf Länderebene berechnet, jedoch nicht über andere Dimensionen (Region) im Bild. ``` min({Sales}, [Country]) ``` ![\[Der minimale Umsatzwert in jedem Land.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/min-function-example2.png) # minIf Die Funktion `minIf` gibt auf der Grundlage einer bedingten Anweisung den niedrigsten Wert des angegebenen Maßes zurück, gruppiert nach den gewählten Dimensionen. `minIf(ProdRev,CalendarDay >= ${BasePeriodStartDate} AND CalendarDay <= ${BasePeriodEndDate} AND SourcingType <> 'Indirect')` gibt beispielsweise die niedrigste Retourenrate zurück, gruppiert nach der (optional) gewählten Dimension, wenn die Bedingung erfüllt ist. ## Syntax ``` minIf(measure, condition) ``` ## Argumente *measure* Das Argument muss ein Maß sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. Das Argument muss ein Feld sein. *condition* Eine oder mehrere Bedingungen in einer einzelnen Anweisung. # percentile Die `percentile`-Funktion berechnet das Perzentil der Messwerte, gruppiert nach der Dimension, die sich im Feldbereich befindet. In Quick sind zwei Varianten der Perzentilberechnung verfügbar: + [https://docs.aws.amazon.com/quicksight/latest/user/percentileCont-function.html](https://docs.aws.amazon.com/quicksight/latest/user/percentileCont-function.html) verwendet lineare Interpolation, um das Ergebnis zu ermitteln. + [percentileDisc(Perzentil)](https://docs.aws.amazon.com/quicksight/latest/user/percentileDisc-function.html) verwendet tatsächliche Werte, um das Ergebnis zu ermitteln. Die `percentile`-Funktion ist ein Alias von `percentileDisc`. # percentileCont Die `percentileCont`-Funktion berechnet das Perzentil auf der Grundlage einer kontinuierlichen Verteilung der Zahlen im Maß. Sie verwendet die Gruppierung und Sortierung, die in den Feldbereichen angewendet werden. Sie beantwortet Fragen wie: Welche Werte sind repräsentativ für dieses Perzentil? Um einen exakten Perzentilwert zurückzugeben, der in Ihrem Datensatz möglicherweise nicht vorhanden ist, verwenden Sie `percentileCont`. Um den nächstgelegenen Perzentilwert, der in Ihrem Datensatz vorhanden ist, zurückzugeben, verwenden Sie stattdessen `percentileDisc`. ## Syntax ``` percentileCont(expression, percentile, [group-by level]) ``` ## Argumente *measure* Gibt einen numerischen Wert an, der zur Berechnung des Perzentils verwendet werden soll. Das Argument muss ein Maß oder eine Metrik sein. Null-Werte werden bei der Berechnung ignoriert. *percentile* Der Perzentilwert kann eine beliebige numerische Konstante von 0–100 sein. Ein Perzentilwert von 50 berechnet den Medianwert des Maßes. *nach Ebene gruppieren* (Optional) Gibt die Ebene an, nach der die Aggregation gruppiert werden soll. Bei der hinzugefügten Ebene kann es sich um eine beliebige Dimension oder Dimensionen handeln, unabhängig von den Dimensionen, die dem Bild hinzugefügt wurden. Das Argument muss ein Dimensionsfeld sein. Die Gruppenebene muss in eckige Klammern `[ ]` eingeschlossen werden. Weitere Informationen finden Sie unter [Level-sensitive Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). ## Rückgabewert Das Ergebnis der Funktion ist eine Zahl. ## Nutzungshinweise Die `percentileCont`-Funktion berechnet ein Ergebnis auf der Grundlage einer kontinuierlichen Verteilung der Werte aus einem bestimmten Maß. Das Ergebnis wird durch lineare Interpolation zwischen den Werten berechnet, nachdem sie anhand der Einstellungen im Bildmaterial geordnet wurden. Es unterscheidet sich von `percentileDisc`, das einfach einen Wert aus der Menge der Werte zurückgibt, über die aggregiert wird. Das Ergebnis von `percentileCont` kann in den Werten des angegebenen Maßes enthalten sein, muss es aber nicht. ## Beispiele für percentileCont Die folgenden Beispiele erklären, wie percentileCont funktioniert. **Example Vergleich von Median, `percentileCont` und `percentileDisc`** Das folgende Beispiel zeigt den Median für eine Dimension (Kategorie) mithilfe der Funktionen `median`, `percentileCont` und `percentileDisc`. Der Medianwert entspricht dem percentileCont-Wert. `percentileCont` interpoliert einen Wert, der möglicherweise im Datensatz enthalten ist oder nicht. Da `percentileDisc` jedoch immer einen Wert anzeigt, der im Datensatz vorhanden ist, stimmen die beiden Ergebnisse möglicherweise nicht überein. In der letzten Spalte in diesem Beispiel wird die Zeitspanne zwischen zwei Werten dargestellt. Der Code für jedes berechnete Feld lautet wie folgt: + `50%Cont = percentileCont( example , 50 )` + `median = median( example )` + `50%Disc = percentileDisc( example , 50 )` + `Cont-Disc = percentileCont( example , 50 ) − percentileDisc( example , 50 )` + `example = left( category, 1 )` (Um ein einfacheres Beispiel zu geben, haben wir diesen Ausdruck verwendet, um die Namen von Kategorien bis auf ihren ersten Buchstaben zu verkürzen.) ``` example median 50%Cont 50%Disc Cont-Disc -------- ----------- ------------ -------------- ------------ A 22.48 22.48 22.24 0.24 B 20.96 20.96 20.95 0.01 C 24.92 24.92 24.92 0 D 24.935 24.935 24.92 0.015 E 14.48 14.48 13.99 0.49 ``` **Example 100. Perzentil als Maximum** Das folgende Beispiel zeigt eine Vielzahl von `percentileCont`-Werten für das Feld `example`. Die berechneten Felder `n%Cont` sind als `percentileCont( {example} ,n)` definiert. Die interpolierten Werte in jeder Spalte stellen die Zahlen dar, die in diesen Perzentil-Bucket fallen. In einigen Fällen stimmen die tatsächlichen Datenwerte mit den interpolierten Werten überein. Zum Beispiel zeigt die Spalte `100%Cont` für jede Zeile den gleichen Wert an, da 6 783,02 die höchste Zahl ist. ``` example 50%Cont 75%Cont 99%Cont 100%Cont --------- ----------- ----------- ------------ ----------- A 20.97 84.307 699.99 6783.02 B 20.99 88.84 880.98 6783.02 C 20.99 90.48 842.925 6783.02 D 21.38 85.99 808.49 6783.02 ``` Sie können auch anhand einer oder mehrerer Dimensionen in der Ansicht oder in Ihrem Datensatz angeben, auf welcher Ebene die Berechnung gruppiert werden soll. Dies wird als LAC-A-Funktion bezeichnet. Weitere Informationen zu LAC-A-Funktionen finden Sie unter [Ebenenorientierte Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). Im folgenden Beispiel wird das 30. Perzentil auf der Grundlage einer kontinuierlichen Verteilung der Zahlen auf Landesebene berechnet, jedoch nicht auf andere Dimensionen (Region) im Bildmaterial. ``` percentileCont({Sales}, 30, [Country]) ``` ![\[Das Perzentil der Verkäufe in jedem Land.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/percentileCont-function-example-lac.png) # percentileDisc-(Perzentil) Die `percentileDisc`-Funktion berechnet das Perzentil auf der Grundlage der tatsächlichen Zahlen in `measure`. Sie verwendet die Gruppierung und Sortierung, die in den Feldbereichen angewendet werden. Die `percentile`-Funktion ist ein Alias von `percentileDisc`. Verwenden Sie diese Funktion, um die folgende Frage zu beantworten: Welche tatsächlichen Datenpunkte befinden sich in diesem Perzentil? Um den nächstgelegenen Perzentilwert, der in Ihrem Datensatz vorhanden ist, zurückzugeben, verwenden Sie `percentileDisc`. Um einen exakten Perzentilwert zurückzugeben, der in Ihrem Datensatz möglicherweise nicht vorhanden ist, verwenden Sie stattdessen `percentileCont`. ## Syntax ``` percentileDisc(expression, percentile, [group-by level]) ``` ## Argumente *measure* Gibt einen numerischen Wert an, der zur Berechnung des Perzentils verwendet werden soll. Das Argument muss ein Maß oder eine Metrik sein. Null-Werte werden bei der Berechnung ignoriert. *percentile* Der Perzentilwert kann eine beliebige numerische Konstante von 0–100 sein. Ein Perzentilwert von 50 berechnet den Medianwert des Maßes. *nach Ebene gruppieren* (Optional) Gibt die Ebene an, nach der die Aggregation gruppiert werden soll. Bei der hinzugefügten Ebene kann es sich um eine beliebige Dimension oder Dimensionen handeln, unabhängig von den Dimensionen, die dem Bild hinzugefügt wurden. Das Argument muss ein Dimensionsfeld sein. Die Gruppenebene muss in eckige Klammern `[ ]` eingeschlossen werden. Weitere Informationen finden Sie unter [Level-sensitive Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). ## Rückgabewert Das Ergebnis der Funktion ist eine Zahl. ## Nutzungshinweise `percentileDisc` ist eine Funktion für die inverse Verteilung, die ein diskretes Verteilungsmodell annimmt. Sie empfängt einen Perzentilwert und eine Sortierspezifikation und gibt ein Element aus dem angegebenen Satz zurück. Für einen gegebenen Perzentilwert `P` verwendet `percentileDisc` die sortierten Werte im Bildmaterial und gibt den Wert mit dem kleinsten kumulativen Verteilungswert zurück, der größer als oder gleich `P` ist. ## Beispiele für percentileDisc Die folgenden Beispiele erklären, wie percentileDisc funktioniert. **Example Vergleich von Median, `percentileDisc` und `percentileCont`** Das folgende Beispiel zeigt den Median für eine Dimension (Kategorie) mithilfe der Funktionen `percentileCont` und `percentileDisc` und `median`. Der Medianwert entspricht dem percentileCont-Wert. `percentileCont` interpoliert einen Wert, der möglicherweise im Datensatz enthalten ist oder nicht. Da `percentileDisc` jedoch immer den nächstgelegenen Wert anzeigt, der im Datensatz vorhanden ist, stimmen die beiden Ergebnisse möglicherweise nicht überein. In der letzten Spalte in diesem Beispiel wird die Zeitspanne zwischen zwei Werten dargestellt. Der Code für jedes berechnete Feld lautet wie folgt: + `50%Cont = percentileCont( example , 50 )` + `median = median( example )` + `50%Disc = percentileDisc( example , 50 )` + `Cont-Disc = percentileCont( example , 50 ) − percentileDisc( example , 50 )` + `example = left( category, 1 )` (Um ein einfacheres Beispiel zu geben, haben wir diesen Ausdruck verwendet, um die Namen von Kategorien bis auf ihren ersten Buchstaben zu verkürzen.) ``` example median 50%Cont 50%Disc Cont-Disc -------- ----------- ------------ -------------- ------------ A 22.48 22.48 22.24 0.24 B 20.96 20.96 20.95 0.01 C 24.92 24.92 24.92 0 D 24.935 24.935 24.92 0.015 E 14.48 14.48 13.99 0.49 ``` **Example 100. Perzentil als Maximum** Das folgende Beispiel zeigt eine Vielzahl von `percentileDisc`-Werten für das Feld `example`. Die berechneten Felder `n%Disc` sind als `percentileDisc( {example} ,n)` definiert. Bei den Werten in jeder Spalte handelt es sich um tatsächliche Zahlen aus dem Datensatz. ``` example 50%Disc 75%Disc 99%Disc 100%Disc -------- ----------- ------------ -------------- ------------ A 20.97 73.98 699.99 6783.02 B 42.19 88.84 820.08 6783.02 C 30.52 90.48 733.44 6783.02 D 41.38 85.99 901.29 6783.0 ``` Sie können auch anhand einer oder mehrerer Dimensionen in der Ansicht oder in Ihrem Datensatz angeben, auf welcher Ebene die Berechnung gruppiert werden soll. Dies wird als LAC-A-Funktion bezeichnet. Weitere Informationen zu LAC-A-Funktionen finden Sie unter [Ebenenorientierte Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). Im folgenden Beispiel wird das 30. Perzentil auf der Grundlage einer kontinuierlichen Verteilung der Zahlen auf Landesebene berechnet, jedoch nicht auf andere Dimensionen (Region) im Bildmaterial. ``` percentile({Sales}, 30, [Country]) ``` ![\[Das Perzentil der Verkäufe in jedem Land.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/percentile-function-example-lac.png) # periodToDateAvg Die Funktion `periodToDateAvg` bildet den Durchschnitt der Zahlen im angegebenen Maß für eine bestimmte Zeitgranularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt, bezogen auf diesen Zeitraum. ## Syntax ``` periodToDateAvg( measure, dateTime, period, endDate (optional)) ``` ## Argumente *measure* Das Argument muss ein Feld sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. *dateTime* Die Datumsdimension, für die Sie PeriodToDate Aggregationen berechnen. *Zeitraum* Der Zeitraum, für den Sie die Berechnung berechnen. Granularität von `YEAR` bedeutet die Berechnung von `YearToDate`, `Quarter` bedeutet `QuarterToDate` und so weiter. Zu den gültigen Granularitäten gehören `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` und `SECONDS`. *endDate* (Optional) Die Datumsdimension, mit der Sie die Berechnung von periodToDate Aggregationen beenden. Wenn sie weggelassen wird, ist sie standardmäßig `now()`. ## Beispiel Im folgenden Beispiel wird der week-to-date Mindestpreis pro Zahlungsart für die Woche vom 30.06.2021 berechnet. Der Einfachheit halber haben wir in diesem Beispiel nur eine einzige Zahlung herausgefiltert. Der 30.06.21 ist ein Mittwoch. Quick beginnt die Woche sonntags. In unserem Beispiel ist das der 27.06.21. ``` periodToDateAvg(fare_amount, pickUpDatetime, WEEK, parseDate("06-30-2021", "MM-dd-yyyy")) ``` ![\[Dies ist ein Bild der Ergebnisse der Beispielrechnung.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/PTDAvgResults.png) # periodToDateCount Die `periodToDateCount`-Funktion berechnet die Anzahl der Werte in einer Dimension oder einem Maß, einschließlich Duplikaten, für eine bestimmte Zeitgranularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt relativ zu diesem Zeitraum. ## Syntax ``` periodToDateCount( measure, dateTime, period, endDate (optional)) ``` ## Argumente *measure* Das Argument muss ein Feld sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. *dateTime* Die Datumsdimension, für die Sie PeriodToDate Aggregationen berechnen. *Zeitraum* Der Zeitraum, für den Sie die Berechnung berechnen. Granularität von `YEAR` bedeutet die Berechnung von `YearToDate`, `Quarter` bedeutet `QuarterToDate` und so weiter. Zu den gültigen Granularitäten gehören `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` und `SECONDS`. *endDate* (Optional) Die Datumsdimension, mit der Sie die Berechnung von periodToDate Aggregationen beenden. Wenn sie weggelassen wird, ist sie standardmäßig `now()`. ## Beispiel Im folgenden Beispiel wird der week-to-date Mindestpreis pro Zahlungsart für die Woche vom 30.06.2021 berechnet. Der Einfachheit halber haben wir in diesem Beispiel nur eine einzige Zahlung herausgefiltert. Der 30.06.21 ist ein Mittwoch. Quick beginnt die Woche sonntags. In unserem Beispiel ist das der 27.06.21. ``` periodToDateCount(fare_amount, pickUpDatetime, WEEK, parseDate("06-30-2021", "MM-dd-yyyy")) ``` ![\[Dies ist ein Bild der Ergebnisse der Beispielrechnung.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/PTDCountResults.png) # periodToDateMax Die Funktion `periodToDateMax` gibt den Maximalwert des angegebenen Maßes für eine bestimmte Zeitgranularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt zurück, bezogen auf diesen Zeitpunkt. ## Syntax ``` periodToDateMax( measure, dateTime, period, endDate (optional)) ``` ## Argumente *measure* Das Argument muss ein Feld sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. *dateTime* Die Datumsdimension, für die Sie PeriodToDate Aggregationen berechnen. *Zeitraum* Der Zeitraum, für den Sie die Berechnung berechnen. Granularität von `YEAR` bedeutet die Berechnung von `YearToDate`, `Quarter` bedeutet `QuarterToDate` und so weiter. Zu den gültigen Granularitäten gehören `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` und `SECONDS`. *endDate* (Optional) Die Datumsdimension, mit der Sie die Berechnung von periodToDate Aggregationen beenden. Wenn sie weggelassen wird, ist sie standardmäßig `now()`. ## Beispiel Im folgenden Beispiel wird der week-to-date Mindestpreis pro Zahlungsart für die Woche vom 30.06.2021 berechnet. Der Einfachheit halber haben wir in diesem Beispiel nur eine einzige Zahlung herausgefiltert. Der 30.06.21 ist ein Mittwoch. Quick beginnt die Woche sonntags. In unserem Beispiel ist das der 27.06.21. ``` periodToDateMax(fare_amount, pickUpDatetime, WEEK, parseDate("06-30-2021", "MM-dd-yyyy")) ``` ![\[Dies ist ein Bild der Ergebnisse der Beispielrechnung.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/PTDMaxResults.png) # periodToDateMedian Die `periodToDateMedian`-Funktion gibt den Medianwert des angegebenen Maßes für eine bestimmte Zeitgranularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt relativ zu diesem Zeitraum zurück. ## Syntax ``` periodToDateMedian( measure, dateTime, period, endDate (optional)) ``` ## Argumente *measure* Das Argument muss ein Feld sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. *dateTime* Die Datumsdimension, für die Sie PeriodToDate Aggregationen berechnen. *Zeitraum* Der Zeitraum, für den Sie die Berechnung berechnen. Granularität von `YEAR` bedeutet die Berechnung von `YearToDate`, `Quarter` bedeutet `QuarterToDate` und so weiter. Zu den gültigen Granularitäten gehören `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` und `SECONDS`. *endDate* (Optional) Die Datumsdimension, mit der Sie die Berechnung von periodToDate Aggregationen beenden. Wenn sie weggelassen wird, ist sie standardmäßig `now()`. ## Beispiel Im folgenden Beispiel wird der week-to-date Mindestpreis pro Zahlungsart für die Woche vom 30.06.2021 berechnet. Der Einfachheit halber haben wir in diesem Beispiel nur eine einzige Zahlung herausgefiltert. Der 30.06.21 ist ein Mittwoch. Quick beginnt die Woche sonntags. In unserem Beispiel ist das der 27.06.21. ``` periodToDateMedian(fare_amount, pickUpDatetime, WEEK, parseDate("06-30-2021", "MM-dd-yyyy")) ``` ![\[Dies ist ein Bild der Ergebnisse der Beispielrechnung.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/PTDMedianResults.png) # periodToDateMin Die Funktion `periodToDateMin` gibt den Mindestwert des angegebenen Maßes oder des angegebenen Datums oder einer bestimmten zeitlichen Granularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt zurück, bezogen auf diesen Zeitraum. ## Syntax ``` periodToDateMin( measure, dateTime, period, endDate (optional)) ``` ## Argumente *measure* Das Argument muss ein Feld sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. *dateTime* Die Datumsdimension, für die Sie PeriodToDate Aggregationen berechnen. *Zeitraum* Der Zeitraum, für den Sie die Berechnung berechnen. Granularität von `YEAR` bedeutet die Berechnung von `YearToDate`, `Quarter` bedeutet `QuarterToDate` und so weiter. Zu den gültigen Granularitäten gehören `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` und `SECONDS`. *endDate* (Optional) Die Datumsdimension, mit der Sie die Berechnung von periodToDate Aggregationen beenden. Wenn sie weggelassen wird, ist sie standardmäßig `now()`. ## Beispiel Im folgenden Beispiel wird der week-to-date Mindestpreis pro Zahlungsart für die Woche vom 30.06.2021 berechnet. Der Einfachheit halber haben wir in diesem Beispiel nur eine einzige Zahlung herausgefiltert. Der 30.06.21 ist ein Mittwoch. Quick beginnt die Woche sonntags. In unserem Beispiel ist das der 27.06.21. ``` periodToDateMin(fare_amount, pickUpDatetime, WEEK, parseDate("06-30-2021", "MM-dd-yyyy")) ``` ![\[Dies ist ein Bild der Ergebnisse der Beispielrechnung.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/PTDMinResults.png) # periodToDatePercentile Die `periodToDatePercentile`-Funktion berechnet das Perzentil auf der Grundlage der tatsächlichen Zahlen für eine bestimmte Zeitgranularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt, bezogen auf diesen Zeitraum. Sie verwendet die Gruppierung und Sortierung, die in den Feldbereichen angewendet werden. Um den nächstgelegenen Perzentilwert, der in Ihrem Datensatz vorhanden ist, zurückzugeben, verwenden Sie `periodToDatePercentile`. Um einen exakten Perzentilwert zurückzugeben, der in Ihrem Datensatz möglicherweise nicht vorhanden ist, verwenden Sie stattdessen `periodToDatePercentileCont`. ## Syntax ``` periodToDatePercentile( measure, percentile, dateTime, period, endDate (optional)) ``` ## Argumente *measure* Das Argument muss ein Feld sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. *percentile* Der Perzentilwert kann eine beliebige numerische Konstante von 0–100 sein. Ein Perzentil von 50 berechnet den Medianwert des Maßes. *dateTime* Die Datumsdimension, für die Sie PeriodToDate Aggregationen berechnen. *Zeitraum* Der Zeitraum, für den Sie die Berechnung berechnen. Granularität von `YEAR` bedeutet die Berechnung von `YearToDate`, `Quarter` bedeutet `QuarterToDate` und so weiter. Zu den gültigen Granularitäten gehören `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` und `SECONDS`. *endDate* (Optional) Die Datumsdimension, mit der Sie die Berechnung von periodToDate Aggregationen beenden. Wenn sie weggelassen wird, ist sie standardmäßig `now()`. ## Beispiel Im folgenden Beispiel wird das 90. Perzentil des Fahrpreisbetrags pro Zahlungsart für die Woche vom 30.06.2021 berechnet. week-to-date Der Einfachheit halber haben wir in diesem Beispiel nur eine einzige Zahlung herausgefiltert. Der 30.06.21 ist ein Mittwoch. Quick beginnt die Woche sonntags. In unserem Beispiel ist das der 27.06.21. ``` periodToDatePercentile(fare_amount, 90, pickupDatetime, WEEK, parseDate("06-30-2021", "MM-dd-yyyy")) ``` ![\[Dies ist ein Bild des Ergebnisses der Beispielrechnung.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/PTDPercentileResults.png) # periodToDatePercentileCont Die `periodToDatePercentileCont`-Funktion berechnet das Perzentil auf der Grundlage einer kontinuierlichen Verteilung der Zahlen im Maß für eine bestimmte Zeitgranularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt in diesem Zeitraum. Sie verwendet die Gruppierung und Sortierung, die in den Feldbereichen angewendet werden. Um einen exakten Perzentilwert zurückzugeben, der in Ihrem Datensatz möglicherweise nicht vorhanden ist, verwenden Sie `periodToDatePercentileCont`. Um den nächstgelegenen Perzentilwert, der in Ihrem Datensatz vorhanden ist, zurückzugeben, verwenden Sie stattdessen `periodToDatePercentile`. ## Syntax ``` periodToDatePercentileCont( measure, percentile, dateTime, period, endDate (optional)) ``` ## Argumente *measure* Das Argument muss ein Feld sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. *percentile* Der Perzentilwert kann eine beliebige numerische Konstante von 0–100 sein. Ein Perzentil von 50 berechnet den Medianwert des Maßes. *dateTime* Die Datumsdimension, für die Sie PeriodToDate Aggregationen berechnen. *Zeitraum* Der Zeitraum, für den Sie die Berechnung berechnen. Granularität von `YEAR` bedeutet die Berechnung von `YearToDate`, `Quarter` bedeutet `QuarterToDate` und so weiter. Zu den gültigen Granularitäten gehören `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` und `SECONDS`. *endDate* (Optional) Die Datumsdimension, mit der Sie die Berechnung von periodToDate Aggregationen beenden. Wenn sie weggelassen wird, ist sie standardmäßig `now()`. ## Beispiel Im folgenden Beispiel wird das 90. Perzentil des Fahrpreisbetrags pro Zahlungsart für die Woche vom 30.06.2021 berechnet. week-to-date Der Einfachheit halber haben wir in diesem Beispiel nur eine einzige Zahlung herausgefiltert. Der 30.06.21 ist ein Mittwoch. Quick beginnt die Woche sonntags. In unserem Beispiel ist das der 27.06.21. ``` periodToDatePercentileCont(fare_amount, 90, pickupDatetime, WEEK, parseDate("06-30-2021", "MM-dd-yyyy")) ``` ![\[Dies ist ein Bild des Ergebnisses der Beispielrechnung.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/PTDContPercentileResults.png) # periodToDateStDev Die Funktion `periodToDateStDev` berechnet die Standardabweichung der Menge der Zahlen im angegebenen Maß für eine bestimmte zeitliche Granularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt, basierend auf einer Probe und relativ zu diesem Zeitraum. ## Syntax ``` periodToDateStDev( measure, dateTime, period, endDate (optional)) ``` ## Argumente *measure* Das Argument muss ein Feld sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. *dateTime* Die Datumsdimension, für die Sie PeriodToDate Aggregationen berechnen. *Zeitraum* (Optional) Der Zeitraum, für den Sie die Berechnung berechnen. Granularität von `YEAR` bedeutet die Berechnung von `YearToDate`, `Quarter` bedeutet `QuarterToDate` und so weiter. Zu den gültigen Granularitäten gehören `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` und `SECONDS`. *endDate* (Optional) Die Datumsdimension, mit der Sie die Berechnung von periodToDate Aggregationen beenden. Wenn sie weggelassen wird, ist sie standardmäßig `now()`. ## Beispiel Im folgenden Beispiel wird der week-to-date Mindestpreis pro Zahlungsart für die Woche vom 30.06.2021 berechnet. Der Einfachheit halber haben wir in diesem Beispiel nur eine einzige Zahlung herausgefiltert. Der 30.06.21 ist ein Mittwoch. Quick beginnt die Woche sonntags. In unserem Beispiel ist das der 27.06.21. ``` periodToDateStDev(fare_amount, pickUpDatetime, WEEK, parseDate("06-30-2021", "MM-dd-yyyy")) ``` ![\[Dies ist ein Bild der Ergebnisse der Beispielrechnung.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/PTDStDevResults.png) # periodToDateStDevP Die Funktion `periodToDateStDevP` berechnet die Standardabweichung der Population der Zahlen im angegebenen Maß für eine bestimmte zeitliche Granularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt, basierend auf einer Probe in diesem Zeitraum. ## Syntax ``` periodToDateStDevP( measure, dateTime, period, endDate (optional)) ``` ## Argumente *measure* Das Argument muss ein Feld sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. *dateTime* Die Datumsdimension, für die Sie PeriodToDate Aggregationen berechnen. *Zeitraum* Der Zeitraum, für den Sie die Berechnung berechnen. Granularität von `YEAR` bedeutet die Berechnung von `YearToDate`, `Quarter` bedeutet `QuarterToDate` und so weiter. Zu den gültigen Granularitäten gehören `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` und `SECONDS`. *endDate* (Optional) Die Datumsdimension, mit der Sie die Berechnung von periodToDate Aggregationen beenden. Wenn sie weggelassen wird, ist sie standardmäßig `now()`. ## Beispiel Im folgenden Beispiel wird der week-to-date Mindestpreis pro Zahlungsart für die Woche vom 30.06.2021 berechnet. Der Einfachheit halber haben wir in diesem Beispiel nur eine einzige Zahlung herausgefiltert. Der 30.06.21 ist ein Mittwoch. Quick beginnt die Woche sonntags. In unserem Beispiel ist das der 27.06.21. ``` periodToDateStDevP(fare_amount, pickUpDatetime, WEEK, parseDate("06-30-2021", "MM-dd-yyyy")) ``` ![\[Dies ist ein Bild der Ergebnisse der Beispielrechnung.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/PTDStDevPResults.png) # periodToDateSum Die Funktion `periodToDateSum` addiert das angegebene Maß für eine bestimmte Zeitgranularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt, bezogen auf diesen Zeitraum. ## Syntax ``` periodToDateSum( measure, dateTime, period, endDate) ``` ## Argumente *measure* Das Argument muss ein Feld sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. *dateTime* Die Datumsdimension, für die Sie PeriodToDate Aggregationen berechnen. *Zeitraum* Der Zeitraum, für den Sie die Berechnung berechnen. Granularität von `YEAR` bedeutet die Berechnung von `YearToDate`, `Quarter` bedeutet `QuarterToDate` und so weiter. Zu den gültigen Granularitäten gehören `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` und `SECONDS`. *endDate* (Optional) Die Datumsdimension, mit der Sie die Berechnung von periodToDate Aggregationen beenden. Wenn sie weggelassen wird, ist sie standardmäßig `now()`. ## Beispiel Die folgende Funktion berechnet die wöchentliche Summe der Tarife pro Zahlung, für die Woche vom 30.06.21. Der Einfachheit halber haben wir in diesem Beispiel nur eine einzige Zahlung herausgefiltert. Der 30.06.21 ist ein Mittwoch. Quick beginnt die Woche sonntags. In unserem Beispiel ist das der 27.06.21. ``` periodToDateSum(fare_amount, pickUpDateTime, WEEK, parseDate("06-30-2021", "MM-dd-yyyy")) ``` ![\[Dies ist ein Bild der Ergebnisse für das Beispiel, mit Illustrationen.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/PTDSumResults.png) # periodToDateVar Die Funktion `periodToDateVar` berechnet die Stichprobenvarianz der Zahlenmenge im angegebenen Maß für eine bestimmte Zeitgranularität (z. B. ein Quartal) bis zu einem Zeitpunkt in diesem Zeitraum. ## Syntax ``` periodToDateVar( measure, dateTime, period, endDate (optional)) ``` ## Argumente *measure* Das Argument muss ein Feld sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. *dateTime* Die Datumsdimension, für die Sie PeriodToDate Aggregationen berechnen. *Zeitraum* Der Zeitraum, für den Sie die Berechnung berechnen. Granularität von `YEAR` bedeutet die Berechnung von `YearToDate`, `Quarter` bedeutet `QuarterToDate` und so weiter. Zu den gültigen Granularitäten gehören `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` und `SECONDS`. *endDate* (Optional) Die Datumsdimension, mit der Sie die Berechnung von periodToDate Aggregationen beenden. Wenn sie weggelassen wird, ist sie standardmäßig `now()`. ## Beispiel Im folgenden Beispiel wird der week-to-date Mindestpreis pro Zahlungsart für die Woche vom 30.06.2021 berechnet. Der Einfachheit halber haben wir in diesem Beispiel nur eine einzige Zahlung herausgefiltert. Der 30.06.21 ist ein Mittwoch. Quick beginnt die Woche sonntags. In unserem Beispiel ist das der 27.06.21. ``` periodToDateVar(fare_amount, pickUpDatetime, WEEK, parseDate("06-30-2021", "MM-dd-yyyy")) ``` ![\[Dies ist ein Bild der Ergebnisse der Beispielrechnung.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/PTDVarResults.png) # periodToDateVarP Die Funktion `periodToDateVarP` berechnet die Varianz der Population der Menge der Zahlen im angegebenen Maß für eine bestimmte Zeitgranularität (z. B. ein Quartal) bis zu einem für diesen Zeitraum relevanten Zeitpunkt. ## Syntax ``` periodToDateVarP( measure, dateTime, period, endDate (optional)) ``` ## Argumente *measure* Das Argument muss ein Feld sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. *dateTime* Die Datumsdimension, für die Sie PeriodToDate Aggregationen berechnen. *Zeitraum* Der Zeitraum, für den Sie die Berechnung berechnen. Granularität von `YEAR` bedeutet die Berechnung von `YearToDate`, `Quarter` bedeutet `QuarterToDate` und so weiter. Zu den gültigen Granularitäten gehören `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` und `SECONDS`. *endDate* (Optional) Die Datumsdimension, mit der Sie die Berechnung von periodToDate Aggregationen beenden. Wenn sie weggelassen wird, ist sie standardmäßig `now()`. ## Beispiel Im folgenden Beispiel wird der week-to-date Mindestpreis pro Zahlungsart für die Woche vom 30.06.2021 berechnet. Der Einfachheit halber haben wir in diesem Beispiel nur eine einzige Zahlung herausgefiltert. Der 30.06.21 ist ein Mittwoch. Quick beginnt die Woche sonntags. In unserem Beispiel ist das der 27.06.21. ``` periodToDateVarP(fare_amount, pickUpDatetime, WEEK, parseDate("06-30-2021", "MM-dd-yyyy")) ``` ![\[Dies ist ein Bild der Ergebnisse der Beispielrechnung.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/PTDVarPResults.png) # stdev Die Funktion `stdev` berechnet anhand einer Stichprobe die Standardabweichung der Zahlenmenge in der angegebenen Messung, gruppiert nach der/den ausgewählten Dimension(en). ## Syntax ``` stdev(measure, [group-by level]) ``` ## Argumente *measure* Das Argument muss ein Maß sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. Das Argument muss ein Feld sein. *nach Ebene gruppieren* (Optional) Gibt die Ebene an, nach der die Aggregation gruppiert werden soll. Bei der hinzugefügten Ebene kann es sich um eine beliebige Dimension oder Dimensionen handeln, unabhängig von den Dimensionen, die dem Bild hinzugefügt wurden. Das Argument muss ein Dimensionsfeld sein. Die Gruppenebene muss in eckige Klammern `[ ]` eingeschlossen werden. Weitere Informationen finden Sie unter [Level-sensitive Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). ## Beispiele Im folgenden Beispiel wird die Standardabweichung der Testergebnisse für eine Klasse anhand einer Stichprobe der aufgezeichneten Testergebnisse zurückgegeben. ``` stdev({Score}) ``` Sie können auch anhand einer oder mehrerer Dimensionen in der Ansicht oder in Ihrem Datensatz angeben, auf welcher Ebene die Berechnung gruppiert werden soll. Dies wird als LAC-A-Funktion bezeichnet. Weitere Informationen zu LAC-A-Funktionen finden Sie unter [Ebenenorientierte Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). Das folgende Beispiel berechnet die Standardabweichung der Testergebnisse auf der Ebene des Themas, aber nicht über andere Dimensionen (Klasse) im Bildmaterial. ``` stdev({Score}, [Subject]) ``` # stdevp Die Funktion `stdevp` berechnet die Populations-Standardabweichung der Zahlenmenge in der angegebenen Messung, gruppiert nach der/den ausgewählten Dimension(en). ## Syntax ``` stdevp(measure, [group-by level]) ``` ## Argumente *measure* Das Argument muss ein Maß sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. Das Argument muss ein Feld sein. *nach Ebene gruppieren* (Optional) Gibt die Ebene an, nach der die Aggregation gruppiert werden soll. Bei der hinzugefügten Ebene kann es sich um eine beliebige Dimension oder Dimensionen handeln, unabhängig von den Dimensionen, die dem Bild hinzugefügt wurden. Das Argument muss ein Dimensionsfeld sein. Die Gruppenebene muss in eckige Klammern `[ ]` eingeschlossen werden. Weitere Informationen finden Sie unter [Level-sensitive Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). ## Beispiele Das folgende Beispiel gibt die Standardabweichung der Testergebnisse für eine Klasse unter Verwendung aller erfassten Ergebnisse zurück. ``` stdevp({Score}) ``` Sie können auch anhand einer oder mehrerer Dimensionen in der Ansicht oder in Ihrem Datensatz angeben, auf welcher Ebene die Berechnung gruppiert werden soll. Dies wird als LAC-A-Funktion bezeichnet. Weitere Informationen zu LAC-A-Funktionen finden Sie unter [Ebenenorientierte Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). Das folgende Beispiel berechnet die Standardabweichung der Testergebnisse auf der Ebene des Themas, aber nicht über andere Dimensionen (Klasse) im Bildmaterial unter Verwendung aller erfassten Ergebnisse. ``` stdevp({Score}, [Subject]) ``` # stdevIf Die Funktion `stdevIf` berechnet auf der Grundlage einer bedingten Anweisung anhand einer Stichprobe die Standardabweichung der Zahlenmenge in der angegebenen Messung, gruppiert nach der/den gewählten Dimension(en). ## Syntax ``` stdevIf(measure, conditions) ``` ## Argumente *measure* Das Argument muss ein Maß sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. Das Argument muss ein Feld sein. *condition* Eine oder mehrere Bedingungen in einer einzelnen Anweisung. # stdevpIf Die Funktion `stdevpIf` berechnet auf der Graundlage einer bedingten Anweisung anhand einer Population mit Bias die Standardabweichung der Zahlenmenge in der angegebenen Messung, gruppiert nach der/den ausgewählten Dimension(en). ## Syntax ``` stdevpIf(measure, conditions) ``` ## Argumente *measure* Das Argument muss ein Maß sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. Das Argument muss ein Feld sein. *condition* Eine oder mehrere Bedingungen in einer einzelnen Anweisung. # sum Die Funktion `sum` addiert die Zahlen der Gruppe im angegebenen Maß, gruppiert nach der/den gewählten Dimension(en). Die Funktion `sum(profit amount)` gibt den Gesamtbetrag des Gewinns zurück, gruppiert nach der gewählten Dimension (optional). ## Syntax ``` sum(measure, [group-by level]) ``` ## Argumente *measure* Das Argument muss ein Maß sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. Das Argument muss ein Feld sein. *nach Ebene gruppieren* (Optional) Gibt die Ebene an, nach der die Aggregation gruppiert werden soll. Bei der hinzugefügten Ebene kann es sich um eine beliebige Dimension oder Dimensionen handeln, unabhängig von den Dimensionen, die dem Bild hinzugefügt wurden. Das Argument muss ein Dimensionsfeld sein. Die Gruppenebene muss in eckige Klammern `[ ]` eingeschlossen werden. Weitere Informationen finden Sie unter [Level-sensitive Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). ## Beispiele Das folgende Beispiel gibt die Summe der Verkäufe zurück. ``` sum({Sales}) ``` Sie können auch anhand einer oder mehrerer Dimensionen in der Ansicht oder in Ihrem Datensatz angeben, auf welcher Ebene die Berechnung gruppiert werden soll. Dies wird als LAC-A-Funktion bezeichnet. Weitere Informationen zu LAC-A-Funktionen finden Sie unter [Ebenenorientierte Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). Das folgende Beispiel berechnet die Summe der Verkäufe auf Länderebene, aber nicht über andere Dimensionen (Region und Produkt) im Bildmaterial. ``` sum(Sales, [Country]) ``` ![\[Die Summe der Verkäufe für jedes Land.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/sum-function-example.png) # sumIf Die Funktion `sumIf` addiert auf der Grundlage einer bedingten Anweisung die Zahlengruppe im angegebenen Maß, gruppiert nach den gewählten Dimensionen. `sumIf(ProdRev,CalendarDay >= ${BasePeriodStartDate} AND CalendarDay <= ${BasePeriodEndDate} AND SourcingType <> 'Indirect')` gibt beispielsweise den Gesamtgewinn zurück, gruppiert nach der (optional) gewählten Dimension, wenn die Bedingung erfüllt ist. ## Syntax ``` sumIf(measure, conditions) ``` ## Argumente *measure* Das Argument muss ein Maß sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. Das Argument muss ein Feld sein. *condition* Eine oder mehrere Bedingungen in einer einzelnen Anweisung. ## Beispiele Im folgenden Beispiel wird ein berechnetes Feld mit `sumIf` verwendet, um den Verkaufsbetrag anzuzeigen, wenn `Segment` gleich `SMB` ist. ``` sumIf(Sales, Segment=’SMB’) ``` ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/sumIfCalc.png) Im folgenden Beispiel wird ein berechnetes Feld mit `sumIf` verwendet, um den Verkaufsbetrag anzuzeigen, wenn `Segment` gleich `SMB` und `Order Date` größer als das Jahr 2022 ist. ``` sumIf(Sales, Segment=’SMB’ AND {Order Date} >=’2022-01-01’) ``` # var Die Funktion `var` berechnet die Stichproben-Varianz der Zahlenmenge in der angegebenen Messung, gruppiert nach der/den gewählten Dimension(en). ## Syntax ``` var(measure, [group-by level]) ``` ## Argumente *measure* Das Argument muss ein Maß sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. Das Argument muss ein Feld sein. *nach Ebene gruppieren* (Optional) Gibt die Ebene an, nach der die Aggregation gruppiert werden soll. Bei der hinzugefügten Ebene kann es sich um eine beliebige Dimension oder Dimensionen handeln, unabhängig von den Dimensionen, die dem Bild hinzugefügt wurden. Das Argument muss ein Dimensionsfeld sein. Die Gruppenebene muss in eckige Klammern `[ ]` eingeschlossen werden. Weitere Informationen finden Sie unter [Level-sensitive Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). ## Beispiele Das folgende Beispiel gibt die Varianz einer Stichprobe von Testergebnissen zurück. ``` var({Scores}) ``` Sie können auch anhand einer oder mehrerer Dimensionen in der Ansicht oder in Ihrem Datensatz angeben, auf welcher Ebene die Berechnung gruppiert werden soll. Dies wird als LAC-A-Funktion bezeichnet. Weitere Informationen zu LAC-A-Funktionen finden Sie unter [Ebenenorientierte Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). Das folgende Beispiel liefert die Varianz einer Stichprobe von Testergebnissen auf der Ebene des Themas, aber nicht über andere Dimensionen (Klasse) im Bild. ``` var({Scores}, [Subject] ``` # varIf Die Funktion `varIf` berechnet auf der Grundlage einer bedingten Anweisung anhand einer Stichprobe die Varianz der Zahlenmenge in der angegebenen Messung, gruppiert nach der/den ausgewählten Dimension(en). ## Syntax ``` varIf(measure, conditions) ``` ## Argumente *measure* Das Argument muss ein Maß sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. Das Argument muss ein Feld sein. *condition* Eine oder mehrere Bedingungen in einer einzelnen Anweisung. # varp Die Funktion `varp` berechnet die Populations-Varianz der Zahlenmenge in der angegebenen Messung, gruppiert nach der/den gewählten Dimension(en). ## Syntax ``` varp(measure, [group-by level]) ``` ## Argumente *measure* Das Argument muss ein Maß sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. Das Argument muss ein Feld sein. *nach Ebene gruppieren* (Optional) Gibt die Ebene an, nach der die Aggregation gruppiert werden soll. Bei der hinzugefügten Ebene kann es sich um eine beliebige Dimension oder Dimensionen handeln, unabhängig von den Dimensionen, die dem Bild hinzugefügt wurden. Das Argument muss ein Dimensionsfeld sein. Die Gruppenebene muss in eckige Klammern `[ ]` eingeschlossen werden. Weitere Informationen finden Sie unter [Level-sensitive Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). ## Beispiele Im folgenden Beispiel wird die Varianz einer Population von Testergebnissen zurückgegeben. ``` varp({Scores}) ``` Sie können auch anhand einer oder mehrerer Dimensionen in der Ansicht oder in Ihrem Datensatz angeben, auf welcher Ebene die Berechnung gruppiert werden soll. Dies wird als LAC-A-Funktion bezeichnet. Weitere Informationen zu LAC-A-Funktionen finden Sie unter [Ebenenorientierte Berechnung — Aggregatfunktionen (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). Das folgende Beispiel liefert die Varianz einer Population von Testergebnissen auf der Ebene des Themas, aber nicht über andere Dimensionen (Klasse) im Bild. ``` varp({Scores}, [Subject] ``` # varpIf Die Funktion `varpIf` berechnet auf der Grundlage einer bedingten Anweisung anhand einer Population mit Bias die Varianz der Zahlenmenge in der angegebenen Messung, gruppiert nach der/den ausgewählten Dimension(en). ## Syntax ``` varpIf(measure, conditions) ``` ## Argumente *measure* Das Argument muss ein Maß sein. Null-Werte fließen nicht in die Ergebnisse mit ein. Literalwerte funktionieren nicht. Das Argument muss ein Feld sein. *condition* Eine oder mehrere Bedingungen in einer einzelnen Anweisung. # Funktionen für Tabellenkalkulationen Wenn Sie Daten für bestimmte visualisierte Daten analysieren, können Sie Tabellenberechnungen auf den aktuellen Datensatz anwenden, um herauszufinden, wie Dimensionen die Messwerte oder einander beeinflussen. *Visualisierte Daten* sind Ihre Ergebnismenge basierend auf Ihrem aktuellen Datensatz, wobei alle Filter, Feldauswahlen und Anpassungen angewendet werden. Um genau zu sehen, wie diese Ergebnismenge aussieht können Sie Ihre visualisierten Daten in eine Datei exportieren. Eine *Tabellenberechnungsfunktion* führt Operationen mit den Daten durch, um Beziehungen zwischen Feldern aufzudecken. In diesem Abschnitt finden Sie eine Liste der Funktionen, die in Tabellenberechnungen verfügbar sind und die Sie mit visualisierten Daten in Amazon Quick ausführen können. Eine nach Kategorien sortierte Liste der Funktionen mit kurzen Definitionen finden Sie unter [Funktionen nach Kategorien](https://docs.aws.amazon.com/quicksight/latest/user/functions-by-category.html). **Topics** + [difference](difference-function.md) + [distinctCountOver](distinctCountOver-function.md) + [lag](lag-function.md) + [lead](lead-function.md) + [percentDifference](percentDifference-function.md) + [avgOver](avgOver-function.md) + [countOver](countOver-function.md) + [maxOver](maxOver-function.md) + [minOver](minOver-function.md) + [percentileOver](percentileOver-function.md) + [percentileContOver](percentileContOver-function.md) + [percentileDiscOver](percentileDiscOver-function.md) + [percentOfTotal](percentOfTotal-function.md) + [periodOverPeriodDifference](periodOverPeriodDifference-function.md) + [periodOverPeriodLastValue](periodOverPeriodLastValue-function.md) + [periodOverPeriodPercentDifference](periodOverPeriodPercentDifference-function.md) + [periodToDateAvgOverTime](periodToDateAvgOverTime-function.md) + [periodToDateCountOverTime](periodToDateCountOverTime-function.md) + [periodToDateMaxOverTime](periodToDateMaxOverTime-function.md) + [periodToDateMinOverTime](periodToDateMinOverTime-function.md) + [periodToDateSumOverTime](periodToDateSumOverTime-function.md) + [stdevOver](stdevOver-function.md) + [stdevpOver](stdevpOver-function.md) + [varOver](varOver-function.md) + [varpOver](varpOver-function.md) + [sumOver](sumOver-function.md) + [denseRank](denseRank-function.md) + [rank](rank-function.md) + [percentileRank](percentileRank-function.md) + [runningAvg](runningAvg-function.md) + [runningCount](runningCount-function.md) + [runningMax](runningMax-function.md) + [runningMin](runningMin-function.md) + [runningSum](runningSum-function.md) + [firstValue](firstValue-function.md) + [lastValue](lastValue-function.md) + [windowAvg](windowAvg-function.md) + [windowCount](windowCount-function.md) + [windowMax](windowMax-function.md) + [windowMin](windowMin-function.md) + [windowSum](windowSum-function.md) # difference Die Funktion `difference` berechnet die Differenz zwischen einem Messwert, der auf einem Satz von Partitionen basiert und sortiert, und einem Messwert, der auf einem anderen basiert. Die Funktion `difference` wird für Analysen auf Basis von SPICE und direkten Abfragedatensätzen unterstützt. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` difference ( measure ,[ sortorder_field ASC_or_DESC, ... ] ,lookup_index, ,[ partition field, ... ] ) ``` ## Argumente *measure* Eine aggregierte Kennzahl, für die Sie die Differenz sehen möchten. *Sortierreihenfolge-Feld* Einer oder mehrere Messwerte und Dimensionen, nach denen Sie die Daten sortieren möchten, getrennt durch Kommas. Sie können aufsteigend (**ASC**) oder absteigend (**DESC**) sortieren. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *lookup index* Der Lookup-Index kann positiv (nachfolgende Zeile in der Sortierung) oder negativ (vorherige Zeile in der Sortierung) sein. Der Lookup-Index kann 1–2 147 483 647 sein. Für die Engines MySQL, MariaDB und die MySQL-kompatible Aurora-Edition ist der Lookup-Index auf 1 beschränkt. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. ## Beispiel Das folgende Beispiel berechnet die Differenz zwischen `sum({Billed Amount})`, sortiert nach `Customer Region`, aufsteigend zur nächsten Zeile und partitioniert nach `Service Line`. ``` difference( sum( {Billed Amount} ), [{Customer Region} ASC], 1, [{Service Line}] ) ``` Das folgende Beispiel berechnet die Differenz zwischen `Billed Amount` und der nächsten Zeile, partitioniert nach (`[{Customer Region}]`). Die Felder in der Tabellenberechnung befinden sich in den Feldbereichen der Visualisierung. ``` difference( sum( {Billed Amount} ), [{Customer Region} ASC], 1 ) ``` Die roten Markierungen zeigen, wie jeder Betrag addiert wird (a \$1 b = c), um die Differenz zwischen den Beträgen a und c anzuzeigen. ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/differenceCalc.png) # distinctCountOver Die `distinctCountOver`-Funktion berechnet die eindeutige Anzahl der Operanden, partitioniert nach den angegebenen Attributen auf einer bestimmten Ebene. Unterstützte Stufen sind `PRE_FILTER` und `PRE_AGG`. Der Operand muss nicht aggregiert sein. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` distinctCountOver ( measure or dimension field ,[ partition_field, ... ] ,calculation level ) ``` ## Argumente *measure or dimension field (Metrik- oder Dimensionsfeld)* Die Metrik oder die Dimension, für die Sie die Berechnung durchführen möchten, z. B. `{Sales Amt}`. Gültige Werte sind `PRE_FILTER` und `PRE_AGG`. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *calculation level (Berechnungsebene)* (Optional) Gibt die zu verwendende Berechnungsebene an: + **`PRE_FILTER`** – Vorfilterberechnungen werden vor den Datensatzfiltern berechnet. + **`PRE_AGG`** – Voraggregatberechnungen werden berechnet, bevor die Aggregationen und Top- und Bottom-*N*-Filter auf die Visuals angewendet werden. Dieser Wert ist standardmäßig `POST_AGG_FILTER`, wenn er leer ist. `POST_AGG_FILTER` ist keine gültige Ebene für diesen Vorgang und führt zu einer Fehlermeldung. Weitere Informationen finden Sie unter [Verwenden von ebenenspezifischen Berechnungen in Amazon](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html) Quick. ## Beispiel Das folgende Beispiel liefert die Anzahl der eindeutigen Daten von `Sales`, die über `City` und `State` auf der Ebene `PRE_AGG` partitioniert sind. ``` distinctCountOver ( Sales, [City, State], PRE_AGG ) ``` # lag Die Funktion `lag` berechnet den Lag-Wert (Verzögerung) für einen Messwert basierend auf bestimmten Partitionen und Sortierungen. `lag` wird für Analysen auf Basis von SPICE und direkten Abfragedatensätzen unterstützt. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` lag ( lag ( measure ,[ sortorder_field ASC_or_DESC, ... ] ,lookup_index ,[ partition_field, ... ] )] ) ``` ## Argumente *measure* Der Messwert, für den Sie die Verzögerung abrufen wollen. Dies kann ein Aggregat sein (z. B. `sum({Sales Amt})`). *Sortierreihenfolge-Feld* Einer oder mehrere Messwerte und Dimensionen, nach denen Sie die Daten sortieren möchten, getrennt durch Kommas. Sie können aufsteigend (**ASC**) oder absteigend (**DESC**) sortieren. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *lookup index* Der Lookup-Index kann positiv (nachfolgende Zeile in der Sortierung) oder negativ (vorherige Zeile in der Sortierung) sein. Der Lookup-Index kann 1–2 147 483 647 sein. Für die Engines MySQL, MariaDB und die MySQL-kompatible Amazon-Aurora-Edition ist der Lookup-Index auf 1 beschränkt. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. ## Beispiel Das folgende Beispiel berechnet das vorherige `sum(sales)`, partitioniert nach dem Ursprungsland, in aufsteigender Reihenfolge nach `cancellation_code`. ``` lag ( sum(Sales), [cancellation_code ASC], 1, [origin_state_nm] ) ``` Das folgende Beispiel verwendet ein berechnetes Feld mit `lag`, um den Verkaufsbetrag für die vorherige Zeile neben dem Betrag für die aktuelle Zeile anzuzeigen (sortiert nach `Order Date`). Die Felder in der Tabellenberechnung befinden sich in den Feldbereichen der Visualisierung. ``` lag( sum({Sales}), [{Order Date} ASC], 1 ) ``` Der folgende Screenshot zeigt die Ergebnisse des Beispiels. ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/lagCalc.png) Das folgende Beispiel verwendet ein berechnetes Feld mit `lag`, um den Verkaufsbetrag für die vorherige Zeile neben dem Betrag für die aktuelle Zeile anzuzeigen, sortiert nach `Order Date`, aufgeteilt nach `Segment`. ``` lag ( sum(Sales), [Order Date ASC], 1, [Segment] ) ``` Der folgende Screenshot zeigt die Ergebnisse des Beispiels. ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/lagCalc2.png) # lead Die Funktion `lead` berechnet den Lead-Wert (Vorlauf) für einen Messwert basierend auf bestimmten Partitionen und Sortierungen. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` lead ( measure ,[ sortorder_field ASC_or_DESC, ... ] ,lookup_index, ,[ partition_field, ... ] ) ``` ## Argumente *measure* Der Messwert, für den Sie den Vorlauf abrufen wollen. Dies kann ein Aggregat sein (z. B. `sum({Sales Amt})`). *Sortierreihenfolge-Feld* Einer oder mehrere Messwerte und Dimensionen, nach denen Sie die Daten sortieren möchten, getrennt durch Kommas. Sie können aufsteigend (**ASC**) oder absteigend (**DESC**) sortieren. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *lookup index* Der Lookup-Index kann positiv (nachfolgende Zeile in der Sortierung) oder negativ (vorherige Zeile in der Sortierung) sein. Der Lookup-Index kann 1–2 147 483 647 sein. Für die Engines MySQL, MariaDB und die MySQL-kompatible Amazon-Aurora-Edition ist der Lookup-Index auf 1 beschränkt. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. ## Beispiel Das folgende Beispiel berechnet das nächste `sum(sales)`, partitioniert nach dem Ursprungsland, in aufsteigender Reihenfolge nach `cancellation_code`. ``` lead ( sum(sales), [cancellation_code ASC], 1, [origin_state_nm] ) ``` Das folgende Beispiel verwendet ein berechnetes Feld mit Lead, um den Betrag für die nächste Zeile neben dem Betrag für die aktuelle Zeile anzuzeigen (sortiert nach `Customer Segment`). Die Felder in der Tabellenberechnung befinden sich in den Feldbereichen der Visualisierung. ``` lead( sum({Billed Amount}), [{Customer Segment} ASC], 1 ) ``` Der folgende Screenshot zeigt die Ergebnisse des Beispiels. ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/leadCalc.png) # percentDifference Die Funktion `percentDifference` berechnet die prozentuale Differenz zwischen dem aktuellen Wert und einem Vergleichswert, basierend auf Partitionen, Sortierungen und Lookup-Index. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` percentDifference ( measure ,[ sortorder_field ASC_or_DESC, ... ] ,lookup index ,[ partition_field, ... ] ) ``` ## Argumente *measure* Eine aggregierte Kennzahl, für die Sie die prozentuale Differenz sehen möchten. *Sortierreihenfolge-Feld* Einer oder mehrere Messwerte und Dimensionen, nach denen Sie die Daten sortieren möchten, getrennt durch Kommas. Sie können aufsteigend (**ASC**) oder absteigend (**DESC**) sortieren. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *lookup index* Der Lookup-Index kann positiv (nachfolgende Zeile in der Sortierung) oder negativ (vorherige Zeile in der Sortierung) sein. Der Lookup-Index kann 1–2 147 483 647 sein. Für die Engines MySQL, MariaDB und die MySQL-kompatible Aurora-Edition ist der Lookup-Index auf 1 beschränkt. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. ## Beispiel Das folgende Beispiel berechnet die prozentuale Differenz zwischen `sum(Sales)` für den aktuellen und vorherigen `State`, sortiert nach `Sales`. ``` percentDifference ( sum(amount), [sum(amount) ASC], -1, [State] ) ``` Das folgende Beispiel berechnet den prozentualen Anteil eines bestimmten `Billed Amount` an einem anderen `Billed Amount`, sortiert nach (`[{Customer Region} ASC]`). Die Felder in der Tabellenberechnung befinden sich in den Feldbereichen der Visualisierung. ``` percentDifference ( sum( {Billed Amount} ), [{Customer Region} ASC], 1 ) ``` Der folgende Screenshot zeigt die Ergebnisse des Beispiels. Die roten Buchstaben zeigen, dass die Summe `Billed Amount` für `Customer Region` **APAC** 24 Prozent unter dem Betrag für die Region **EMEA** liegt. ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/percentDifference.png) # avgOver Die Funktion `avgOver` berechnet den Durchschnitt eines Messwerts, partitioniert über eine Liste von Dimensionen. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` avgOver ( measure ,[ partition_field, ... ] ,calculation level ) ``` Das folgende Beispiel zeigt den Durchschnitt von `Billed Amount` über `Customer Region` an. Die Felder in der Tabellenberechnung befinden sich in den Feldbereichen der Visualisierung. ``` avgOver ( sum({Billed Amount}), [{Customer Region}] ) ``` Der folgende Screenshot zeigt die Ergebnisse des Beispiels. Mit der Addition von `Service Line` wird jeweils der Gesamtbetrag angezeigt. Der Durchschnitt dieser drei Werte wird im berechneten Feld angezeigt. ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/avgOver.png) ## Argumente *measure* Die Metrik, für die Sie die Berechnung durchführen möchten, z. B. `sum({Sales Amt})`. Verwenden Sie eine Aggregation, wenn die Berechnungsebene auf `NULL` oder `POST_AGG_FILTER` festgelegt ist. Verwenden Sie keine Aggregation, wenn die Berechnungsebene auf `PRE_FILTER` oder `PRE_AGG` festgelegt ist. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *calculation level (Berechnungsebene)* (Optional) Gibt die zu verwendende Berechnungsebene an: + **`PRE_FILTER`** – Vorfilterberechnungen werden vor den Datensatzfiltern berechnet. + **`PRE_AGG`** – Voraggregatberechnungen werden berechnet, bevor die Aggregationen und Top- und Bottom-*N*-Filter auf die Visuals angewendet werden. + **`POST_AGG_FILTER`** – (Standard) Tabellenberechnungen werden berechnet, wenn die Visuals angezeigt werden. Dieser Wert wird standardmäßig auf `POST_AGG_FILTER` eingestellt, wenn er leer ist. Weitere Informationen finden Sie unter [Verwenden von ebenenspezifischen Berechnungen in Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html). ## Beispiel Das folgende Beispiel ruft den Durchschnitt von `sum(Sales)` ab, partitioniert nach `City` und `State`. ``` avgOver ( sum(Sales), [City, State] ) ``` # countOver Die Funktion `countOver` berechnet die Anzahl einer Dimension oder eines Messwerts, die durch eine Liste von Dimensionen partitioniert ist. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` countOver ( measure or dimension field ,[ partition_field, ... ] ,calculation level ) ``` ## Argumente *measure or dimension field (Metrik- oder Dimensionsfeld)* Die Metrik oder die Dimension, für die Sie die Berechnung durchführen möchten, z. B. `sum({Sales Amt})`. Verwenden Sie eine Aggregation, wenn die Berechnungsebene auf `NULL` oder `POST_AGG_FILTER` festgelegt ist. Verwenden Sie keine Aggregation, wenn die Berechnungsebene auf `PRE_FILTER` oder `PRE_AGG` festgelegt ist. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *calculation level (Berechnungsebene)* (Optional) Gibt die zu verwendende Berechnungsebene an: + **`PRE_FILTER`** – Vorfilterberechnungen werden vor den Datensatzfiltern berechnet. + **`PRE_AGG`** – Voraggregatberechnungen werden berechnet, bevor die Aggregationen und Top- und Bottom-*N*-Filter auf die Visuals angewendet werden. + **`POST_AGG_FILTER`** – (Standard) Tabellenberechnungen werden berechnet, wenn die Visuals angezeigt werden. Dieser Wert wird standardmäßig auf `POST_AGG_FILTER` eingestellt, wenn er leer ist. Weitere Informationen finden Sie unter [Verwenden von ebenenspezifischen Berechnungen in Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html). ## Beispiel Im folgenden Beispiel wird die Anzahl von `Sales` abgerufen, partitioniert über `City` und `State`. ``` countOver ( Sales, [City, State] ) ``` Im folgenden Beispiel wird die Anzahl von `{County}` abgerufen, partitioniert über `City` und `State`. ``` countOver ( {County}, [City, State] ) ``` Das folgende Beispiel zeigt die Anzahl von `Billed Amount` über `Customer Region` an. Die Felder in der Tabellenberechnung befinden sich in den Feldbereichen der Visualisierung. ``` countOver ( sum({Billed Amount}), [{Customer Region}] ) ``` Der folgende Screenshot zeigt die Ergebnisse des Beispiels. Da es keine weiteren Felder gibt, ist die Anzahl für jede Region eins. ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/countOver1.png) Wenn Sie zusätzliche Felder hinzufügen, ändert sich die Anzahl. Im folgenden Screenshot fügen wir `Customer Segment` und `Service Line` hinzu. Jedes dieser Felder enthält drei eindeutige Werte. Bei 3 Segmenten, 3 Servicezeilen und 3 Regionen zeigt das berechnete Feld 9 an. ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/countOver2.png) Wenn Sie die beiden zusätzlichen Felder zu den Partitionierungsfeldern im berechneten Feld `countOver( sum({Billed Amount}), [{Customer Region}, {Customer Segment}, {Service Line}]` hinzufügen, ist die Anzahl wieder 1 für jede Zeile. ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/countOver.png) # maxOver Die Funktion `maxOver` berechnet das Maximum eines Messwerts oder Datums, partitioniert durch eine Liste von Dimensionen. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` maxOver ( measure ,[ partition_field, ... ] ,calculation level ) ``` ## Argumente *measure* Die Metrik, für die Sie die Berechnung durchführen möchten, z. B. `sum({Sales Amt})`. Verwenden Sie eine Aggregation, wenn die Berechnungsebene auf `NULL` oder `POST_AGG_FILTER` festgelegt ist. Verwenden Sie keine Aggregation, wenn die Berechnungsebene auf `PRE_FILTER` oder `PRE_AGG` festgelegt ist. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *calculation level (Berechnungsebene)* (Optional) Gibt die zu verwendende Berechnungsebene an: + **`PRE_FILTER`** – Vorfilterberechnungen werden vor den Datensatzfiltern berechnet. + **`PRE_AGG`** – Voraggregatberechnungen werden berechnet, bevor die Aggregationen und Top- und Bottom-*N*-Filter auf die Visuals angewendet werden. + **`POST_AGG_FILTER`** – (Standard) Tabellenberechnungen werden berechnet, wenn die Visuals angezeigt werden. Dieser Wert wird standardmäßig auf `POST_AGG_FILTER` eingestellt, wenn er leer ist. Weitere Informationen finden Sie unter [Verwenden von ebenenspezifischen Berechnungen in Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html). ## Beispiel Das folgende Beispiel berechnet das Maximum von `sum(Sales)`, partitioniert nach `City` und `State`. ``` maxOver ( sum(Sales), [City, State] ) ``` Das folgende Beispiel zeigt das Maximum von `Billed Amount` für `Customer Region` an. Die Felder in der Tabellenberechnung befinden sich in den Feldbereichen der Visualisierung. ``` maxOver ( sum({Billed Amount}), [{Customer Region}] ) ``` Der folgende Screenshot zeigt die Ergebnisse des Beispiels. Mit der Addition von `Service Line` wird jeweils der Gesamtbetrag angezeigt. Das Maximum dieser drei Werte wird im berechneten Feld angezeigt. ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/maxOver.png) # minOver Die Funktion `minOver` berechnet das Minimum eines Messwerts oder Datums, partitioniert durch eine Liste von Dimensionen. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` minOver ( measure ,[ partition_field, ... ] ,calculation level ) ``` ## Argumente *measure* Die Metrik, für die Sie die Berechnung durchführen möchten, z. B. `sum({Sales Amt})`. Verwenden Sie eine Aggregation, wenn die Berechnungsebene auf `NULL` oder `POST_AGG_FILTER` festgelegt ist. Verwenden Sie keine Aggregation, wenn die Berechnungsebene auf `PRE_FILTER` oder `PRE_AGG` festgelegt ist. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *calculation level (Berechnungsebene)* (Optional) Gibt die zu verwendende Berechnungsebene an: + **`PRE_FILTER`** – Vorfilterberechnungen werden vor den Datensatzfiltern berechnet. + **`PRE_AGG`** – Voraggregatberechnungen werden berechnet, bevor die Aggregationen und Top- und Bottom-*N*-Filter auf die Visuals angewendet werden. + **`POST_AGG_FILTER`** – (Standard) Tabellenberechnungen werden berechnet, wenn die Visuals angezeigt werden. Dieser Wert wird standardmäßig auf `POST_AGG_FILTER` eingestellt, wenn er leer ist. Weitere Informationen finden Sie unter [Verwenden von ebenenspezifischen Berechnungen in Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html). ## Beispiel Das folgende Beispiel berechnet den Min.-Wert von `sum(Sales)`, partitioniert nach `City` und `State`. ``` minOver ( sum(Sales), [City, State] ) ``` Das folgende Beispiel zeigt das Minimum von `Billed Amount` für `Customer Region` an. Die Felder in der Tabellenberechnung befinden sich in den Feldbereichen der Visualisierung. ``` minOver ( sum({Billed Amount}), [{Customer Region}] ) ``` Der folgende Screenshot zeigt die Ergebnisse des Beispiels. Mit der Addition von `Service Line` wird jeweils der Gesamtbetrag angezeigt. Das Minimum dieser drei Werte wird im berechneten Feld angezeigt. ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/minOver.png) # percentileOver Die Funktion `percentileOver` berechnet das *n.* Perzentil eines Messwerts, das durch eine Liste von Dimensionen partitioniert ist. In Quick sind zwei Varianten der `percentileOver` Berechnung verfügbar: + [https://docs.aws.amazon.com/quicksight/latest/user/percentileContOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/percentileContOver-function.html) verwendet lineare Interpolation, um das Ergebnis zu ermitteln. + [https://docs.aws.amazon.com/quicksight/latest/user/percentileDiscOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/percentileDiscOver-function.html) verwendet tatsächliche Werte, um das Ergebnis zu ermitteln. Die `percentileOver`-Funktion ist ein Alias von `percentileDiscOver`. # percentileContOver Die `percentileContOver`-Funktion berechnet das Perzentil auf der Grundlage der tatsächlichen Zahlen in `measure`. Sie verwendet die Gruppierung und Sortierung, die in den Feldbereichen angewendet werden. Das Ergebnis wird nach der angegebenen Dimension auf der angegebenen Berechnungsebene aufgeteilt. Verwenden Sie diese Funktion, um die folgende Frage zu beantworten: Welche tatsächlichen Datenpunkte befinden sich in diesem Perzentil? Um den nächstgelegenen Perzentilwert, der in Ihrem Datensatz vorhanden ist, zurückzugeben, verwenden Sie `percentileDiscOver`. Um einen exakten Perzentilwert zurückzugeben, der in Ihrem Datensatz möglicherweise nicht vorhanden ist, verwenden Sie stattdessen `percentileContOver`. ## Syntax ``` percentileContOver ( measure , percentile-n , [partition-by, …] , calculation-level ) ``` ## Argumente *measure* Gibt einen numerischen Wert an, der zur Berechnung des Perzentils verwendet werden soll. Das Argument muss ein Maß oder eine Metrik sein. Null-Werte werden bei der Berechnung ignoriert. *Perzentil-n* Der Perzentilwert kann eine beliebige numerische Konstante von 0–100 sein. Ein Perzentilwert von 50 berechnet den Medianwert des Maßes. *partition-by* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1 \$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *calculation-level* Gibt an, wo die Berechnung in Bezug auf die Reihenfolge der Auswertung durchgeführt werden soll. Es werden drei Berechnungsebenen unterstützt: + PRE\$1FILTER + PRE\$1AGG + POST\$1AGG\$1FILTER (Standard) – Um diese Berechnungsebene zu verwenden, geben Sie beispielsweise eine Aggregation auf `measure` an, z. B. `sum(measure)`. PRE\$1FILTER und PRE\$1AGG werden angewendet, bevor die Aggregation in einer Visualisierung erfolgt. Für diese beiden Berechnungsebenen können Sie im Ausdruck des berechneten Feldes keine Aggregation für `measure` angeben. Weitere Informationen zu Berechnungsebenen und wann sie gelten, finden Sie unter [Reihenfolge der Bewertung in Amazon Quick](https://docs.aws.amazon.com/quicksight/latest/user/order-of-evaluation-quicksight.html) und [Verwenden von stufenspezifischen Berechnungen in Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html). ## Rückgabewert Das Ergebnis der Funktion ist eine Zahl. ## Beispiele für percentileContOver Das folgende Beispiel erklärt, wie percentileContOver das funktioniert. **Example Vergleich der Berechnungsebenen für den Median** Das folgende Beispiel zeigt den Median für eine Dimension (Kategorie) unter Verwendung verschiedener Berechnungsebenen mit der `percentileContOver`-Funktion. Das Perzentil ist 50. Der Datensatz wird nach einem Regionsfeld gefiltert. Der Code für jedes berechnete Feld lautet wie folgt: + `example = left( category, 1 )` (Ein vereinfachtes Beispiel.) + `pre_agg = percentileContOver ( {Revenue} , 50 , [ example ] , PRE_AGG)` + `pre_filter = percentileContOver ( {Revenue} , 50 , [ example ] , PRE_FILTER) ` + `post_agg_filter = percentileContOver ( sum ( {Revenue} ) , 50 , [ example ], POST_AGG_FILTER )` ``` example pre_filter pre_agg post_agg_filter ------------------------------------------------------ 0 106,728 119,667 4,117,579 1 102,898 95,946 2,307,547 2 97,807 93,963 554,570 3 101,043 112,585 2,709,057 4 96,533 99,214 3,598,358 5 106,293 97,296 1,875,648 6 97,118 69,159 1,320,672 7 100,201 90,557 969,807 ``` # percentileDiscOver Die `percentileDiscOver`-Funktion berechnet das Perzentil auf der Grundlage der tatsächlichen Zahlen in `measure`. Sie verwendet die Gruppierung und Sortierung, die in den Feldbereichen angewendet werden. Das Ergebnis wird nach der angegebenen Dimension auf der angegebenen Berechnungsebene aufgeteilt. Die `percentileOver`-Funktion ist ein Alias von `percentileDiscOver`. Verwenden Sie diese Funktion, um die folgende Frage zu beantworten: Welche tatsächlichen Datenpunkte befinden sich in diesem Perzentil? Um den nächstgelegenen Perzentilwert, der in Ihrem Datensatz vorhanden ist, zurückzugeben, verwenden Sie `percentileDiscOver`. Um einen exakten Perzentilwert zurückzugeben, der in Ihrem Datensatz möglicherweise nicht vorhanden ist, verwenden Sie stattdessen `percentileContOver`. ## Syntax ``` percentileDiscOver ( measure , percentile-n , [partition-by, …] , calculation-level ) ``` ## Argumente *measure* Gibt einen numerischen Wert an, der zur Berechnung des Perzentils verwendet werden soll. Das Argument muss ein Maß oder eine Metrik sein. Null-Werte werden bei der Berechnung ignoriert. *Perzentil-n* Der Perzentilwert kann eine beliebige numerische Konstante von 0–100 sein. Ein Perzentilwert von 50 berechnet den Medianwert des Maßes. *partition-by* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1 \$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *calculation-level* Gibt an, wo die Berechnung in Bezug auf die Reihenfolge der Auswertung durchgeführt werden soll. Es werden drei Berechnungsebenen unterstützt: + PRE\$1FILTER + PRE\$1AGG + POST\$1AGG\$1FILTER (Standard) – Um diese Berechnungsebene zu verwenden, müssen Sie eine Aggregation auf `measure` angeben, z. B. `sum(measure)`. PRE\$1FILTER und PRE\$1AGG werden angewendet, bevor die Aggregation in einer Visualisierung erfolgt. Für diese beiden Berechnungsebenen können Sie im Ausdruck des berechneten Feldes keine Aggregation für `measure` angeben. Weitere Informationen zu Berechnungsebenen und wann sie gelten, finden Sie unter [Reihenfolge der Bewertung in Amazon Quick](https://docs.aws.amazon.com/quicksight/latest/user/order-of-evaluation-quicksight.html) und [Verwenden von stufenspezifischen Berechnungen in Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html). ## Rückgabewert Das Ergebnis der Funktion ist eine Zahl. ## Beispiele für percentileDiscOver Das folgende Beispiel erklärt, wie percentileDiscOver das funktioniert. **Example Vergleich der Berechnungsebenen für den Median** Das folgende Beispiel zeigt den Median für eine Dimension (Kategorie) unter Verwendung verschiedener Berechnungsebenen mit der `percentileDiscOver`-Funktion. Das Perzentil ist 50. Der Datensatz wird nach einem Regionsfeld gefiltert. Der Code für jedes berechnete Feld lautet wie folgt: + `example = left( category, 1 )` (Ein vereinfachtes Beispiel.) + `pre_agg = percentileDiscOver ( {Revenue} , 50 , [ example ] , PRE_AGG)` + `pre_filter = percentileDiscOver ( {Revenue} , 50 , [ example ] , PRE_FILTER) ` + `post_agg_filter = percentileDiscOver ( sum ( {Revenue} ) , 50 , [ example ], POST_AGG_FILTER )` ``` example pre_filter pre_agg post_agg_filter ------------------------------------------------------ 0 106,728 119,667 4,117,579 1 102,898 95,946 2,307,547 2 97,629 92,046 554,570 3 100,867 112,585 2,709,057 4 96,416 96,649 3,598,358 5 106,293 97,296 1,875,648 6 97,118 64,395 1,320,672 7 99,915 90,557 969,807 ``` **Example Der Median** Das folgende Beispiel berechnet den Medianwert (das 50. Perzentil) von `Sales`, partitioniert nach `City` und `State`. ``` percentileDiscOver ( Sales, 50, [City, State] ) ``` Das folgende Beispiel berechnet das 98. Perzentil von `sum({Billed Amount})`, partitioniert nach `Customer Region`. Die Felder in der Tabellenberechnung befinden sich in den Feldbereichen der Visualisierung. ``` percentileDiscOver ( sum({Billed Amount}), 98, [{Customer Region}] ) ``` Die folgende Abbildung zeigt, wie diese beiden Beispiele in einem Diagramm aussehen. ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/percentilOver-50-98.png) # percentOfTotal Die Funktion `percentOfTotal` berechnet den Prozentsatz, den ein Messwert zur Summe beiträgt, basierend auf den angegebenen Dimensionen. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` percentOfTotal ( measure ,[ partition_field, ... ] ) ``` ## Argumente *measure* Eine aggregierte Kennzahl, für die Sie den prozentualen Anteil am Gesamtwert sehen möchten. Derzeit wird die `distinct count`-Aggregation für `percentOfTotal` nicht unterstützt. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. ## Beispiel Das folgende Beispiel erstellt eine Berechnung für den prozentualen Anteil jedes `Sales` an der Gesamtsumme `State`. ``` percentOfTotal ( sum(Sales), [State] ) ``` Das folgende Beispiel berechnet den prozentualen Anteil eines bestimmten `Billed Amount` im Vergleich zur Summe `Billed Amount`, partitioniert durch (`[{Service Line} ASC]`). Die Felder in der Tabellenberechnung befinden sich in den Feldbereichen der Visualisierung. ``` percentOfTotal ( sum( {Billed Amount} ), [{Service Line}] ) ``` Der folgende Screenshot zeigt die Ergebnisse des Beispiels. Die roten Markierungen zeigen, dass das Partitionsfeld mit dem Wert "`Billing`" drei Einträge hat, einen für jede Region. Der Gesamtbetrag für diese Servicezeile wird in drei Prozentsätze aufgeteilt, die sich auf 100 Prozent belaufen. Die Prozentangaben sind gerundet und ergeben nicht immer genau 100 Prozent. ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/percentOfTotal.png) # periodOverPeriodDifference Die `periodOverPeriodDifference`-Funktion berechnet die Differenz eines Messwertes über zwei verschiedene Zeiträume, die durch die Periodengranularität und den Offset spezifiziert werden. Im Gegensatz zu einer Differenzberechnung verwendet diese Funktion einen datumsbasierten Offset anstelle eines Offsets mit fester Größe. Dadurch wird sichergestellt, dass nur die richtigen Daten verglichen werden, auch wenn Datenpunkte im Datensatz fehlen. ## Syntax ``` periodOverPeriodDifference( measure, date, period, offset) ``` ## Argumente *measure* Eine aggregierte Kennzahl, für die Sie die periodOverPeriod Berechnung durchführen möchten. *dateTime* Die Datumsdimension, für die wir Period-Over-Period Berechnungen berechnen. *Zeitraum* (Optional) Der Zeitraum, für den Sie die Berechnung berechnen. Granularität von `YEAR` bedeutet die Berechnung von `YearToDate`, `Quarter` bedeutet `QuarterToDate` und so weiter. Zu den gültigen Granularitäten gehören `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` und `SECONDS`. Der Standardwert ist die Granularität der visuellen Datumsdimension. *offset* (Optional) Der Offset kann eine positive oder negative Ganzzahl sein, die den vorherigen Zeitraum (angegeben durch den Zeitraum) darstellt, mit dem Sie vergleichen möchten. So bedeutet beispielsweise der Zeitraum eines Quartals mit dem Offset 1 einen Vergleich mit dem vorhergehenden Quartal. Der Standardwert ist 1. ## Beispiel Das folgende Beispiel verwendet ein berechnetes Feld `PeriodOverPeriod`, um die Umsatzdifferenz von gestern anzuzeigen ``` periodOverPeriodDifference(sum(Sales), {Order Date}) ``` ![\[Dies ist ein Bild des Ergebnisses der Beispielrechnung.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/MonthOverMonthDifference.png) Im folgenden Beispiel wird ein berechnetes Feld `PeriodOverPeriod` verwendet, um die Umsatzdifferenz der letzten 2 Monate anzuzeigen. Untenstehendes Beispiel vergleicht die Umsätze von `Mar2020` mit `Jan2020`. ``` periodOverPeriodDifference(sum(Sales),{Order Date}, MONTH, 1) ``` ![\[Dies ist ein Bild des Ergebnisses der Beispielrechnung.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/MonthOverMonthDifference2.png) # periodOverPeriodLastValue Die `periodOverPeriodLastValue`-Funktion berechnet den letzten (vorherigen) Wert eines Messwertes aus dem vorangegangenen Zeitraum, der durch die Periodengranularität und den Offset festgelegt ist. Diese Funktion verwendet einen datumsbasierten Offset anstelle eines Offsets mit fester Größe. Dadurch wird sichergestellt, dass nur die richtigen Daten verglichen werden, auch wenn Datenpunkte im Datensatz fehlen. ## Syntax ``` periodOverPeriodLastValue( measure, date, period, offset) ``` ## Argumente *measure* Eine aggregierte Kennzahl, für die Sie die Differenz sehen möchten. *date* Die Datumsdimension, für die Sie periodOverPeriod Berechnungen berechnen. *Zeitraum* (Optional) Der Zeitraum, für den Sie die Berechnung berechnen. Granularität von `YEAR` bedeutet die Berechnung von `YearToDate`, `Quarter` bedeutet `QuarterToDate` und so weiter. Zu den gültigen Granularitäten gehören `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` und `SECONDS`. Dieses Argument verwendet standardmäßig die Granularität der visuellen Aggregation *offset* (Optional) Der Offset kann eine positive oder negative Ganzzahl sein, die den vorherigen Zeitraum (angegeben durch den Zeitraum) darstellt, mit dem Sie vergleichen möchten. So bedeutet beispielsweise der Zeitraum eines Quartals mit dem Offset 1 einen Vergleich mit dem vorhergehenden Quartal. Der Standardwert für dieses Argument ist 1. ## Beispiel Im folgenden Beispiel wird der Wert für Verkäufe von Monat zu Monat mit der Granularität der visuellen Dimension und dem Standardoffset von 1 berechnet. ``` periodOverPeriodLastValue(sum(Sales), {Order Date}) ``` Im folgenden Beispiel wird der monatliche Wert der Verkäufe mit einer festen Granularität von `MONTH` und einem festen Offset von 1 berechnet. ``` periodOverPeriodLastValue(sum(Sales), {Order Date},MONTH, 1) ``` ![\[Dies ist ein Bild des Ergebnisses der Beispielrechnung.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/MonthOverMonthLastValue.png) # periodOverPeriodPercentDifference Die `periodOverPeriodPercentDifference`-Funktion berechnet die prozentuale Differenz eines Messwertes über zwei verschiedene Zeiträume, die durch die Periodengranularität und den Offset spezifiziert werden. Im Gegensatz zu percentDifference verwendet diese Funktion einen datumsbasierten Offset anstelle eines Offsets mit fester Größe. Dadurch wird sichergestellt, dass nur die richtigen Daten verglichen werden, auch wenn Datenpunkte im Datensatz fehlen. ## Syntax ``` periodOverPeriodPercentDifference( measure, date, period, offset) ``` ## Argumente *measure* Eine aggregierte Kennzahl, für die Sie die Differenz sehen möchten. *date* Die Datumsdimension, für die Sie periodOverPeriod Berechnungen berechnen. *Zeitraum* (Optional) Der Zeitraum, für den Sie die Berechnung berechnen. Granularität von `YEAR` bedeutet die Berechnung von `YearToDate`, `Quarter` bedeutet `QuarterToDate` und so weiter. Zu den gültigen Granularitäten gehören `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` und `SECONDS`. Dieses Argument verwendet standardmäßig die Granularität der visuellen Aggregation *offset* (Optional) Der Offset kann eine positive oder negative Ganzzahl sein, die den vorherigen Zeitraum (angegeben durch den Zeitraum) darstellt, mit dem Sie vergleichen möchten. So bedeutet beispielsweise der Zeitraum eines Quartals mit dem Offset 1 einen Vergleich mit dem vorhergehenden Quartal. Der Standardwert für dieses Argument ist 1. ## Beispiel Im folgenden Beispiel wird der prozentuale Umsatzunterschied von Monat zu Monat mit der Granularität der visuellen Dimension und dem Standardversatz von 1 berechnet. ``` periodOverPeriodPercentDifference(sum(Sales),{Order Date}) ``` Das folgende Beispiel berechnet die prozentuale Differenz der Umsätze von Monat zu Monat mit einer festen Granularität von `MONTH` und einem festen Offset von 1. ``` periodOverPeriodPercentDifference(sum(Sales), {Order Date}, MONTH, 1) ``` ![\[Dies ist ein Bild des Ergebnisses der Beispielrechnung.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/MonthOverMonthPercentDifference.png) # periodToDateAvgOverTime Die Funktion `periodToDateAvgOverTime` berechnet den Durchschnitt eines Messwertes für eine bestimmte Zeitgranularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt. ## Syntax ``` periodToDateAvgOverTime( measure, dateTime, period) ``` ## Argumente *measure* Ein aggregierter Messwert, mit dem Sie die Berechnung durchführen möchten *dateTime* Die Datumsdimension, für die Sie PeriodOverTime Berechnungen berechnen. *Zeitraum* (Optional) Der Zeitraum, für den Sie die Berechnung berechnen. Granularität von `YEAR` bedeutet die Berechnung von `YearToDate`, `Quarter` bedeutet `QuarterToDate` und so weiter. Zu den gültigen Granularitäten gehören `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` und `SECONDS`. Der Standardwert ist die Granularität der Datumsdimension des Bildmaterials. ## Beispiel Die folgende Funktion berechnet den durchschnittlichen Tarif für jeden Monat. ``` periodToDateAvgOverTime(sum({fare_amount}), pickupDatetime, MONTH) ``` ![\[Dies ist eine Abbildung der Ergebnisse der Beispielrechnung mit Illustrationen.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/PTDAvgOverTimeResults.png) # periodToDateCountOverTime Die Funktion `periodToDateCountOverTime` berechnet die Anzahl einer Dimension oder eines Messwertes für eine bestimmte zeitliche Granularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt. ## Syntax ``` periodToDateCountOverTime( measure, dateTime, period) ``` ## Argumente *measure* Ein aggregierter Messwert, mit dem Sie die Berechnung durchführen möchten *dateTime* Die Datumsdimension, für die Sie PeriodOverTime Berechnungen berechnen. *Zeitraum* (Optional) Der Zeitraum, für den Sie die Berechnung berechnen. Granularität von `YEAR` bedeutet die Berechnung von `YearToDate`, `Quarter` bedeutet `QuarterToDate` und so weiter. Zu den gültigen Granularitäten gehören `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` und `SECONDS`. Der Standardwert ist die Granularität der Datumsdimension des Bildmaterials. ## Beispiel Im folgenden Beispiel wird die Anzahl der Anbieter für jeden Monat berechnet. ``` periodToDateCountOverTime(count(vendorid), pickupDatetime, MONTH) ``` ![\[Dies ist eine Abbildung der Ergebnisse der Beispielrechnung mit Illustrationen.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/PTDCountOverTimeResults.png) # periodToDateMaxOverTime Die Funktion `periodToDateMaxOverTime` berechnet das Maximum eines Messwertes für eine bestimmte Zeitgranularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt. ## Syntax ``` periodToDateMaxOverTime( measure, dateTime, period) ``` ## Argumente *measure* Ein aggregierter Messwert, mit dem Sie die Berechnung durchführen möchten *dateTime* Die Datumsdimension, für die Sie PeriodOverTime Berechnungen berechnen. *Zeitraum* (Optional) Der Zeitraum, für den Sie die Berechnung berechnen. Granularität von `YEAR` bedeutet die Berechnung von `YearToDate`, `Quarter` bedeutet `QuarterToDate` und so weiter. Zu den gültigen Granularitäten gehören `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` und `SECONDS`. Der Standardwert ist die Granularität der Datumsdimension des Bildmaterials. ## Beispiel Im folgenden Beispiel wird der maximale Tarif für jeden Monat berechnet. ``` periodToDatemaxOverTime(max({fare_amount}), pickupDatetime, MONTH) ``` ![\[Dies ist eine Abbildung der Ergebnisse der Beispielrechnung mit Illustrationen.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/PTDMaxOverTimeResults.png) # periodToDateMinOverTime Die Funktion `periodToDateMinOverTime` berechnet das Minimum eines Messwertes für eine bestimmte Zeitgranularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt. ## Syntax ``` periodToDateMinOverTime( measure, dateTime, period) ``` ## Argumente *measure* Ein aggregierter Messwert, mit dem Sie die Berechnung durchführen möchten *dateTime* Die Datumsdimension, für die Sie PeriodOverTime Berechnungen berechnen. *Zeitraum* (Optional) Der Zeitraum, für den Sie die Berechnung berechnen. Granularität von `YEAR` bedeutet die Berechnung von `YearToDate`, `Quarter` bedeutet `QuarterToDate` und so weiter. Zu den gültigen Granularitäten gehören `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` und `SECONDS`. Der Standardwert ist die Granularität der Datumsdimension des Bildmaterials. ## Beispiel Im folgenden Beispiel wird der Mindesttarif Monat für Monat berechnet. ``` periodToDateMinOverTime(min({fare_amount}), pickupDatetime, MONTH) ``` ![\[Dies ist eine Abbildung der Ergebnisse der Beispielrechnung mit Illustrationen.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/PTDMinOverTimeResults.png) # periodToDateSumOverTime Die Funktion `periodToDateSumOverTime` berechnet die Summe eines Messwertes für eine bestimmte Zeitgranularität (z. B. ein Quartal) bis zu einem bestimmten Zeitpunkt. ## Syntax ``` periodToDateSumOverTime( measure, dateTime, period) ``` ## Argumente *measure* Ein aggregierter Messwert, mit dem Sie die Berechnung durchführen möchten *dateTime* Die Datumsdimension, für die Sie PeriodOverTime Berechnungen berechnen. *Zeitraum* (Optional) Der Zeitraum, für den Sie die Berechnung berechnen. Granularität von `YEAR` bedeutet die Berechnung von `YearToDate`, `Quarter` bedeutet `QuarterToDate` und so weiter. Zu den gültigen Granularitäten gehören `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` und `SECONDS`. Der Standardwert ist die Granularität der Datumsdimension des Bildmaterials. ## Beispiel Die folgende Funktion gibt den Gesamttarif für jeden Monat zurück. ``` periodToDateSumOverTime(sum({fare_amount}), pickupDatetime, MONTH) ``` ![\[Dies ist eine Abbildung der Ergebnisse der Beispielrechnung mit Illustrationen.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/PTDSumOverTime-example-results.png) # stdevOver Die Funktion `stdevOver` berechnet anhand einer Stichprobe die Standardabweichung der angegebenen Messung, partitioniert in das/die ausgewählte(n) Attribut(e). ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` stdevOver ( measure ,[ partition_field, ... ] ,calculation level ) ``` ## Argumente *measure* Die Metrik, für die Sie die Berechnung durchführen möchten, z. B. `sum({Sales Amt})`. Verwenden Sie eine Aggregation, wenn die Berechnungsebene auf `NULL` oder `POST_AGG_FILTER` festgelegt ist. Verwenden Sie keine Aggregation, wenn die Berechnungsebene auf `PRE_FILTER` oder `PRE_AGG` festgelegt ist. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *calculation level (Berechnungsebene)* (Optional) Gibt die zu verwendende Berechnungsebene an: + **`PRE_FILTER`** – Vorfilterberechnungen werden vor den Datensatzfiltern berechnet. + **`PRE_AGG`** – Voraggregatberechnungen werden berechnet, bevor die Aggregationen und Top- und Bottom-*N*-Filter auf die Visuals angewendet werden. + **`POST_AGG_FILTER`** – (Standard)-Tabellenberechnungen werden berechnet, wenn die Visuals angezeigt werden. Dieser Wert wird standardmäßig auf `POST_AGG_FILTER` eingestellt, wenn er leer ist. Weitere Informationen finden Sie unter [Verwenden von ebenenspezifischen Berechnungen in Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html). ## Beispiel Das folgende Beispiel berechnet anhand einer Stichprobe die Standardabweichung von `sum(Sales)`, partitioniert in `City` und `State`. ``` stdevOver ( sum(Sales), [City, State] ) ``` Das folgende Beispiel berechnet anhand einer Stichprobe die Standardabweichung von `Billed Amount` über `Customer Region`. Die Felder in der Tabellenberechnung befinden sich in den Feldbereichen der Visualisierung. ``` stdevOver ( sum({Billed Amount}), [{Customer Region}] ) ``` # stdevpOver Die Funktion `stdevpOver` berechnet anhand einer Population mit Bias die Standardabweichung der angegebenen Messung, partitioniert in das/die ausgewählte(n) Attribut(e). ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` stdevpOver ( measure ,[ partition_field, ... ] ,calculation level ) ``` ## Argumente *measure* Die Metrik, für die Sie die Berechnung durchführen möchten, z. B. `sum({Sales Amt})`. Verwenden Sie eine Aggregation, wenn die Berechnungsebene auf `NULL` oder `POST_AGG_FILTER` festgelegt ist. Verwenden Sie keine Aggregation, wenn die Berechnungsebene auf `PRE_FILTER` oder `PRE_AGG` festgelegt ist. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *calculation level (Berechnungsebene)* (Optional) Gibt die zu verwendende Berechnungsebene an: + **`PRE_FILTER`** – Vorfilterberechnungen werden vor den Datensatzfiltern berechnet. + **`PRE_AGG`** – Voraggregatberechnungen werden berechnet, bevor die Aggregationen und Top- und Bottom-*N*-Filter auf die Visuals angewendet werden. + **`POST_AGG_FILTER`** – (Standard)-Tabellenberechnungen werden berechnet, wenn die Visuals angezeigt werden. Dieser Wert wird standardmäßig auf `POST_AGG_FILTER` eingestellt, wenn er leer ist. Weitere Informationen finden Sie unter [Verwenden von ebenenspezifischen Berechnungen in Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html). ## Beispiel Das folgende Beispiel berechnet anhand einer Population mit Bias die Standardabweichung von `sum(Sales)`, partitioniert in `City` und `State`. ``` stdevpOver ( sum(Sales), [City, State] ) ``` Das folgende Beispiel berechnet anhand einer Population mit Bias die Standardabweichung von `Billed Amount` über `Customer Region`. Die Felder in der Tabellenberechnung befinden sich in den Feldbereichen der Visualisierung. ``` stdevpOver ( sum({Billed Amount}), [{Customer Region}] ) ``` # varOver Die Funktion `varOver` berechnet anhand einer Stichprobe die Varianz der angegebenen Messung, partitioniert in das/die gewählte(n) Attribut(e). ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` varOver ( measure ,[ partition_field, ... ] ,calculation level ) ``` ## Argumente *measure* Die Metrik, für die Sie die Berechnung durchführen möchten, z. B. `sum({Sales Amt})`. Verwenden Sie eine Aggregation, wenn die Berechnungsebene auf `NULL` oder `POST_AGG_FILTER` festgelegt ist. Verwenden Sie keine Aggregation, wenn die Berechnungsebene auf `PRE_FILTER` oder `PRE_AGG` festgelegt ist. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *calculation level (Berechnungsebene)* (Optional) Gibt die zu verwendende Berechnungsebene an: + **`PRE_FILTER`** – Vorfilterberechnungen werden vor den Datensatzfiltern berechnet. + **`PRE_AGG`** – Voraggregatberechnungen werden berechnet, bevor die Aggregationen und Top- und Bottom-*N*-Filter auf die Visuals angewendet werden. + **`POST_AGG_FILTER`** – (Standard) Tabellenberechnungen werden berechnet, wenn die Visuals angezeigt werden. Dieser Wert wird standardmäßig auf `POST_AGG_FILTER` eingestellt, wenn er leer ist. Weitere Informationen finden Sie unter [Verwenden von ebenenspezifischen Berechnungen in Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html). ## Beispiel Das folgende Beispiel berechnet anhand einer Stichprobe die Varianz von `sum(Sales)`, partitioniert in `City` und `State`. ``` varOver ( sum(Sales), [City, State] ) ``` Das folgende Beispiel berechnet anhand einer Stichprobe die Varianz von `Billed Amount` über `Customer Region`. Die Felder in der Tabellenberechnung befinden sich in den Feldbereichen der Visualisierung. ``` varOver ( sum({Billed Amount}), [{Customer Region}] ) ``` # varpOver Die Funktion `varpOver` berechnet anhand einer Population mit Bias die Varianz der angegebenen Messung, partitioniert in das/die ausgewählte(n) Attribut(e). ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` varpOver ( measure ,[ partition_field, ... ] ,calculation level ) ``` ## Argumente *measure* Die Metrik, für die Sie die Berechnung durchführen möchten, z. B. `sum({Sales Amt})`. Verwenden Sie eine Aggregation, wenn die Berechnungsebene auf `NULL` oder `POST_AGG_FILTER` festgelegt ist. Verwenden Sie keine Aggregation, wenn die Berechnungsebene auf `PRE_FILTER` oder `PRE_AGG` festgelegt ist. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *calculation level (Berechnungsebene)* (Optional) Gibt die zu verwendende Berechnungsebene an: + **`PRE_FILTER`** – Vorfilterberechnungen werden vor den Datensatzfiltern berechnet. + **`PRE_AGG`** – Voraggregatberechnungen werden berechnet, bevor die Aggregationen und Top- und Bottom-*N*-Filter auf die Visuals angewendet werden. + **`POST_AGG_FILTER`** – (Standard) Tabellenberechnungen werden berechnet, wenn die Visuals angezeigt werden. Dieser Wert wird standardmäßig auf `POST_AGG_FILTER` eingestellt, wenn er leer ist. Weitere Informationen finden Sie unter [Verwenden von ebenenspezifischen Berechnungen in Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html). ## Beispiel Das folgende Beispiel berechnet anhand einer Population mit Bias die Varianz von `sum(Sales)`, partitioniert in `City` und `State`. ``` varpOver ( sum(Sales), [City, State] ) ``` Das folgende Beispiel berechnet anhand einer Population mit Bias die Varianz von `Billed Amount` über `Customer Region`. Die Felder in der Tabellenberechnung befinden sich in den Feldbereichen der Visualisierung. ``` varpOver ( sum({Billed Amount}), [{Customer Region}] ) ``` # sumOver Die Funktion `sumOver` berechnet die Summe eines Maßes, das durch eine Liste von Dimensionen partitioniert ist. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` sumOver ( measure ,[ partition_field, ... ] ,calculation level ) ``` ## Argumente *measure* Die Metrik, für die Sie die Berechnung durchführen möchten, z. B. `sum({Sales Amt})`. Verwenden Sie eine Aggregation, wenn die Berechnungsebene auf `NULL` oder `POST_AGG_FILTER` festgelegt ist. Verwenden Sie keine Aggregation, wenn die Berechnungsebene auf `PRE_FILTER` oder `PRE_AGG` festgelegt ist. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *calculation level (Berechnungsebene)* (Optional) Gibt die zu verwendende Berechnungsebene an: + **`PRE_FILTER`** – Vorfilterberechnungen werden vor den Datensatzfiltern berechnet. + **`PRE_AGG`** – Voraggregatberechnungen werden berechnet, bevor die Aggregationen und Top- und Bottom-*N*-Filter auf die Visuals angewendet werden. + **`POST_AGG_FILTER`** – (Standard)-Tabellenberechnungen werden berechnet, wenn die Visuals angezeigt werden. Dieser Wert wird standardmäßig auf `POST_AGG_FILTER` eingestellt, wenn er leer ist. Weitere Informationen finden Sie unter [Verwenden von ebenenspezifischen Berechnungen in Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html). ## Beispiel Das folgende Beispiel berechnet die Summe von `sum(Sales)`, partitioniert nach `City` und `State`. ``` sumOver ( sum(Sales), [City, State] ) ``` Das folgende Beispiel summiert `Billed Amount` über `Customer Region`. Die Felder in der Tabellenberechnung befinden sich in den Feldbereichen der Visualisierung. ``` sumOver ( sum({Billed Amount}), [{Customer Region}] ) ``` Der folgende Screenshot zeigt die Ergebnisse des Beispiels. Mit der Addition von `Customer Segment` wird der jeweils berechnete Gesamtbetrag für die `Customer Region` aufsummiert und im berechneten Feld angezeigt. ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/sumOver.png) # denseRank Die Funktion `denseRank` berechnet den Rang eines Messwertes oder einer Dimension im Vergleich zu den angegebenen Partitionen. Zählt jedes Element nur einmal, ignoriert Duplikate und weist einen Rang "ohne Leerstellen" zu, sodass doppelte Werte den gleichen Rang haben. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` denseRank ( [ sort_order_field ASC_or_DESC, ... ] ,[ partition_field, ... ] ) ``` ## Argumente *Sortierreihenfolge-Feld* Eines oder mehrere aggregierte Felder (Messwerte und/oder Dimensionen), nach denen Sie die Daten sortieren möchten, getrennt durch Kommas. Sie können aufsteigend (**ASC**) oder absteigend (**DESC**) sortieren. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *calculation level (Berechnungsebene)* (Optional) Gibt die zu verwendende Berechnungsebene an: + **`PRE_FILTER`** – Vorfilterberechnungen werden vor den Datensatzfiltern berechnet. + **`PRE_AGG`** – Voraggregatberechnungen werden berechnet, bevor die Aggregationen und Top- und Bottom-*N*-Filter auf die Visuals angewendet werden. + **`POST_AGG_FILTER`** – (Standard) Tabellenberechnungen werden berechnet, wenn die Visuals angezeigt werden. Dieser Wert wird standardmäßig auf `POST_AGG_FILTER` eingestellt, wenn er leer ist. Weitere Informationen finden Sie unter [Verwenden von ebenenspezifischen Berechnungen in Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html). ## Beispiel Das folgende Beispiel ordnet `max(Sales)`, basierend auf einer absteigenden Sortierung, verdichtet nach `State` und `City`. Alle Städte mit dem gleichen `max(Sales)` erhalten den gleichen Rang. Die nächste Stadt wird nach diesen eingestuft. Wenn sich beispielsweise drei Städte die gleiche Rangfolge teilen, wird die vierte Stadt auf Rang 2 eingestuft. ``` denseRank ( [max(Sales) DESC], [State, City] ) ``` Das folgende Beispiel ordnet `max(Sales)`, basierend auf einer absteigenden Sortierung, verdichtet nach `State`. Alle Staaten mit dem gleichen `max(Sales)` erhalten den gleichen Rang. Der nächste wird nach diesen eingestuft. Wenn sich beispielsweise drei Staaten die gleiche Rangfolge teilen, wird der vierte Staat auf Rang 2 eingestuft. ``` denseRank ( [max(Sales) DESC], [State] ) ``` # rank Die Funktion `rank` berechnet den Rang eines Messwertes oder einer Dimension im Vergleich zu den angegebenen Partitionen. Es zählt jedes Element, auch Duplikate, einmal und vergibt einen Rang "mit Leerstellen", um doppelte Werte auszugleichen. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` rank ( [ sort_order_field ASC_or_DESC, ... ] ,[ partition_field, ... ] ) ``` ## Argumente *Sortierreihenfolge-Feld* Einer oder mehrere aggregierte Messwerte und Dimensionen, nach denen Sie die Daten sortieren möchten, getrennt durch Kommas. Sie können aufsteigend (**ASC**) oder absteigend (**DESC**) sortieren. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *calculation level (Berechnungsebene)* (Optional) Gibt die zu verwendende Berechnungsebene an: + **`PRE_FILTER`** – Vorfilterberechnungen werden vor den Datensatzfiltern berechnet. + **`PRE_AGG`** – Voraggregatberechnungen werden berechnet, bevor die Aggregationen und Top- und Bottom-*N*-Filter auf die Visuals angewendet werden. + **`POST_AGG_FILTER`** – (Standard) Tabellenberechnungen werden berechnet, wenn die Visuals angezeigt werden. Dieser Wert wird standardmäßig auf `POST_AGG_FILTER` eingestellt, wenn er leer ist. Weitere Informationen finden Sie unter [Verwenden von ebenenspezifischen Berechnungen in Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html). ## Beispiel Das folgende Beispiel ordnet `max(Sales)`, basierend auf einer absteigenden Sortierung, nach `State` und `City` innerhalb des `State` von **WA**. Alle Städte mit demselben `max(Sales)` erhalten den gleichen Rang, aber der nächste Rang enthält die Anzahl aller bereits vorhandenen Ränge. Wenn sich beispielsweise drei Städte die gleiche Rangfolge teilen, wird die vierte Stadt auf Rang 4 eingestuft. ``` rank ( [max(Sales) DESC], [State, City] ) ``` Das folgende Beispiel ordnet `max(Sales)`, basierend auf einer aufsteigenden Sortierung nach `State`. Alle Staaten mit demselben `max(Sales)` erhalten den gleichen Rang, aber der nächste Rang enthält die Anzahl aller bereits vorhandenen Ränge. Wenn sich beispielsweise drei Staaten die gleiche Rangfolge teilen, wird der vierte Staat auf Rang 4 eingestuft. ``` rank ( [max(Sales) ASC], [State] ) ``` Das folgende Beispiel ordnet `Customer Region` nach der Summe `Billed Amount`. Die Felder in der Tabellenberechnung befinden sich in den Feldbereichen der Visualisierung. ``` rank( [sum({Billed Amount}) DESC] ) ``` Der folgende Screenshot zeigt die Ergebnisse des Beispiels zusammen mit der Summe `Billed Amount`, sodass Sie sehen können, wie jede Region eingeordnet ist. ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/rankCalc.png) # percentileRank Die Funktion `percentileRank` berechnet den Perzentil-Rang eines Messwertes oder einer Dimension im Vergleich zu den angegebenen Partitionen. Der Perzentilrangwert (*x*) gibt an, dass das aktuelle Element über*x*% der Werte in der angegebenen Partition liegt. Der Perzentilrangwert liegt im Bereich von (einschließlich) 0 bis (ausschließlich) 100. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` percentileRank ( [ sort_order_field ASC_or_DESC, ... ] ,[ {partition_field}, ... ] ) ``` ## Argumente *Sortierreihenfolge-Feld* Einer oder mehrere aggregierte Messwerte und Dimensionen, nach denen Sie die Daten sortieren möchten, getrennt durch Kommas. Sie können aufsteigend (**ASC**) oder absteigend (**DESC**) sortieren. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *calculation level (Berechnungsebene)* (Optional) Gibt die zu verwendende Berechnungsebene an: + **`PRE_FILTER`** – Vorfilterberechnungen werden vor den Datensatzfiltern berechnet. + **`PRE_AGG`** – Voraggregatberechnungen werden berechnet, bevor die Aggregationen und Top- und Bottom-*N*-Filter auf die Visuals angewendet werden. + **`POST_AGG_FILTER`** – (Standard) Tabellenberechnungen werden berechnet, wenn die Visuals angezeigt werden. Dieser Wert wird standardmäßig auf `POST_AGG_FILTER` eingestellt, wenn er leer ist. Weitere Informationen finden Sie unter [Verwenden von ebenenspezifischen](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html) Berechnungen in Quick. ## Beispiel Das folgende Beispiel führt eine Perzentilrangeinstufung von `max(Sales)` in absteigender Reihenfolge über `State` durch. ``` percentileRank ( [max(Sales) DESC], [State] ) ``` Das folgende Beispiel führt eine Perzentilrangeinstufung von `Customer Region` über den Gesamtwert von `Billed Amount` durch. Die Felder in der Tabellenberechnung befinden sich in den Feldbereichen der Visualisierung. ``` percentileRank( [sum({Billed Amount}) DESC], [{Customer Region}] ) ``` Der folgende Screenshot zeigt die Ergebnisse des Beispiels zusammen mit der Summe `Billed Amount`, sodass Sie sehen können, wie jede Region im Vergleich abschneidet. ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/percentileRank.png) # runningAvg Die Funktion `runningAvg` berechnet einen laufenden Durchschnitt für einen Messwert auf Basis der angegebenen Dimensionen und Sortierungen. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` runningAvg ( measure ,[ sortorder_field ASC_or_DESC, ... ] ,[ partition_field, ... ] ) ``` ## Argumente *measure* Ein aggregierter Messwert, für den Sie den laufenden Durchschnitt sehen möchten. *Sortierreihenfolge-Feld* Einer oder mehrere Messwerte und Dimensionen, nach denen Sie die Daten sortieren möchten, getrennt durch Kommas. Sie können aufsteigend (**ASC**) oder absteigend (**DESC**) sortieren. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. ## Beispiel Das folgende Beispiel berechnet einen laufenden Durchschnitt von `sum(Sales)`, sortiert nach `Sales` und partitioniert nach `City` sowie `State`. ``` runningAvg ( sum(Sales), [Sales ASC], [City, State] ) ``` Das folgende Beispiel berechnet einen laufenden Durchschnitt von `Billed Amount`, sortiert nach Monat (`[truncDate("MM",Date) ASC]`). Die Felder in der Tabellenberechnung befinden sich in den Feldbereichen der Visualisierung. ``` runningAvg ( sum({Billed Amount}), [truncDate("MM",Date) ASC] ) ``` # runningCount Die Funktion `runningCount` berechnet eine laufende Anzahl für einen Messwert oder eine Dimension auf Basis der angegebenen Dimensionen und Sortierungen. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` runningCount ( measure_or_dimension ,[ sortorder_field ASC_or_DESC, ... ] ,[ partition_field, ... ] ) ``` ## Argumente *Messwert oder Dimension* Ein aggregierter Messwert oder eine Dimension, für die Sie die laufende Anzahl sehen möchten. *Sortierreihenfolge-Feld* Einer oder mehrere Messwerte und Dimensionen, nach denen Sie die Daten sortieren möchten, getrennt durch Kommas. Sie können aufsteigend (**ASC**) oder absteigend (**DESC**) sortieren. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. ## Beispiel Das folgende Beispiel berechnet eine laufende Anzahl von `sum(Sales)`, sortiert nach `Sales` und partitioniert nach `City` sowie `State`. ``` runningCount ( sum(Sales), [Sales ASC], [City, State] ) ``` Das folgende Beispiel berechnet eine laufende Anzahl von `Billed Amount`, sortiert nach Monat (`[truncDate("MM",Date) ASC]`). Die Felder in der Tabellenberechnung befinden sich in den Feldbereichen der Visualisierung. ``` runningCount ( sum({Billed Amount}), [truncDate("MM",Date) ASC] ) ``` # runningMax Die Funktion `runningMax` berechnet ein laufendes Maximum für einen Messwert auf Basis der angegebenen Dimensionen und Sortierungen. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` runningMax ( measure ,[ sortorder_field ASC_or_DESC, ... ] ,[ partition_field, ... ] ) ``` ## Argumente *measure* Ein aggregierter Messwert, für den Sie das laufende Maximum sehen möchten. *Sortierreihenfolge-Feld* Einer oder mehrere Messwerte und Dimensionen, nach denen Sie die Daten sortieren möchten, getrennt durch Kommas. Sie können aufsteigend (**ASC**) oder absteigend (**DESC**) sortieren. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. ## Beispiel Das folgende Beispiel berechnet ein laufendes Maximum von `sum(Sales)`, sortiert nach `Sales` und partitioniert nach `City` sowie `State`. ``` runningMax ( sum(Sales), [Sales ASC], [City, State] ) ``` Das folgende Beispiel berechnet ein laufendes Maximum von `Billed Amount`, sortiert nach Monat (`[truncDate("MM",Date) ASC]`). Die Felder in der Tabellenberechnung befinden sich in den Feldbereichen der Visualisierung. ``` runningMax ( sum({Billed Amount}), [truncDate("MM",Date) ASC] ) ``` # runningMin Die Funktion `runningMin` berechnet ein laufendes Minimum für einen Messwert auf Basis der angegebenen Dimensionen und Sortierungen. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` runningMin ( measure ,[ sortorder_field ASC_or_DESC, ... ] ,[ partition_field, ... ] ) ``` ## Argumente *measure* Ein aggregierter Messwert, für den Sie das laufende Minimum sehen möchten. *Sortierreihenfolge-Feld* Einer oder mehrere Messwerte und Dimensionen, nach denen Sie die Daten sortieren möchten, getrennt durch Kommas. Sie können aufsteigend (**ASC**) oder absteigend (**DESC**) sortieren. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. ## Beispiel Das folgende Beispiel berechnet ein laufendes Minimum von `sum(Sales)`, sortiert nach `Sales` und partitioniert nach `City` sowie `State`. ``` runningMin ( sum(Sales), [Sales ASC], [City, State] ) ``` Das folgende Beispiel berechnet ein laufendes Minimum von `Billed Amount`, sortiert nach Monat (`[truncDate("MM",Date) ASC]`). Die Felder in der Tabellenberechnung befinden sich in den Feldbereichen der Visualisierung. ``` runningMin ( sum({Billed Amount}), [truncDate("MM",Date) ASC] ) ``` # runningSum Die Funktion `runningSum` berechnet eine laufende Summe für einen Messwert auf Basis der angegebenen Dimensionen und Sortierungen. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` runningSum ( measure ,[ sortorder_field ASC_or_DESC, ... ] ,[ partition_field, ... ] ) ``` ## Argumente *measure* Eine aggregierte Kennzahl, für die Sie die laufende Summe sehen möchten. *Sortierreihenfolge-Feld* Einer oder mehrere Messwerte und Dimensionen, nach denen Sie die Daten sortieren möchten, getrennt durch Kommas. Sie können aufsteigend (**ASC**) oder absteigend (**DESC**) sortieren. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. ## Beispiel Das folgende Beispiel berechnet eine laufende Summe von `sum(Sales)`, sortiert nach `Sales`, partitioniert nach `City` und `State`. ``` runningSum ( sum(Sales), [Sales ASC], [City, State] ) ``` Das folgende Beispiel berechnet eine laufende Summe von `Billed Amount`, sortiert nach Monat (`[truncDate("MM",Date) ASC]`). Die Felder in der Tabellenberechnung befinden sich in den Feldbereichen der Visualisierung. ``` runningSum ( sum({Billed Amount}), [truncDate("MM",Date) ASC] ) ``` Der folgende Screenshot zeigt die Ergebnisse des Beispiels. Die roten Beschriftungen zeigen an, wie jeder Betrag ( `a + b = c` ) zum nächsten Betrag addiert wird, was zu einer neuen Summe führt. ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/runningSum.png) # firstValue Die Funktion `firstValue` berechnet den ersten Wert des aggregierten Messwertes oder der Dimension, partitioniert und sortiert nach den angegebenen Attributen. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` firstValue ( aggregated measure or dimension, [ sort_attribute ASC_or_DESC, ... ], [ partition_by_attribute, ... ] ) ``` ## Argumente *aggregierter Messwert oder Dimension* Ein aggregierter Messwert oder eine Dimension, für die Sie den ersten Wert sehen möchten. *Attribute sortieren* Eines oder mehrere aggregierte Felder (Messwerte und/oder Dimensionen), nach denen Sie die Daten sortieren möchten, getrennt durch Kommas. Sie können aufsteigend (**ASC**) oder absteigend (**DESC**) sortieren. Jedes Feld in der Liste ist von \$1 \$1 (geschweifte Klammern) eingeschlossen, wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *nach Attributen partitionieren* (Optional) Eine oder mehrere Messwerte oder Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. ## Beispiel Das folgende Beispiel berechnet das erste `Destination Airport`, sortiert nach `Flight Date`, partitioniert nach `Flight Date` aufsteigend und `Origin Airport`. ``` firstValue( {Destination Airport} [{Flight Date} ASC], [ {Origin Airport}, {Flight Date} ] ) ``` # lastValue Die Funktion `lastValue` berechnet den letzten Wert des aggregierten Messwertes oder der Dimension, partitioniert und sortiert nach den angegebenen Attributen. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` lastValue ( aggregated measure or dimension, [ sort_attribute ASC_or_DESC, ... ], [ partition_by_attribute, ... ] ) ``` ## Argumente *aggregierter Messwert oder Dimension* Ein aggregierter Messwert oder eine Dimension, für die Sie den letzten Wert sehen möchten. *Attribute sortieren* Eines oder mehrere aggregierte Felder (Messwerte und/oder Dimensionen), nach denen Sie die Daten sortieren möchten, getrennt durch Kommas. Sie können aufsteigend (`ASC`) oder absteigend (`DESC`) sortieren. Jedes Feld in der Liste ist von \$1 \$1 (geschweifte Klammern) eingeschlossen, wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *nach Attributen partitionieren* Einer oder mehrere Messwerte oder Dimensionen, nach denen Sie partitionieren möchten, getrennt durch Kommata. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. ## Beispiel Im folgenden Beispiel wird der letzte Wert für `Destination Airport` berechnet. Diese Berechnung wird nach dem `Flight Date`-Wert sortiert und durch den `Flight Date`-Wert in aufsteigender Reihenfolge und den `Origin Airport`-Wert unterteilt. ``` lastValue( [{Destination Airport}], [{Flight Date} ASC], [ {Origin Airport}, truncDate('DAY', {Flight Date}) ] ) ``` # windowAvg Die Funktion `windowAvg` berechnet den Durchschnitt des aggregierten Messwerts in einem benutzerdefinierten Fenster, das nach bestimmten Attributen partitioniert und sortiert ist. In der Regel verwenden Sie benutzerdefinierte Fensterfunktionen auf einer Zeitreihe, bei der Ihre Visualisierung eine Metrik und ein Datumsfeld anzeigt. Sie können beispielsweise `windowAvg` verwenden, um einen gleitenden Durchschnitt zu berechnen – häufig verwendet, um Rauschen in einem Liniendiagramm zu glätten. Fensterfunktionen werden nicht für MySQL-Versionen vor Version 8 und MariaDB-Versionen vor Version 10.2 unterstützt. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` windowAvg ( measure , [sort_order_field ASC/DESC, ...] , start_index , end_index ,[ partition_field, ... ] ) ``` ## Argumente *measure* Die aggregierte Metrik, für die Sie den Durchschnitt erhalten möchten, z. B. `sum({Revenue})`. *Attribute sortieren* Eines oder mehrere aggregierte Felder (Messwerte und/oder Dimensionen), nach denen Sie die Daten sortieren möchten, getrennt durch Kommas. Sie können aufsteigend (**ASC**) oder absteigend (**DESC**) sortieren. Jedes Feld in der Liste ist von \$1 \$1 (geschweifte Klammern) eingeschlossen, wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *Startindex* Der Startindex ist eine positive Ganzzahl, die *n* Zeilen oberhalb der aktuellen Zeile anzeigt. Der Startindex zählt die verfügbaren Datenpunkte oberhalb der aktuellen Zeile, anstatt tatsächliche Zeiträume zu zählen. Sind Ihre Daten unvollständig (beispielsweise fehlende Monate oder Jahre), passen Sie die Indizes entsprechend an. *Endindex* Der Endindex ist eine positive Ganzzahl, die *n* Zeilen unterhalb der aktuellen Zeile anzeigt. Der Endindex zählt die verfügbaren Datenpunkte unterhalb der aktuellen Zeile anstelle der tatsächlichen Zeiträume. Sind Ihre Daten unvollständig (beispielsweise fehlende Monate oder Jahre), passen Sie die Indizes entsprechend an. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist von \$1 \$1 (geschweifte Klammern) eingeschlossen, wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. ## Beispiel Das folgende Beispiel berechnet den gleitenden Durchschnitt von `sum(Revenue)`, partitioniert nach `SaleDate`. Die Berechnung umfasst drei Zeilen oben und zwei Zeilen unterhalb der aktuellen Zeile. ``` windowAvg ( sum(Revenue), [SaleDate ASC], 3, 2 ) ``` Die folgende Abbildung zeigt das Ergebnis des Beispiels für einen gleitenden Durchschnitt. Das Feld Summe (Umsatz) wird dem Diagramm hinzugefügt, um die Differenz zwischen dem Umsatz und dem gleitenden Durchschnitt des Umsatzes anzuzeigen. ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/windowAvg.png) # windowCount Die Funktion `windowCount` berechnet die Anzahl der aggregierten Messwerte oder Dimensionen in einem benutzerdefinierten Fenster, das nach bestimmten Attributen partitioniert und sortiert ist. In der Regel verwenden Sie benutzerdefinierte Fensterfunktionen auf einer Zeitreihe, bei der Ihre Visualisierung eine Metrik und ein Datumsfeld anzeigt. Fensterfunktionen werden nicht für MySQL-Versionen vor Version 8 und MariaDB-Versionen vor Version 10.2 unterstützt. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` windowCount ( measure_or_dimension , [sort_order_field ASC/DESC, ...] , start_index , end_index ,[ partition_field, ... ] ) ``` ## Argumente *Messwert oder Dimension* Die aggregierte Metrik, für die Sie den Durchschnitt erhalten möchten, z. B. `sum({Revenue})`. *Attribute sortieren* Eines oder mehrere aggregierte Felder (Messwerte und/oder Dimensionen), nach denen Sie die Daten sortieren möchten, getrennt durch Kommas. Sie können aufsteigend (**ASC**) oder absteigend (**DESC**) sortieren. Jedes Feld in der Liste ist von \$1 \$1 (geschweifte Klammern) eingeschlossen, wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *Startindex* Der Startindex ist eine positive Ganzzahl, die *n* Zeilen oberhalb der aktuellen Zeile anzeigt. Der Startindex zählt die verfügbaren Datenpunkte oberhalb der aktuellen Zeile, anstatt tatsächliche Zeiträume zu zählen. Sind Ihre Daten unvollständig (beispielsweise fehlende Monate oder Jahre), passen Sie die Indizes entsprechend an. *Endindex* Der Endindex ist eine positive Ganzzahl, die *n* Zeilen unterhalb der aktuellen Zeile anzeigt. Der Endindex zählt die verfügbaren Datenpunkte unterhalb der aktuellen Zeile anstelle der tatsächlichen Zeiträume. Sind Ihre Daten unvollständig (beispielsweise fehlende Monate oder Jahre), passen Sie die Indizes entsprechend an. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist von \$1 \$1 (geschweifte Klammern) eingeschlossen, wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. ## Beispiel Das folgende Beispiel berechnet die gleitende Anzahl von `sum(Revenue)`, partitioniert nach `SaleDate`. Die Berechnung umfasst drei Zeilen oben und zwei Zeilen unterhalb der aktuellen Zeile. ``` windowCount ( sum(Revenue), [SaleDate ASC], 3, 2 ) ``` # windowMax Die Funktion `windowMax` berechnet das Maximum des aggregierten Messwerts in einem benutzerdefinierten Fenster, das nach bestimmten Attributen partitioniert und sortiert ist. In der Regel verwenden Sie benutzerdefinierte Fensterfunktionen auf einer Zeitreihe, bei der Ihre Visualisierung eine Metrik und ein Datumsfeld anzeigt. Sie können `windowMax` verwenden, um das Maximum der Metrik über einen bestimmten Zeitraum zu identifizieren. Fensterfunktionen werden nicht für MySQL-Versionen vor Version 8 und MariaDB-Versionen vor Version 10.2 unterstützt. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` windowMax ( measure , [sort_order_field ASC/DESC, ...] , start_index , end_index ,[ partition_field, ... ] ) ``` ## Argumente *measure* Die aggregierte Metrik, für die Sie den Durchschnitt erhalten möchten, z. B. `sum({Revenue})`. *Attribute sortieren* Eines oder mehrere aggregierte Felder (Messwerte und/oder Dimensionen), nach denen Sie die Daten sortieren möchten, getrennt durch Kommas. Sie können aufsteigend (**ASC**) oder absteigend (**DESC**) sortieren. Jedes Feld in der Liste ist von \$1 \$1 (geschweifte Klammern) eingeschlossen, wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *Startindex* Der Startindex ist eine positive Ganzzahl, die *n* Zeilen oberhalb der aktuellen Zeile anzeigt. Der Startindex zählt die verfügbaren Datenpunkte oberhalb der aktuellen Zeile, anstatt tatsächliche Zeiträume zu zählen. Sind Ihre Daten unvollständig (beispielsweise fehlende Monate oder Jahre), passen Sie die Indizes entsprechend an. *Endindex* Der Endindex ist eine positive Ganzzahl, die *n* Zeilen unterhalb der aktuellen Zeile anzeigt. Der Endindex zählt die verfügbaren Datenpunkte unterhalb der aktuellen Zeile anstelle der tatsächlichen Zeiträume. Sind Ihre Daten unvollständig (beispielsweise fehlende Monate oder Jahre), passen Sie die Indizes entsprechend an. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist in \$1\$1 eingeschlossen (geschweifte Klammern), wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. ## Beispiel Das folgende Beispiel berechnet das Maximum der vergangenen zwölf Monate von `sum(Revenue)`, partitioniert nach `SaleDate`. Die Berechnung umfasst 12 Zeilen oberhalb und 0 Zeilen unterhalb der aktuellen Zeile. ``` windowMax ( sum(Revenue), [SaleDate ASC], 12, 0 ) ``` Der folgende Screenshot zeigt die Ergebnisse dieses Beispiels für die letzten zwölf Monate. Das Feld Summe (Umsatz) wird dem Diagramm hinzugefügt, um die Differenz zwischen dem Umsatz und dem Maximum der vergangenen zwölf Monate anzuzeigen. ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/windowMax.png) # windowMin Die Funktion `windowMin` berechnet das Minimum des aggregierten Messwerts in einem benutzerdefinierten Fenster, das nach bestimmten Attributen partitioniert und sortiert ist. In der Regel verwenden Sie benutzerdefinierte Fensterfunktionen auf einer Zeitreihe, bei der Ihre Visualisierung eine Metrik und ein Datumsfeld anzeigt. Sie können `windowMin` verwenden, um das Minimum der Metrik über einen bestimmten Zeitraum zu identifizieren. Fensterfunktionen werden nicht für MySQL-Versionen vor Version 8 und MariaDB-Versionen vor Version 10.2 unterstützt. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` windowMin ( measure , [sort_order_field ASC/DESC, ...] , start_index , end_index ,[ partition_field, ... ] ) ``` ## Argumente *measure* Die aggregierte Metrik, für die Sie den Durchschnitt erhalten möchten, z. B. `sum({Revenue})`. *Attribute sortieren* Eines oder mehrere aggregierte Felder (Messwerte und/oder Dimensionen), nach denen Sie die Daten sortieren möchten, getrennt durch Kommas. Sie können aufsteigend (**ASC**) oder absteigend (**DESC**) sortieren. Jedes Feld in der Liste ist von \$1 \$1 (geschweifte Klammern) eingeschlossen, wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *Startindex* Der Startindex ist eine positive Ganzzahl, die *n* Zeilen oberhalb der aktuellen Zeile anzeigt. Der Startindex zählt die verfügbaren Datenpunkte oberhalb der aktuellen Zeile, anstatt tatsächliche Zeiträume zu zählen. Sind Ihre Daten unvollständig (beispielsweise fehlende Monate oder Jahre), passen Sie die Indizes entsprechend an. *Endindex* Der Endindex ist eine positive Ganzzahl, die *n* Zeilen unterhalb der aktuellen Zeile anzeigt. Der Endindex zählt die verfügbaren Datenpunkte unterhalb der aktuellen Zeile anstelle der tatsächlichen Zeiträume. Sind Ihre Daten unvollständig (beispielsweise fehlende Monate oder Jahre), passen Sie die Indizes entsprechend an. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist von \$1 \$1 (geschweifte Klammern) eingeschlossen, wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. ## Beispiel Das folgende Beispiel berechnet das Minimum der vergangenen zwölf Monate von `sum(Revenue)`, partitioniert nach `SaleDate`. Die Berechnung umfasst 12 Zeilen oberhalb und 0 Zeilen unterhalb der aktuellen Zeile. ``` windowMin ( sum(Revenue), [SaleDate ASC], 12, 0 ) ``` Der folgende Screenshot zeigt die Ergebnisse dieses Beispiels für die letzten zwölf Monate. Das Feld Summe (Umsatz) wird dem Diagramm hinzugefügt, um die Differenz zwischen dem Umsatz und dem Minimum der vergangenen zwölf Monate anzuzeigen. ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/windowMin.png) # windowSum Die Funktion `windowSum` berechnet die Summe des aggregierten Messwerts in einem benutzerdefinierten Fenster, das nach bestimmten Attributen partitioniert und sortiert ist. In der Regel verwenden Sie benutzerdefinierte Fensterfunktionen auf einer Zeitreihe, bei der Ihre Visualisierung eine Metrik und ein Datumsfeld anzeigt. Fensterfunktionen werden nicht für MySQL-Versionen vor Version 8 und MariaDB-Versionen vor Version 10.2 unterstützt. ## Syntax Die Klammern sind erforderlich. Welche Argumente optional sind, erfahren Sie in den folgenden Beschreibungen. ``` windowSum ( measure , [sort_order_field ASC/DESC, ...] , start_index , end_index ,[ partition_field, ... ] ) ``` ## Argumente *measure* Die aggregierte Metrik, für die Sie die Summe erhalten möchten, z. B. `sum({Revenue})`. Für die Engines MySQL, MariaDB und Amazon Aurora mit MySQL-Kompatibilität ist der Lookup-Index auf 1 beschränkt. Fensterfunktionen werden nicht für MySQL-Versionen vor Version 8 und MariaDB-Versionen vor Version 10.2 unterstützt. *Attribute sortieren* Eines oder mehrere aggregierte Felder (Messwerte und/oder Dimensionen), nach denen Sie die Daten sortieren möchten, getrennt durch Kommas. Sie können aufsteigend (**ASC**) oder absteigend (**DESC**) sortieren. Jedes Feld in der Liste ist von \$1 \$1 (geschweifte Klammern) eingeschlossen, wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. *Startindex* Der Startindex ist eine positive Ganzzahl, die *n* Zeilen oberhalb der aktuellen Zeile anzeigt. Der Startindex zählt die verfügbaren Datenpunkte oberhalb der aktuellen Zeile, anstatt tatsächliche Zeiträume zu zählen. Sind Ihre Daten unvollständig (beispielsweise fehlende Monate oder Jahre), passen Sie die Indizes entsprechend an. *Endindex* Der Endindex ist eine positive Ganzzahl, die *n* Zeilen unterhalb der aktuellen Zeile anzeigt. Der Endindex zählt die verfügbaren Datenpunkte unterhalb der aktuellen Zeile anstelle der tatsächlichen Zeiträume. Sind Ihre Daten unvollständig (beispielsweise fehlende Monate oder Jahre), passen Sie die Indizes entsprechend an. *partition field* (Optional) Eine oder mehrere Dimensionen, nach denen Sie die Daten partitionieren möchten, getrennt durch Kommas. Jedes Feld in der Liste ist von \$1 \$1 (geschweifte Klammern) eingeschlossen, wenn es mehr als ein Wort umfasst. Die gesamte Liste ist in [ ] (eckige Klammern) eingeschlossen. ## Beispiel Das folgende Beispiel berechnet eine gleitende Summe von `sum(Revenue)`, sortiert nach Monat `SaleDate`. Die Berechnung umfasst zwei Zeilen oberhalb und eine Zeile vor der aktuellen Zeile. ``` windowSum ( sum(Revenue), [SaleDate ASC], 2, 1 ) ``` Das folgende Beispiel zeigt die Summe der vergangenen 12 Monate. ``` windowSum(sum(Revenue),[SaleDate ASC],12,0) ``` Die folgende Abbildung zeigt das Ergebnis des Beispiels der vergangenen zwölf Monate. Das Feld `sum(Revenue)` wird dem Diagramm hinzugefügt, um die Differenz zwischen dem Umsatz und der Umsatzsumme der vergangenen zwölf Monate anzuzeigen. ![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/windowSum.png) # Verknüpfen von Daten Sie können die Join-Schnittstelle in Amazon Quick Sight verwenden, um Objekte aus einer oder mehreren Datenquellen zu verbinden. Indem Sie Amazon Quick Sight verwenden, um die Daten zusammenzuführen, können Sie unterschiedliche Daten zusammenführen, ohne die Daten aus verschiedenen Quellen duplizieren zu müssen. ## Arten von verknüpften Datensätzen Eine Verknüpfung wird zwischen zwei logischen Quick *Sight-Tabellen* durchgeführt, wobei jede logische Tabelle Informationen darüber enthält, wie Daten abgerufen werden. Wenn Sie einen Datensatz in Quick Sight bearbeiten, zeigt das Verbindungsdiagramm in der oberen Hälfte der Seite jede logische Tabelle als rechteckigen Block. In Quick Sight gibt es zwei verschiedene Typen von verknüpften Datensätzen: Datensätze aus derselben Quelle und quellenübergreifende Datensätze. Ein Datensatz gilt als aus derselben Quelle, wenn er keine Verknüpfungen aufweist oder wenn alle der folgenden Bedingungen erfüllt sind: + Wenn sich eine der logischen Tabellen auf eine Quick Sight-Datenquelle bezieht: + Alle logischen Tabellen in diesem Datensatz müssen sich auf dieselbe Quick Sight-Datenquelle beziehen. Dies gilt nicht, wenn sich zwei separate Quick Sight-Datenquellen auf dieselbe zugrunde liegende Datenbank beziehen. Es muss sich um exakt dieselbe Quick Sight-Datenquelle handeln. Weitere Informationen über die Verwenden einer Datenbank-Datenquelle finden Sie unter [Erstellen eines Datensatzes unter Verwendung einer vorhandenen Datenquelle](create-a-data-set-existing.md). + Wenn sich eine der logischen Tabellen auf einen Quick Sight-Datensatz bezieht, der ein übergeordneter Datensatz ist: + Der übergeordnete Datensatz muss eine direkte Abfrage verwenden. + Der übergeordnete Datensatz muss sich auf dieselbe Quick Sight-Datenquelle beziehen. Wenn die oben genannten Bedingungen nicht erfüllt sind, wird der Datensatz als quellenübergreifende Verknüpfung betrachtet. ## Fakten zum Verbinden von Datensätzen Sowohl für Verknüpfungen von Datensätzen aus derselben Quelle als auch für quellenübergreifende Verknüpfungen gelten die folgenden Einschränkungen. ### Was ist die maximale Anzahl von Tabellen, die ein verknüpfter Datensatz enthalten kann? Alle verbundenen Datensätze können bis zu 32 Tabellen enthalten. ### Wie groß können verknüpfte Daten sein? Die maximal zulässige Größe einer Verknüpfung wird durch den verwendeten Abfragemodus und die verwendete Abfrage-Engine bestimmt. Die folgende Liste enthält Informationen zu den verschiedenen Größenbeschränkungen für die zu verknüpfenden Tabellen. Die Größenbeschränkung gilt für alle sekundären Tabellen zusammen. Für die Primärtabelle gibt es keine Größenbeschränkungen für Verknüpfungen. + Tabellen aus **derselben Quelle — Wenn Tabellen** aus einer einzigen Abfragedatenquelle stammen, gibt es in Quick Sight keine Einschränkungen hinsichtlich der Verbindungsgröße. Dadurch werden die Größenbeschränkungen für Verknüpfungen, die möglicherweise in der Quellabfrage-Engine gelten, nicht außer Kraft gesetzt. + **Quellenübergreifende Datensätze** – Diese Art der Verknüpfung enthält Tabellen aus verschiedenen Datenquellen, die nicht in SPICE gespeichert sind. Für diese Arten von Verknüpfungen identifiziert Quick Sight automatisch die größte Tabelle im Datensatz. Die Gesamtgröße aller anderen sekundären Tabellen muss weniger als 1 GB betragen. + **In SPICE gespeicherte Datensätze** – Diese Art der Verknüpfung enthält Tabellen, in die alle SPICE aufgenommen wurden. Die Gesamtgröße aller sekundären Tabellen in dieser Verknüpfung darf 20 GB nicht überschreiten. Weitere Informationen zu SPICE-Datensatzgrößenberechnungen finden Sie unter [Schätzung der Größe von SPICE-Datensätzen](spice.md#spice-capacity-formula). ### Kann ein verknüpfter Datensatz eine Direktabfrage verwenden? Datensätze aus derselben Quelle unterstützen direkte Abfragen, vorausgesetzt, es gibt keine weiteren Einschränkungen bei der Verwendung von Direktabfragen. Beispielsweise unterstützen S3-Datenquellen keine direkte Abfrage, sodass ein S3-Datensatz aus derselben Quelle weiterhin SPICE verwenden muss. Quellenübergreifende Datensätze müssen SPICE verwenden. ### Können berechnete Felder in einer Verknüpfung verwendet werden? Alle verknüpften Datasätze können berechnete Felder verwenden, berechnete Felder können jedoch nicht in Klauseln verwendet werden. ### Können geografische Daten in einer Verknüpfung verwendet werden? Datensätze aus derselben Quelle unterstützen geografische Datentypen, geografische Felder können jedoch nicht in Klauseln verwendet werden. Quellenübergreifende Datensätze unterstützen geografische Daten in keiner Form. Einige Beispiele für das Zusammenführen von Tabellen aus Datenquellen in Amazon Quick Sight finden Sie im Beitrag [Joining across data sources on Amazon Quick Sight](https://aws.amazon.com/blogs/big-data/joining-across-data-sources-on-amazon-quicksight/) im AWS Big Data-Blog. ## Erstellen einer Verknüpfung Führen Sie die folgenden Schritte aus, um Tabellen für die Verwendung in einem Dataset zu verknüpfen. Importieren Sie zunächst Ihre Daten oder stellen Sie eine Verbindung zu ihnen her. Sie können eine Verknüpfung zwischen allen von Amazon Quick Sight unterstützten Datenquellen erstellen, mit Ausnahme von Internet of Things (IoT) -Daten. Sie können z. B. CSV-Dateien, Tabellen, Ansichten, SQL-Abfragen oder JSON-Objekte in einem Amazon S3-Bucket hinzufügen. **So fügen Sie eine oder mehrere Joins hinzu** 1. Öffnen Sie den Datensatz, mit dem Sie arbeiten möchten. 1. (Optional) Bevor Sie beginnen, entscheiden Sie, ob Sie die automatisch generierte Vorschau anhand einer Stichprobe Ihrer Daten deaktivieren möchten. Um das auszuschalten, wählen Sie oben rechts die Option **Automatische Vorschau**. Sie ist standardmäßig aktiviert. 1. Wenn Sie noch keinen Abfragemodus ausgewählt haben, wählen Sie **Abfragemodus**. Wählen Sie **SPICE**, u, Ihren Datensatz in [SPICE](spice.md) zu speichern, oder wählen Sie **Direkte Abfrage**, um jedes Mal Live-Daten abzurufen. Wenn Ihr Datensatz eine oder mehrere manuell hochgeladene Dateien enthält, wird Ihr Datensatz automatisch in SPICE gespeichert. Wenn Sie möchten **SPICE**, werden die Daten in Quick Sight aufgenommen. Visualisierungen, die den Datensatz verwenden, führen Abfragen in SPICE und nicht in der Datenbank aus. Wenn Sie **Direkte Abfrage** wählen, werden die Daten nicht in SPICE nicht aufgenommen. Visualisierungen, die den Datensatz verwenden, führen Abfragen in der Datenbank aus und nicht in SPICE. Wenn Sie den **Abfragemodus** wählen, stellen Sie sicher, dass Sie in der Verknüpfung gegebenenfalls eindeutige Schlüssel angeben, um die Leistung beim Laden von Visualisierungen zu verbessern. 1. Klicken Sie auf der Seite der Datenvorbereitung auf **Add data (Daten hinzufügen)**. 1. Wählen Sie auf der sich öffnenden **Seite Daten hinzufügen** eine der folgenden Optionen aus und führen Sie die folgenden Schritte aus: + Daten aus einem Datensatz hinzufügen 1. Wählen Sie **Datensatz**. 1. Wählen Sie einen Datensatz aus der Liste. 1. Wählen Sie **Select (Auswählen)**. + Daten aus einer Datenquelle hinzufügen: 1. Wählen Sie **Data source** (Datenquelle) aus. 1. Wählen Sie eine Datenquelle aus der Liste aus. 1. Wählen Sie **Select (Auswählen)**. 1. Wählen Sie eine Tabelle aus der Liste. 1. Wählen Sie **Select (Auswählen)**. + Erstellen Sie Self-Joins, indem Sie eine Tabelle mehrmals hinzufügen. Nach dem Namen wird ein Zähler angezeigt. Das sieht dann beispielsweise wie folgt aus: **Produkt**, **Produkt (2)** und **Produkt (3)**. Feldnamen im Abschnitt **Fields (Felder)** oder **Filters (Filter)** enthalten den gleichen Zähler, die Aufschluss darüber gibt, aus welcher Instance der Tabelle ein Feld stammt. + Fügen Sie eine neue Datei hinzu, indem Sie **Datei hochladen** und dann die Datei auswählen, die Sie verbinden möchten. 1. (Optional) Wählen Sie **Benutzerdefiniertes SQL verwenden**, um den Abfrage-Editor zu öffnen und eine Abfrage für eine SQL-Datenquelle zu schreiben. 1. (Optional) Nachdem Sie Daten hinzugefügt haben, können Sie mit jeder Tabelle interagieren, indem Sie das entsprechende Menüsymbol auswählen. Ordnen Sie die Tabellen neu an, indem Sie sie per Drag-and-Drop ziehen. Ein Symbol mit roten Punkten weist darauf hin, dass Sie diese Verknüpfung konfigurieren müssen. Für Joins, die noch nicht konfiguriert sind, werden zwei rote Punkte angezeigt. Um Joins zu erstellen, wählen Sie das erste Join-Konfigurationssymbol. 1. (Optional) Um eine bestehende Verknüpfung zu ändern, öffnen Sie die **Join-Konfiguration** erneut, indem Sie das Join-Symbol zwischen zwei Tabellen auswählen. Der Bereich **Join-Konfiguration** wird geöffnet. Legen Sie in der Benutzeroberfläche den Verknüpfungstyp und die Felder zum Verknüpfen der Tabellen fest. 1. Am unteren Bildschirmrand befinden sich Optionen, mit denen Sie ein Tabellenfeld einem Feld in einer anderen Tabelle gleichsetzen können. 1. Wählen Sie im Abschnitt **Join clauses (Join-Klauseln)** jeweils die Verknüpfungsspalte für die einzelnen Tabellen aus. (Optional) Wenn die ausgewählten Tabellen auf der Grundlage mehrerer Spalten verknüpft werden sollen, klicken Sie auf **Add a new join clause (Neue Join-Klausel hinzufügen)**. Dadurch wird den Join-Klauseln eine weitere Zeile hinzugefügt, in der Sie die nächsten Verknüpfungsspalten angeben können. Wiederholen Sie diesen Vorgang, bis Sie alle Spalten zur Verknüpfung der beiden Datenobjekte angegeben haben. 1. Wählen Sie im Bereich **Join configuration** (Join-Konfiguration) die Art der gewünschten Verknüpfung aus. Wenn es sich bei den Join-Feldern um einen eindeutigen Schlüssel für eine oder beide Tabellen handelt, aktivieren Sie die Einstellung für den eindeutigen Schlüssel. Eindeutige Schlüssel gelten nur für direkte Abfragen, nicht für SPICE-Daten. Weitere Informationen über die Joins finden Sie unter [JOIN-Typen](#join-types). 1. Klicken Sie auf **Apply (Anwenden)**, um Ihre Auswahl zu bestätigen. Um Abzubrechen, ohne Änderungen vorzunehmen, klicken Sie auf **Abbrechen**. 1. Das Verknüpfungssymbol im Workspace ändert sich und zeigt nun die neue Beziehung an. 1. (Optional) Im Abschnitt **Felder** können Sie das Menü jedes Felds verwenden, um eine oder mehrere der folgenden Aktionen auszuführen: + **Hinzufügen einer Hierarchie** zu einem Geodatenfeld. + **Einschließen** oder **Ausschließen** des Feldes. + **Namen und Beschreibung bearbeiten** für das Feld. + **Ändern des Datentyps**. + **Fügen Sie eine Formel hinzu** (ein berechnetes Feld). + **Beschränken des Zugriffs nur auf mich**, sodass nur Sie ihn sehen können. Dies kann hilfreich sein, wenn Sie Felder zu einem Datensatz hinzufügen, der bereits verwendet wird. 1. (Optional) Im Abschnitt **(Filters (Filter)** können Sie Filter hinzufügen oder bearbeiten. Weitere Informationen finden Sie unter [Filtern von Daten in Amazon Quick Sight](adding-a-filter.md). ## JOIN-Typen Amazon Quick Sight unterstützt die folgenden Verbindungstypen: + Innere Joins + Linke und rechte äußere Joins + Vollständige äußere Joins Im Anschluss erfahren Sie, welche Auswirkungen diese Join-Typen auf Ihre Daten haben. Für unsere Beispieldaten verwenden wir die Tabellen `widget` und `safety rating`. ``` SELECT * FROM safety-rating rating_id safety_rating 1 A+ 2 A 3 A- 4 B+ 5 B SELECT * FROM WIDGET widget_id widget safety_rating_id 1 WidgetA 3 2 WidgetB 1 3 WidgetC 1 4 WidgetD 2 5 WidgetE 6 WidgetF 5 7 WidgetG ``` ### Innere Joins Verwenden Sie eine innere Verknüpfung, wenn Sie nur die Daten sehen möchten, bei denen eine Übereinstimmung zwischen zwei Tabellen besteht. Ein Beispiel: Angenommen, Sie führen einen inneren Join mit den Tabellen **safety-rating** und **widget** aus. Im folgenden Resultset werden Widgets ohne Sicherheitsbewertungen sowie Sicherheitsbewertungen ohne zugeordnete Widgets entfernt. Nur perfekt übereinstimmende Zeilen werden eingeschlossen. ``` SELECT * FROM safety-rating INNER JOIN widget ON safety_rating.rating_id = widget.safety_rating_id rating_id safety_rating widget_id widget safety_rating_id 3 A- 1 WidgetA 3 1 A+ 2 WidgetB 1 1 A+ 3 WidgetC 1 2 A 4 WidgetD 2 5 B 6 WidgetF 5 ``` ### Linke und rechte äußere Joins Diese werden auch als linke oder rechte äußere Joins bezeichnet. Verwenden Sie eine linke oder rechte äußere Verknüpfung, wenn Sie alle Daten aus einer Tabelle und nur die passenden Zeilen aus der anderen Tabelle sehen möchten. Auf einer grafischen Benutzeroberfläche sehen Sie, welche Tabelle sich rechts bzw. links befindet. In einer SQL-Anweisung wird die erste Tabelle als linke Tabelle betrachtet. Somit hängt die Wahl eines linken oder rechten äußeren Joins einzig vom Layout der Tabellen in Ihrem Abfragetool ab. Nehmen wir beispielsweise an, Sie führen eine linke äußere Verknüpfung für `safety-rating` (die linke Tabelle) und `widgets` (die rechte Tabelle) durch. In diesem Fall werden alle Zeilen aus `safety-rating` und nur die übereinstimmenden Zeilen aus `widget` zurückgegeben. Wo keine übereinstimmenden Daten vorhanden sind, bleibt das Resultset leer. ``` SELECT * FROM safety-rating LEFT OUTER JOIN widget ON safety_rating.rating_id = widget.safety_rating_id rating_id safety_rating widget_id widget safety_rating_id 1 A+ 2 WidgetB 1 1 A+ 3 WidgetC 1 2 A 4 WidgetD 2 3 A- 1 WidgetA 3 4 B+ 5 B 6 WidgetF 5 ``` Wenn Sie stattdessen eine rechte äußere Verknüpfung verwenden, rufen Sie die Tabellen in derselben Reihenfolge auf`safety-rating`, in der sie `widgets` sich links und rechts befinden. In diesem Fall werden nur übereinstimmende Zeilen aus `safety-rating` und alle Zeilen aus `widget` zurückgegeben. Wo keine übereinstimmenden Daten vorhanden sind, bleibt das Resultset leer. ``` SELECT * FROM safety-rating RIGHT OUTER JOIN widget ON safety_rating.rating_id = widget.safety_rating_id rating_id safety_rating widget_id widget safety_rating_id 3 A- 1 WidgetA 3 1 A+ 2 WidgetB 1 1 A+ 3 WidgetC 1 2 A 4 WidgetD 2 5 WidgetE 5 B 6 WidgetF 5 7 WidgetG ``` ### Vollständige äußere Joins Diese Joins werden manchmal auch nur als äußere Joins bezeichnet, womit jedoch ein linker äußerer Join, ein rechter äußerer Join oder ein vollständiger äußerer Join gemeint sein kann. Um die Bedeutung zu definieren, verwenden wir den vollständigen Namen: vollständiger äußerer Join. Verwenden Sie eine vollständige äußere Verknüpfung, um übereinstimmende Daten sowie Daten aus beiden Tabellen anzuzeigen, die nicht übereinstimmen. Diese Art von Join enthält alle Zeilen aus beiden Tabellen. Wenn Sie also beispielsweise einen vollständigen äußeren Join für die Tabellen `safety-rating` und `widget` durchführen, werden alle Zeilen zurückgegeben. Übereinstimmende Zeilen werden abgeglichen und alle zusätzlichen Daten in separate Zeilen eingefügt. Wo keine übereinstimmenden Daten vorhanden sind, bleibt das Resultset leer. ``` SELECT * FROM safety-rating FULL OUTER JOIN widget ON safety_rating.rating_id = widget.safety_rating_id rating_id safety_rating widget_id widget safety_rating_id 1 A+ 2 WidgetB 1 1 A+ 3 WidgetC 1 2 A 4 WidgetD 2 3 A- 1 WidgetA 3 4 B+ 5 B 6 WidgetF 5 5 WidgetE 7 WidgetG ``` # Datenfelder für die Analyse in Amazon Quick Sight vorbereiten Bevor Sie mit der Analyse und Visualisierung Ihrer Daten beginnen, können Sie die Felder (Spalten) in Ihrem Datensatz für die Analyse vorbereiten. Sie können Feldnamen und Beschreibungen bearbeiten, den Datentyp für Felder ändern, Aufschlüsselungshierarchien für Felder einrichten und vieles mehr. Verwenden Sie die folgenden Themen, um Felder in Ihrem Datensatz vorzubereiten. **Topics** + [Bearbeiten von Feldnamen und -beschreibungen](changing-a-field-name.md) + [Festlegen von Feldern als Dimension oder Maß](setting-dimension-or-measure.md) + [Ändern eines Felddatentyps](changing-a-field-data-type.md) + [Hinzufügen von Drilldowns zu visuellen Daten in Quick Sight](adding-drill-downs.md) + [Auswählen von Feldern](selecting-fields.md) + [Organisieren von Feldern in Ordnern in Amazon QuickSight](organizing-fields-folder.md) + [Zuordnen und Verknüpfen von Feldern](mapping-and-joining-fields.md) # Bearbeiten von Feldnamen und -beschreibungen Sie können jeden Feldnamen und -beschreibungen ändern, der über die Datenquelle bereitgestellt wird. Wenn Sie den Namen eines in einem Kalkulationsfeld verwendeten Feldes ändern, müssen Sie die Änderung auch in der Funktion des Kalkulationsfeldes vornehmen. Andernfalls schlägt die Funktion fehl. **So ändern Sie einen Feldnamen oder eine Beschreibung** 1. Wählen Sie im Bereich **Felder** der Datenvorbereitungsseite das Dreipunktsymbol auf dem Feld aus, das Sie ändern möchten. Wählen Sie dann **Edit name & description** (Name und Beschreibung bearbeiten). 1. Geben Sie den neuen Namen oder die Beschreibung ein, die Sie ändern möchten, und wählen Sie **Anwenden**. Sie können auch den Namen und die Beschreibung eines Felds auf der Datenvorbereitungsseite ändern. Wählen Sie dazu in der **Datensatz**-Tabelle in der unteren Hälfte dieser Seite die Spaltenüberschrift des Felds aus, das Sie ändern möchten. Nehmen Sie dann dort alle Änderungen vor. # Festlegen von Feldern als Dimension oder Maß Im Bereich **Field list (Feldliste)** werden Dimensionsfelder als blaue Symbole und Maßfelder als grüne Symbole dargestellt. *Dimensionen* sind Text- oder Datumsfelder, bei denen es sich um Elemente wie Produkte oder um Attribute handeln kann, die sich auf Maße beziehen. Sie können Dimensionen verwenden, um diese Elemente oder Attribute zu partitionieren, z. B. das Verkaufsdatum für Umsatzzahlen. *Maße* sind numerische Werte, die Sie für Abmessungen, Vergleiche und Aggregationen verwenden. In einigen Fällen interpretiert Quick Sight ein Feld als eine Kennzahl, die Sie als Dimension verwenden möchten (oder umgekehrt). Wenn dies der Fall ist, können Sie die Einstellung für dieses Feld ändern. Wenn Sie die Maß- oder Dimensionseinstellung eines Felds ändern, wird dies für alle Visualisierungen in der Analyse geändert, die dieses Dataset verwenden. Im Dataset selbst wird jedoch keine Änderung vorgenommen. ## Ändern der Einstellung eines Felds als Maß oder Dimension Gehen Sie wie folgt vor, um die Dimensions- oder Maßeinstellungen eines Felds zu ändern. **Zum Ändern der Einstellung eines Felds als Maß oder Dimension** 1. Zeigen Sie im Bereich **Field list** mit der Maus auf das Feld, das Sie ändern möchten. 1. Wählen Sie erst das Auswahlsymbol rechts neben dem Feldnamen und dann je nach Wunsch **Convert to dimension** oder **Convert to measure** aus. # Ändern eines Felddatentyps Wenn Quick Sight Daten abruft, weist es jedem Feld einen Datentyp zu, der auf den Daten im Feld basiert. Folgende Datentypen werden unterstützt: + Datum – Der Datum-Datentyp wird für Datumsangaben im unterstützten Format verwendet. Informationen zu den Datumsformaten, die Quick Sight unterstützt, finden Sie unter. [Kontingente für Datenquellen](data-source-limits.md) + Dezimal – Der Dezimal-Datentyp wird für numerische Daten verwendet, bei denen eine oder mehr Dezimalstellen der Präzision erforderlich sind, beispielsweise 18,23. Dieser Datentyp unterstützt Werte mit bis zu vier Dezimalstellen nach dem Dezimaltrennzeichen. Werte mit einer höheren Skala werden in zwei Fällen auf die vierte Dezimalstelle gekürzt. Zum einen, wenn diese Werte bei der Datenaufbereitung oder bei Analysen angezeigt werden, und zum anderen, wenn diese Werte in Quick Sight importiert werden. Beispiel: 13,00049 wird gekürzt auf 13,0004. + Geodaten – Der Geodaten-Datentyp wird für raumbezogene Daten verwendet, z. B. Längengrad und Breitengrad oder Städte und Länder. + Ganzzahl – Der Ganzzahl-Datentyp wird für numerische Daten verwendet, die nur aus Ganzzahlen bestehen, beispielsweise 39. + Zeichenfolge – Der Zeichenfolge-Datentyp wird für alphanumerische Daten verwendet, bei denen es sich nicht um Datumswerte handelt. Quick Sight liest eine kleine Stichprobe von Zeilen in der Spalte, um den Datentyp zu bestimmen. Der Datentyp, der in der kleinen Stichprobengröße am häufigsten vorkommt, ist der empfohlene Typ. In einigen Fällen kann es in einer Spalte, die hauptsächlich Zahlen enthält, leere Werte geben (von Quick Sight als Zeichenketten behandelt). In diesen Fällen kann es sein, dass der Datentyp „Zeichenfolge“ der häufigste Typ in der Stichprobengruppe von Zeilen ist. Sie können den Datentyp der Spalte manuell ändern, sodass er eine Ganzzahl ergibt. Mit den folgenden Verfahren erfahren Sie, wie Sie dabei vorgehen. ## Ändern des Felddatentyps während der Datenvorbereitung Während der Datenvorbereitung können Sie den Datentyp aller Felder der Datenquelle ändern. Im Menü **Datentyp ändern** können Sie berechnete Felder, die keine Aggregationen enthalten, in Geodatentypen umwandeln. Sie können weitere Änderungen am Datentyp eines berechneten Felds vornehmen, indem Sie dessen Ausdruck direkt ändern. Quick Sight konvertiert die Felddaten entsprechend dem von Ihnen ausgewählten Datentyp. Zeilen mit nicht kompatiblen Datentypen werden übersprungen. Beispiel: Sie ändern den Datentyp des folgenden Feldes von „Zeichenfolge“ in „Ganzzahl“. ``` 10020 36803 14267a 98457 78216b ``` Alle Datensätze mit alphabetischen Zeichen in diesem Feld werden übersprungen, wie unten gezeigt wird. ``` 10020 36803 98457 ``` Wenn Sie über einen Datenbankdatensatz mit Feldern verfügen, deren Datentypen von Quick Sight nicht unterstützt werden, verwenden Sie bei der Datenvorbereitung eine SQL-Abfrage. Ändern Sie anschließend mit dem Befehl `CAST` oder `CONVERT` (je nachdem, welcher von der Quelldatenbank unterstützt wird) den Datentyp der betreffenden Felder. Weitere Informationen zum Hinzufügen einer SQL-Abfrage während der Datenvorbereitung finden Sie unter [Verwenden von SQL zum Anpassen von Daten](adding-a-SQL-query.md). Weitere Hinweise dazu, wie verschiedene Quelldatentypen von Quick Sight interpretiert werden, finden Sie unter[Unterstützte Datentypen aus anderen externen Datenquellen](supported-data-types-and-values.md#supported-data-types). Möglicherweise verfügen Sie über numerische Felder, die als Dimensionen und nicht als Metriken fungieren, z. B. Postleitzahlen oder die meisten IDs. In diesen Fällen ist es sinnvoll, ihnen im Rahmen der Datenvorbereitung einen Zeichenfolge-Datentyp zuzuweisen. Dadurch wird Quick Sight klar, dass sie für mathematische Berechnungen nicht nützlich sind und nur mit der `Count` Funktion aggregiert werden können. Weitere Informationen darüber, wie Quick Sight Dimensionen und Kennzahlen verwendet, finden Sie unter[Festlegen von Feldern als Dimension oder Maß](setting-dimension-or-measure.md). In [SPICE](spice.md) werden Zahlen, die in ganze Zahlen umgewandelt werden, standardmäßig gekürzt. Wenn Sie Ihre Zahlen stattdessen runden wollen, können Sie mit der Funktion [`round`](round-function.md) ein Kalkulationsfeld erstellen. Um zu prüfen, ob Zahlen gerundet oder gekürzt werden, bevor sie in SPICE übernommen werden, überprüfen Sie dies in Ihrer Datenbank-Engine. **So ändern Sie den Datentyp eines Felds während der Datenvorbereitung** 1. Wählen Sie auf der Quick Sight-Startseite links **Daten** aus. Wählen Sie auf der Registerkarte **Daten** den gewünschten Datensatz aus und klicken Sie dann auf **Datensatz bearbeiten**. 1. Klicken Sie im Datenvorschaubereich auf das Datentyp-Symbol unter dem zu ändernden Feld. 1. Wählen Sie den Zieldatentyp aus. Es werden nur die Datentypen aufgeführt, die derzeit nicht verwendet werden. ## Ändern eines Felddatentyps in einer Analyse Sie können im Bereich **Field list** visuelle Feldbereiche oder Editoren verwenden, um numerische Datenfeldtypen im Analysekontext zu ändern. Numerische Felder werden standardmäßig als Zahlen angezeigt, aber Sie können festlegen, dass sie stattdessen als Währung oder Prozentsatz angezeigt werden. Sie können die Datentypen für Zeichenfolge- oder Datumsfelder nicht ändern. Durch Ändern des Datentyps eines Felds in einer Analyse wird dieser für alle Visualisierungen in der Analyse geändert, die dieses Dataset verwenden. Im Dataset selbst wird jedoch keine Änderung vorgenommen. **Anmerkung** Wenn Sie mit einer Visualisierung in Form einer Pivot-Tabelle arbeiten, wird durch Anwenden einer Tabellenkalkulation in einigen Fällen der Datentyp der Zellwerte geändert. Diese Art von Änderung erfolgt, wenn der Datentyp bei der angewendeten Kalkulation nicht sinnvoll ist. Angenommen, Sie möchten die `Rank`-Funktion auf ein numerisches Feld anwenden, das Sie zum Datentyp "Währung" geändert haben. In diesem Fall werden die Zellwerte als Zahlen anstatt als Währung angezeigt. Wenn Sie stattdessen die `Percent difference`-Funktion anwenden möchten, werden die Zellwerte als Prozentzahlen anstatt als Währung angezeigt. **So ändern Sie einen Felddatentyp:** 1. Wählen Sie eine der folgenden Optionen: + Zeigen Sie im Bereich **Field list** mit der Maus auf das numerische Feld, das Sie ändern möchten. Wählen Sie anschließend das ausgewählte Symbol rechts neben dem Namen des Feldes aus. + Wählen Sie für jedes numerische Feld, das Sie ändern möchten, den visuellen Editor der zugeordneten Visualisierung aus. + Erweitern Sie den Bereich **Field wells (Feldbereiche)** und wählen Sie dann den Feldbereich aus, der dem numerischen Feld zugeordnet ist, das Sie ändern möchten. 1. Wählen Sie **Show as (Anzeigen als)** und dann **Number (Zahl)**, **Currency (Währung)** oder **Percent (Prozentsatz)** aus. # Hinzufügen von Drilldowns zu visuellen Daten in Quick Sight Alle visuellen Typen außer Pivot-Tabellen bieten die Möglichkeit zum Erstellen einer Hierarchie von Feldern für ein visuelles Element. In der Hierarchie können Sie Daten auf verschiedenen Ebenen der Hierarchie anzeigen. Sie können beispielsweise die Felder „Land“, „Bundesstaat“ und „Stadt“ der x-Achse eines Balkendiagramms zuordnen. Dann können Sie diese aufschlüsseln, um die Daten auf den einzelnen Ebenen anzuzeigen. Mit jeder weiteren Ebene werden die angezeigten Daten entsprechend dem Wert in dem Feld, nach dem Sie aufschlüsseln, verfeinert. Wenn Sie beispielsweise den den Bundesstaat Kalifornien nach "Stadt" aufschlüsseln, erhalten Sie die Daten für alle Städte in Kalifornien. Welche Feldbereiche Sie für Aufschlüsselungen verwenden können, ist abhängig vom Visualisierungstyp. Informationen dazu, ob ein Visualisierungstyp Aufschlüsselung unterstützt, finden Sie im jeweiligen Thema. Die Aufschlüsselungsfunktionalität wird automatisch für Daten hinzugefügt, wenn Sie ein Datumsfeld einem Aufschlüsselungsfeldbereich einer Visualisierung zuordnen. In diesem Fall können Sie die Ebenen der Datumsgranularität aufschlüsseln. Die Aufschlüsselungsfunktionalität wird auch automatisch für raumbezogene Gruppierungen hinzugefügt, wenn Sie diese im Dataset definiert haben. Der folgenden Tabelle können Sie entnehmen, welche Feldbereiche/Editoren die Aufschlüsselung für die einzelnen Visualisierungstypen unterstützen. **** | Visualisierungstyp | Feldbereich oder Editor | | --- | --- | | Balkendiagramme (alle horizontal) | Y axis (Y-Achse) und Group/Color (Gruppe/Farbe) | | Balkendiagramme (alle vertikal) | X axis (X-Achse) und Group/Color (Gruppe/Farbe) | | Kombinationsdiagramme (alle) | X axis (X-Achse) und Group/Color (Gruppe/Farbe) | | Koordinatenbasierte Diagramme | Geospatial (Koordinatenbasiert) und Color (Farbe) | | Heatmap | Rows (Zeilen) und Columns (Spalten) | | KPIs | Trend Group (Trendgruppe) | | Liniendiagramme (alle) | X axis (X-Achse) und Color (Farbe) | | Kreisdiagramm | Group/Color (Gruppe/Farbe) | | Streudiagramm | Group/Color (Gruppe/Farbe) | | Baumdiagramm | Group by (Gruppierung nach) | **Wichtig** Drilldowns werden für Tabellen oder Pivot-Tabellen nicht unterstützt. ## Hinzufügen einer Aufschlüsselung Gehen Sie wie folgt vor, um Aufschlüsselungsebenen zu einer Visualisierung hinzuzufügen. **Hinzufügen von Detailebenen zu einer Visualisierung** 1. Wählen Sie auf der Analyseseite die Visualisierung aus, zu der Sie eine Aufschlüsselung hinzufügen möchten. 1. Ziehen Sie ein Feldelement in ein **Feldbereich**. 1. Wenn das Dataset eine definierte Hierarchie hat, können Sie die gesamte Hierarchie auf einmal in den Feldbereich ziehen. Ein Beispiel sind Geodaten oder Koordinatendaten. In diesem Fall müssen Sie die restlichen Schritte nicht ausführen. Wenn keine vordefinierte Hierarchie vorhanden ist, können Sie wie nachfolgend beschrieben eine Hierarchie in der Analyse erstellen. 1. Ziehen Sie das aufzuschlüsselnde Feld je nach Visualisierungstyp in den entsprechenden Feldbereich. Stellen Sie sicher, dass das gezogene Feld die Bezeichnung **Add drill-down layer** trägt. Platzieren Sie das gezogene Feld ober- oder unterhalb des vorhandenen Feldes, je nachdem, wo es innerhalb der Hierarchie angeordnet werden soll. 1. Wiederholen Sie diesen Schritt, bis Sie alle gewünschten Hierarchieebenen hinzugefügt haben. Um ein Feld aus der Hierarchie zu entfernen, wählen Sie dieses aus und klicken Sie auf **Remove**. 1. Um die Hierarchie aufzuschlüsseln und die Daten auf den einzelnen Hierarchieebenen anzuzeigen, wählen Sie ein Element in der Visualisierung (z. B. Linie oder Balken) und dann **Drill down to (Detailliertere Aufschlüsselung)** oder **Drill up to (Allgemeinere Aufschlüsselung)**. In diesem Beispiel können Sie die Ebene `car-make` nach `car-model` aufschlüsseln und sich die Daten auf dieser Ebene ansehen. Wenn Sie `car-make` **Ford** nach `car-model` aufschlüsseln, werden nur die `car-model`-Werte dieser Marke angezeigt. Nachdem Sie die Daten nach `car-model` aufgeschlüsselt haben, können Sie diese noch weiter nach `make-year` aufschlüsseln oder zur Ebene `car-make` zurückkehren. Wenn Sie den Balken `make-year`Ranger** nach **-Daten aufschlüsseln, werden nur die Baujahre dieses Fahrzeugmodells angezeigt. # Auswählen von Feldern Wenn Sie Daten vorbereiten, können Sie ein oder mehrere Felder auswählen, um eine Aktion für sie auszuführen, z. B. sie auszuschließen oder sie einem Ordner hinzuzufügen. Um ein oder mehrere Felder im Bereich Datenvorbereitung auszuwählen, klicken oder tippen Sie auf das Feld oder die Felder im Bereich **Felder** auf der linken Seite. Sie können dann das Feldmenü (die drei Punkte) rechts neben dem Feldnamen auswählen und eine Aktion auswählen, die Sie ausführen möchten. Die Aktion wird für alle ausgewählten Felder ausgeführt. Sie können alle Felder gleichzeitig aktivieren oder deaktivieren, indem Sie entweder **All** oder **None** oben im Bereich **Fields** auswählen. Wenn Sie ein Dataset bearbeiten und ein Feld ausschließen, das Teil einer Visualisierung ist, funktioniert diese nicht mehr. Sie können dies korrigieren, wenn Sie die betreffende Analyse das nächste Mal öffnen. ## Suchen nach Feldern Wenn die Feldliste im Bereich **Fields** sehr lang ist, können Sie nach einem bestimmten Feld suchen, indem Sie einen Suchbegriff in das Feld **Search fields** eingeben. Alle Felder, deren Namen den Suchbegriff enthalten, werden angezeigt. Bei der Suche wird zwischen Groß- und Kleinschreibung unterschieden. Platzhalter werden nicht unterstützt. Wählen Sie das Abbrechen-Symbol (**X**) rechts neben dem Suchfeld aus, um zur Anzeige aller Felder zurückzukehren. # Organisieren von Feldern in Ordnern in Amazon QuickSight Wenn Sie Ihre Daten in Quick Sight vorbereiten, können Sie Ordner verwenden, um Ihre Felder für mehrere Autoren in Ihrem Unternehmen zu organisieren. Das Anordnen von Feldern in Ordnern und Unterordnern kann es Autoren erleichtern, Felder in Ihrem Datensatz zu finden und zu verstehen. Sie können Ordner erstellen, während Sie Ihren Datensatz vorbereiten oder wenn Sie einen Datensatz bearbeiten. Weitere Informationen zum Erstellen und Vorbereiten eines neuen Datasets finden Sie unter [Erstellen von Datensätzen](creating-data-sets.md). Weitere Informationen zum Öffnen eines bestehenden Datasets für die Datenvorbereitung finden Sie unter [Bearbeiten von Datensätzen](edit-a-data-set.md). Während der Analyse können Autoren Ordner erweitern und reduzieren, nach bestimmten Feldern in Ordnern suchen und Ihre Ordnerbeschreibungen im Ordnermenü einsehen. Ordner werden oben im Bereich **Felder** in alphabetischer Reihenfolge angezeigt. ## Erstellen eines Ordners Gehen Sie wie folgt vor, um einen neuen Ordner im Bereich **Felder** zu erstellen. **So erstellen Sie einen neuen Ordner** 1. Wählen Sie auf der Datenvorbereitungsseite im Bereich **Felder** das Dreipunktsymbol und dann Zum Ordner **hinzufügen** aus. Drücken Sie die Strg-Taste, während Sie auswählen (Befehlstaste auf dem Mac), um mehrere Felder gleichzeitig auszuwählen. 1. Wählen Sie auf der daraufhin angezeigten Seite Zum **Ordner hinzufügen** die Option **Neuen Ordner erstellen** aus und geben Sie einen Namen für den neuen Ordner ein. 1. Wählen Sie **Anwenden** aus. Der Ordner wird oben im Bereich **Felder** mit den Feldern angezeigt, die Sie ausgewählt haben. Die Felder in Ordnern sind in alphabetischer Reihenfolge angeordnet. ## Einen Unterordner erstellen Um Ihre Datenfelder im Bereich **Felder** besser zu organisieren, können Sie Unterordner in übergeordneten Ordnern erstellen. **Zum Erstellen eines Unterordners** 1. Wählen Sie auf der Datenvorbereitungsseite im Bereich **Felder** das Feldmenü für ein Feld aus, das sich bereits in einem Ordner befindet, und wählen Sie In **Ordner verschieben** aus. 1. Wählen Sie auf der daraufhin angezeigten Seite In **Ordner verschieben** die Option **Neuen Ordner erstellen** aus und geben Sie einen Namen für den neuen Ordner ein. 1. Wählen Sie **Anwenden** aus. Der Unterordner wird im übergeordneten Ordner am Anfang der Feldliste angezeigt. Unterordner sind in alphabetischer Reihenfolge angeordnet. ## Hinzufügen von Feldern zu einem vorhandenen Ordner Gehen Sie wie folgt vor, um einem vorhandenen Ordner im Bereich **Felder** hinzuzufügen. **So fügen Sie einem Ordner ein oder mehrere Felder hinzu** 1. Wählen Sie auf der Datenvorbereitungsseite im Bereich **Felder** die Felder aus, die Sie einem Ordner hinzufügen möchten. Drücken Sie die Strg-Taste, während Sie auswählen (Befehlstaste auf dem Mac), um mehrere Felder gleichzeitig auszuwählen. 1. Wählen Sie im Feldmenü die Option **Zum Ordner hinzufügen**. 1. Wählen Sie auf der daraufhin angezeigten Seite **Zum Ordner hinzufügen** einen Ordner für **Bestehender Ordner** aus. 1. Wählen Sie **Anwenden** aus. Das Feld oder die Felder werden dem Ordner hinzugefügt. ## Felder zwischen Ordnern verschieben Gehen Sie wie folgt vor, um Felder zwischen Ordnern im Bereich **Felder** zu verschieben. **Zum Verschieben von Feldern zwischen Ordnern** 1. Wählen Sie auf der Datenvorbereitungsseite im Bereich **Felder** die Felder aus, die Sie in einen anderen Ordner verschieben möchten. Drücken Sie die Strg-Taste, während Sie auswählen (Befehlstaste auf dem Mac), um mehrere Felder gleichzeitig auszuwählen. 1. Wählen Sie im Feldmenü die Option **In Ordner verschieben**. 1. Wählen Sie auf der daraufhin angezeigten Seite **In Ordner verschieben** einen Ordner für **Bestehender Ordner** aus. 1. Wählen Sie **Anwenden** aus. ## Felder aus einem Ordner entfernen Gehen Sie wie folgt vor, um Felder aus einem Ordner im Bereich **Felder** zu entfernen. Durch das Entfernen eines Felds aus einem Ordner wird das Feld nicht gelöscht. **So entfernen Sie Felder aus einem Ordner** 1. Wählen Sie auf der Seite Datenvorbereitung im Bereich **Felder** die Felder aus, die Sie entfernen möchten. 1. Wählen Sie im Feldmenü die Option **Aus Ordner entfernen aus**. Die ausgewählten Felder werden aus dem Ordner entfernt und in alphabetischer Reihenfolge wieder in die Feldliste aufgenommen. ## Einen Ordnernamen bearbeiten und eine Ordnerbeschreibung hinzufügen Sie können den Namen eines Ordners bearbeiten oder eine Beschreibung hinzufügen, um einen Kontext zu den darin enthaltenen Datenfeldern bereitzustellen. Der Ordnername wird im Bereich **Felder** angezeigt. Während der Analyse können Autoren die Beschreibung Ihres Ordners lesen, wenn sie im Bereich **Felder** das Ordnermenü auswählen. **Zum Bearbeiten eines Ordnernamens oder zum Bearbeiten oder Hinzufügen einer Beschreibung für einen Ordner** 1. Wählen Sie auf der Datenvorbereitungsseite im Bereich **Felder** das Ordnermenü für den Ordner aus, den Sie bearbeiten möchten, und wählen Sie **Name und Beschreibung bearbeiten** aus. 1. Führen Sie auf der angezeigten Seite **Ordner bearbeiten** die folgenden Schritte aus: + Geben Sie für **Name** einen Namen für den Ordner ein. + Geben Sie unter **Description (Beschreibung)** eine Beschreibung für den Ordner ein. 1. Wählen Sie **Anwenden** aus. ## Verschieben von Ordnern Sie können Ordner und Unterordner im Bereich **Felder** in neue oder bestehende Ordner verschieben. **So verschieben Sie einen Ordner:** 1. Wählen Sie auf der Seite zur Datenvorbereitung im Bereich **Felder** im Ordnermenü die Option **Ordner verschieben** aus. 1. Führen Sie auf der angezeigten Seite **Ordner verschieben** einen der folgenden Schritte aus: + Wählen Sie **Neuen Ordner erstellen** und geben Sie einen Namen für den Ordner ein. + Wählen Sie unter **Bestehender Ordner** einen Ordner aus. 1. Wählen Sie **Anwenden** aus. Der Ordner wird in dem Ordner angezeigt, den Sie im Bereich **Felder** ausgewählt haben. ## Ordner werden aus dem Bereich „Felder“ entfernt Gehen Sie wie folgt vor, um einen Ordner aus dem Bereich **Felder** zu entfernen. **So entfernen Sie einen Ordner** 1. Wählen Sie auf der Datenvorbereitungsseite im Bereich **Felder** im Ordnermenü die Option **Ordner entfernen** aus. 1. Auf der Seite **Ordner entfernen?** wählen Sie **Entfernen** aus. Der Ordner wird aus dem Bereich **Felder** entfernt. Alle Felder, die sich im Ordner befanden, werden in alphabetischer Reihenfolge wieder in die Feldliste aufgenommen. Durch das Entfernen von Ordnern werden weder Felder aus der Ansicht ausgeschlossen noch Felder aus dem Datensatz gelöscht. # Zuordnen und Verknüpfen von Feldern Wenn Sie in Quick Sight verschiedene Datensätze zusammen verwenden, können Sie das Zuordnen von Feldern oder das Zusammenführen von Tabellen während der Datenvorbereitungsphase vereinfachen. Sie sollten bereits überprüfen, ob Ihre Felder den richtigen Datentyp und einen entsprechenden Feldnamen haben. Wenn Sie jedoch bereits wissen, welche Datasets zusammen verwendet werden, können Sie einige zusätzliche Schritte unternehmen, um sich später die Arbeit zu erleichtern. ## Zuordnen von Feldern Quick Sight kann Felder zwischen Datensätzen in derselben Analyse automatisch zuordnen. Die folgenden Tipps können Quick Sight das automatische Zuordnen von Feldern zwischen Datensätzen erleichtern, z. B. wenn Sie eine Datensatzübergreifende Filteraktion erstellen: + Übereinstimmende Feldnamen – Feldnamen müssen exakt übereinstimmen, ohne Unterschiede in Groß- und Kleinschreibung, Abstand oder Satzzeichen. Sie können Felder umbenennen, die dieselben Daten beschreiben, sodass eine automatische Zuordnung genau ist. + Übereinstimmende Datentypen – Felder müssen denselben Datentyp für die automatische Zuordnung haben. Sie können die Datentypen während der Vorbereitung der Daten ändern. In diesem Schritt können Sie auch feststellen, ob Sie Daten herausfiltern müssen, die nicht der richtige Datentyp sind. + Verwenden von Kalkulationsfeldern – Sie können Kalkulationsfelder verwenden, um ein übereinstimmendes Feld zu erstellen und ihm den richtigen Namen und Datentyp für die automatische Zuordnung zuweisen. **Anmerkung** Nachdem eine automatische Zuordnung vorhanden ist, können Sie ein Feld umbenennen, ohne die Feldzuordnung zu unterbrechen. Wenn Sie jedoch den Datentyp ändern, ist die Zuordnung unterbrochen. Weitere Informationen zur Feldzuordnung für Filteraktionen über Datasets hinweg finden Sie unter [Erstellen und Bearbeiten von benutzerdefinierten Aktionen in Amazon Quick Sight](custom-actions.md). ## Verknüpfen von Feldern Sie können Verknüpfungen zwischen Daten aus verschiedenen Datenquellen erstellen, einschließlich Dateien oder Datenbanken. Die folgenden Tipps erleichtern Ihnen das Verknüpfen von Daten aus verschiedenen Dateien oder Datenquellen: + Ähnliche Feldnamen – Es ist einfacher, Felder zu verknüpfen, wenn Sie sehen können, was übereinstimmen soll. Beispiel: **Auftrags-ID** und **auftrags-id** scheinen identisch zu sein. Aber wenn einer ein Arbeitsauftrag ist und der andere ein Kaufauftrag, dann sind die Felder wahrscheinlich unterschiedliche Daten. Stellen Sie nach Möglichkeit sicher, dass die Dateien und Tabellen, die Sie verknüpfen möchten, Feldnamen aufweisen, die deutlich machen, welche Daten sie enthalten. + Übereinstimmende Datentypen – Felder müssen denselben Datentyp haben, bevor Sie sie verknüpfen können. Stellen Sie sicher, dass die Dateien und Tabellen, die Sie verknüpfen möchten, übereinstimmende Datentypen in Join-Feldern aufweisen. Sie können kein Kalkulationsfeld für eine Verknüpfung verwenden. Außerdem können Sie nicht zwei vorhandene Datasets verknüpfen. Sie erstellen das verknüpfte Dataset, indem Sie direkt auf die Quelldaten zugreifen. Weitere Hinweise zum Verknüpfen von Daten über Datenquellen hinweg finden Sie unter [Verknüpfen von Daten](joining-data.md). # Filtern von Daten in Amazon Quick Sight Sie können mit Filtern Daten in einem Datensatz oder eine Analyse verfeinern. Sie können beispielsweise einen Filter für ein Regionsfeld erstellen, der Daten aus einer bestimmten Region in einem Datensatz ausschließt. Sie können einer Analyse auch einen Filter hinzufügen, z. B. einen Filter nach dem Datumsbereich, den Sie in alle Visualisierungen Ihrer Analyse einbeziehen möchten. Wenn Sie einen Filter in einem Datensatz erstellen, gilt dieser Filter für den gesamten Datensatz. Alle Analysen und nachfolgenden Dashboards, die aus diesem Datensatz erstellt wurden, enthalten den Filter. Wenn jemand aus Ihrem Datensatz einen Datensatz erstellt, befindet sich der Filter auch im neuen Datensatz. Wenn Sie in einer Analyse einen Filter erstellen, gilt dieser Filter nur für diese Analyse und alle Dashboards, die Sie daraus veröffentlichen. Wenn jemand Ihre Analyse dupliziert, bleibt der Filter in der neuen Analyse bestehen. In Analysen können Sie Filter auf eine einzelne Visualisierung, einige Visualisierungen, alle Visualisierungen, die diesen Datensatz verwenden, oder auf alle zutreffenden Grafiken beschränken. Wenn Sie Filter in einer Analyse erstellen, können Sie Ihrem Dashboard außerdem ein Filtersteuerelement hinzufügen. Weitere Informationen zur Filtersteuerung erhalten Sie unter [Hinzufügen von Filtersteuerelementen zu Analyseblättern](filter-controls.md). Jeder Filter, den Sie erstellen, gilt nur für ein einzelnes Feld. Sie können Filter auf reguläre Felder und auf Kalkulationsfelder anwenden. Es gibt verschiedene Arten von Filtern, die Sie Datensätzen und Analysen hinzufügen können. Weitere Informationen zu den Filtertypen, die Sie hinzufügen können, und zu einigen ihrer Optionen finden Sie unter [Filtertypen in Amazon Quick](filtering-types.md). Wenn Sie mehrere Filter erstellen, werden alle Filter der obersten Ebene mit UND verknüpft. Wenn Sie Filter innerhalb eines Filters der obersten Ebene gruppieren, werden die Filter in der Gruppe mit ODER verknüpft. Amazon Quick Sight wendet alle aktivierten Filter auf das Feld an. Angenommen, es gibt einen Filter von `state = WA` und einen anderen Filter von `sales >= 500`. Dann enthält der Datensatz oder die Analyse nur Datensätze, die beide Kriterien erfüllen. Wenn Sie einen davon deaktivieren, wird nur ein Filter angewendet. Achten Sie darauf, dass mehrere Filter, die auf dasselbe Feld angewendet werden, sich nicht gegenseitig ausschließen. In den folgenden Abschnitten erfahren Sie, wie Sie Filter anzeigen, hinzufügen, bearbeiten und löschen. **Topics** + [Vorhandene Filter anzeigen](viewing-filters-data-prep.md) + [Hinzufügen von Filtern](add-a-filter-data-prep.md) + [Blattübergreifende Filter und Steuerelemente](cross-sheet-filters.md) + [Filtertypen in Amazon Quick](filtering-types.md) + [Hinzufügen von Filtersteuerelementen zu Analyseblättern](filter-controls.md) + [Bearbeiten von Filtern](edit-a-filter-data-prep.md) + [Aktivieren oder Deaktivieren von Filtern](disable-a-filter-data-prep.md) + [Löschen von Filtern](delete-a-filter-data-prep.md) # Vorhandene Filter anzeigen Wenn Sie einen Datensatz bearbeiten oder eine Analyse öffnen, können Sie alle vorhandenen Filter anzeigen, die erstellt wurden. Mit den folgenden Verfahren erfahren Sie, wie Sie dabei vorgehen. ## Filter in Datensätzen anzeigen 1. Öffnen Sie die [Schnellkonsole](https://quicksight.aws.amazon.com/). 1. Wählen Sie auf der Quick-Startseite links **Daten** aus. 1. Wählen Sie auf der Registerkarte **Datensätze** den gewünschten Datensatz aus und klicken Sie dann auf **Datensatz bearbeiten**. 1. Wählen Sie auf der sich öffnenden Datenvorbereitungsseite unten links **Filter** aus, um den Abschnitt **Filter** zu erweitern. Alle Filter, die auf den Datensatz angewendet werden, werden hier angezeigt. Werden mehrere Filter auf ein Feld angewendet, werden diese gruppiert. Sie werden in der Reihenfolge des Erstellungsdatums angezeigt. Dabei erscheint der älteste Filter ganz oben. ## Filter in Analysen anzeigen Gehen Sie wie folgt vor, um die Filter in Analysen anzuzeigen. **Zum Anzeigen eines Filters in einer Analyse** 1. Wählen Sie auf der Schnellstartseite die Option **Analysen** aus. 1. Wählen Sie auf der Seite **Analysen** die Analyse aus, mit der Sie arbeiten möchten. 1. Wählen Sie in der Analyse das **Filtersymbol**, um den Bereich **Filter** zu öffnen. Alle auf die Analyse angewendeten Filter werden hier angezeigt. Die Art und Weise, wie der Geltungsbereich eines Filters festgelegt ist, ist unten in jedem Filter aufgeführt. Weitere Informationen zu Scoping-Filtern finden Sie unter [Hinzufügen von Filtern](add-a-filter-data-prep.md). # Hinzufügen von Filtern Sie können Filter zu einem Datensatz oder einer Analyse hinzufügen. Mit den folgenden Verfahren erfahren Sie, wie Sie dabei vorgehen. ## Hinzufügen von Filtern zu Datensätzen Gehen Sie wie folgt vor, um Datensätzen Filter hinzuzufügen. **Zum Hinzufügen eines Filters zu einem Datensatz** 1. Öffnen Sie die [Schnellkonsole](https://quicksight.aws.amazon.com/). 1. Wählen Sie auf der Quick-Startseite links **Daten** aus. 1. Wählen Sie auf der Registerkarte **Datensätze** den gewünschten Datensatz aus und klicken Sie dann auf **Datensatz bearbeiten**. 1. Wählen Sie auf der sich öffnenden Datenvorbereitungsseite unten links **Filter hinzufügen** und wählen Sie dann ein Feld aus, das Sie filtern möchten. Der Filter wird dem Bereich **Filter** hinzugefügt. 1. Wählen Sie in dem Bereich den neuen Filter aus, um den Filter zu konfigurieren. Sie können auch die drei Punkte rechts neben dem neuen Filter auswählen und **Bearbeiten** wählen. Je nach Datentyp des Feldes variieren Ihre Optionen für die Konfiguration des Filters. Weitere Informationen zu den Filtertypen, die Sie erstellen können, und zu ihren Konfigurationen finden Sie unter [Filtertypen in Amazon Quick](filtering-types.md). 1. Wenn Sie fertig sind, wählen Sie **Apply**. **Anmerkung** In der Datenvorschau werden die Ergebnisse der kombinierten Filter nur für die ersten 1.000 Zeilen angezeigt. Wenn die gesamten ersten 1.000 Zeilen gefiltert werden, ist die Vorschau leer. Dies ist auch dann der Fall, wenn nach den ersten 1.000 Zeilen keine weiteren Zeilen gefiltert werden. ## Filter zu Analysen hinzufügen Gehen Sie wie folgt vor, um Filter zu Analysen hinzuzufügen. **Zum Hinzufügen einer Analyse zu einem Filter** 1. Öffnen Sie die [Schnellkonsole](https://quicksight.aws.amazon.com/). 1. Wählen Sie auf der Quick-Startseite die Option **Analysen** aus. 1. Wählen Sie auf der Seite **Analysen** die Analyse aus, mit der Sie arbeiten möchten. 1. Wählen Sie in der Analyse das **Filtersymbol** aus, um den Bereich **Filter** zu öffnen, und wählen Sie dann **HINZUFÜGEN**. 1. Wählen Sie den neuen Filter in dem Bereich aus, um ihn zu konfigurieren. Sie können auch die drei Punkte rechts neben dem neuen Filter auswählen und **Bearbeiten** wählen. 1. Wählen Sie im sich öffnenden Bereich **Filter bearbeiten** für **Angewendet auf** eine der folgenden Optionen aus. + **Einzelne Visualisierung** – Der Filter gilt nur für das ausgewählte Element. + **Einzelnes Blatt** – Der Filter gilt für ein einzelnes Blatt. + **Blattübergreifend** – Der Filter gilt für mehrere Blätter im Datensatz. Je nach Datentyp des Felds variieren die verbleibenden Optionen für die Konfiguration des Filters. Weitere Informationen zu den Filtertypen, die Sie erstellen können, und zu ihren Konfigurationen finden Sie unter [Filtertypen in Amazon Quick](filtering-types.md). # Blattübergreifende Filter und Steuerelemente Blattübergreifende Filter und Steuerelemente sind Filter, die entweder für Ihre gesamte Analyse oder Ihr gesamtes Dashboard oder für mehrere Blätter innerhalb Ihrer Analyse und Ihres Dashboards gelten. ## Filter **Einen blattübergreifenden Filter erstellen** 1. Nachdem Sie [einen Filter hinzugefügt](https://docs.aws.amazon.com/quicksight/latest/user/add-a-filter-data-prep.html#add-a-filter-data-prep-analyses) haben, aktualisieren Sie den Geltungsbereich des Filters auf blattübergreifend. Standardmäßig gilt dies für alle Blätter in Ihrer Analyse. 1. Wenn das Kontrollkästchen **Datensatzübergreifend anwenden** aktiviert ist, wird der Filter auf alle Visualisierungen aus bis zu 100 verschiedenen Datensätzen angewendet, die für alle Blätter im Filterbereich relevant sind. 1. Wenn Sie die Blätter, auf die der Filter angewendet wird, anpassen möchten, wählen Sie das Symbol „Blattübergreifend“. Sie können dann die Blätter anzeigen, auf die der Filter derzeit angewendet wird, oder die benutzerdefinierten Auswahlblätter aktivieren. 1. Wenn Sie **benutzerdefinierte Auswahlblätter** aktivieren, können Sie auswählen, auf welche Blätter der Filter angewendet werden soll. 1. Folgen Sie den Schritten unter [Bearbeiten von Filtern in Analysen](https://docs.aws.amazon.com/quicksight/latest/user/edit-a-filter-data-prep.html#edit-a-filter-data-prep-analyses). Ihre Änderungen werden auf alle Filter für alle von Ihnen ausgewählten Blätter angewendet. Dies gilt auch für neu hinzugefügte Blätter, wenn der Filter für Ihre gesamte Analyse gilt. **Entfernen eines blattübergreifenden Filters** **Wird gelöscht** Wenn Sie keine Steuerelemente anhand dieser Filter erstellt haben, finden Sie weitere Informationen unter [Löschen von Filtern in Analysen](https://docs.aws.amazon.com/quicksight/latest/user/delete-a-filter-data-prep.html#delete-a-filter-data-prep-analyses). Wenn Sie Steuerelemente erstellt haben, gehen Sie wie folgt vor: **** 1. Folgen Sie den Anweisungen unter [Löschen von Filtern in Analysen](https://docs.aws.amazon.com/quicksight/latest/user/delete-a-filter-data-prep.html#delete-a-filter-data-prep-analyses). 1. Wenn Sie **Filter und Steuerelemente löschen** wählen, werden die Steuerelemente von allen Seiten gelöscht. Dies kann sich auf das Layout Ihrer Analyse auswirken. Alternativ können Sie diese Steuerelemente einzeln entfernen. **Verkleinern des Filterbereichs** Wenn Sie einen blattübergreifenden Filter entfernen möchten, können Sie dies auch tun, indem Sie den Filterbereich ändern: **** 1. Folgen Sie den Anweisungen unter [Filter in Analysen bearbeiten](https://docs.aws.amazon.com/quicksight/latest/user/edit-a-filter-data-prep.html#edit-a-filter-data-prep-analyses), um zum Filter zu gelangen. 1. Eine der Änderungen, die Sie vornehmen können, ist die Änderung des Bereichs. Sie können zu **Einzelnes Blatt** oder **Einzelne Visualisierung** wechseln. Sie können ein Blatt auch aus der blattübergreifenden Auswahl entfernen. Oder die benutzerdefinierte Blattauswahl: ![\[Dies ist ein Bild von Delete Filter in Quick Sight.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/cross-sheet-7.png) 1. Wenn Steuerelemente vorhanden sind, wird ein Modalfenster angezeigt, das Sie darauf hinweist, dass Sie Steuerelemente aus allen Blättern, für die der Filter nicht mehr gilt, massenweise entfernen werden, was sich auf Ihr Layout auswirken kann. Sie können die Steuerelemente auch einzeln entfernen. Weitere Informationen finden Sie unter [Entfernen eines blattübergreifenden Steuerelements](#cross-sheet-removing-control). 1. Wenn Sie Steuerelemente **Am Anfang aller Blätter im Filterbereich** hinzufügen, werden standardmäßig neue Blätter mit diesem neuen Steuerelement hinzugefügt, sofern der Filter für Ihre gesamte Analyse gilt. ## Kontrollen ### Erstellen eines blattübergreifenden Steuerelements **Neues Filtersteuerelement** 1. Einen blattübergreifenden Filter erstellen Weitere Informationen finden Sie unter [Filter](#filters). 1. Im Dreipunktmenü sehen Sie eine Option mit der Aufschrift **Steuerelement hinzufügen**. Wenn Sie mit der Maus darüber fahren, werden drei Optionen angezeigt: + **Am Anfang aller Blätter im Filterbereich** + **Oben auf diesem Blatt** + **In diesem Blatt** Wenn Sie mehrere Blätter innerhalb der Blätter selbst hinzufügen möchten, können Sie das tun. sheet-by-sheet Sie können auch etwas zum Anfang hinzufügen und dann auf jedem Steuerelement die Option **Zum Blatt wechseln** verwenden. Weitere Informationen finden Sie unter [Bearbeiten eines blattübergreifenden Steuerelements](#cross-sheet-controls-editing-control). **Erweitern des Umfangs der bestehenden Steuerung** 1. Navigieren Sie zu dem vorhandenen Filter in der Analyse. 1. Ändern Sie den Umfang der Blätter, auf die dieser Filter **angewendet** wird, auf **Blattübergreifend**. 1. Wenn aus dem Filter bereits ein Steuerelement erstellt wurde, wird ein modales Steuerelement angezeigt. Wenn Sie das Kästchen aktivieren, werden Steuerelemente massenweise an den Anfang aller Blätter im Filterbereich hinzugefügt. Dies hat keinen Einfluss auf die Position des bereits erstellten Steuerelements, wenn es sich auf dem Blatt befindet. ### Bearbeiten eines blattübergreifenden Steuerelements 1. Gehen Sie zum blattübergreifenden Steuerelement und wählen Sie das Dreipunktmenü aus, wenn das Steuerelement oben angeheftet ist, oder das Stiftsymbol „Bearbeiten“, wenn sich das Steuerelement auf dem Blatt befindet. Ihnen werden die folgenden Optionen angeboten: + **Zum Filter gehen** (wodurch Sie zum blattübergreifenden Filter weitergeleitet werden), den Sie bearbeiten oder überprüfen können + **Zum Blatt wechseln** (wodurch das Steuerelement in den Analysebereich verschoben wird) + **Zurücksetzen** + **Aktualisieren** + **Edit (Bearbeiten)** + **Remove** 1. Wählen Sie **Bearbeiten** aus. Dadurch wird der Bereich **Formatierungssteuerelement** auf der rechten Seite Ihrer Analyse angezeigt. 1. Anschließend können Sie Ihr Steuerelement bearbeiten. Der obere Abschnitt mit der Bezeichnung **Blattübergreifende Einstellungen** gilt für alle Steuerelemente, wohingegen alle Einstellungen außerhalb dieses Abschnitts nicht für alle Steuerelemente und nur für das spezifische Steuerelement gelten, das Sie gerade bearbeiten. Beispielsweise handelt es sich bei **Relevanter Wert** nicht um eine blattübergreifende Steuereinstellung. 1. Außerdem können Sie für jedes Blatt die Blätter sehen, auf denen sich dieses Steuerelement befindet, sowie die Position (Anfang oder Blatt), an der sich das Steuerelement befindet. Sie können dies tun, indem Sie **Sheets (8)** wählen. ### Entfernen eines blattübergreifenden Steuerelements Sie können Steuerelemente an zwei Stellen entfernen. Zunächst vom Steuerelement aus: 1. Gehen Sie zum blattübergreifenden Steuerelement und wählen Sie das Dreipunktmenü aus, wenn das Steuerelement oben angeheftet ist, oder das Stiftsymbol „Bearbeiten“, wenn sich das Steuerelement auf dem Blatt befindet. Ihnen werden die folgenden Optionen angeboten: + **Zum Filter gehen** (wodurch Sie zum blattübergreifenden Filter weitergeleitet werden), den Sie bearbeiten oder überprüfen können + **Zum Blatt wechseln** (wodurch das Steuerelement in den Analysebereich verschoben wird) + **Zurücksetzen** + **Aktualisieren** + **Edit (Bearbeiten)** + **Remove** 1. Wählen Sie **Entfernen** aus. Zweitens können Sie Steuerelemente aus dem Filter entfernen: 1. Wählen Sie das Dreipunktmenü auf dem blattübergreifenden Filter, aus dem die blattübergreifenden Steuerelemente erstellt wurden. Sie werden sehen, dass statt der Option **Steuerelement hinzufügen** jetzt die Option **Steuerelement verwalten** zur Verfügung steht. 1. Bewegen Sie den Mauszeiger über **Steuerelement verwalten**. Ihnen werden die folgenden Optionen angeboten: + **Innerhalb dieses Blatts bewegen** + **Am Anfang dieses Blatts** Diese Optionen gelten nur für das Steuerelement auf dem Blatt, je nachdem, wo sich das aktuelle Steuerelement befindet. Wenn Sie nicht für alle Blätter innerhalb des Filterbereichs Steuerelemente haben, erhalten Sie die Option **Zu allen Blättern im Filterbereich hinzufügen**. Dadurch werden die Blattsteuerelemente nicht an den Anfang des Blatts verschoben, wenn Sie sie dem Blatt in der Analyse bereits hinzugefügt haben. Sie erhalten auch die Option **Aus diesem Blatt entfernen** oder **Aus allen Blättern entfernen**. # Filtertypen in Amazon Quick In Quick können Sie verschiedene Filtertypen erstellen. Der Filtertyp, den Sie erstellen, hängt hauptsächlich vom Datentyp des Felds ab, das Sie filtern möchten. In Datensätzen können Sie die folgenden Arten von Filtern erstellen: + Textfilter + Numerische Filter + Datumsfilter In Analysen können Sie dieselben Filtertypen wie in Datensätzen erstellen. Sie können auch Folgendes erstellen: + Gruppieren Sie Filter mit and/or Operatoren + Kaskadierende Filter + Verschachtelte Filter In den folgenden Abschnitten erfahren Sie mehr über die einzelnen Filtertypen, die Sie erstellen können, und über einige ihrer Optionen. **Topics** + [Hinzufügen von Textfilteren](add-a-text-filter-data-prep.md) + [Hinzufügen verschachtelter Filter](add-a-nested-filter-data-prep.md) + [Hinzufügen numerischer Filter](add-a-numeric-filter-data-prep.md) + [Hinzufügen von Datumsfiltern](add-a-date-filter2.md) + [Hinzufügen von Filterbedingungen (Gruppenfiltern) mit AND- und OR-Operatoren](add-a-compound-filter.md) + [Erstellen von kaskadierenden Filtern](use-a-cascading-filter.md) # Hinzufügen von Textfilteren Wenn Sie einen Filter mithilfe eines Textfeldes hinzufügen, können Sie die folgenden Arten von Textfiltern erstellen: + **Filterliste** (nur Analysen) — Diese Option erstellt einen Filter, mit dem Sie einen oder mehrere Feldwerte auswählen können, die alle verfügbaren Werte im Feld ein- oder ausschließen sollen. Weitere Informationen zum Erstellen dieses Textfiltertyps finden Sie unter [Filtern von Textfeldwerten nach einer Liste (nur Analysen)](#text-filter-list). + **Benutzerdefinierte Filterliste (Custom filter list)** – Bei dieser Option geben Sie einen oder mehrere Feldwerte an, nach denen gefiltert werden soll. Sie bestimmen darüber hinaus, ob Datensätze mit diesen Werten ein- oder ausgeschlossen werden. Die Werte, die Sie eingeben, müssen mit den tatsächlichen Feldwerten exakt übereinstimmen, damit der Filter auf einen Datensatz angewendet wird. Weitere Informationen zum Erstellen dieses Textfiltertyps finden Sie unter [Filtern von Textfeldwerten nach einer benutzerdefinierten Liste](#add-text-custom-filter-list-data-prep). + **Benutzerdefinierter Filter** — Mit dieser Option geben Sie einen einzelnen Wert ein, mit dem der Feldwert in irgendeiner Weise übereinstimmen muss. Sie können angeben, dass der Feldwert gleich oder ungleich sein muss, mit dem von Ihnen angegebenen Wert beginnt, mit ihm endet, ihn enthält oder nicht enthält. Wenn Sie einen einschließenden Filtertyp gewählt haben, muss der angegebene Wert mit dem tatsächlichen Feldwert exakt übereinstimmen, damit der Filter angewendet wird. Weitere Informationen zum Erstellen dieses Textfiltertyps finden Sie unter [Einen einzelnen Textfeldwert filtern](#add-text-filter-custom-list-data-prep). + **Oberer und unterer Filter (Top and bottom filter)** (Nur Analysen) – Sie können diese Option verwenden, um die oberen oder unteren *n*-Werte eines Feldes anzuzeigen, die nach den Werten eines anderen Feldes geordnet sind. Sie können beispielsweise die Top-5-Verkäufer (basierend auf dem Umsatz) anzeigen lassen. Sie können auch einen Parameter verwenden, damit Dashboard-Benutzer dynamisch festlegen können, wie viele der geordneten oberen oder unteren Werte angezeigt werden sollen. Weitere Informationen zum Erstellen von Oben-und-Unten-Filtern finden Sie unter [Ein Textfeld nach einem oberen oder niedrigsten Wert filtern (nur Analysen)](#add-text-filter-top-and-bottom). ## Filtern von Textfeldwerten nach einer Liste (nur Analysen) In Analysen können Sie ein Textfeld filtern, indem Sie Werte auswählen, die in eine Liste aller Werte im Feld aufgenommen oder daraus ausgeschlossen werden sollen. **Zum Filtern eines Textfeld durch Ein- und Ausschließen von Werten** 1. Erstellen Sie einen neuen Filter mithilfe eines Textfeldes. Weitere Informationen zum Erstellen von Filtern finden Sie unter [Hinzufügen von Filtern](add-a-filter-data-prep.md). 1. Wählen Sie im Bereich **Filter** den neuen Filter aus, um ihn zu erweitern. 1. Wählen Sie für den **Filtertyp** **Filterliste**. 1. Wählen Sie für **Filterbedingung** die Option **Einschließen** oder **Ausschließen** aus. 1. Wählen Sie die Feldwerte, nach denen gefiltert werden soll. Aktivieren Sie dazu das Kontrollkästchen vor jedem Wert. Wenn zu viele Werte zur Auswahl stehen, geben Sie einen Suchbegriff in das Feld über der Checkliste ein und wählen Sie **Suchen**. Bei Suchbegriffen wird nicht zwischen Groß- und Kleinschreibung unterschieden und Platzhalter werden nicht unterstützt. Alle Feldwerte, die den Suchbegriff enthalten, werden angezeigt. Bei der Suche nach L werden beispielsweise al, AL, la und LA zurückgegeben. In dem Steuerelement werden die Werte alphabetisch angezeigt, es sei denn, es sind mehr als 1.000 unterschiedliche Werte. In dem Fall zeigt das Steuerelement stattdessen ein Suchfeld an. Jedes Mal, wenn Sie nach einem Wert suchen, den Sie verwenden möchten, wird eine neue Abfrage ausgelöst. Enthalten die Ergebnisse mehr als 1.000 Werte, können Sie die Werte per Seitennummerierung durchblättern. 1. Wenn Sie fertig sind, wählen Sie **Apply**. ## Filtern von Textfeldwerten nach einer benutzerdefinierten Liste Sie können einen oder mehrere Feldwerte anzugeben, nach denen gefiltert werden soll, und ob Datensätze mit diesen Werten ein- oder ausgeschlossen werden. Der angegebene Wert und der tatsächliche Feldwert müssen exakt übereinstimmen, damit der Filter auf einen Datensatz angewendet wird. **Zum Filtern von Textfeldwerten nach einer benutzerdefinierten Liste** 1. Erstellen Sie einen neuen Filter mithilfe eines Textfeldes. Weitere Informationen zum Erstellen von Filtern finden Sie unter [Hinzufügen von Filtern](add-a-filter-data-prep.md). 1. Wählen Sie im Bereich **Filter** den neuen Filter aus, um ihn zu erweitern. 1. Wählen Sie für den **Filtertyp** **Benutzerdefinierte Filterliste**. 1. Wählen Sie für **Filterbedingung** die Option **Einschließen** oder **Ausschließen** aus. 1. Geben Sie für **Liste** einen Wert in das Textfeld ein. Der Wert muss exakt mit einem vorhandenen Feldwert übereinstimmen. 1. (Optional) Um zusätzliche Werte hinzuzufügen, geben Sie sie in das Textfeld ein, einen Wert pro Zeile. 1. **Wählen Sie für **Null-Optionen** die Optionen **Nullen ausschließen**, **Nullen einschließen** oder Nur Nullen** aus. 1. Wenn Sie fertig sind, wählen Sie **Apply**. ## Einen einzelnen Textfeldwert filtern Beim Filtertyp **Custom filter** geben Sie einen einzelnen Wert ein, dem der Feldwert entsprechen, nicht entsprechen oder teilweise entsprechen muss. Wenn Sie einen einschließenden Filtertyp gewählt haben, muss der angegebene Wert mit dem tatsächlichen Feldwert exakt übereinstimmen, damit der Filter angewendet wird. **Um ein Textfeld nach einem einzelnen Wert zu filtern** 1. Erstellen Sie einen neuen Filter mithilfe eines Textfeldes. Weitere Informationen zum Erstellen von Filtern finden Sie unter [Hinzufügen von Filtern](add-a-filter-data-prep.md). 1. Wählen Sie im Bereich **Filter** den neuen Filter aus, um ihn zu erweitern. 1. Wählen Sie für **Filter type (Filtertyp)** **Custom filter (Benutzerdefinierter Filter)** aus. 1. Wählen Sie für **Filterbedingung** eine der nachstehenden Optionen aus: + **Equals (Entspricht)** — Wenn Sie diese Option wählen, müssen die im Feld enthaltenen oder ausgeschlossenen Werte exakt mit dem von Ihnen eingegebenen Wert übereinstimmen. + **Does not equal (Entspricht nicht)** — Wenn Sie diese Option wählen, müssen die im Feld enthaltenen oder ausgeschlossenen Werte exakt dem von Ihnen eingegebenen Wert entsprechen. + **Starts with (Beginnt mit)** — Wenn Sie diese Option wählen, müssen die im Feld enthaltenen oder ausgeschlossenen Werte mit dem von Ihnen eingegebenen Wert beginnen. + **Ends with (Endet mit)** — Wenn Sie diese Option wählen, müssen die im Feld enthaltenen oder ausgeschlossenen Werte mit dem von Ihnen eingegebenen Wert beginnen. + **Contains (Enthält)** — Wenn Sie diese Option wählen, müssen die im Feld enthaltenen oder ausgeschlossenen Werte den gesamten von Ihnen eingegebenen Wert enthalten. + **Does not contain (Enthält nicht)** — Wenn Sie diese Option wählen, dürfen die im Feld enthaltenen oder ausgeschlossenen Werte keinen Teil des von Ihnen eingegebenen Werts enthalten. **Anmerkung** Vergleichstypen unterscheiden zwischen Groß- und Kleinschreibung. 1. Führen Sie eine der folgenden Aktionen aus: + Geben Sie für **Wert** einen Literalwert ein. + Wählen Sie **Use parameters (Parameter verwenden)**, um einen vorhandenen Parameter zu verwenden, und wählen Sie dann einen Parameter aus der Liste. Damit Parameter in der Liste erscheinen, müssen Sie Ihre Parameter zuerst erstellen. In der Regel erstellen Sie einen Parameter, fügen ihm ein Steuerelement und dann einen Filter hinzu. Weitere Informationen finden Sie unter [Parameter in Amazon Quick](parameters-in-quicksight.md). In dem Steuerelement werden die Werte alphabetisch angezeigt, es sei denn, es sind mehr als 1.000 unterschiedliche Werte. In dem Fall zeigt das Steuerelement stattdessen ein Suchfeld an. Jedes Mal, wenn Sie nach einem Wert suchen, den Sie verwenden möchten, wird eine neue Abfrage ausgelöst. Enthalten die Ergebnisse mehr als 1.000 Werte, können Sie die Werte per Seitennummerierung durchblättern. 1. **Wählen Sie für **Null-Optionen** die Optionen **Nullen ausschließen**, **Nullen einschließen** oder Nur Nullen** aus. 1. Wenn Sie fertig sind, wählen Sie **Apply**. ## Ein Textfeld nach einem oberen oder niedrigsten Wert filtern (nur Analysen) Sie können einen **Top and bottom filter (Oberer und unterer Filter)** verwenden, um die oberen oder unteren *n* Werte eines Feldes anzuzeigen, die nach den Werten eines anderen Feldes geordnet sind. Sie können beispielsweise die Top-5-Verkäufer (basierend auf dem Umsatz) anzeigen lassen. Sie können auch einen Parameter verwenden, damit Dashboard-Benutzer dynamisch festlegen können, wie viele der geordneten oberen oder unteren Werte angezeigt werden sollen. **So erstellen Sie einen oberen und unteren Textfilter** 1. Erstellen Sie einen neuen Filter mithilfe eines Textfeldes. Weitere Informationen zum Erstellen von Filtern finden Sie unter [Hinzufügen von Filtern](add-a-filter-data-prep.md). 1. Wählen Sie im Bereich **Filter** den neuen Filter aus, um ihn zu erweitern. 1. Wählen Sie für **Filtertyp** **Top and bottom filter (Oben- und unten-Filter)**. 1. Wählen Sie **Top (Oben)** oder **Bottom (Unten)** aus. 1. Führen Sie für **Show top (Anzeige obere)** Ganzzahl oder **Show bottom (Anzeige untere)** Ganzzahl einen der folgenden Schritte aus: + Geben Sie die Anzahl der anzuzeigenden oberen oder unteren Elemente ein. + Wenn Sie einen Parameter für die Anzahl der anzuzeigenden oberen oder unteren Elemente verwenden möchten, wählen Sie **Use parameters (Parameter verwenden)**. Wählen Sie einen Ganzzahlparameter. Angenommen, Sie möchten standardmäßig die drei besten Verkäufer anzeigen. Sie möchten jedoch, dass der Dashboard-Viewer wählen kann, ob 1—10 Top-Verkäufer angezeigt werden sollen. Führen Sie in diesem Fall die folgenden Schritte aus: + Erstellen Sie einen Ganzzahlparameter mit einem Standardwert. + Erstellen Sie für den Ganzzahlparameter ein Steuerelement, um die Anzahl der angezeigten Elemente mit einem Parametersteuerelement zu verknüpfen. Anschließend machen Sie aus dem Steuerelement einen Schieberegler mit einer Schrittgröße von 1, einem Mindestwert von 1 und einem Höchstwert von 10. + Damit das Steuerelement funktioniert, müssen Sie es mit einem Filter verknüpfen, indem Sie einen oberen und einen unteren Filter für `Salesperson` über `Weighted Revenue` erstellen, **Use parameters (Parameter verwenden)** aktivieren und den Ganzzahlparameter wählen. 1. Wählen Sie für **By (Über)** ein Feld, auf dem die Ordnung basieren soll. Sollen die Top-5-Verkäufer nach Umsatz angezeigt werden, wählen Sie das Umsatzfeld. Sie können auch die Auswertungsfunktion festlegen, die für das Feld ausgeführt werden soll. 1. (Optional) Wählen Sie **Unterbrecher** und dann ein anderes Feld aus, um eine oder mehrere Aggregationen als „Unterbrecher“ hinzuzufügen. Dies ist in diesem Beispiel nützlich, wenn mehr als fünf Ergebnisse für die fünf besten Verkäufer pro Umsatz ausgegeben werden. Dies kann geschehen, wenn mehrere Verkäufer den gleichen Umsatz erzielt haben. Verwenden Sie das Löschsymbol zum Entfernen einer Unterbrechung. 1. Wenn Sie fertig sind, wählen Sie **Apply**. # Hinzufügen verschachtelter Filter Verschachtelte Filter sind erweiterte Filter, die zu einer Schnellanalyse hinzugefügt werden können. Ein verschachtelter Filter filtert ein Feld anhand einer Teilmenge von Daten, die durch ein anderes Feld in demselben Datensatz definiert sind. Auf diese Weise können Autoren zusätzliche Kontextdaten anzeigen, ohne Daten herausfiltern zu müssen, wenn der Datenpunkt eine Anfangsbedingung nicht erfüllt. Verschachtelte Filter funktionieren ähnlich wie eine korrelierte Unterabfrage in SQL oder eine Warenkorbanalyse. Nehmen wir zum Beispiel an, Sie möchten eine Warenkorbanalyse Ihrer Verkaufsdaten durchführen. Sie können verschachtelte Filter verwenden, um die Verkaufsmenge nach Produkten für Kunden zu ermitteln, die ein bestimmtes Produkt gekauft haben oder nicht. Sie können auch verschachtelte Filter verwenden, um Kundengruppen zu identifizieren, die ein ausgewähltes Produkt nicht gekauft haben oder die nur eine bestimmte Produktliste gekauft haben. Verschachtelte Filter können nur auf Analyseebene hinzugefügt werden. Sie können einem Datensatz keinen verschachtelten Filter hinzufügen. Gehen Sie wie folgt vor, um einer Schnellanalyse einen verschachtelten Filter hinzuzufügen. 1. Öffnen Sie die [Schnellkonsole](https://quicksight.aws.amazon.com/). 1. Wählen Sie **Analysen** und dann die Analyse aus, zu der Sie einen verschachtelten Filter hinzufügen möchten. 1. Erstellen Sie einen neuen Filter für das Textfeld, nach dem Sie filtern möchten. Weitere Informationen zum Erstellen eines Filters finden Sie unter [Filter zu Analysen hinzufügen](add-a-filter-data-prep.md#add-a-filter-data-prep-analyses). 1. Nachdem Sie den neuen Filter erstellt haben, suchen Sie den neuen Filter im Bereich **Filter**. Bitte wählen Sie die Ellipse (drei Punkte) neben dem neuen Filter und anschließend **Filter bearbeiten**. Wählen Sie alternativ die Filterentität im Bereich **Filter** aus, um den Bereich **Filter bearbeiten** zu öffnen. 1. Der Bereich **Filter bearbeiten** wird geöffnet. Öffnen Sie das Dropdownmenü **Filtertyp**, navigieren Sie zum Abschnitt **Erweiterter Filter** und wählen Sie dann **Verschachtelter Filter** aus. 1. Wählen Sie für **Qualifizierende Bedingung** die Option **Einschließen** oder **Ausschließen** aus. Die *qualifizierende Bedingung* ermöglicht es Ihnen, eine nicht im Set enthaltene Abfrage für die Daten in Ihrer Analyse auszuführen. In unserem obigen Vertriebsbeispiel bestimmt die qualifizierende Bedingung, ob der Filter eine Liste von Kunden zurückgibt, die das bestimmte Produkt gekauft haben, oder eine Liste von Kunden, die das Produkt nicht gekauft haben. 1. Wählen Sie unter **Verschachteltes Feld** das Feld aus, mit dem Sie Daten filtern möchten. Das verschachtelte Feld darf nicht mit dem in Schritt 3 ausgewählten Primärfeld identisch sein. Kategoriefelder sind der einzige unterstützte Feldtyp für den inneren Filter. 1. Wählen Sie unter **Verschachtelter Filtertyp** den gewünschten Filtertyp aus. Der von Ihnen gewählte Filtertyp bestimmt die letzten Konfigurationsschritte für den verschachtelten Filter. Verfügbare Filtertypen und Informationen zu ihrer Konfiguration finden Sie in der folgenden Liste. + [Liste filtern](https://docs.aws.amazon.com/quicksuite/latest/userguide/text-filter-list) + [Benutzerdefinierte Filterliste](https://docs.aws.amazon.com/quicksuite/latest/userguide/add-text-custom-filter-list-data-prep) + [Benutzerdefinierter Filter](https://docs.aws.amazon.com/quicksuite/latest/userguide/add-text-filter-custom-list-data-prep) # Hinzufügen numerischer Filter Felder mit einem Dezimal- oder ganzzahligen Datentyp gelten als numerische Felder. Sie erstellen Filter für numerische Felder, indem Sie eine Vergleichstyp wie **Greater than** oder **Between** angeben, sowie einen Vergleichswert oder Vergleichswerte, der bzw. die sich für den Vergleichstyp eignen. Vergleichswerte müssen positive Ganzzahlen sein und dürfen keine Punkte enthalten. Sie können folgende Vergleichstypen für numerische Filter verwenden: + Gleich + nicht gleich + Größer als + Größer als oder gleich + Kleiner als + Kleiner als oder gleich + Between **Anmerkung** Soll ein oberer und unterer Filter für numerische Daten (Nur Analysen) verwendet werden, ändern Sie zunächst das Feld aus einer Maßeinheit in eine Dimension. Dadurch werden die Daten in Text umgewandelt. Anschließend können Sie einen Textfilter verwenden. Weitere Informationen finden Sie unter [Hinzufügen von Textfilteren](add-a-text-filter-data-prep.md). Bei Analysen für Datensätze, die auf Datenbankabfragen basieren, können Sie optional auch eine Aggregatfunktion auf den Vergleichswert bzw. die Vergleichswerte anwenden, beispielsweise **Sum** oder **Average**. Sie können folgende Statistikfunktionen für numerische Filter verwenden: + Durchschnitt + Anzahl + Count (Distinct) + Max + Median + Min + Perzentil + Standardabweichung + Standardabweichung - Population + Summe + Varianz + Varianz - Population ## Erstellen numerischer Filter Gehen Sie wie folgt vor, um einen numerischen Feldfilter zu erstellen. **Zum Erstellen eines numerischen Feldfilters** 1. Erstellen Sie einen neuen Filter mithilfe eines Textfeldes. Weitere Informationen zum Erstellen von Filtern finden Sie unter [Hinzufügen von Filtern](add-a-filter-data-prep.md). 1. Wählen Sie im Bereich **Filter** den neuen Filter aus, um ihn zu erweitern. 1. (Optional) Wählen Sie für **Aggregation** eine Aggregation aus. Standardmäßig wird keine Aggregation angewendet. Diese Option ist nur verfügbar, wenn numerische Filter in einer Analyse erstellt werden. 1. Wählen Sie für **Filterbedingung** einen Vergleichstyp aus. 1. Führen Sie eine der folgenden Aktionen aus: + Geben Sie einen Vergleichswert ein, wenn Sie einen anderen Vergleichstyp als **Between (Zwischen)** wählen. Wenn Sie den Vergleichstyp **Between (Zwischen)** wählen, geben Sie in das Feld **Minimum value (Mindestwert)** den Anfang des Wertebereichs und in das Feld **Maximum value (Höchstwert)** das Ende des Wertebereichs ein. + (Nur Analysen) Aktivieren Sie **Use parameters (Parameter verwenden)** und wählen Sie dann einen Parameter in der Liste, wenn Sie einen vorhandenen Parameter verwenden wollen. Damit Parameter in der Liste erscheinen, müssen Sie Ihre Parameter zuerst erstellen. In der Regel erstellen Sie einen Parameter, fügen ihm ein Steuerelement und dann einen Filter hinzu. Weitere Informationen finden Sie unter [Parameter in Amazon Quick](parameters-in-quicksight.md). In dem Steuerelement werden die Werte alphabetisch angezeigt, es sei denn, es sind mehr als 1.000 unterschiedliche Werte. In dem Fall zeigt das Steuerelement stattdessen ein Suchfeld an. Jedes Mal, wenn Sie nach einem Wert suchen, den Sie verwenden möchten, wird eine neue Abfrage ausgelöst. Enthalten die Ergebnisse mehr als 1.000 Werte, können Sie die Werte per Seitennummerierung durchblättern. 1. **(Nur Analysen) Wählen Sie für **Null-Optionen** die Optionen **Nullen ausschließen**, **Nullen einschließen** oder Nur Nullen** aus. 1. Wenn Sie fertig sind, wählen Sie **Apply**. # Hinzufügen von Datumsfiltern Um einen Filter für Datenfelder zu erstellen, wählen Sie die Filterbedingungen und Datumswerte aus, die Sie verwenden möchten. Es gibt drei Filtertypen für Daten: + **Range** – Eine Reihe von Daten, die auf einem Zeitraum und einem Vergleichstyp basieren. Sie können als Filterkriterium festlegen, ob der Datumsfeldwert vor oder nach einem bestimmten Datum oder innerhalb eines Datumsbereichs liegt. Sie geben Datumswerte im Format einMM/DD/YYYY. Es sind folgende Vergleichstypen verfügbar: + **Between** – Zwischen Anfangs- und Enddatum + **After** – Nach einem angegeben Datum + **Before** – Vor einem angegeben Datum + **Equals** – An einem angegebenen Datum Für jeden Vergleichstyp können Sie alternativ ein Rolldatum im Verhältnis zu einem Zeitraum oder einem Datensatzwert wählen. + **Relative** (Nur Analysen) – Eine Reihe von Datums- und Zeitelementen basierend auf dem aktuellen Datum. Sie können Datensätze anhand des aktuellen Datums und Ihrer ausgewählten Maßeinheit filtern. Als Datumsfiltereinheiten sind Jahr, Quartal, Monat, Woche, Tag, Stunde und Minute verfügbar. Sie können den aktuellen Zeitraum ausschließen und Unterstützung für die nächsten N Filter hinzufügen, die den letzten N ähneln, mit einer zusätzlichen Funktion, um das Ankerdatum zuzulassen. Es sind folgende Vergleichstypen verfügbar: + **Previous** – Die vorherige Maßeinheit (ME) - beispielsweise das vorherige Jahr. + **This** – Diese Maßeinheit, einschließlich aller Daten und Zeiträume innerhalb dieser ME, auch wenn diese in der Zukunft liegen. + **To date *oder* up to now** - aktuelle ME oder ME bis jetzt. Der angezeigte Begriff wird an die Maßeinheit angepasst, die Sie auswählen. In jedem Fall werden mit dieser Filteroption jedoch Daten herausgefiltert, die nicht zwischen dem Beginn der aktuellen Maßeinheit und dem aktuellen Zeitpunkt liegen. + **Last *n*** – Die letzte Ziffer der festgelegten ME, einschließlich aller Daten dieser ME und aller Daten der letzten *n * -1 MEs. Angenommen, heute ist der 10. Mai 2017. Sie wählen *years* als ME aus und setzten Last *n *Jahre auf 3. Die gefilterten Daten enthalten alle Daten aus dem Jahr 2017 sowohl alle Daten aus 2016 und 2015. Wenn für künftige Zeitpunkte im aktuellen Jahr (in diesem Beispiel 2017) Daten vorliegen, sind diese im Dataset enthalten. + **Oben und unten** (nur Analysen) — Eine Reihe von Datumseinträgen, sortiert nach einem anderen Feld. Sie können die oberen oder unteren *n*-Werte für den Typ der gewählten Datums- oder Zeiteinheit anzeigen lassen, basierend auf den Werten in einem anderen Feld. Sie können beispielsweise festlegen, dass die Top-5-Verkaufstage (basierend auf dem Umsatz) angezeigt werden. Bei Vergleichen wird immer das angegebene Datum mit einbezogen. Wenden Sie beispielsweise den Filter `Before 1/1/16` an, enthalten die zurückgegebenen Datensätze alle Zeilen mit Datumswerten bis 1/1/16 23:59:59. Wenn Sie das angegebene Datum nicht berücksichtigen möchten, können Sie die Option auf **Include this date (Das Datum einbeziehen)** deaktivieren. Wenn Sie einen Zeitbereich auslassen möchten, können Sie mit der Option **Exclude the last N periods (Die letzten N Perioden ausschließen)** die Anzahl und Art der Zeiträume (Minuten, Tage usw.) angeben, die herausgefiltert werden sollen. Sie können auch Null-Werte ein- oder ausschließen oder ausschließlich Zeilen anzeigen, die Nullen in diesem Feld enthalten. Wenn Sie einen Nulldatumsparameter (ein Parameter ohne Standardwert) eingeben, werden die Daten erst gefiltert, wenn Sie einen Wert eingeben. **Anmerkung** Wenn für eine Spalte oder ein Attribut keine Zeitzonendaten vorliegen, legt die Abfrage-Engine des Clients die Standardinterpretation für Datum und Uhrzeit fest. Angenommen, eine Spalte enthält einen Zeitstempel ohne Zeitzone und Sie befinden sich in einer anderen Zeitzone als die, in der die Daten angelegt wurden. In diesem Fall kann es vorkommen, dass die Engine den Zeitstempel anders als erwartet darstellt. Amazon Quick und [SPICE](spice.md)beide verwenden UTC-Zeiten (Universal Coordinated Time). In den folgenden Abschnitten erfahren Sie, wie Sie Datumsfilter in Datensätzen und Analysen erstellen. ## Datumsfilter in Datensätzen erstellen Gehen Sie wie folgt vor, um einen Range-Filter für ein Datumsfeld in einem Datensatz zu erstellen. **Um einen Bereichsfilter für ein Datumsfeld in einem Datensatz zu erstellen** 1. Erstellen Sie einen neuen Filter mithilfe eines Textfeldes. Weitere Informationen zum Erstellen von Filtern finden Sie unter [Hinzufügen von Filtern](add-a-filter-data-prep.md). 1. Wählen Sie im Bereich **Filter** den neuen Filter aus, um ihn zu erweitern. 1. Wählen Sie für **Bedingung** einen Vergleichstyp aus: **Between (Zwischen)**, **After (Danach)** oder **Before (Davor)**. Um **Zwischen** als Vergleich zu verwenden, wählen Sie **Startdatum** und **Enddatum** und anschließend in den angezeigten Steuerelementen für die Datumsauswahl die gewünschten Daten aus. Sie können festlegen, ob Sie entweder das Start- oder das Enddatum oder beide in den Bereich aufnehmen möchten, indem Sie **Startdatum einschließen** oder **Enddatum einschließen** auswählen. Um die Vergleiche **Before** (Vorher) oder **After** (Nachher) zu verwenden, geben Sie ein Datum ein oder klicken auf das Datumsfeld, um in der angezeigten Datumsauswahl ein Datum auszuwählen. Sie können dieses Datum (das von Ihnen gewählte) einzuschließen, die letzten N Zeiträume auszuschließen und festzulegen, wie mit Nullen verfahren werden soll. 1. Wählen Sie für **Zeitgranularität** die Optionen **Tag**, **Stunde**, **Minute** oder **Sekunde** aus. 1. Wenn Sie fertig sind, wählen Sie **Apply**. ## Datumsfilter in Analysen erstellen Sie können Datumsfilter in Analysen wie im Folgenden beschrieben erstellen. ### Bereichsdatumsfilter in Analysen erstellen Gehen Sie wie folgt vor, um einen Range-Filter für ein Datumsfeld in einer Analyse zu erstellen. **Zum Erstellen eines Bereichsfilters für ein Datumsfeld in einer Analyse** 1. Erstellen Sie einen neuen Filter mithilfe eines Textfeldes. Weitere Informationen zum Erstellen von Filtern finden Sie unter [Hinzufügen von Filtern](add-a-filter-data-prep.md). 1. Wählen Sie im Bereich **Filter** den neuen Filter aus, um ihn zu erweitern. 1. Wählen Sie als **Filtertyp** die Option **Datum und Zeitraum** aus. 1. Wählen Sie für **Bedingung** einen Vergleichstyp aus: **Between (Zwischen)**, **After (Danach)**, **Before (Davor)** oder **Equals (Gleich)**. Um **Zwischen** als Vergleich zu verwenden, wählen Sie **Startdatum** und **Enddatum** und anschließend in den angezeigten Steuerelementen für die Datumsauswahl die gewünschten Daten aus. Sie können wählen, ob das Start- und/oder das Enddatum in den Bereich aufgenommen werden sollen, indem Sie **Startdatum einbeziehen** oder **Enddatum einbeziehen** auswählen. Um einen Vergleich **Before (Vorher)**, **After (Nachher)** oder **Equals (Gleich)** zu verwenden, geben Sie ein Datum ein oder klicken auf das Datumsfeld, um in der angezeigten Datumsauswahl ein Datum auszuwählen. Sie können dieses Datum (das von Ihnen gewählte) einzuschließen, die letzten N Zeiträume auszuschließen und festzulegen, wie mit Nullen verfahren werden soll. Um einen **Rolldatum** für Ihren Vergleich festzulegen, wählen Sie **Rolldatum festlegen**. Wählen Sie im daraufhin geöffneten Bereich **Rolldatum festlegen** die Option **Relatives Datum** aus und wählen Sie dann aus, ob Sie das Datum auf **Heute** oder **Gestern** festlegen möchten, oder ob Sie die **Filterbedingung** (Beginn oder Ende von), den **Bereich** (dies, das vorherige oder das nächste) und den **Zeitraum** (Jahr, Quartal, Monat, Woche oder Tag) angeben möchten. 1. Wählen Sie für **Zeitgranularität** die Optionen **Tag**, **Stunde**, **Minute** oder **Sekunde** aus. 1. (Optional) Wenn Sie unter Verwendung eines Parameters anstelle bestimmter Termine filtern, wählen Sie **Use parameters (Parameter verwenden)** und wählen Sie anschließend den oder die Parameter in der Liste. Um die Vergleiche **Before (Vorher)**, **After (Nachher)** oder **Equals (Gleich)** zu verwenden, wählen Sie einen Datumsparameter aus. Sie können dieses Datum in den Bereich aufnehmen. Um **Between (Zwischen)** zu verwenden, geben Sie die Parameter für das Start- und das Enddatum getrennt ein. Sie können das Startdatum, das Enddatum oder beide Datumswerte in den Bereich einschließen. Um Parameter in einem Filter zu verwenden, müssen Sie sie zuerst erstellen. In der Regel erstellen Sie einen Parameter, fügen ihm ein Steuerelement und dann einen Filter hinzu. Weitere Informationen finden Sie unter [Parameter in Amazon Quick](parameters-in-quicksight.md). 1. **Wählen Sie für **Null-Optionen** die Optionen **Nullen ausschließen**, **Nullen einschließen** oder Nur Nullen** aus. 1. Wenn Sie fertig sind, wählen Sie **Apply**. ### Relative Datumsfilter in Analysen erstellen Gehen Sie wie folgt vor, um einen relativen Filter für ein Datumsfeld in einer Analyse zu erstellen. **Zum Erstellen eines relativen Filters für ein Datumsfeld in einer Analyse** 1. Erstellen Sie einen neuen Filter mithilfe eines Textfeldes. Weitere Informationen zum Erstellen von Filtern finden Sie unter [Hinzufügen von Filtern](add-a-filter-data-prep.md). 1. Wählen Sie im Bereich **Filter** den neuen Filter aus, um ihn zu erweitern. 1. Wählen Sie als **Filtertyp** die Option **Relatives Datum** aus. 1. Wählen Sie unter **Zeitgranularität** eine Zeitgranularität aus, nach der Sie filtern möchten (Tage, Stunden, Minuten). 1. Wählen Sie für **Zeitraum** eine Zeiteinheit (Jahre, Quartale, Quartale, Monate, Wochen, Tage). 1. Wählen Sie für **Range** aus, wie der Filter sich auf den Zeitrahmen beziehen soll. Wenn Sie beispielsweise Monate ausgeben möchten, sind die Optionen Vormonat, diesen Monat, Monat bis heute, die letzten N Monate und die nächsten N Monate. Wenn Sie Letzte N oder Nächste N Jahre, Quartale, Monate, Wochen oder Tage wählen, geben Sie im Feld **Anzahl von** eine Zahl ein. Beispiel: Letzte 3 Jahre, nächste 5 Quartale, letzte 5 Tage. 1. **Wählen Sie für **Null-Optionen** die Optionen **Nullen ausschließen**, **Nullen einschließen** oder Nur Nullen** aus. 1. Wählen Sie unter **Datum relativ zu festlegen** eine der folgenden Optionen: + **Current date time** (Aktuelles Datum und aktuelle Uhrzeit) – Wenn Sie diese Option auswählen, können Sie sie auf **Exclude last** (Letzte ausschließen) einstellen und dann die Anzahl und Art der Zeiträume angeben. + **Datum und Uhrzeit von einem Parameter** – Wenn Sie diese Option auswählen, können Sie den vorhandenen Datum-/Uhrzeit-Parameter auswählen. 1. (Optional) Wenn Sie unter Verwendung eines Parameters anstelle bestimmter Termine filtern, aktivieren Sie **Use parameters (Parameter verwenden)** und wählen Sie anschließend den oder die Parameter in der Liste. Um Parameter in einem Filter zu verwenden, müssen Sie sie zuerst erstellen. In der Regel erstellen Sie einen Parameter, fügen ihm ein Steuerelement und dann einen Filter hinzu. Weitere Informationen finden Sie unter [Parameter in Amazon Quick](parameters-in-quicksight.md). 1. Wenn Sie fertig sind, wählen Sie **Apply**. ### Filter für oberstes und unterstes Datum in Analysen erstellen Gehen Sie wie folgt vor, um einen Filter Top and bottom (Oben und unten) für ein Datumsfeld in einer Analyse zu erstellen. **Zum Erstellen eines oberen und unteren Filters für ein Datumsfeld in einer Analyse** 1. Erstellen Sie einen neuen Filter mithilfe eines Textfeldes. Weitere Informationen zum Erstellen von Filtern finden Sie unter [Hinzufügen von Filtern](add-a-filter-data-prep.md). 1. Wählen Sie im Bereich **Filter** den neuen Filter aus, um ihn zu erweitern. 1. Wählen Sie als **Filtertyp** **Top and bottom** (Oben und unten). 1. Wählen Sie **Top (Oben)** oder **Bottom (Unten)**. 1. Geben Sie unter **Anzeigen** die Anzahl der obersten oder untersten Elemente ein, die angezeigt werden sollen, und wählen Sie eine Zeiteinheit aus (Jahre, Quartale, Monate, Wochen, Tage, Stunden, Minuten). 1. Wählen Sie für **By (Über)** ein Feld, auf dem die Ordnung basieren soll. 1. (Optional) Fügen Sie ein anderes Feld als Unterbrecher hinzu, wenn das Feld für **By (Über)** Duplikate enthält. Wählen Sie **Tie breaker (Unterbrecher)** und wählen Sie dann ein anderes Feld. Verwenden Sie das Löschsymbol zum Entfernen einer Unterbrechung. 1. (Optional) Wenn Sie unter Verwendung eines Parameters anstelle bestimmter Termine filtern, wählen Sie **Use parameters (Parameter verwenden)** und wählen Sie anschließend den oder die Parameter in der Liste. Wählen Sie zum Verwenden eines Parameters für **Top and bottom (Oben und unten)** einen Ganzzahlparameter für die Anzahl der anzuzeigenden oberen oder unteren Elemente. Um Parameter in einem Filter zu verwenden, müssen Sie sie zuerst erstellen. In der Regel erstellen Sie einen Parameter, fügen ihm ein Steuerelement und dann einen Filter hinzu. Weitere Informationen finden Sie unter [Parameter in Amazon Quick](parameters-in-quicksight.md). 1. Wenn Sie fertig sind, wählen Sie **Apply**. # Hinzufügen von Filterbedingungen (Gruppenfiltern) mit AND- und OR-Operatoren Wenn Sie in Analysen mehrere Filter zu einem Bild hinzufügen, verwendet Quick den AND-Operator, um sie zu kombinieren. Sie können einem einzelnen Filter auch Filterbedingungen mit dem ODER-Operator hinzufügen. Dies wird als Verbundfilter oder Filtergruppe bezeichnet. Wenn Sie mehrere Filter mit dem ODER-Operator hinzufügen möchten, erstellen Sie eine Filtergruppe. Filtergruppen sind für alle Filtertypen in Analysen verfügbar. Wenn Sie nach mehreren Messwerten (grüne Felder mit dem \$1-Symbol) filtern, können Sie die Filterbedingungen auf ein zusammengefasstes Feld anwenden. Filter in einer Gruppe können entweder zusammengefasste oder nicht zusammengefasste Felder enthalten, nicht jedoch beide Arten von Feldern. **So erstellen Sie eine Filtergruppe:** 1. Erstellen Sie einen neuen Filter in einer Analyse. Weitere Informationen zum Erstellen von Filtern finden Sie unter [Hinzufügen von Filtern](add-a-filter-data-prep.md). 1. Wählen Sie im Bereich **Filter** den neuen Filter aus, um ihn zu erweitern. 1. Wählen Sie im erweiterten Filter unten **Filterbedingung hinzufügen** und wählen Sie dann ein Feld aus, nach dem gefiltert werden soll. 1. Wählen Sie die Bedingungen aus, nach denen gefiltert werden soll. Der Datentyp des Felds, das Sie ausgewählt haben, bestimmt die hier verfügbaren Optionen. Wenn Sie beispielsweise ein numerisches Feld ausgewählt haben, können Sie die Aggregation, die Filterbedingung und die Werte festlegen. Wenn Sie ein Textfeld ausgewählt haben, können Sie den Filtertyp, die Filterbedingung und die Werte auswählen. Und wenn Sie ein Datumsfeld ausgewählt haben, können Sie den Filtertyp, die Bedingung und die Zeitgranularität festlegen. Weitere Informationen zu diesen Optionen finden Sie unter [Filtertypen in Amazon Quick](filtering-types.md). 1. (Optional) Sie können der Filtergruppe weitere Filterbedingungen hinzufügen, indem Sie unten erneut **Filterbedingung hinzufügen** auswählen. 1. (Optional) Wenn Sie einen Filter aus der Filtergruppe löschen möchten, klicken Sie neben dem Feldnamen auf das Papierkorbsymbol. 1. Wenn Sie fertig sind, wählen Sie **Apply**. Die Filter werden im Bereich **Filter** als Gruppe angezeigt. # Erstellen von kaskadierenden Filtern Die Idee hinter der Kaskadierung von Aktionen wie z. B. einem Filter besteht darin, dass sich Entscheidungen in den höheren Ebenen einer Hierarchie auf die unteren Ebenen einer Hierarchie auswirken. Der Begriff *kaskadierend* leitet sich von der Art und Weise ab, wie ein Kaskadenwasserfall von einer Stufe zur nächsten fließt. Um kaskadierende Filter einzurichten, benötigen Sie einen Auslöserpunkt, an dem der Filter aktiviert wird, und Zielpunkte, an denen der Filter angewendet wird. In Quick sind die Trigger- und Zielpunkte in der Grafik enthalten. Um einen kaskadierenden Filter zu erstellen, richten Sie eine Aktion und keinen Filter ein. Dies ist so, da Sie definieren müssen, wie der kaskadierende Filter aktiviert wird, welche Felder beteiligt sind und welche Visualisierungen gefiltert werden, wenn der Filter aktiviert wird. Weitere Informationen, einschließlich step-by-step Anweisungen, finden Sie unter[Verwenden von benutzerdefinierten Aktionen zum Filtern und Navigieren](quicksight-actions.md). Es gibt zwei weitere Möglichkeiten, einen Filter über mehrere Visualisierungen hinweg zu aktivieren: + **Für einen Filter, der von einem Widget auf einem Dashboard aus aktiviert wird ** – Das Widget wird als *Blattsteuerelement* bezeichnet. Hierbei handelt es sich um ein benutzerdefiniertes Menü, das Sie am Anfang Ihrer Analyse oder Ihres Dashboards hinzufügen können. Das gängigste Blattsteuerelement ist eine Dropdown-Liste, in der eine Liste von Optionen angezeigt wird, die beim Öffnen ausgewählt werden können. Um eines dieser Elemente Ihrer Analyse hinzuzufügen, erstellen Sie einen Parameter, fügen Sie dem Parameter ein Steuerelement hinzu und fügen Sie dann einen Filter hinzu, der den Parameter verwendet. Weitere Informationen finden Sie unter [Parameter in Amazon Quick einrichten](parameters-set-up.md), [Verwenden eines Steuerelements mit einem Parameter in Amazon Quick](parameters-controls.md) und [Hinzufügen von Filtersteuerelementen zu Analyseblättern](filter-controls.md). + **Für einen Filter, der immer für mehrere Visualisierungen gilt** — Dies ist ein normaler Filter, mit der Ausnahme, dass Sie seinen Geltungsbereich so festlegen, so dass er auf mehrere (oder alle) Visualisierungen angewendet wird. Dieser Filtertyp kaskadiert nicht wirklich, da es keinen Auslöserpunkt gibt. Er filtert immer alle Visualisierungen, für deren Filterung er konfiguriert ist. Um diesen Filtertyp zu Ihrer Analyse hinzuzufügen, erstellen oder bearbeiten Sie einen Filter und wählen Sie dann seinen Geltungsbereich aus: **Einzelne Visualisierung**, **Einzelblatt** oder **Tabellenübergreifend**. Beachten Sie die Option **Datensatzübergreifend anwenden**. Wenn dieses Kästchen aktiviert ist, wird der Filter auf alle Visualisierungen aus verschiedenen Datensätzen angewendet, die für alle Blätter im Filterbereich gelten. Weitere Informationen finden Sie unter [Filter](cross-sheet-filters.md#filters). # Hinzufügen von Filtersteuerelementen zu Analyseblättern Wenn Sie eine Analyse entwerfen, können Sie dem Analyseblatt neben den Visualisierungen, die Sie filtern möchten, einen Filter hinzufügen. Er wird im Blatt als Steuerelement angezeigt, das Dashboard-Betrachter verwenden können, wenn Sie die Analyse als Dashboard veröffentlichen. Das Steuerelement verwendet die Einstellungen des Analysedesigns, sodass es so aussieht, als wäre es Teil des Blatts. Die Filtersteuerelemente haben einige Einstellungen gemeinsam mit ihren Filtern. Sie gelten für ein, einige oder alle Objekte auf demselben Blatt. Verwenden Sie die folgenden Abschnitte, um Filtersteuerungen zu einer Analyse hinzuzufügen und anzupassen. Wie Sie blattübergreifende Steuerelemente hinzufügen, erfahren Sie unter [Kontrollen](cross-sheet-filters.md#cross-sheet-controls). **Topics** + [Hinzufügen von Filtersteuerelementen](#filter-controls-add) + [Anheften von Filtersteuerelementen an den oberen Rand eines Blatts](#filter-controls-pin) + [Anpassen der Filtersteuerungen](#filter-controls-customize) + [Kaskadieren von Filtersteuerelementen](#cascading-controls) ## Hinzufügen von Filtersteuerelementen Gehen Sie wie folgt vor, um eine Filtersteuerung hinzuzufügen. **Um ein Filtersteuerelement hinzuzufügen** 1. Öffnen Sie die [Quick-Konsole](https://quicksight.aws.amazon.com/). 1. Wählen Sie auf der Schnellstartseite **Analysen** und dann die Analyse aus, mit der Sie arbeiten möchten. 1. Wählen Sie in der Analyse **Filter** aus. 1. Wenn Sie nicht bereits über einige Filter verfügen, erstellen Sie einen. Weitere Informationen zum Erstellen von Filtern finden Sie unter [Hinzufügen von Filtern](add-a-filter-data-prep.md). 1. Wählen Sie im Bereich **Filter** die drei Punkte rechts neben dem Filter aus, für den Sie ein Steuerelement hinzufügen möchten, und wählen Sie **Zum Blatt hinzufügen** aus. Das Filtersteuerelement wird dem Blatt hinzugefügt, normalerweise unten. Sie können die Größe ändern oder es an verschiedene Positionen auf dem Blatt ziehen. Sie können auch anpassen, wie es angezeigt wird und wie Dashboard-Betrachter damit interagieren können. Weitere Informationen zur Anpassung von Filtersteuerungen finden Sie in den folgenden Abschnitten. ## Anheften von Filtersteuerelementen an den oberen Rand eines Blatts Gehen Sie wie folgt vor, um Filtersteuerelemente an den oberen Rand eines Blatts zu heften. **Zum Anheften eines Steuerelementes an den oberen Rand eines Blattes** 1. Wählen Sie auf dem Filtersteuerelement, das Sie verschieben möchten, die drei Punkte neben dem Stiftsymbol aus und wählen Sie **oben anheften**. Der Filter ist an der Oberseite des Blattes angeheftet und zusammengeklappt. Sie können darauf klicken, um ihn zu erweitern. 1. (Optional) Um die Fixierung des Steuerelements zu lösen, erweitern Sie es und fahren Sie mit der Maus oben auf dem Blatt darüber, bis drei Punkte angezeigt werden. Wählen Sie die drei Punkte aus und wählen Sie dann **Zum Blatt verschieben**. ## Anpassen der Filtersteuerungen Je nach Datentyp des Felds und Art des Filters stehen für Filtersteuerelemente unterschiedliche Einstellungen zur Verfügung. Sie können anpassen, wie sie im Blatt angezeigt werden und wie Dashboard-Betrachter mit ihnen interagieren können. **Um ein Filtersteuerelement anzupassen** 1. Wählen Sie das Filtersteuerelement auf dem Blatt aus. 1. Wählen Sie in der Filtersteuerung das Stiftsymbol aus. Wenn das Filtersteuerelement oben auf dem Blatt angeheftet ist, erweitern Sie es und bewegen Sie den Mauszeiger darüber, bis die drei Punkte angezeigt werden. **Wählen Sie die drei Punkte an und wählen Sie dann Bearbeiten.** 1. Führen Sie im sich öffnenden **Formatsteuerbereich** die folgenden Schritte aus: 1. Geben Sie für **Display name (Anzeigelname)** einen Namen für die Filtersteuerung ein. 1. (Optional) Um den Anzeigenamen im Filtersteuerelement auszublenden, deaktivieren Sie das Kontrollkästchen **Titel anzeigen**. 1. Wählen Sie unter **Schriftgröße für Titel** die Schriftgröße des Titels aus, die Sie verwenden möchten. Die Optionen reichen von extra klein bis extra groß. Die Standardeinstellung ist mittel. Die verbleibenden Schritte hängen vom Feldtyp ab, auf den das Steuerelement verweist. In den folgenden Abschnitten finden Sie weitere Informationen zu den Optionen nach Filtertyp. ### Datumsfilter Wenn Ihr Filtersteuerelement aus einem Datumsfilter stammt, gehen Sie wie folgt vor, um die übrigen Optionen anzupassen. **Zum Anpassen weiterer Optionen für einen Datumsfilter** 1. Wählen Sie im Bereich **Formatsteuerung** für **Stil** eine der folgenden Optionen aus: + **Datumsauswahl — Bereich** — Zeigt einen Satz von zwei Feldern an, um einen Zeitraum zu definieren. Sie können ein Datum oder eine Uhrzeit eingeben oder ein Datum aus dem Kalendersteuerelement auswählen. Sie können auch anpassen, wie die Daten im Steuerelement angezeigt werden sollen, indem Sie ein Datumstoken für das **Datumsformat** eingeben. Weitere Informationen finden Sie unter [Anpassen von Datumsformaten in Quick](format-visual-date-controls.md). + **Datumsauswahl — relativ** — Zeigt Einstellungen wie den Zeitraum, sein Verhältnis zum aktuellen Datum und zur aktuellen Uhrzeit sowie die Option zum Ausschließen von Zeiträumen an. Sie können auch anpassen, wie die Daten im Steuerelement angezeigt werden sollen, indem Sie ein Datumstoken für das **Datumsformat** eingeben. Weitere Informationen finden Sie unter [Anpassen von Datumsformaten in Quick](format-visual-date-controls.md). + **Textfeld** — Zeigt ein Feld an, in das Sie das oberste oder unterste *N*-Datum eingeben können. Hilfstext ist standardmäßig im Textfeld-Steuerelement enthalten. Sie können ihn jedoch entfernen, indem Sie die Option **Hilfstext im Steuerelement anzeigen** deaktivieren. Standardmäßig werden Quick Visuals immer dann neu geladen, wenn eine Änderung an einem Steuerelement vorgenommen wird. Für Kalender- und relative Datumsauswahlsteuerelemente können Autoren eine Schaltfläche **Anwenden** zu einem Steuerelement hinzufügen, die das Neuladen der Visualisierung verzögert, bis der Benutzer **Anwenden** auswählt. Auf diese Weise können Benutzer ohne zusätzliche Abfragen mehrere Änderungen gleichzeitig vornehmen. Diese Einstellung kann mit dem Kontrollkästchen **Schaltfläche „Anwenden“ anzeigen** im Bereich **Steueroptionen** des Bereichs **Formatsteuerung** konfiguriert werden. 1. Wenn Sie fertig sind, wählen Sie **Apply**. ### Textfilter Wenn Ihr Filtersteuerelement aus einem Textfilter stammt, z. B. Dimensionen, Kategorien oder Beschriftungen, gehen Sie wie folgt vor, um die übrigen Optionen anzupassen. **Zum Anpassen weiterer Optionen für einen Textfilter** 1. Wählen Sie im Bereich **Formatsteuerung** für **Stil** eine der folgenden Optionen aus: + **Dropdown** — Zeigt eine Dropdownliste mit Schaltflächen an, mit denen Sie einen einzelnen Wert auswählen können. Mit dieser Option können Sie die folgenden Optionen für **Werte** auswählen: + **Filter** — Zeigt alle Werte an, die im Filter verfügbar sind. + **Spezifische Werte** — Ermöglicht die Eingabe der anzuzeigenden Werte, einen Eintrag pro Zeile. Sie können auch **Ausblenden Auswahl aller Optionen aus den Kontrollwerten** auswählen. Dadurch wird die Option zum Auswählen oder Löschen der Auswahl aller Werte im Filtersteuerelement entfernt. + **Dropdown — Mehrfachauswahl** — Zeigt eine Dropdownliste mit Feldern an, mit denen Sie mehrere Werte auswählen können. Mit dieser Option können Sie die folgenden Optionen für **Werte** auswählen: + **Filter** — Zeigt alle Werte an, die im Filter verfügbar sind. + **Spezifische Werte** — Ermöglicht die Eingabe der anzuzeigenden Werte, einen Eintrag pro Zeile. Standardmäßig werden Quick Visuals immer dann neu geladen, wenn eine Änderung an einem Steuerelement vorgenommen wird. Für Dropdown-Steuerelemente mit Mehrfachauswahl können Autoren eine Schaltfläche **Anwenden** zu einem Steuerelement hinzufügen, die das Neuladen der Visualisierung verzögert, bis der Benutzer **Anwenden** auswählt. Auf diese Weise können Benutzer ohne zusätzliche Abfragen mehrere Änderungen gleichzeitig vornehmen. Diese Einstellung kann mit dem Kontrollkästchen **Schaltfläche „Anwenden“ anzeigen** im Bereich **Steueroptionen** des Bereichs **Formatsteuerung** konfiguriert werden. + **Liste** — Zeigt eine Liste mit Schaltflächen an, mit denen Sie einen einzelnen Wert auswählen können. Mit dieser Option können Sie die folgenden Optionen für **Werte** auswählen: + **Filter** — Zeigt alle Werte an, die im Filter verfügbar sind. + **Spezifische Werte** — Ermöglicht die Eingabe der anzuzeigenden Werte, einen Eintrag pro Zeile. Es gibt auch die folgenden Optionen: + **Suchleiste ausblenden, wenn sich das Steuerelement auf dem Blatt befindet** — Blendet die Suchleiste im Filtersteuerelement aus, sodass Benutzer nicht nach bestimmten Werten suchen können. + **Option „Alle auswählen“ aus den Kontrollwerten ausblenden** — Entfernt die Option, die Auswahl aller Werte im Filtersteuerelement auszuwählen oder aufzuheben. + **Liste — Mehrfachauswahl** — Zeigt eine Liste mit Feldern an, mit denen Sie mehrere Werte auswählen können. Mit dieser Option können Sie die folgenden Optionen für **Werte** auswählen: + **Filter** — Zeigt alle Werte an, die im Filter verfügbar sind. + **Spezifische Werte** — Ermöglicht die Eingabe der anzuzeigenden Werte, einen Eintrag pro Zeile. Es gibt auch die folgenden Optionen: + **Suchleiste ausblenden, wenn sich das Steuerelement auf dem Blatt befindet** — Blendet die Suchleiste im Filtersteuerelement aus, sodass Benutzer nicht nach bestimmten Werten suchen können. + **Option „Alle auswählen“ aus den Kontrollwerten ausblenden** — Entfernt die Option, die Auswahl aller Werte im Filtersteuerelement auszuwählen oder aufzuheben. + **Textfeld** — Zeigt ein Textfeld an, in das Sie einen einzelnen Eintrag eingeben können. Textfelder unterstützen bis zu 79 950 Zeichen. Wenn Sie diese Option auswählen, können Sie Folgendes auswählen: + **Hilfstext im Steuerelement anzeigen** — Entfernt den Hilfstext in Textfeldern. + **Textfeld — mehrzeilig** — Zeigt ein Textfeld an, in das Sie mehrere Einträge eingeben können. Mehrzeilige Textfelder unterstützen bis zu 79 950 Zeichen in allen Einträgen. Wenn Sie diese Option auswählen, können Sie Folgendes auswählen: + Wählen Sie für **Werte trennen durch** aus, wie Sie Werte trennen möchten, die Sie in das Filtersteuerelement eingeben. Sie können wählen, ob Werte durch einen Zeilenumbruch, ein Komma, einen senkrechten Strich (\$1) oder ein Semikolon voneinander getrennt werden sollen. + **Hilfstext im Steuerelement anzeigen** — Entfernt den Hilfstext in Textfeldern. 1. Wenn Sie fertig sind, wählen Sie **Apply**. ### Numerische Filter Wenn Ihr Filtersteuerelement aus einem numerischen Filter stammt, gehen Sie wie folgt vor, um die übrigen Optionen anzupassen. **Zum Anpassen weiterer Optionen für einen numerischen Filter** 1. Wählen Sie im Bereich **Formatsteuerung** für **Stil** eine der folgenden Optionen aus: + **Dropdown** — Zeigt eine Liste an, in der Sie einen einzelnen Wert auswählen können. Mit dieser Option können Sie die folgenden Optionen für **Werte** auswählen: + **Filter** — Zeigt alle Werte an, die im Filter verfügbar sind. + **Spezifische Werte** — Ermöglicht die Eingabe der anzuzeigenden Werte, einen Eintrag pro Zeile. Sie können auch **Ausblenden Auswahl aller Optionen aus den Kontrollwerten** auswählen. Dadurch wird die Option zum Auswählen oder Löschen der Auswahl aller Werte im Filtersteuerelement entfernt. + **Filter** — Zeigt alle Werte an, die im Filter verfügbar sind. + **Spezifische Werte** — Ermöglicht die Eingabe der anzuzeigenden Werte, einen Eintrag pro Zeile. + **Option „Alle auswählen“ aus den Kontrollwerten ausblenden** — Entfernt die Option, die Auswahl aller Werte im Filtersteuerelement auszuwählen oder aufzuheben. + **Liste** — Zeigt eine Liste mit Schaltflächen an, mit denen Sie einen einzelnen Wert auswählen können. Mit dieser Option können Sie die folgenden Optionen für **Werte** auswählen: + **Filter** — Zeigt alle Werte an, die im Filter verfügbar sind. + **Spezifische Werte** — Ermöglicht die Eingabe der anzuzeigenden Werte, einen Eintrag pro Zeile. Es gibt auch die folgenden Optionen: + **Suchleiste ausblenden, wenn sich das Steuerelement auf dem Blatt befindet** — Blendet die Suchleiste im Filtersteuerelement aus, sodass Benutzer nicht nach bestimmten Werten suchen können. + **Option „Alle auswählen“ aus den Kontrollwerten ausblenden** — Entfernt die Option, die Auswahl aller Werte im Filtersteuerelement auszuwählen oder aufzuheben. + **Schieberegler** — Zeigt eine horizontale Leiste mit einem Schieber an, den Sie verschieben können, um den Wert zu ändern. Wenn Sie einen Bereichsfilter für Werte zwischen einem Minimum und einem Maximum haben, bietet der Schieberegler für jede Zahl einen Umschalter. Für Schieber können Sie die folgenden Optionen angeben: + **Minimalwert** — Zeigt den kleineren Wert links neben dem Schieberegler an. + **Maximalwert** — Zeigt den größeren Wert rechts neben dem Schieberegler an. + **Schrittgröße** — Ermöglicht es Ihnen, die Anzahl der Stufen festzulegen, in die der Balken unterteilt ist. + **Textfeld** — Zeigt ein Feld an, in das Sie den Wert eingeben können. Wenn Sie diese Option auswählen, können Sie Folgendes auswählen: + **Hilfstext im Steuerelement anzeigen** — Entfernt den Hilfstext in Textfeldern. 1. Wenn Sie fertig sind, wählen Sie **Apply**. ## Kaskadieren von Filtersteuerelementen Sie können die im Steuerelement angezeigten Werte begrenzen, damit nur Werte angezeigt werden, die für die in anderen Steuerelementen vorgenommen Einstellungen gültig sind. Dies wird als kaskadiertes Steuerelement bezeichnet. **Bei der Erstellung von kaskadierenden Steuerelementen gelten die folgenden Einschränkungen:** 1. Kaskadierende Steuerelemente müssen an Datensatzspalten aus demselben Datensatz gebunden sein. 1. Das untergeordnete Steuerelement muss ein Dropdown- oder Listensteuerelement sein. 1. Bei Parametersteuerelementen muss das untergeordnete Steuerelement mit einer Datensatzspalte verknüpft sein. 1. Bei Filtersteuerelementen muss das untergeordnete Steuerelement mit einem Filter verknüpft sein (anstatt nur bestimmte Werte anzuzeigen). 1. Das übergeordnete Steuerelement muss einen der folgenden Werte aufweisen: 1. Ein Steuerelement mit einer Zeichenfolge, einer Ganzzahl oder einem numerischen Parameter. 1. Ein Zeichenfolgen-Filtersteuerelement (ausgenommen Top-Bottom-Filter). 1. Ein nicht aggregiertes numerisches Filtersteuerelement. 1. Ein Datumsfiltersteuerelement (ausgenommen Top-Bottom-Filter). **So erstellen Sie eine kaskadierende Steuerung** 1. Wählen Sie **Show relevant values only (Nur relevante Werte anzeigen)**. Beachten Sie, dass diese Option möglicherweise nicht für alle Filtersteuerungstypen verfügbar ist. 1. Wählen Sie im sich öffnenden Bereich **Nur relevante Werte anzeigen** ein oder mehrere Steuerelemente aus der verfügbaren Liste aus. 1. Wählen Sie ein Feld aus, dem der Wert zugeordnet werden soll. 1. Wählen Sie **Aktualisieren**. # Bearbeiten von Filtern Sie können Filter jederzeit in einem Datensatz oder einer Analyse bearbeiten. Es ist nicht möglich, das Feld zu ändern, auf das ein Filter angewendet wird. Um einen Filter auf ein anderes Feld anzuwenden, erstellen Sie stattdessen einen neuen Filter. Verwenden Sie die folgenden Verfahren, um zu erfahren, wie Sie Filter bearbeiten. ## Bearbeiten von Filtern in Datensätzen Gehen Sie wie folgt vor, um Filter in Datensätzen zu bearbeiten. **Zum Bearbeiten eines Filter in einem Datensatz** 1. Öffnen Sie die [Schnellkonsole](https://quicksight.aws.amazon.com/). 1. Wählen Sie auf der Quick-Startseite links **Daten** aus. 1. Wählen Sie auf der Registerkarte **Datensätze** den gewünschten Datensatz aus und klicken Sie dann auf **Datensatz bearbeiten**. 1. Wählen Sie auf der sich öffnenden Datenvorbereitungsseite unten links die Option **Filter** aus. 1. Wählen Sie den Filter aus, die Sie bearbeiten möchten. 1. Wenn Sie mit der Bearbeitung fertig sind, wählen Sie **Anwenden**. ## Filter in Analysen bearbeiten Gehen Sie wie folgt vor, um Filter in Analysen zu bearbeiten. **Zum Bearbeiten eines Filters in einer Analyse** 1. Öffnen Sie die [Schnellkonsole](https://quicksight.aws.amazon.com/). 1. Wählen Sie auf der Quick-Startseite links **Analysen** aus. 1. Wählen Sie auf der Seite **Analysen** die Analyse aus, mit der Sie arbeiten möchten. 1. Wählen Sie in der Analyse das angezeigte **Filtersymbol**, um den Bereich **Filter** zu öffnen. 1. Wählen Sie den Filter aus, die Sie bearbeiten möchten. 1. Wenn Sie mit der Bearbeitung fertig sind, wählen Sie **Anwenden**. # Aktivieren oder Deaktivieren von Filtern Sie können einen Filter in einem Datensatz oder einer Analyse über das Filtermenü aktivieren bzw. deaktivieren. Filter sind bei der Erstellung standardmäßig aktiviert. Durch das Deaktivieren eines Filters wird der Filter aus dem Feld entfernt, der Filter wird jedoch nicht aus dem Datensatz oder der Analyse gelöscht. Deaktivierte Filter sind im Filterbereich ausgegraut. Wenn Sie den Filter erneut auf das Feld anwenden möchten, können Sie ihn einfach aktivieren. Verwenden Sie die folgenden Verfahren, um zu erfahren, wie Sie Filter aktivieren oder deaktivieren. ## Filter in Datensätzen deaktivieren Gehen Sie wie folgt vor, um Filter in Datensätzen zu deaktivieren. **Zum Deaktivieren eines Filters in einem Datensatz** 1. Wählen Sie auf der Quick-Startseite links **Daten** aus. 1. Wählen Sie auf der Registerkarte **Datensätze** den gewünschten Datensatz aus und klicken Sie dann auf **Datensatz bearbeiten**. 1. Wählen Sie auf der sich öffnenden Datenvorbereitungsseite unten links die Option **Filter** aus. 1. Wählen Sie links im Bereich **Filter** die drei Punkte rechts neben dem Filter aus, den Sie deaktivieren möchten, und gehen Sie dann auf **Deaktivieren**. Um einen Filter zu aktivieren, der deaktiviert wurde, wählen Sie **Aktivieren** aus. ## Filter in Analysen deaktivieren Gehen Sie wie folgt vor, um Filter in Analysen zu deaktivieren. **Zum Deaktivieren eines Filters in einer Analyse** 1. Öffnen Sie die [Schnellkonsole](https://quicksight.aws.amazon.com/). 1. Wählen Sie auf der Quick-Startseite die Option **Analysen** aus. 1. Wählen Sie auf der Seite **Analysen** die Analyse aus, mit der Sie arbeiten möchten. 1. Wählen Sie in der Analyse das **Filtersymbol**, um den Bereich **Filter** zu öffnen. 1. Wählen Sie im sich öffnenden Bereich **Filter** die drei Punkte rechts neben dem Filter aus, den Sie deaktivieren möchten, und gehen Sie dann auf **Deaktivieren**. Um einen Filter zu aktivieren, der deaktiviert wurde, wählen Sie **Aktivieren** aus. # Löschen von Filtern Sie können Filter jederzeit in einem Datensatz oder einer Analyse löschen. Mit den folgenden Verfahren erfahren Sie, wie Sie dabei vorgehen. ## Filter in Datensätzen löschen Gehen Sie wie folgt vor, um Filter in Datensätzen zu löschen. **Zum Löschen eines Filter aus einem Datensatz** 1. Öffnen Sie die [Schnellkonsole](https://quicksight.aws.amazon.com/). 1. Wählen Sie auf der Quick-Startseite die Option **Daten** aus. 1. Wählen Sie auf der Registerkarte **Datensätze** den gewünschten Datensatz aus und klicken Sie dann auf **Datensatz bearbeiten**. 1. Wählen Sie auf der sich öffnenden Datenvorbereitungsseite unten links die Option **Filter** aus. 1. Wählen Sie den Filter, den Sie löschen möchten. Wählen Sie dann **Filter löschen**. ## Löschen von Filtern in Analysen Gehen Sie wie folgt vor, um Filter in Analysen zu löschen. **Zum Löschen eines Filters in einer Analyse** 1. Öffnen Sie die [Schnellkonsole](https://quicksight.aws.amazon.com/). 1. Wählen Sie auf der Quick-Startseite die Option **Analysen** aus. 1. Wählen Sie auf der Seite **Analysen** die Analyse aus, mit der Sie arbeiten möchten. 1. Wählen Sie in der Analyse das **Filtersymbol**, um den Bereich **Filter** zu öffnen. 1. Wählen Sie den Filter, den Sie löschen möchten. Wählen Sie dann **Filter löschen**. # Tabellen in einem Datensatz in einer Vorschau anzeigen Sie können eine Vorschau jeder einzelnen Datentabelle innerhalb eines Datensatzes anzeigen. Wenn Sie eine Datentabelle für die Vorschau auswählen, wird auf einer neuen Registerkarte im Bereich Datenvorschau eine schreibgeschützte Vorschau der Tabelle angezeigt. Sie können mehrere Reiter für die Tabellenvorschau gleichzeitig öffnen. Sie können in einem Datensatz nur Tabellen in der Vorschau anzeigen, auf die Sie Zugriff haben. Wenn eine Tabelle nicht in der oberen Hälfte des Datenvorbereitungsbereichs angezeigt wird, können Sie keine Vorschau der Tabelle anzeigen. Die Registerkarte **Datensatz** enthält alle Transformationen, z. B. neue Spalten oder Filter. Auf den Tabellen-Vorschaureitern werden keine Ihrer Transformationen angezeigt. **So zeigen Sie eine Datentabelle in der Vorschau an** 1. Wählen Sie auf der Quick-Startseite links **Daten** aus. 1. Wählen Sie auf der Registerkarte **Daten** den gewünschten Datensatz aus und klicken Sie dann auf **Datensatz bearbeiten**. 1. Wählen Sie die Datentabelle aus, für die Sie eine Vorschau anzeigen möchten, klicken Sie auf den Abwärtspfeil, um das Menü zu öffnen, und wählen Sie **Tabellenvorschau anzeigen**.