Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
# Préparation des données dans Amazon Quick Sight
Les jeux de données stockent toute préparation de données que vous avez réalisée sur ces données, afin que vous puissiez réutiliser ces données préparées dans plusieurs analyses. La préparation des données offre des options telles que l’ajout de champs calculés, l’application de filtres et la modification des noms de champs ou de types de données. Si vous fondez la source de données sur une base de données SQL, vous pouvez également utiliser la préparation des données pour joindre des tables. Vous pouvez également saisir une requête SQL si vous souhaitez utiliser des données de plusieurs tables.
Si vous souhaitez transformer les données d'une source de données avant de les utiliser dans Amazon Quick Sight, vous pouvez les préparer en fonction de vos besoins. Ensuite, vous enregistrez la préparation dans le cadre du jeu de données.
Vous pouvez préparer un jeu de données lorsque vous le créez, ou en le modifiant plus tard. Pour de plus amples informations sur la création d’un jeu de données et sa préparation, consultez [Création de jeux de données](creating-data-sets.md). Pour de plus amples informations sur l’ouverture d’un jeu de données existant pour la préparation des données, consultez [Modifier des jeux de données](edit-a-data-set.md).
Utilisez les rubriques suivantes pour en savoir plus sur la préparation des données.
**Topics**
+ [Expérience de préparation des données (nouvelle)](data-prep-experience-new.md)
+ [Description des données](describing-data.md)
+ [Choix des paramètres de chargement de fichier](choosing-file-upload-settings.md)
+ [Expérience en matière de préparation des données (ancienne version)](data-prep-experience-legacy.md)
+ [Utilisation de SQL pour personnaliser les données](adding-a-SQL-query.md)
+ [Ajout de données géospatiales](geospatial-data-prep.md)
+ [Utilisation de dates personnalisées ou non prises en charge](using-unsupported-dates.md)
+ [Ajouter une clé unique à un ensemble de données Amazon Quick Sight](set-unique-key.md)
+ [Intégration des modèles Amazon SageMaker AI à Amazon Quick Sight](sagemaker-integration.md)
+ [Exemples de jeux de données préparés](preparing-data-sets.md)
# Expérience de préparation des données (nouvelle)
La préparation des données transforme les données brutes en un format optimisé pour l'analyse et la visualisation. Dans le domaine de l'informatique décisionnelle, ce processus crucial implique le nettoyage, la structuration et l'enrichissement des données pour obtenir des informations commerciales pertinentes.
L'interface de préparation des données d'Amazon Quick Sight révolutionne ce processus grâce à une expérience visuelle intuitive qui permet aux utilisateurs de créer des ensembles de données prêts à être analysés sans aucune expertise SQL. Grâce à son approche moderne et rationalisée, les utilisateurs peuvent créer et gérer efficacement des ensembles de données de business intelligence. L'interface visuelle présente une vue claire et séquentielle des transformations des données, permettant aux auteurs de suivre avec précision les modifications entre l'état initial et le résultat final.
La plateforme met l'accent sur la collaboration et la réutilisabilité, permettant aux équipes de partager et de réutiliser les flux de travail au sein de l'organisation. Cette conception collaborative favorise la cohérence des pratiques de transformation des données tout en éliminant le travail redondant, favorisant ainsi la standardisation des processus au sein des équipes et améliorant l'efficacité globale.
**Topics**
+ [Composantes de l'expérience de préparation des données](data-prep-components.md)
+ [Étapes de préparation des données](data-prep-steps.md)
+ [Fonctionnalités de flux de travail avancées](advanced-workflow-capabilities.md)
+ [Fonctionnalités réservées aux épices](spice-only-features.md)
+ [Passer d'une expérience de préparation des données à une autre](switching-between-data-prep-experiences.md)
+ [Fonctionnalités non prises en charge dans la nouvelle expérience de préparation des données](unsupported-features.md)
+ [Limites de préparation des données](data-preparation-limits.md)
+ [Changements du comportement d'ingestion](ingestion-behavior-changes.md)
+ [Questions fréquentes (FAQ)](new-data-prep-faqs.md)
# Composantes de l'expérience de préparation des données
L'expérience d'Amazon Quick Sight en matière de préparation des données repose sur les éléments essentiels suivants.
## Flux de travail
Dans l'expérience de préparation des données de Quick Sight, un flux de travail représente une série séquentielle d'étapes de transformation des données qui guident votre ensemble de données de son état brut à un formulaire prêt à être analysé. Ces flux de travail sont conçus pour être réutilisables, permettant aux analystes de tirer parti du travail existant et de le développer tout en maintenant des normes de transformation des données cohérentes dans l'ensemble de l'organisation.
Bien que les flux de travail puissent s'adapter à plusieurs chemins par le biais de différentes entrées ou de divergences (détaillées dans les sections suivantes), ils doivent finalement converger en une seule table de sortie. Cette structure unifiée garantit la cohérence des données et rationalise les capacités d'analyse.
## Transformation
Une transformation est une opération de manipulation de données spécifique qui modifie la structure, le format ou le contenu de vos données. L'expérience de préparation des données de Quick Sight propose différents types de transformation, notamment Join, Filter, Aggregate, Pivot, Unpivot, Ajouter et Calculated Columns. Chaque type de transformation a un objectif distinct en remodelant vos données afin de répondre aux exigences analytiques. Ces transformations sont mises en œuvre en tant qu'étapes individuelles au sein de votre flux de travail.
## Step (Étape)
Une étape est un ensemble de transformations homogènes du même type appliquées dans votre flux de travail. Chaque étape contient une ou plusieurs opérations connexes de la même catégorie de transformation. Par exemple, une étape de renommage peut inclure plusieurs opérations de renommage de colonnes, et une étape de filtrage peut contenir plusieurs conditions de filtrage, toutes gérées comme une seule unité dans votre flux de travail.
La plupart des étapes peuvent inclure plusieurs opérations, à deux exceptions près : les étapes Joindre et Ajouter sont limitées à deux tables d'entrée par étape. Pour joindre ou ajouter plus de deux tables, vous pouvez créer des étapes de jointure ou d'ajout supplémentaires en séquence.
Les étapes sont affichées dans l'ordre, chaque étape s'appuyant sur les résultats des étapes précédentes, ce qui vous permet de suivre la transformation progressive de vos données. Pour renommer ou supprimer une étape, sélectionnez-la et choisissez le menu à trois points.
## Connecteur
Le connecteur relie deux étapes par une flèche indiquant le sens du flux de travail. Vous pouvez supprimer un connecteur en le sélectionnant et en appuyant sur la touche Supprimer. Pour ajouter une étape entre deux étapes existantes, il suffit de supprimer le connecteur, d'ajouter la nouvelle étape et de reconnecter les étapes en faisant glisser votre souris entre elles.
## Panneau de configuration
Le **volet Configuration** est la zone interactive dans laquelle vous définissez les paramètres et les paramètres d'une étape sélectionnée. Lorsque vous sélectionnez une étape de votre flux de travail, ce volet affiche les options pertinentes pour ce type de transformation spécifique. Par exemple, lors de la configuration d'une étape de jointure, vous pouvez sélectionner le type de jointure, les colonnes correspondantes et d'autres paramètres spécifiques à la jointure. L' point-and-clickinterface du **volet Configuration** élimine le besoin de connaissances SQL.
## Volet d'aperçu
Le **volet d'aperçu** affiche un échantillon en temps réel de vos données telles qu'elles apparaissent après l'application de l'étape de transformation en cours. Ce feedback visuel immédiat vous permet de vérifier que chaque transformation produit les résultats escomptés avant de passer à l'étape suivante. Le **volet d'aperçu** est mis à jour de manière dynamique lorsque vous modifiez les configurations des étapes, ce qui permet d'affiner de manière itérative les transformations de données en toute confiance.
Ces composants fonctionnent ensemble pour créer une expérience visuelle intuitive de préparation des données qui rend les transformations de données complexes accessibles aux utilisateurs professionnels sans nécessiter d'expertise technique.
# Étapes de préparation des données
L'expérience de préparation des données d'Amazon Quick Sight propose onze types d'étapes puissants qui vous permettent de transformer systématiquement vos données. Chaque étape a un objectif spécifique dans le flux de travail de préparation des données.
Les étapes peuvent être configurées via une interface intuitive dans le volet de **configuration**, avec un retour immédiat visible dans le volet d'**aperçu**. Les étapes peuvent être combinées de manière séquentielle pour créer des transformations de données sophistiquées sans nécessiter d'expertise SQL.
Chaque étape peut recevoir l'entrée d'une table physique ou la sortie d'une étape précédente. La plupart des étapes n'acceptent qu'une seule entrée, les étapes Ajouter et Joindre étant des exceptions : elles nécessitent exactement deux entrées.
## Input
L'étape de saisie lance votre flux de travail de préparation des données dans Quick Sight en vous permettant de sélectionner et d'importer des données provenant de plusieurs sources pour les transformer lors des étapes suivantes.
**Options de saisie**
+ **Ajouter un ensemble de données**
Tirez parti des ensembles de données Quick Sight existants comme sources d'entrée, en vous appuyant sur des données déjà préparées et optimisées par votre équipe.
+ **Ajouter une source de données**
Connectez-vous directement à des bases de données telles qu'Amazon Redshift, Athena, RDS ou à d'autres sources prises en charge en sélectionnant des objets de base de données spécifiques et en fournissant des paramètres de connexion.
+ **Ajouter un téléchargement de fichier**
Importez des données directement à partir de fichiers locaux dans des formats tels que CSV, TSV, Excel ou JSON.
**Configuration**
L'étape de saisie ne nécessite aucune configuration. Le volet d'**aperçu** affiche vos données importées ainsi que les informations sur la source, notamment les détails de connexion, le nom de la table et les métadonnées des colonnes.
**Notes d’utilisation**
+ Plusieurs étapes de saisie peuvent exister au sein d'un même flux de travail.
+ Vous pouvez ajouter des étapes de saisie à tout moment dans votre flux de travail.
## Ajouter des colonnes calculées
L'étape Ajouter des colonnes calculées vous permet de créer de nouvelles colonnes à l'aide d'expressions au niveau des lignes qui effectuent des calculs sur des colonnes existantes. Vous pouvez créer de nouvelles colonnes à l'aide de fonctions et d'opérateurs scalaires (au niveau des lignes) et appliquer des calculs au niveau des lignes qui font référence à des colonnes existantes.
**Configuration**
Pour configurer l'étape Ajouter des colonnes calculées, dans le volet **Configuration** :
1. Donnez un nom à votre nouvelle colonne calculée.
1. [Créez des expressions à l'aide de l'éditeur de calcul, qui prend en charge les fonctions et les opérateurs au niveau des lignes (tels que [ifelse](ifelse-function.md) et round).](round-function.md)
1. Enregistrez votre calcul.
1. Prévisualisez les résultats de l'expression.
1. Ajoutez d'autres colonnes calculées selon vos besoins.
**Notes d’utilisation**
+ Seuls les calculs scalaires (au niveau des lignes) sont pris en charge dans cette étape.
+ Dans SPICE, les colonnes calculées sont matérialisées et fonctionnent comme des colonnes standard dans les étapes suivantes.
## Modifier le type de données
Quick Sight simplifie la gestion des types de données en prenant en charge quatre types de données abstraits : `date` `decimal``integer`,, et`string`. Ces types abstraits éliminent la complexité en mappant automatiquement les différents types de données sources à leurs équivalents Quick Sight. Par exemple,`tinyint`, `smallint``integer`, et `bigint` sont tous mappés vers`integer`, tandis que, `date``datetime`, et `timestamp` sont mappés vers. `date`
Cette abstraction signifie qu'il vous suffit de comprendre les quatre types de données de Quick Sight, car Quick Sight gère automatiquement toutes les conversions de types de données sous-jacents et les calculs lorsque vous interagissez avec différentes sources de données.
**Configuration**
Pour configurer l'étape Modifier le type de données, dans le volet **Configuration** :
1. Sélectionnez une colonne à convertir.
1. Choisissez le type de données cible (`string``integer`,`decimal`, ou`date`).
1. Pour les conversions de dates, spécifiez les paramètres de format et prévisualisez les résultats en fonction des formats d'entrée. Consultez les [formats de date pris en charge](supported-data-types-and-values.md) dans Quick Sight.
1. Ajoutez des colonnes supplémentaires à convertir selon vos besoins.
**Notes d’utilisation**
+ Convertissez les types de données de plusieurs colonnes en une seule étape pour plus d'efficacité.
+ Lorsque vous utilisez SPICE, tous les changements de type de données sont matérialisés dans les données importées.
## Renommer les colonnes
L'étape Renommer les colonnes vous permet de modifier les noms des colonnes afin qu'ils soient plus descriptifs, faciles à utiliser et conformes aux conventions de dénomination de votre organisation.
**Configuration**
Pour configurer l'étape Renommer les colonnes, dans le volet **Configuration** :
1. Sélectionnez une colonne à nommer.
1. Entrez un nouveau nom pour la colonne sélectionnée.
1. Ajoutez d'autres colonnes à renommer selon vos besoins.
**Notes d’utilisation**
+ Tous les noms de colonnes doivent être uniques dans votre ensemble de données.
## Sélectionnez les colonnes
L'étape Sélectionner les colonnes vous permet de rationaliser votre jeu de données en incluant, en excluant et en réorganisant les colonnes. Cela permet d'optimiser votre structure de données en supprimant les colonnes inutiles et en organisant les colonnes restantes dans un ordre logique à des fins d'analyse.
**Configuration**
Pour configurer l'étape Sélectionner les colonnes, dans le volet **Configuration** :
1. Choisissez des colonnes spécifiques à inclure dans votre sortie.
1. Sélectionnez les colonnes dans l'ordre de votre choix pour établir la séquence.
1. Utilisez **Sélectionner tout** pour inclure les colonnes restantes dans leur ordre d'origine.
1. Excluez les colonnes indésirables en les laissant non sélectionnées.
**Caractéristiques principales**
+ Les colonnes de sortie apparaissent dans l'ordre de sélection.
+ **Tout sélectionner** préserve la séquence de colonnes d'origine.
**Notes d’utilisation**
+ Les colonnes non sélectionnées sont supprimées des étapes suivantes.
+ Optimisez la taille du jeu de données en supprimant les colonnes inutiles.
## Ajout
L'étape Ajouter combine verticalement deux tables, comme dans le cas d'une opération SQL UNION ALL. Quick Sight fait automatiquement correspondre les colonnes par nom plutôt que par séquence, ce qui permet une consolidation efficace des données, même lorsque les tables ont des ordres de colonnes différents ou un nombre variable de colonnes.
**Configuration**
Pour configurer l'étape Ajouter, dans le volet **Configuration** :
1. Sélectionnez deux tables d'entrée à ajouter.
1. Passez en revue la séquence des colonnes de sortie.
1. Examinez les colonnes présentes dans les deux tables par rapport aux colonnes présentes dans les tables individuelles.
**Fonctions principales**
+ Fait correspondre les colonnes par nom plutôt que par séquence.
+ Conserve toutes les lignes des deux tables, y compris les doublons.
+ Supporte les tables avec différents nombres de colonnes.
+ Suit la séquence de colonnes du tableau 1 pour les colonnes correspondantes, puis ajoute des colonnes uniques à partir du tableau 2.
+ Affiche des indicateurs de source clairs pour toutes les colonnes
**Notes d’utilisation**
+ Utilisez d'abord l'étape Renommer lorsque vous ajoutez des colonnes portant des noms différents.
+ Chaque étape d'ajout combine exactement deux tables ; utilisez des étapes d'ajout supplémentaires pour d'autres tables.
## Joindre
L'étape Joindre combine horizontalement les données de deux tables en fonction des valeurs correspondantes dans des colonnes spécifiées. Quick Sight prend en charge les types de jointure externe gauche, externe droite, externe complète et interne, offrant ainsi des options flexibles pour vos besoins analytiques. Cette étape inclut la résolution intelligente des conflits de colonnes qui gère automatiquement les noms de colonnes dupliqués. Bien que les jointures automatiques ne soient pas disponibles en tant que type de jointure spécifique, vous pouvez obtenir des résultats similaires en utilisant la divergence des flux de travail.
**Configuration**
Pour configurer l'étape Joindre, dans le volet **Configuration** :
1. Sélectionnez deux tables d'entrée à joindre.
1. Choisissez votre type de jointure (extérieur gauche, extérieur droit, extérieur complet ou intérieur).
1. Spécifiez les clés de jointure de chaque table.
1. Vérifiez les conflits de noms de colonnes résolus automatiquement.
**Fonctions principales**
+ Prend en charge plusieurs types de jointure pour différents besoins analytiques.
+ Résout automatiquement les noms de colonnes dupliqués.
+ Accepte les colonnes calculées comme clés de jointure.
**Notes d’utilisation**
+ Les clés de jointure doivent avoir des types de données compatibles ; utilisez l'étape Modifier le type de données si nécessaire.
+ Chaque étape de jointure combine exactement deux tables ; utilisez des étapes de jointure supplémentaires pour plus de tables.
+ Créez une étape de renommage après la jointure pour personnaliser les en-têtes de colonne résolus automatiquement.
## Regrouper
L'étape Agrégation vous permet de synthétiser les données en groupant les colonnes et en appliquant des opérations d'agrégation. Cette puissante transformation condense les données détaillées en résumés significatifs basés sur les dimensions que vous avez spécifiées. Quick Sight simplifie les opérations SQL complexes grâce à une interface intuitive, offrant des fonctions d'agrégation complètes, notamment des opérations de chaîne avancées telles que `ListAgg` et`ListAgg distinct`.
**Configuration**
Pour configurer l'étape d'agrégation, dans le volet **Configuration** :
1. Sélectionnez les colonnes à regrouper.
1. Choisissez des fonctions d'agrégation pour les colonnes de mesure.
1. Personnalisez les noms des colonnes de sortie.
1. Pour `ListAgg` et `ListAgg distinct` :
1. Sélectionnez la colonne à agréger.
1. Choisissez un séparateur (virgule, tiret, point-virgule ou ligne verticale).
1. Prévisualisez les données résumées.
**Fonctions prises en charge par type de données**
| Type de données | Fonctions prises en charge |
| --- | --- |
| Numérique | `Average`, `Sum` `Count`, `Count Distinct` `Max`, `Min` |
| Date | `Count`, `Count Distinct` `Max`, `Min` `ListAgg`, `ListAgg distinct` (pour la date uniquement) |
| String | `ListAgg`, `ListAgg distinct` `Count`, `Count Distinct` `Max`, `Min` |
**Fonctions principales**
+ Applique différentes fonctions d'agrégation aux colonnes au cours de la même étape.
+ **Grouper par** sans fonctions d'agrégation agit comme SQL SELECT DISTINCT.
+ `ListAgg`concatène toutes les valeurs ; `ListAgg distinct` inclut uniquement les valeurs uniques.
+ `ListAgg`les fonctions conservent l'ordre de tri croissant par défaut.
**Notes d’utilisation**
+ L'agrégation réduit considérablement le nombre de lignes dans votre ensemble de données.
+ `ListAgg`et `ListAgg distinct` soutiennent `date` les valeurs, mais non`datetime`.
+ Utilisez des séparateurs pour personnaliser le résultat de la concaténation de chaînes.
## Filtre
L'étape Filtrer vous permet d'affiner votre jeu de données en n'incluant que les lignes répondant à des critères spécifiques. Vous pouvez appliquer plusieurs conditions de filtre en une seule étape, en les combinant de `AND` manière logique afin de concentrer votre analyse sur les données pertinentes.
**Configuration**
Pour configurer l'étape Filtrer, dans le volet **Configuration** :
1. Sélectionnez une colonne à filtrer.
1. Choisissez un opérateur de comparaison.
1. Spécifiez les valeurs de filtre en fonction du type de données de la colonne.
1. Ajoutez des conditions de filtre supplémentaires sur différentes colonnes si nécessaire.
**Note**
Filtres de chaîne avec « est dedans » ou « n'est pas dedans » : entrez plusieurs valeurs (une par ligne).
Filtres numériques et de date : entrez des valeurs uniques (sauf « entre » qui nécessite deux valeurs).
**Opérateurs pris en charge par type de données**
| Type de données | Opérateurs pris en charge |
| --- | --- |
| Nombre entier et décimal | Est égal, n'est pas égal Supérieur à, Inférieur à Est supérieur ou égal à, Est inférieur ou égal à Est comprise entre |
| Date | Avant, après Est comprise entre Est après ou égal à, Est antérieur ou égal à |
| String | Est égal, n'est pas égal Commence par, se termine par Contient, Ne contient pas Est dedans, n'est pas dedans |
**Notes d’utilisation**
+ Appliquez plusieurs conditions de filtre en une seule étape.
+ Mélangez les conditions entre différents types de données.
+ Prévisualisez les résultats filtrés en temps réel.
## Pivot
L'étape Pivot transforme les valeurs des lignes en colonnes uniques, convertissant les données d'un format long en un format large pour faciliter la comparaison et l'analyse. Cette transformation nécessite des spécifications pour le filtrage, l'agrégation et le regroupement des valeurs afin de gérer efficacement les colonnes de sortie.
**Configuration**
Pour configurer l'étape Pivot, utilisez ce qui suit dans le volet **Configuration** :
1. **Colonne pivotante** : sélectionnez la colonne dont les valeurs deviendront des en-têtes de colonne (par exemple, Catégorie).
1. **Valeur de la ligne de colonne pivotante** : filtrez les valeurs spécifiques à inclure (par exemple, technologie, fournitures de bureau).
1. **En-tête de colonne de sortie** : personnalisez les nouveaux en-têtes de colonne (par défaut, les valeurs des colonnes pivotent).
1. **Colonne de valeurs** : sélectionnez la colonne à agréger (par exemple, Ventes).
1. **Fonction d'agrégation** : choisissez la méthode d'agrégation (par exemple, Sum).
1. **Regrouper par** : Spécifiez les colonnes d'organisation (par exemple, Segment).
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/pivot.png)
**Opérateurs pris en charge par type de données**
| Type de données | Opérateurs pris en charge |
| --- | --- |
| Nombre entier et décimal | `Average`, `Sum` `Count`, `Count Distinct` `Max`, `Min` |
| Date | `Count`, `Count Distinct` `Max`, `Min` `ListAgg`, `ListAgg distinct` (valeurs de date uniquement) |
| String | `ListAgg`, `ListAgg distinct` `Count`, `Count Distinct` `Max`, `Min` |
**Notes d’utilisation**
+ Chaque colonne pivotée contient les valeurs agrégées de la colonne de valeurs.
+ Personnalisez les en-têtes de colonne pour plus de clarté.
+ Prévisualisez les résultats de transformation en temps réel.
## Dépivoter
L'étape Unpivot transforme les colonnes en lignes, convertissant les données larges en un format plus long et plus étroit. Cette transformation permet d'organiser les données réparties sur plusieurs colonnes dans un format plus structuré pour faciliter l'analyse et la visualisation.
**Configuration**
Pour configurer l'étape Unpivot, dans le volet **Configuration** :
1. Sélectionnez les colonnes à dépivoter en lignes.
1. Définissez les valeurs des lignes des colonnes de sortie. Le nom de colonne par défaut est le nom d'origine. Certains exemples incluent la technologie, les fournitures de bureau et le mobilier.
1. Nommez les deux nouvelles colonnes de sorties.
+ **En-tête de colonne non pivotant** : nom des anciens noms de colonne (par exemple, Catégorie)
+ Valeurs de **colonne non pivotées : nom des valeurs** non pivotées (par exemple, Sales)
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/unpivot.png)
**Fonctions principales**
+ Conserve toutes les colonnes non pivotantes de la sortie.
+ Crée automatiquement deux nouvelles colonnes : une pour les anciens noms de colonne et une pour les valeurs correspondantes.
+ Transforme des données étendues en format long.
**Notes d’utilisation**
+ Toutes les colonnes non pivotantes doivent avoir des types de données compatibles.
+ Le nombre de lignes augmente généralement après le dépivotement.
+ Prévisualisez les modifications en temps réel avant de les appliquer.
# Fonctionnalités de flux de travail avancées
L'expérience de préparation des données d'Amazon Quick Sight propose des fonctionnalités sophistiquées qui améliorent votre capacité à créer des transformations de données complexes et réutilisables. Cette section couvre deux fonctionnalités puissantes qui étendent le potentiel de votre flux de travail.
La divergence vous permet de créer plusieurs chemins de transformation à partir d'une seule étape, ce qui permet des flux de traitement parallèles qui peuvent être recombinés ultérieurement. Cette fonctionnalité est particulièrement utile pour les scénarios complexes tels que les jointures automatiques et les transformations parallèles.
Les ensembles de données composites vous permettent de créer des structures de données hiérarchiques en utilisant des ensembles de données existants comme éléments de base. Cette fonctionnalité favorise la collaboration entre les équipes et garantit une logique métier cohérente grâce à des transformations en couches réutilisables.
Ces fonctionnalités fonctionnent ensemble pour fournir des conceptions de flux de travail flexibles, une collaboration d'équipe améliorée et des transformations de données réutilisables. Ils garantissent un lignage clair des données et permettent des solutions de préparation des données évolutives, permettant à votre organisation de gérer des scénarios de données de plus en plus complexes avec efficacité et clarté.
## Divergence
La divergence vous permet de créer plusieurs chemins de transformation parallèles à partir d'une seule étape de votre flux de travail. Ces chemins peuvent être transformés indépendamment puis recombinés, ce qui permet des scénarios complexes de préparation des données tels que les auto-jointures.
**Création de chemins divergents**
Pour initier une divergence, dans votre flux de travail :
1. Sélectionnez l'étape dans laquelle vous souhaitez créer une divergence.
1. Cliquez sur l'icône **\$1** qui apparaît.
1. Configurez la nouvelle branche qui apparaît.
1. Appliquez les transformations souhaitées à chaque tracé.
1. Utilisez les étapes Joindre ou Ajouter pour recombiner les chemins en une seule sortie.
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/divergence.png)
**Fonctions principales**
+ Crée jusqu'à cinq chemins divergents à partir d'une seule étape.
+ Applique des transformations différentes à chaque tracé.
+ Recombine les chemins à l'aide des étapes Joindre ou Ajouter.
+ Prévisualise les modifications apportées à chaque trajectoire indépendamment.
**Bonnes pratiques**
+ Utilisez la divergence pour implémenter les jointures automatiques.
+ Créez des copies de données pour les transformations parallèles.
+ Planifiez votre stratégie de recombinaison (joindre ou ajouter).
+ Conservez un nom de chemin clair pour une meilleure visibilité du flux de travail.
## Ensembles de données composites
Les ensembles de données composites vous permettent de vous appuyer sur des ensembles de données existants pour créer des structures de transformation de données hiérarchiques qui peuvent être partagées et réutilisées au sein de votre organisation. Quick Sight prend en charge jusqu'à 10 niveaux de jeux de données composites dans les modes SPICE et Direct Query.
**Création d'un jeu de données composite**
Pour créer un jeu de données composite, dans votre flux de travail :
1. Sélectionnez l'étape Entrée lors de la création d'un nouvel ensemble de données.
1. Choisissez **Dataset** comme source sous **Ajouter des données**.
1. Sélectionnez un jeu de données existant sur lequel vous souhaitez vous appuyer.
1. Appliquez des transformations supplémentaires si nécessaire.
1. Enregistrez en tant que nouvel ensemble de données.
**Fonctions principales**
+ Construit des structures hiérarchiques de transformation des données.
+ Supporte jusqu'à 10 niveaux d'imbrication de jeux de données.
+ Compatible avec SPICE et Direct Query.
+ Maintient un lignage clair des données.
+ Permet des transformations spécifiques à l'équipe.
Cette fonctionnalité améliore la collaboration entre les différentes équipes. Par exemple,
| Role | Action | Output |
| --- | --- | --- |
| Analyste mondial | Crée un ensemble de données avec une logique métier globale | Ensemble de données A |
| Analyste des Amériques | Utilise le jeu de données A, ajoute une logique régionale | Ensemble de données B |
| Analyste de l'ouest des États-Unis | Utilise le jeu de données B, ajoute une logique locale | Ensemble de données C |
Cette approche hiérarchique favorise une logique métier cohérente au sein de votre organisation en attribuant clairement la propriété des couches de transformation. Il crée un lignage de données traçable tout en prenant en charge jusqu'à 10 niveaux d'imbrication de jeux de données, permettant ainsi une gestion contrôlée et systématique de la transformation des données.
**Bonnes pratiques**
+ Définissez clairement la propriété de chaque couche de transformation.
+ Documentez les relations et les dépendances des jeux de données.
+ Planifiez la profondeur de la hiérarchie en fonction des besoins de l'entreprise.
+ Maintenez des conventions de dénomination cohérentes.
+ Passez en revue et mettez à jour les ensembles de données en amont avec soin.
# Fonctionnalités réservées aux épices
Le moteur de calcul SPICE (moteur de calcul parallèle ultrarapide en mémoire) d'Amazon Quick Sight permet certaines fonctionnalités de préparation des données nécessitant des calculs intensifs. Ces transformations sont matérialisées dans SPICE pour des performances optimales, plutôt que d'être exécutées au moment de la requête.
**Fonctionnalités réservées aux épices**
| Étapes | Autres capacités |
| --- | --- |
| [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/spice-only-features.html) | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/spice-only-features.html) |
**Fonctionnalités disponibles à la fois dans SPICE et DirectQuery**
| Étapes | Autres capacités |
| --- | --- |
| [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/spice-only-features.html) | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/spice-only-features.html) |
**Bonnes pratiques**
+ Utilisez SPICE pour les flux de travail nécessitant des fonctionnalités uniquement SPICE.
+ Choisissez SPICE pour optimiser les performances pour les transformations complexes et les grands ensembles de données.
+ Tenez compte DirectQuery des besoins en matière de données en temps réel lorsque les fonctionnalités uniquement de SPICE ne sont pas requises.
# Passer d'une expérience de préparation des données à une autre
L'ancienne expérience de préparation des données fait référence à l'ancienne interface de préparation des données d'Amazon Quick Sight qui existait avant octobre 2025. La nouvelle expérience de préparation des données est l'interface visuelle améliorée qui montre les séquences de step-by-step transformation. Les anciens ensembles de données sont ceux créés avant la nouvelle expérience de préparation des données, tandis que les nouveaux ensembles de données sont ceux créés après octobre 2025.
Lorsque vous créez un nouvel ensemble de données, Quick Sight vous dirige automatiquement vers la nouvelle expérience de préparation des données. Cette interface visuelle offre des fonctionnalités améliorées et une meilleure facilité d'utilisation pour les tâches de transformation des données.
## Option de désinscription
Avant d'enregistrer et de publier un jeu de données, vous avez la possibilité de revenir à l'ancienne expérience de préparation des données, si vous le souhaitez. Cette flexibilité permet aux équipes de faire la transition à leur propre rythme tout en se familiarisant avec la nouvelle interface.
**Important**
Si un ensemble de données est enregistré et publié dans la nouvelle expérience, il n'est pas possible de revenir à l'ancienne expérience. Cela est intentionnel, car la nouvelle expérience comporte de nouvelles fonctionnalités importantes qui ne sont pas prises en charge dans l'ancienne expérience. Par conséquent, la conversion directe d'ensembles de données d'une expérience à une autre n'est pas prise en charge. Vous devrez créer un nouveau jeu de données pour passer à l'ancienne expérience.
## Flux de travail de transition
Une fois qu'un jeu de données est enregistré dans la nouvelle expérience ou dans l'ancienne expérience, les transformations ne peuvent pas être directement converties d'une expérience à l'autre. Toutefois, s'il existe une version de jeu de données publiée, vous pouvez utiliser le contrôle de version pour accéder à la version précédente, qui se trouve peut-être dans l'ancienne expérience.
Les anciens ensembles de données continueront d'être accessibles pour consultation et modification exclusivement via l'ancienne interface. Cela permet de maintenir la compatibilité avec les flux de travail établis précédemment.
Avant de procéder à une transition complète, prenez le temps de vous familiariser avec la nouvelle expérience de préparation des données. Lorsque vous travaillez avec des ensembles de données existants, pensez à créer une nouvelle version en utilisant la nouvelle expérience pour les modifications futures. Utilisez le contrôle de version pour conserver l'accès aux anciennes versions des ensembles de données si nécessaire. Documentez toute modification du flux de travail lors de la transition d'une ancienne expérience à une nouvelle afin de garantir l'alignement de l'équipe.
# Fonctionnalités non prises en charge dans la nouvelle expérience de préparation des données
Bien que la nouvelle expérience de préparation des données offre des fonctionnalités améliorées, certaines fonctionnalités de l'ancienne expérience ne sont pas encore prises en charge. Cette section décrit ces fonctionnalités et fournit des conseils pour gérer les flux de travail concernés.
Lorsque vous utilisez des sources de données non prises en charge, Amazon Quick Sight utilise automatiquement par défaut l'ancienne expérience. Pour les autres fonctionnalités non prises en charge, sélectionnez **Passer à l'ancienne expérience** dans le coin supérieur droit de la page de préparation des données. Règles Les ensembles de données créés dans l'ancienne expérience restent compatibles avec les ensembles de données d'expérience existants et nouveaux.
## Sources de données non prises en charge
Les sources de données suivantes ne sont actuellement disponibles que dans l'ancienne expérience.
| Source de données | Détails |
| --- | --- |
| Salesforce | Bascule automatiquement par défaut sur l'ancienne expérience |
| Google Sheets | Bascule automatiquement par défaut sur l'ancienne expérience |
| Analyses S3 | **Les sources de données S3 sont prises en charge** |
## Autres fonctionnalités non prises en charge
Les fonctionnalités suivantes ne sont actuellement disponibles que dans l'ancienne expérience.
| Catégorie de fonctionnalités | Fonctions non prises en charge |
| --- | --- |
| Gestion des jeux de données | [Actualisation incrémentielle](refreshing-imported-data.md#refresh-spice-data-incremental), [paramètres du jeu de données](dataset-parameters.md), [dossiers de colonnes](organizing-fields-folder.md), descriptions de [colonnes](describing-data.md) |
| Les types de données | [Géospatial](geospatial-data-prep.md)[, [formats ELF/CLF](supported-data-sources.md#file-data-sources), fichiers Zip/ dans S3 GZip ](supported-data-sources.md#file-data-sources) |
| Options de configuration | [« Commencer par la ligne » dans les paramètres de téléchargement de fichiers](choosing-file-upload-settings.md), format de date JODA |
| Sélection du jeu de données parent à partir de l'expérience existante | Les ensembles de données parent et enfant doivent exister dans le même environnement d'expérience. Vous ne pouvez pas utiliser un ancien jeu de données d'expérience en tant que parent d'un nouveau jeu de données d'expérience. |
## Développement futur
Amazon Quick Sight prévoit d'implémenter ces fonctionnalités dans la nouvelle expérience de préparation des données à l'avenir. Cette approche garantit que le lancement initial de la nouvelle expérience de préparation des données donne la priorité aux éléments suivants :
**Capacités améliorées**
+ Workflows de transformation visuelle
+ Transparence des processus améliorée
+ Techniques de préparation avancées grâce à Divergence
+ De nouvelles fonctionnalités puissantes telles que Append, Aggregate et Pivot
**Adoption flexible**
Les utilisateurs peuvent choisir entre différentes expériences avant de publier des ensembles de données, ce qui garantit des flux de travail ininterrompus pendant que les équipes effectuent la transition à leur propre rythme. Cette approche permet un accès immédiat aux nouvelles fonctionnalités tout en maintenant la prise en charge des exigences spécialisées grâce à l'expérience existante.
# Limites de préparation des données
L'expérience de préparation des données d'Amazon Quick Sight est conçue pour gérer des ensembles de données à l'échelle de l'entreprise tout en maintenant des performances optimales. Les limites suivantes garantissent une fonctionnalité fiable.
## Limites de taille des jeux de données (SPICE)
+ **Taille de sortie** : jusqu'à 2 To ou 2 milliards de lignes
+ **Taille d'entrée totale** : les sources d'entrée combinées ne peuvent pas dépasser 2 To
+ **Taille des tables secondaires** : la taille combinée est limitée à 20 Go
**Note**
Les tables principales sont celles dont la taille est maximale dans un flux de travail ; toutes les autres sont secondaires.
## Limites de la structure du flux
+ **Nombre maximum d'étapes** : jusqu'à 256 étapes de transformation par flux de travail
+ **Tables sources** : 32 étapes d'importation maximum par flux de travail
+ **Colonnes de sortie** : jusqu'à 2 048 colonnes à chaque étape du flux de travail et table de sortie finale avec 2 000 colonnes
+ **Chemins divergents** : 5 chemins maximum par étape (SPICE uniquement, non applicable pour DirectQuery)
+ **Ensemble de données en tant que source** : jusqu'à 10 niveaux pour SPICE et DirectQuery
Ces limites sont conçues pour équilibrer flexibilité et performances, en permettant des transformations de données complexes tout en garantissant des capacités d'analyse optimales.
# Changements du comportement d'ingestion
La nouvelle expérience de préparation des données introduit un changement important dans la manière dont les problèmes de qualité des données sont traités lors de l'ingestion de SPICE. Ce changement a un impact significatif sur l'exhaustivité des données et la transparence de vos ensembles de données.
Dans l'ancienne expérience, en cas d'incohérence entre les types de données (tels que des formats de date incorrects ou des [problèmes similaires](errors-spice-ingestion.md)), la ligne entière contenant des cellules problématiques est ignorée lors de l'ingestion. Cette approche réduit le nombre de lignes dans le jeu de données final, ce qui peut masquer les problèmes de qualité des données.
La nouvelle expérience adopte une approche plus précise des incohérences dans les données. Lorsque vous rencontrez des cellules problématiques, seules les valeurs incohérentes sont converties en valeurs nulles tout en conservant la ligne entière. Cette conservation garantit que les données associées dans d'autres colonnes restent accessibles pour analyse.
**Impact sur la qualité des jeux de données**
Les ensembles de données créés dans la nouvelle expérience contiennent généralement plus de lignes que leurs homologues existants lorsque les données sources contiennent des incohérences. Cette approche améliorée présente plusieurs avantages :
+ Amélioration de l'exhaustivité des données en conservant toutes les lignes
+ Plus grande transparence dans l'identification des problèmes de qualité des données
+ Meilleure visibilité des valeurs problématiques pour la correction
+ Conservation des données associées dans des colonnes non affectées
Cette modification permet aux analystes d'identifier et de résoudre les problèmes de qualité des données de manière plus efficace, au lieu d'omettre silencieusement les lignes problématiques de l'ensemble de données.
# Questions fréquentes (FAQ)
## 1. Quand les utilisateurs doivent-ils passer de la nouvelle expérience à l'ancienne ?
Les utilisateurs doivent revenir à l'ancienne expérience lorsqu'ils travaillent avec des ensembles de données contenant des fonctionnalités actuellement [non prises en charge](unsupported-features.md). Quick Sight travaille activement à l'intégration de ces fonctionnalités dans la nouvelle expérience dans les prochaines versions.
## 2. Pourquoi les ensembles de données sont-ils grisés lorsque vous essayez de les ajouter dans la nouvelle expérience ? Les ensembles de données peuvent-ils être combinés entre les expériences existantes et les nouvelles expériences ?
Actuellement, les ensembles de données parent et enfant doivent exister dans le même environnement d'expérience. Vous ne pouvez pas combiner des ensembles de données entre des expériences anciennes et nouvelles, car la nouvelle expérience inclut des fonctionnalités supplémentaires non disponibles dans les anciennes expériences, telles que les fonctionnalités d'ajout, les fonctionnalités Pivot et Divergence.
**Utilisation des ensembles de données parents issus de l'ancienne expérience**
Pour utiliser les ensembles de données parents issus de l'ancienne expérience, vous pouvez revenir à cet environnement. Accédez simplement à la page de préparation des données et choisissez **Retourner à l'ancienne expérience** dans le coin supérieur droit. Une fois sur place, vous pouvez créer les ensembles de données de votre enfant selon vos besoins.
**Développement futur**
Nous prévoyons de mettre en œuvre une fonctionnalité qui permettra aux utilisateurs de mettre à niveau les anciens ensembles de données vers la nouvelle expérience. Ce parcours amélioré permettra d'utiliser les anciens ensembles de données parents dans le cadre de la nouvelle expérience.
## 3. Pourquoi Quick Sight lance-t-il la nouvelle expérience de préparation des données avant d'atteindre la parité complète des fonctionnalités avec l'expérience existante ?
La nouvelle expérience de préparation des données a été développée grâce à une étroite collaboration avec les clients afin de relever les défis analytiques du monde réel. Le lancement initial donne la priorité aux éléments suivants :
**Capacités améliorées**
+ Workflows de transformation visuelle
+ Transparence des processus améliorée
+ Techniques de préparation avancées grâce à Divergence
+ De nouvelles fonctionnalités puissantes telles que Append, Aggregate et Pivot
**Adoption flexible**
Les utilisateurs peuvent choisir entre différentes expériences avant de publier des ensembles de données, ce qui garantit des flux de travail ininterrompus pendant que les équipes effectuent la transition à leur propre rythme. Cette approche permet un accès immédiat aux nouvelles fonctionnalités tout en maintenant la prise en charge des exigences spécialisées grâce à l'expérience existante.
## 4. Les fonctionnalités actuellement disponibles uniquement dans l'ancienne expérience seront-elles ajoutées à la nouvelle expérience ?
Oui. Quick Sight travaille activement à l'intégration des fonctionnalités existantes dans la nouvelle expérience.
## 5. Comment les modifications de l'API affectent-elles les scripts de création de jeux de données existants ?
Quick Sight maintient la rétrocompatibilité tout en introduisant de nouvelles fonctionnalités :
+ Scripts existants : les anciens scripts d'API continueront de fonctionner, créant des ensembles de données dans l'ancienne expérience
+ Dénomination des API : les noms actuels des API restent inchangés
+ Nouvelles fonctionnalités : des formats d'API supplémentaires prennent en charge les fonctionnalités améliorées de la nouvelle expérience
+ Documentation : Les spécifications complètes de l'API pour la nouvelle expérience sont disponibles dans notre référence d'API
## 6. Les ensembles de données peuvent-ils être convertis entre expériences après publication ?
+ Future voie de migration : Quick Sight ajoutera ultérieurement une fonctionnalité permettant de migrer facilement les anciens ensembles de données vers la nouvelle expérience.
+ Processus unidirectionnel : la conversion des ensembles de données de la nouvelle expérience au format existant n'est pas prise en charge en raison de dépendances entre fonctionnalités avancées
# Description des données
À l'aide d'Amazon Quick Sight, vous pouvez ajouter des informations, ou *des métadonnées*, concernant les colonnes (champs) de vos ensembles de données. En ajoutant des métadonnées, vous rendez le jeu de données explicite et plus facile à réutiliser. Cela peut aider les conservateurs de données et leurs clients à savoir d’où viennent les données et ce qu’elles signifient. C’est un moyen de communiquer avec les personnes qui utilisent votre jeu de données ou qui le combinent avec d’autres jeux de données pour créer des tableaux de bord. Les métadonnées sont particulièrement importantes pour les informations partagées entre les organisations.
Une fois que vous avez ajouté des métadonnées à un jeu de données, les descriptions des champs deviennent accessibles à toute personne qui utilise le jeu de données. Une description de colonne apparaît lorsque quelqu’un qui parcourt activement la liste des **Champs** s’arrête sur le nom d’un champ. Les descriptions des colonnes sont visibles par les personnes qui modifient un jeu de données ou une analyse, mais pas par les personnes qui consultent un tableau de bord. Les descriptions ne sont pas formatées. Vous pouvez saisir des sauts de ligne et des marques de formatage, qui sont conservés par l’éditeur. Cependant, l’infobulle de description qui s’affiche ne peut contenir que des mots, des nombres et des symboles, mais pas de formatage.
**Pour modifier la description d’une colonne ou d’un champ**
1. Sur la page d'accueil de Quick, choisissez **Data** sur la gauche.
1. Dans l'onglet **Données**, choisissez le jeu de données sur lequel vous souhaitez travailler.
1. Sur la page de détails du jeu de données qui s’ouvre, sélectionnez **Modifier le jeu de données** en haut à droite.
1. Sur la page du jeu de données qui s’ouvre, choisissez une colonne dans l’aperçu du tableau en bas ou dans la liste des champs à gauche.
1. Pour ajouter ou modifier la description, effectuez l’une des opérations suivantes :
+ En bas de l’écran, ouvrez les paramètres du champ à partir de l’icône en forme de crayon située à côté du nom du champ.
+ Dans la liste des champs, ouvrez les paramètres du champ à partir du menu situé à côté du nom du champ. Choisissez ensuite **Modifier le nom et la description** dans le menu contextuel.
1. Ajoutez ou modifiez la description du champ.
Pour supprimer une description existante, supprimez tout le texte de la zone Description.
1. (Facultatif) Pour **Nom**, si vous voulez modifier le nom du champ, vous pouvez en saisir un nouveau ici.
1. Choisissez **Apply (Appliquer)** pour enregistrer les changements. Cliquez sur Annuler pour quitter.
# Choix des paramètres de chargement de fichier
Si vous utilisez une source de données fichier, confirmez les paramètres de chargement et corrigez-les si nécessaire.
**Important**
S’il est nécessaire de modifier des paramètres de chargement, faites-le avant d’apporter toute autre modification au jeu de données. La modification des paramètres de téléchargement entraîne la réimportation du fichier par Amazon Quick Sight. Ce processus remplace toutes les modifications que vous avez apportées jusque là.
## Modification des paramètres de chargement de fichier texte
Les paramètres de chargement de fichier texte incluent l’indicateur d’en-tête du fichier, le format de fichier, le délimiteur de texte, le qualificateur de texte et la ligne de début. Si vous utilisez une source de données Amazon S3, les paramètres de chargement que vous sélectionnez sont appliqués à tous les fichiers que vous choisissez d’utiliser dans cet jeu de données.
Utilisez la procédure suivante pour modifier les paramètres de chargement de fichier texte.
1. Sur la page de préparation de données, ouvrez le volet **Upload Settings** en choisissant l’icône de développement.
1. Dans **Format de fichier**, choisissez le type de format de fichier.
1. Si vous avez choisi le format **séparé personnalisé (PERSONNALISÉ)**, indiquez le caractère de séparation dans **Délimiteur**.
1. Si le fichier ne contient pas de ligne d’en-tête, décochez la case **Files include headers**.
1. Si vous voulez démarrer à partir d’une ligne autre que la première ligne, spécifiez le nombre de lignes dans **Start from row**. Si la case **Files include headers** est cochée, la nouvelle ligne de début est considérée comme la ligne d’en-tête. Si la case **Files include headers** n’est pas cochée, la nouvelle ligne de début est considérée comme la première ligne de données.
1. Dans **Text qualifier**, choisissez le qualificateur de texte, des apostrophes (’) ou des guillemets (").
## Modification des paramètres de chargement de fichier Microsoft Excel
Les paramètres de chargement de fichier Microsoft Excel incluent l’indicateur d’en-tête de plage et le sélecteur de feuille entière.
Utilisez la procédure suivante pour modifier les paramètres de chargement de fichier Microsoft Excel.
1. Sur la page de préparation de données, ouvrez le volet **Upload Settings** en choisissant l’icône de développement.
1. Conservez **Upload whole sheet** sélectionné.
1. Si le fichier ne contient pas de ligne d’en-tête, décochez la case **Range contains headers**.
# Expérience en matière de préparation des données (ancienne version)
**Topics**
+ [Ajout des calculs](working-with-calculated-fields.md)
+ [Jointure des données](joining-data.md)
+ [Préparation des champs de données pour analyse dans Amazon Quick Sight](preparing-data-fields.md)
+ [Filtrer les données dans Amazon Quick Sight](adding-a-filter.md)
+ [Prévisualisation des tableaux dans un jeu de données](previewing-tables-in-a-dataset.md)
# Ajout des calculs
Créez des champs calculés pour transformer vos données en utilisant une ou plusieurs des options suivantes :
+ [Opérateurs](arithmetic-and-comparison-operators.md)
+ [Fonctions](functions.md)
+ Champs contenant des données
+ Autre champs calculés
Vous pouvez ajouter des champs calculés à un jeu de données lors de la préparation des données ou à partir de la page d’analyse. Lorsque vous ajoutez un champ calculé à un jeu de données pendant la préparation des données, il est disponible pour toutes les analyses qui utilisent cet jeu de données. Lorsque vous ajoutez un champ calculé à un jeu de données dans une analyse, il est disponible uniquement dans cette analyse. Pour plus d’informations sur l’ajout de champs calculés, consultez les rubriques suivantes.
**Topics**
+ [Ajout de champs calculés](adding-a-calculated-field-analysis.md)
+ [Ordre d'évaluation dans Amazon Quick Sight](order-of-evaluation-quicksight.md)
+ [Utilisation de calculs basés sur les niveaux dans Quick Sight](level-aware-calculations.md)
+ [Fonction de champ calculée et référence d'opérateur pour Amazon Quick](calculated-field-reference.md)
# Ajout de champs calculés
Créez des champs calculés pour transformer vos données en utilisant une ou plusieurs des options suivantes :
+ [Opérateurs](arithmetic-and-comparison-operators.md)
+ [Fonctions](functions.md)
+ Fonctions d’agrégation (vous ne pouvez ajouter ces dernières qu’à une analyse)
+ Champs contenant des données
+ Autre champs calculés
Vous pouvez ajouter des champs calculés à un jeu de données lors de la préparation des données ou à partir de la page d’analyse. Lorsque vous ajoutez un champ calculé à un jeu de données pendant la préparation des données, il est disponible pour toutes les analyses qui utilisent cet jeu de données. Lorsque vous ajoutez un champ calculé à un jeu de données dans une analyse, il est disponible uniquement dans cette analyse.
Les analyses prennent en charge à la fois les opérations sur une ligne et les opérations d’agrégation. Les opérations sur une ligne sont celles qui fournissent un résultat (potentiellement) différent pour chaque ligne. Les opérations d’agrégation fournissent des résultats toujours identiques pour les ensembles de lignes entiers. Par exemple, si vous utilisez une fonction de chaîne simple sans conditions, elle modifie chaque ligne. Si vous utilisez une fonction d’agrégation, elle s’applique à toutes les lignes d’un groupe. Si vous demandez le montant total des ventes pour les Etats-Unis, ce même nombre s’applique à l’ensemble entier. Si vous demandez les données relatives à un Etat déterminé, le montant total des ventes change en fonction du nouveau groupement. Un seul résultat est toujours fourni pour l’ensemble entier.
En créant le champ calculé agrégé au sein de l’analyse, vous pouvez ensuite explorer les données dans les détails. La valeur de ce champ agrégé est recalculée de manière appropriée pour chaque niveau. Ce type d’agrégation n’est pas possible pendant la préparation de le jeu de données.
Par exemple, supposons que vous voulez déterminer le pourcentage de bénéfices pour chaque pays, région et état. Vous pouvez ajouter un champ calculé à votre analyse, `(sum(salesAmount - cost)) / sum(salesAmount)`. Ce champ est alors calculé pour chaque pays, région et Etat, au moment où votre analyste explore la zone géographique dans les détails.
**Topics**
+ [Ajout de champs calculés à une analyse](#using-the-calculated-field-editor-analysis)
+ [Ajouter des champs calculés à un jeu de données](#using-the-calculated-field-editor)
+ [Gestion des valeurs décimales dans les champs calculés](#handling-decimal-fields)
## Ajout de champs calculés à une analyse
Lorsque vous ajoutez un jeu de données à une analyse, chaque champ calculé existant dans le jeu de données est ajouté à l’analyse. Pour créer des champs calculés uniquement disponibles dans cette analyse, vous pouvez ajouter des champs calculés supplémentaires au niveau de l’analyse.
**Ajouter un champ calculé à une analyse**
1. Ouvrez la [console Quick](https://quicksight.aws.amazon.com/).
1. Ouvrez l’analyse que vous souhaitez modifier.
1. Dans le volet **Données**, choisissez **Ajouter** en haut à gauche, puis sélectionnez **\$1 CHAMP CALCULÉ**.
1. Dans l’éditeur de calculs qui s’ouvre, procédez comme suit :
1. Saisissez un nom pour le champ calculé.
1. Entrez une formule dans les champs de votre jeu de données, de vos fonctions et de vos opérateurs.
1. Lorsque vous avez terminé, choisissez **Save (Sauvegarder)**.
Pour plus d'informations sur la création de formules à l'aide des fonctions disponibles dans Quick Sight, consultez[Fonction de champ calculée et référence d'opérateur pour Amazon QuickFonctions et opérateurs](calculated-field-reference.md).
## Ajouter des champs calculés à un jeu de données
Les auteurs d'Amazon Quick Sight peuvent générer des champs calculés pendant la phase de préparation des données lors de la création d'un ensemble de données. Lorsque vous créez un champ calculé pour un jeu de données, le champ devient une nouvelle colonne dans le jeu de données. Toutes les analyses qui utilisent le jeu de données héritent des champs calculés du jeu de données.
Si le champ calculé fonctionne au niveau de la ligne et que le jeu de données y est stockéSPICE, Quick Sight calcule et matérialise le résultat dans. SPICE Si le champ calculé repose sur une fonction d'agrégation, Quick Sight conserve la formule et effectue le calcul lorsque l'analyse est générée. Ce type de champ calculé est appelé champ calculé non matérialisé.
**Ajouter un champ calculé à un jeu de données ou le modifier**
1. Ouvrez l’jeu de données avec lequel vous souhaitez travailler. Pour de plus amples informations, veuillez consulter [Modifier des jeux de données](edit-a-data-set.md).
1. Sur la page Préparation de données, suivez une des procédures suivantes :
+ Pour créer un nouveau champ, choisissez **Ajouter un champ calculé** sur la gauche.
+ Pour modifier un champ calculé existant, sélectionnez-le dans **Champs calculés** à gauche, puis choisissez **Modifier** dans le menu contextuel (clic droit).
1. Dans l’éditeur de calcul, entrez un nom descriptif pour **Ajouter un titre** afin de nommer ce nouveau champ calculé. Ce nom apparaît dans la liste des champs du jeu de données, il doit donc ressembler aux autres champs. Pour cet exemple, nous appelons le champ `Total Sales This Year`.
1. (Facultatif) Ajoutez un commentaire, notamment pour expliquer le rôle de l’expression, en encadrant le texte par des barres obliques et des astérisques.
```
/* Calculates sales per year for this year*/
```
1. Identifiez les métriques, les fonctions et les autres éléments à utiliser. Pour cet exemple, il convient d’identifier les éléments suivants :
+ La métrique à utiliser
+ Fonctions : `ifelse` et `datediff`
Nous voulons créer une déclaration du type « Si la vente a eu lieu au cours de cette année, indiquez le total des ventes, sinon 0 ».
Pour ajouter la fonction `ifelse`, ouvrez la liste des **fonctions**. Choisissez **Tout** pour fermer la liste de toutes les fonctions. Vous devriez maintenant voir les groupes de fonctions : **agrégé**, **conditionnel**, **date**, etc.
Choisissez **Conditionnel**, puis double-cliquez sur `ifelse` pour l’ajouter à l’espace de travail.
```
ifelse()
```
1. Placez votre curseur dans les parenthèses au sein de l’espace de travail et ajoutez trois lignes vierges.
```
ifelse(
)
```
1. Placez le curseur sur la première ligne vide pour trouver la fonction `dateDiff`. la fonction est répertoriée dans **Fonctions** sous **Dates**. Vous pouvez également la trouver en saisissant **date** dans **Fonctions de recherche**. La fonction `dateDiff` renvoie toutes les fonctions qui présente *`date`* dans leur nom. Elle ne renvoie pas toutes les fonctions répertoriées sous **Dates** ; par exemple, la fonction `now` est absente des résultats de recherche.
Double-cliquez sur `dateDiff` pour l’ajouter à la première ligne vide de la déclaration `ifelse`.
```
ifelse(
dateDiff()
)
```
Ajoutez les paramètres qui `dateDiff` utilise. Placez votre curseur dans les parenthèses `dateDiff` pour commencer à ajouter `date1`, `date2` et `period` :
1. Pour `date1` : le premier paramètre est le champ contenant la date. Vous pouvez le trouver sous **Champs** et l’ajouter à l’espace de travail en double-cliquant dessus ou en saisissant son nom.
1. Pour `date2`, ajoutez une virgule, puis choisissez `truncDate()` dans **Fonctions**. Entre parenthèses, ajoutez une période et une date, comme ceci : **truncDate( "YYYY", now() )**
1. Pour `period` : ajoutez une virgule après `date2` et saisissez **YYYY**. Il s’agit de la période de l’année. Pour voir la liste de toutes les périodes prises en charge, recherchez `dateDiff` dans la liste **Fonctions** et ouvrez la documentation en choisissant **En savoir plus**. Si vous consultez déjà la documentation, comme c’est le cas actuellement, consultez la rubrique [dateDiff](dateDiff-function.md).
Si vous le souhaitez, vous pouvez ajouter quelques espaces pour plus de lisibilité. Votre expression doit être similaire à ce qui suit.
```
ifelse(
dateDiff( {Date}, truncDate( "YYYY", now() ) ,"YYYY" )
)
```
1. Spécifiez la valeur de retour. Dans notre exemple, le premier paramètre `ifelse` doit renvoyer la valeur `TRUE` ou `FALSE`. Comme nous travaillons sur l’année en cours, et que nous la comparons à cette année, nous précisons que le relevé `dateDiff` doit renvoyer `0`. La partie `if` de l’évaluation `ifelse` est vraie pour les lignes où il n’y a aucune différence entre l’année de la vente et l’année en cours.
```
dateDiff( {Date}, truncDate( "YYYY", now() ) ,"YYYY" ) = 0
```
Pour créer un champ `TotalSales` pour l’année dernière, vous pouvez basculer `0` sur `1`.
vous pouvez également utiliser `addDateTime` à la place de `truncDate`. Ensuite, pour chaque année précédente, vous modifiez le premier paramètre `addDateTime` pour représenter chaque année. Pour cela, vous devez utiliser `-1` pour l’année dernière, `-2` pour l’année précédente et ainsi de suite. Si vous utilisez `addDateTime`, vous devez laisser la fonction `dateDiff` à `= 0` pour chaque année.
```
dateDiff( {Discharge Date}, addDateTime(-1, "YYYY", now() ) ,"YYYY" ) = 0 /* Last year */
```
1. Déplacez votre curseur sur la première ligne vide, juste en dessous de `dateDiff`. Ajoutez une virgule.
Pour la partie `then` du relevé `ifelse`, nous devons choisir la mesure (métrique) qui contient le montant des ventes, `TotalSales`.
Pour choisir un champ, ouvrez la liste **Champs** et double-cliquez sur un champ pour l’ajouter à l’écran. Vous pouvez également saisir le nom. Ajoutez des accolades `{ }` autour des noms contenant des espaces. Il est probable que votre métrique porte un nom différent. Grâce au signe numérique situé devant le champ, vous pouvez savoir quel champ est une métrique (**\$1**).
Votre expression doit être similaire à ce qui suit.
```
ifelse(
dateDiff( {Date}, truncDate( "YYYY", now() ) ,"YYYY" ) = 0
,{TotalSales}
)
```
1. Ajoutez une clause `else`. La fonction `ifelse` n’en nécessite pas, mais nous désirons l’ajouter. À des fins de reporting, les valeurs nulles ne sont généralement pas souhaitables, car les lignes contenant des valeurs nulles sont parfois omises.
Nous avons défini l’autre partie de l’ifelse sur `0`. Par conséquent, ce champ est égal à `0` pour les lignes contenant les ventes des années précédentes.
Pour ce faire, sur la ligne vide, ajoutez une virgule puis un `0`. Si vous avez ajouté le commentaire au début, votre expression `ifelse` finale devrait ressembler à ce qui suit.
```
/* Calculates sales per year for this year*/
ifelse(
dateDiff( {Date}, truncDate( "YYYY", now() ) ,"YYYY" ) = 0
,{TotalSales}
,0
)
```
1. Enregistrez votre travail en sélectionnant **Enregistrer** en haut à droite.
Si votre expression contient des erreurs, l’éditeur affiche un message d’erreur en bas de page. Vérifiez la présence d’une ligne rouge ondulée dans votre expression, puis survolez cette ligne avec votre curseur pour afficher le message d’erreur. Les erreurs courantes incluent l’absence de ponctuation, l’absence de paramètres, les fautes d’orthographe et les types de données non valides.
Pour éviter d’apporter des modifications, choisissez **Annuler**.
**Ajouter une valeur de paramètre à un champ calculé**
1. Vous pouvez référencer des paramètres dans les champs calculés. En ajoutant le paramètre à votre expression, vous ajoutez la valeur actuelle de ce paramètre.
1. Pour ajouter un paramètre, ouvrez la liste **Paramètres** et sélectionnez le paramètre dont vous souhaitez inclure la valeur.
1. (Facultatif) Pour ajouter manuellement un paramètre à l’expression, tapez le nom du paramètre. Ensuite, placez-le entre accolades `{}` et préfixez-le par un `$`, par exemple `${parameterName}`.
Vous pouvez modifier le type de données de n’importe quel champ de votre jeu de données, y compris les types de champs calculés. Vous ne pouvez choisir que les types de données qui correspondent aux données du champ.
**Modifier le type de données d’un champ calculé**
+ Pour les **champs calculés** (à gauche), choisissez le champ que vous souhaitez modifier, puis choisissez **Modifier le type de données** dans le menu contextuel (clic droit).
Contrairement aux autres champs du jeu de données, les champs calculés ne peuvent pas être désactivés. Vous devez les supprimer.
**Supprimer un champ calculé**
+ Pour les **champs calculés** (à gauche), choisissez le champ que vous souhaitez modifier, puis choisissez **Supprimer** dans le menu contextuel (clic droit).
## Gestion des valeurs décimales dans les champs calculés
Lorsque votre jeu de données utilise le mode de requête directe, le calcul du type de données décimal est déterminé par le comportement du moteur source d’où provient le jeu de données. Dans certains cas particuliers, Quick Sight applique des traitements spéciaux pour déterminer le type de données du calcul de sortie.
Lorsque votre jeu de données utilise le mode requête SPICE et qu’un champ calculé est matérialisé, le type de données du résultat dépend des opérateurs de fonction spécifiques et du type de données de l’entrée. Les tableaux ci-dessous indiquent le comportement attendu pour certains champs calculés numériquement.
**Opérateurs unaires**
Le tableau suivant indique le type de données généré en fonction de l’opérateur que vous utilisez et du type de données de la valeur que vous entrez. Par exemple, si vous entrez un entier dans un calcul `abs`, le type de données de la valeur en sortie est entier.
****
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/adding-a-calculated-field-analysis.html)
**Opérateurs binaires**
Les tableaux suivants indiquent le type de données généré en fonction des types de données des deux valeurs que vous saisissez. Par exemple, pour un opérateur arithmétique, si vous fournissez deux types de données entiers, le résultat du calcul est un entier.
Pour les opérateurs de base (\$1, -, \$1) :
| | **Integer** | **Décimale fixe** | **Décimale flottante** |
| --- | --- | --- | --- |
| **Integer** | Entier | Décimale fixe | Décimale flottante |
| **Décimale fixe** | Décimale fixe | Décimale fixe | Décimale flottante |
| **Décimale flottante** | Décimale flottante | Décimale flottante | Décimale flottante |
Pour les opérateurs de division (/) :
| | **Integer** | **Décimale fixe** | **Décimale flottante** |
| --- | --- | --- | --- |
| **Integer** | Décimale flottante | Décimale flottante | Décimale flottante |
| **Décimale fixe** | Décimale flottante | Décimale fixe | Décimale flottante |
| **Décimale flottante** | Décimale flottante | Décimale flottante | Décimale flottante |
Pour les opérateurs exponentiels et modaux (^, %) :
| | **Integer** | **Décimale fixe** | **Décimale flottante** |
| --- | --- | --- | --- |
| **Integer** | Décimale flottante | Décimale flottante | Décimale flottante |
| **Décimale fixe** | Décimale flottante | Décimale flottante | Décimale flottante |
| **Décimale flottante** | Décimale flottante | Décimale flottante | Décimale flottante |
# Ordre d'évaluation dans Amazon Quick Sight
Lorsque vous ouvrez ou mettez à jour une analyse, avant de l'afficher, Amazon Quick Sight évalue tout ce qui est configuré dans l'analyse dans un ordre spécifique. Amazon Quick Sight traduit la configuration en une requête qu'un moteur de base de données peut exécuter. La requête renvoie les données de la même manière, que vous vous connectiez à une base de données, à une source de logiciel en tant que service (SaaS) ou au moteur d'analyse Amazon Quick Sight ([SPICE](spice.md)).
Si vous comprenez l’ordre dans lequel la configuration est évaluée, vous connaissez la séquence qui impose le moment où un filtre ou un calcul spécifique est appliqué à vos données.
L’illustration suivante présente l’ordre de l’évaluation. La colonne de gauche indique l’ordre d’évaluation lorsqu’aucune fenêtre de calcul de niveau (LAC-W) ni aucune fonction de regroupement (LAC-A) ne sont impliquées. La seconde colonne indique l’ordre d’évaluation pour les analyses qui contiennent des champs calculés à traiter par expressions LAC-W au niveau du pré-filtre (`PRE_FILTER`). La troisième colonne indique l’ordre d’évaluation pour les analyses qui contiennent des champs calculés à traiter par expressions LAC-W au niveau du pré-regroupement (`PRE_AGG`). La dernière colonne indique l’ordre d’évaluation pour les analyses qui contiennent des champs calculés à traiter par expressions LAC-A. Suite à l’illustration, vous trouverez une explication plus détaillée de l’ordre de l’évaluation. Pour plus d’informations sur les calculs basés sur le niveau, consultez la rubrique [Utilisation de calculs basés sur les niveaux dans Quick Sight](level-aware-calculations.md).
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/order-of-evaluation2.png)
La liste suivante indique l'ordre dans lequel Amazon Quick Sight applique la configuration dans votre analyse. Tous les éléments configurés dans votre jeu de données (calculs au niveau de l’jeu de données, filtres et paramètres de sécurité, par exemple) sont exécutés en dehors de votre analyse. Ils s’appliquent tous aux données sous-jacentes. La liste suivante couvre uniquement les processus exécutés au sein de l’analyse.
1. **Niveau du préfiltre LAC-W** : Évalue les données à la cardinalité du tableau d’origine avant les filtres d’analyse
1. **Calculs simples** : Calculs au niveau scalaire sans aucune agrégation ni calcul par fenêtre. Par exemple, `date_metric/60, parseDate(date, 'yyyy/MM/dd'), ifelse(metric > 0, metric, 0), split(string_column, '|' 0)`.
1. **Fonction LAC-W PRE\$1FILTER** : si une expression LAC-W PRE\$1FILTER est impliquée dans le visuel, Amazon Quick Sight calcule d'abord la fonction de fenêtre au niveau de la table d'origine, avant tout filtre. Si l’expression LAC-W PRE\$1FILTER est utilisée dans des filtres, elle sera appliquée à ce niveau. Par exemple, `maxOver(Population, [State, County], PRE_FILTER) > 1000`.
1. **LAC-W PRE\$1AGG** : Évalue les données à la cardinalité du tableau d’origine avant les agrégations
1. **Filtres ajoutés lors de l’analyse** : Les filtres créés pour les champs non agrégés dans les visuels sont appliqués à ce niveau. Ils sont similaires aux clauses WHERE. Par exemple, `year > 2020`.
1. **Fonction LAC-W PRE\$1AGG** : si une expression LAC-W PRE\$1AGG est impliquée dans le visuel, Amazon Quick Sight calcule la fonction de fenêtre avant toute agrégation appliquée. Si l’expression LAC-W PRE\$1AGG est utilisée dans des filtres, elle sera appliquée à ce niveau. Par exemple, `maxOver(Population, [State, County], PRE_AGG) > 1000`.
1. **Filtres N haut/bas** : filtres configurés sur les dimensions pour afficher top/bottom N éléments.
1. **Niveau LAC-A** : Évaluez les agrégations à un niveau personnalisé, avant les agrégations visuelles
1. **Agrégations au niveau personnalisé** : Si une expression LAC-A est impliquée dans le visuel, elle sera calculée à ce niveau. Sur la base du tableau situé après les filtres mentionnés ci-dessus, Amazon QuickSight calcule l'agrégation, groupée selon les dimensions spécifiées dans les champs calculés. Par exemple, `max(Sales, [Region])`.
1. **Niveau visuel** : Évalue les agrégations au niveau visuel et calcule les tableaux après agrégation, les configurations restantes étant appliquées dans les visuels
1. **Agrégations au niveau visuel : Les agrégations** visuelles doivent toujours être appliquées, sauf pour les tableaux tabulaires (où la dimension est vide). Avec ce paramètre, les agrégations basées sur les champs des sélecteurs de champs sont calculées, groupées selon les dimensions insérées dans les visuels. Si un filtre est créé à partir d’agrégations, il est appliqué à ce niveau, de la même manière que les clauses HAVING. Par exemple, `min(distance) > 100`.
1. **Calculs de tableau** : Si un calcul de tableau post-agrégation (il doit prendre une expression agrégée comme opérande) est référencé dans le visuel, il sera calculé à ce niveau. Amazon Quick Sight effectue des calculs de fenêtres après des agrégations visuelles. De même, les filtres basés sur de tels calculs sont appliqués.
1. **Autres calculs de catégories** : ce type de calcul n'existe que dans les line/bar/pie/donut graphiques. Pour de plus amples informations, veuillez consulter [Limites d’affichage](working-with-visual-types.md#display-limits).
1. **Totaux et sous-totaux** : Les totaux et les sous-totaux sont calculés dans des graphiques en anneau (uniquement des totaux), des tableaux (uniquement des totaux) et des tableaux croisés dynamiques, sur demande.
# Utilisation de calculs basés sur les niveaux dans Quick Sight
| |
| --- |
| S’applique à : édition Enterprise et édition Standard |
Avec les *calculs par niveau* (LAC), vous pouvez spécifier le niveau de granularité que vous souhaitez utiliser pour calculer les fonctions de fenêtre ou les fonctions d’agrégation. Il existe deux types de fonctions LAC : les fonctions de calculs par niveau (fonctions d’agrégation) (LAC-A) et les fonctions de calculs par niveau et de fenêtre (LAC-W).
**Topics**
+ [Fonctions LAC-A](#level-aware-calculations-aggregate)
+ [Fonctions LAC-W](#level-aware-calculations-window)
## Calculs par niveau – fonctions d’agrégation (LAC-A)
Avec les fonctions LAC-A, vous pouvez spécifier à quel niveau regrouper le calcul. En ajoutant un argument à une fonction d’agrégation existante, par exemple `sum() , max() , count()`, vous pouvez définir le niveau de groupe par niveau que vous souhaitez pour l’agrégation. Le niveau ajouté peut être n’importe quelle dimension, indépendamment des dimensions ajoutées au visuel. Par exemple :
```
sum(measure,[group_field_A])
```
Pour utiliser les fonctions LAC-A, saisissez-les directement dans l’éditeur de calcul en ajoutant les niveaux d’agrégation souhaités comme deuxième argument entre crochets. À des fins de comparaison, voici un exemple de fonction d’agrégation et de fonction LAC-A.
+ Fonctions de regroupement : `sum({sales})`
+ Fonctions LAC-A : `sum({sales}, [{Country},{Product}])`
Les résultats LAC-A sont calculés avec le niveau spécifié entre crochets `[ ]` et peuvent être utilisés comme opérande d’une fonction d’agrégation. Le niveau « regroupement par » de la fonction d’agrégation est le niveau visuel, les champs **Grouper par** étant ajoutés au champ du visuel.
Outre la création d’une clé de groupe LAC statique dans le crochet `[ ]`, vous pouvez l’adapter dynamiquement aux champs visuels triés par groupes en plaçant un paramètre `$visualDimensions` dans le crochet. Il s’agit d’un paramètre fourni par le système, contrairement au paramètre défini par l’utilisateur. Le paramètre `[$visualDimensions]` représente les champs ajoutés au champ **regroupement par** dans le visuel actuel. Les exemples suivants montrent comment ajouter dynamiquement des clés de groupe aux dimensions visuelles ou supprimer des clés de groupe des dimensions visuelles.
+ LAC-A avec clé de groupe ajoutée dynamiquement : `sum({sales}, [${visualDimensions},{Country},{Products}])`
Avant que l’agrégation des niveaux visuels ne soit calculée, la fonction calcule la somme des ventes, regroupée par `country`, `products`, et de tout autre champ **Regroupement par** dans le sélecteur de champs.
+ LAC-A avec clé de groupe supprimée dynamiquement : `sum({sales}, [${visualDimensions},!{Country},!{Products}])`
Avant que l’agrégation des niveaux visuels ne soit calculée, la fonction calcule la somme des ventes, regroupée par les champs **Regroupement par** dans le sélecteur de champs, à l’exception de `country` et `product`.
Vous pouvez spécifier une clé de groupe ajoutée ou une clé de groupe supprimée dans une expression LAC, mais pas les deux.
Les fonctions LAC-A sont prises en charge pour les fonctions de regroupement suivantes :
+ [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 (centile)](percentileDisc-function.md)
+ [stdev](stdev-function.md)
+ [stdevp](stdevp-function.md)
+ [sum](sum-function.md)
+ [var](var-function.md)
+ [varp](varp-function.md)
### Exemples LAC-A
Avec les fonctions LAC-A, vous pouvez effectuer les opérations suivantes :
+ Exécutez des calculs indépendants des niveaux du visuel. Par exemple, avec le calcul suivant, les chiffres de vente sont agrégés uniquement au niveau du pays, mais pas selon les autres dimensions (région ou produit) du visuel.
```
sum({Sales},[{Country}])
```
+ Exécutez des calculs pour des dimensions qui ne figurent pas dans le visuel. Par exemple, avec la fonction suivante, vous pouvez calculer la moyenne des ventes par pays et par région.
```
sum({Sales},[{Country}])
```
Bien que le pays ne soit pas inclus dans le visuel, la fonction LAC-A agrège d’abord les ventes au niveau du pays, puis le calcul du niveau visuel génère le chiffre moyen pour chaque région. Si la fonction LAC-A n’est pas utilisée pour spécifier le niveau, les ventes moyennes sont calculées au niveau granulaire le plus bas (le niveau de base du jeu de données) pour chaque région (indiqué dans la colonne des ventes).
+ Utilisez la fonction LAC-A en combinaison avec d’autres fonctions d’agrégation et les fonctions LAC-W. Il existe deux façons d’imbriquer des fonctions LAC-A à d’autres fonctions.
+ Lorsque vous créez un calcul, vous pouvez écrire une syntaxe imbriquée. Par exemple, la fonction LAC-A peut être imbriquée avec une fonction LAC-W pour calculer les ventes totales par pays en fonction du prix moyen de chaque produit :
```
sum(avgOver({Sales},[{Product}],PRE_AGG),[{Country}])
```
+ Lorsque vous ajoutez une fonction LAC-A dans un visuel, le calcul peut être imbriqué avec des fonctions agrégées de niveau visuel que vous avez sélectionnées dans le sélecteur de champs. Pour plus d’informations sur la modification de l’agrégation des champs dans le visuel, consultez la rubrique [Modification ou ajout d’une agrégation à un champ à l’aide d’un sélecteur de champs](changing-field-aggregation.md#change-field-aggregation-field-wells).
### Limites de la fonction LAC-A
Les fonctions LAC-A présentent les limites suivantes :
+ Les fonctions LAC-A sont prises en charge pour toutes les fonctions d’agrégation additives et non additives, telles que `sum()`, `count()` et `percentile()`. Les fonctions LAC-A ne sont pas prises en charge pour les fonctions d'agrégation conditionnelles se terminant par « si », telles que `sumif()` et`countif()`, ni pour les fonctions d'agrégation de périodes commençant par periodToDate « », telles que `periodToDateSum()` et`periodToDateMax()`.
+ Les totaux au niveau des lignes et des colonnes ne sont actuellement pas pris en charge pour les fonctions LAC-A présentes dans les tableaux ainsi que les tableaux croisés dynamiques. Lorsque vous ajoutez des totaux au niveau des lignes ou des colonnes au graphique, le nombre total apparaît en blanc. Les autres dimensions autres que LAC ne sont pas affectées.
+ Les fonctions LAC-A imbriquées ne sont pas prises en charge pour le moment. Une capacité limitée de fonctions LAC-A imbriquées avec des fonctions d’agrégation classiques ainsi que des fonctions LAC-W est prise en charge.
Par exemple, les fonctions suivantes sont valables :
+ `Aggregation(LAC-A())`. Par exemple : `max(sum({sales}, [{country}]))`
+ `LAC-A(LAC-W())`. Par exemple : `sum(sumOver({Sales},[{Product}],PRE_AGG), [{Country}])`
Les fonctions suivantes ne sont pas valides :
+ `LAC-A(Aggregation())`. Par exemple : `sum(max({sales}), [{country}])`
+ `LAC-A(LAC-A())`. Par exemple : `sum(max({sales}, [{country}]),[category])`
+ `LAC-W(LAC-A())`. Par exemple : `sumOver(sum({Sales},[{Product}]),[{Country}],PRE_AGG)`
## Calculs par niveau – fonctions de fenêtre (LAC-W)
Avec les fonctions LAC-W, vous pouvez spécifier la fenêtre ou la partition pour effectuer le calcul. Les fonctions LAC-W sont un groupe de fonctions de fenêtre, telles que `sumover()`, `(maxover)` et `denseRank`, que vous pouvez exécuter au niveau du préfiltre ou du préagrégat. Par exemple : `sumOver(measure,[partition_field_A],pre_agg)`.
Les fonctions LAC-W étaient autrefois appelées agrégations sensibles aux niveaux (LAA).
Les fonctions LAC-W vous aident à répondre aux types de questions suivants :
+ Combien de mes clients n’ont établi qu’un seul bon de commande ? Ou 10 ? Ou 50 ? La représentation visuelle doit utiliser le nombre de bons de commande comme dimension plutôt que métrique dans la représentation visuelle.
+ Quel est le total des ventes par segment de marché pour les clients dont les dépenses sur une vie sont supérieures à 100 000 USD ? La représentation visuelle doit uniquement afficher le segment de marché et le total des ventes pour chacun.
+ Quelle est la contribution de chaque secteur aux bénéfices de l’entreprise (pourcentage du total) ? La représentation visuelle doit être filtrée pour afficher certains secteurs et leur contribution au total des ventes pour les secteurs affichés. Mais elle doit également afficher le pourcentage des ventes totales de chaque secteur pour l’ensemble de l’entreprise (y compris les secteurs qui sont filtrés).
+ Quel est le montant total des ventes dans chaque catégorie par rapport à la moyenne du secteur ? La moyenne du secteur doit inclure toutes les catégories, même après le filtrage.
+ Comment mes clients sont-ils regroupés en plages de dépenses cumulées ? Le regroupement doit être utilisé comme dimension plutôt que métrique.
Pour les questions plus complexes, vous pouvez injecter un calcul ou un filtre avant que Quick Sight n'atteigne un point précis dans son évaluation de vos paramètres. Pour influer directement sur vos résultats, ajoutez un mot-clé au niveau du calcul à un calcul de table. Pour plus d'informations sur la façon dont Quick Sight évalue les requêtes, consultez[Ordre d'évaluation dans Amazon Quick Sight](order-of-evaluation-quicksight.md).
Les niveaux de calcul suivants sont pris en charge pour les fonctions LAC-W :
+ **`PRE_FILTER`**— Avant d'appliquer les filtres issus de l'analyse, Quick Sight évalue les calculs de préfiltre. Ensuite, il applique tous les filtres configurés sur ces calculs de préfiltre.
+ **`PRE_AGG`**— Avant de calculer les agrégations au niveau de l'affichage, Quick Sight effectue des calculs préagrégés. Ensuite, il applique tous les filtres configurés sur ces calculs de préagrégation. Ceci s’effectue avant l’application des filtres *N* supérieurs et inférieurs.
Vous pouvez utiliser le mot-clé `PRE_AGG` ou `PRE_FILTER` comme paramètre dans les fonctions de calcul de table suivantes. Lorsque vous spécifiez un niveau de calcul, vous utilisez une mesure non regroupée dans la fonction. Par exemple, vous pouvez utiliser `countOver({ORDER ID}, [{Customer ID}], PRE_AGG)`. En utilisant `PRE_AGG`, vous indiquez que `countOver` s’exécute au niveau du pré-regroupement.
+ [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)
Par défaut, le premier paramètre de chaque fonction doit être une mesure regroupée. Si vous utilisez `PRE_FILTER` ou `PRE_AGG`, vous utilisez une mesure non agrégée pour le premier paramètre.
Pour les fonctions LAC-W, l’agrégation visuelle est définie par défaut pour éliminer les doublons `MIN`. Pour modifier l’agrégation, ouvrez le menu contextuel du champ (clic droit), puis choisissez une autre agrégation.
Pour savoir quand et comment utiliser les fonctions LAC-W dans des scénarios réels, consultez le billet suivant sur le blog AWS Big Data : [Créez des informations avancées à l'aide des agrégations basées sur le niveau](https://aws.amazon.com/jp/blogs/big-data/create-advanced-insights-using-level-aware-aggregations-in-amazon-quicksight/) sur Amazon. QuickSight
# Fonction de champ calculée et référence d'opérateur pour Amazon Quick
Vous pouvez ajouter des champs calculés à un jeu de données lors de la préparation des données ou à partir de la page d’analyse. Lorsque vous ajoutez un champ calculé à un jeu de données pendant la préparation des données, il est disponible pour toutes les analyses qui utilisent cet jeu de données. Lorsque vous ajoutez un champ calculé à un jeu de données dans une analyse, il est disponible uniquement dans cette analyse.
Vous pouvez créer des champs calculés pour transformer vos données en utilisant les fonctions et les opérateurs suivants.
**Topics**
+ [Opérateurs](arithmetic-and-comparison-operators.md)
+ [Fonctions par catégorie](functions-by-category.md)
+ [Fonctions](functions.md)
+ [Fonctions d’agrégation](calculated-field-aggregations.md)
+ [Fonctions de calcul du tableau](table-calculation-functions.md)
# Opérateurs
Vous pouvez utiliser les opérateurs suivants dans les champs calculés. Quick utilise l'ordre standard des opérations : parenthèses, exposants, multiplication, division, addition, soustraction (PEMDAS). Les comparaisons d’égalité (=) et de non égalité (<>) sont sensibles à la casse.
+ Addition (\$1)
+ Soustraction (−)
+ Multiplication (\$1)
+ Division (/)
+ Modulo (^) – Voir aussi `mod()` dans la liste suivante.
+ Puissance (^) – Voir aussi `exp()` dans la liste suivante.
+ Égal à (=)
+ Non égal à (<>)
+ supérieure à (>)
+ Supérieur ou égal à (>=)
+ Inférieur à (<)
+ Inférieur ou égal à (<=)
+ AND
+ OU
+ NOT
Amazon Quick prend en charge l'application des fonctions mathématiques suivantes à une expression.
+ `[https://docs.aws.amazon.com/quicksight/latest/user/mod-function.html](https://docs.aws.amazon.com/quicksight/latest/user/mod-function.html)(number, divisor)` – Trouve la partie restante après avoir divisé un nombre par un diviseur.
+ `[https://docs.aws.amazon.com/quicksight/latest/user/log-function.html](https://docs.aws.amazon.com/quicksight/latest/user/log-function.html)(expression) ` – Renvoie le logarithme de base 10 d’une expression donnée.
+ `[https://docs.aws.amazon.com/quicksight/latest/user/ln-function.html](https://docs.aws.amazon.com/quicksight/latest/user/ln-function.html)(expression) ` – Renvoie le logarithme naturel d’une expression donnée.
+ `[https://docs.aws.amazon.com/quicksight/latest/user/abs-function.html](https://docs.aws.amazon.com/quicksight/latest/user/abs-function.html)(expression) ` – Renvoie la valeur absolue d’une expression donnée.
+ `[https://docs.aws.amazon.com/quicksight/latest/user/sqrt-function.html](https://docs.aws.amazon.com/quicksight/latest/user/sqrt-function.html)(expression) ` – Renvoie la racine carrée d’une expression donnée.
+ `[https://docs.aws.amazon.com/quicksight/latest/user/exp-function.html](https://docs.aws.amazon.com/quicksight/latest/user/exp-function.html)(expression) ` – Renvoie la base du journal naturel *e* élevé à la puissance d’une expression donnée.
Pour simplifier la lecture des calculs longs, vous pouvez utiliser des parenthèses afin de clarifier les regroupements et indiquer la priorité dans les calculs. Dans la déclaration suivante, vous n’avez pas besoin de parenthèses. L’instruction de multiplication est traitée en premier, puis le résultat est ajouté à cinq, renvoyant la valeur 26. Toutefois, les parenthèses facilitent la lecture de la déclaration et, par conséquent, assurent le respect de l’ordre des calculs.
```
5 + (7 * 3)
```
Vu que les parenthèses sont prioritaires dans l’ordre des opérations, vous pouvez modifier l’ordre dans lequel les autres opérateurs sont appliqués. Par exemple, dans l’instruction suivante, la demande d’addition est traitée en premier, puis le résultat est multiplié par trois, renvoyant la valeur 36.
```
(5 + 7) * 3
```
## Exemple : opérateurs arithmétiques
L’exemple suivant utilise plusieurs opérateurs arithmétiques pour déterminer un montant total des ventes après remise.
```
(Quantity * Amount) - Discount
```
## Exemple : (/) Division
L’exemple suivant utilise la division pour diviser 3 par 2. Une valeur de 1,5 est renvoyée. Amazon Quick utilise des divisions à virgule flottante.
```
3/2
```
## Exemple : (=) égal à
L’utilisation de l’opérateur = exécute une comparaison de valeurs sensible à la casse. Les lignes dans lesquelles la comparaison est TRUE sont incluses dans l’ensemble de résultats.
Dans l’exemple suivant, les lignes dans lesquelles le champ `Region` est **South** sont incluses dans les résultats. Si la `Region` est **south**, ces lignes ne sont pas incluses.
```
Region = 'South'
```
Dans l’exemple suivant, la comparaison a la valeur FALSE.
```
Region = 'south'
```
L’exemple suivant montre une comparaison qui convertit `Region` en majuscules (**SOUTH**) et la compare à **SOUTH**. Cela retourne les lignes dans lesquelles la région est **south**, **South** ou **SOUTH**.
```
toUpper(Region) = 'SOUTH'
```
## Exemple : (<>)
Le symbole de non égalité <> signifie *inférieur ou supérieur à*.
Par conséquent, si nous disons **x<>1**, cela signifie *si x est inférieur à 1 OU si x est supérieur à 1*. < et > sont évalués ensemble. En d’autres termes, *si x est une valeur autre que 1*. Ou *x n’est pas égal à 1*.
**Note**
Utilisez <>, pas \$1=.
L’exemple suivant compare `Status Code` à une valeur numérique. Ceci renvoie retourne les lignes dans lesquelles `Status Code` n’est pas égal à **1**.
```
statusCode <> 1
```
L’exemple suivant compare plusieurs valeurs de `statusCode`. Dans ce cas, les enregistrements actifs ont un `activeFlag = 1`. Cet exemple retourne les lignes dans lesquelles l’une des conditions suivantes s’applique :
+ Pour les enregistrements actifs, affichez les lignes dans lesquelles le statut n’est pas 1 ou 2
+ Pour les enregistrements inactifs, affichez les lignes dans lesquelles le statut est 99 ou -1
```
( activeFlag = 1 AND (statusCode <> 1 AND statusCode <> 2) )
OR
( activeFlag = 0 AND (statusCode= 99 OR statusCode= -1) )
```
## Exemple : (^)
Le symbole puissance `^` signifie *à la puissance*. Vous pouvez utiliser l’opérateur de puissance dans n’importe quel champ numérique, avec n’importe quel exposant valide.
L’exemple suivant est une expression simple de 2 à la puissance 4 ou (2 \$1 2 \$1 2 \$1 2). Elle renvoie la valeur 16.
```
2^4
```
L’exemple suivant calcule la racine carrée du champ revenue.
```
revenue^0.5
```
## Exemple : AND, OR et NOT
L’exemple suivant utilise les opérateurs AND, OR et NOT pour comparer plusieurs expressions. Il utilise des opérateurs conditionnels pour étiqueter les meilleurs clients NON situés dans l’État de Washington ou dans l’État de l’Oregon avec une promotion spéciale, qui ont passé plus de 10 commandes. Si aucune valeur n’est retournée, la valeur « n/a » est utilisée.
```
ifelse(( (NOT (State = 'WA' OR State = 'OR')) AND Orders > 10), 'Special Promotion XYZ', 'n/a')
```
## Exemple : création de listes de comparaison comme « in » (dans) ou « not in » (pas dans)
Cet exemple utilise des opérateurs pour créer une comparaison dans le but de trouver des valeurs qui existent ou n’existent pas, dans une liste spécifiée de valeurs.
L’exemple suivant compare `promoCode` une liste spécifiée de valeurs. Cet exemple retourne les lignes dans lesquelles le `promoCode` figure dans la liste **(1, 2, 3)**.
```
promoCode = 1
OR promoCode = 2
OR promoCode = 3
```
L’exemple suivant compare `promoCode` une liste spécifiée de valeurs. Cet exemple retourne les lignes dans lesquelles le `promoCode` ne figure PAS dans la liste **(1, 2, 3)**.
```
NOT(promoCode = 1
OR promoCode = 2
OR promoCode = 3
)
```
Fournir une liste dans laquelle le `promoCode` n’est égal à aucun élément de la liste est un autre moyen d’exprimer cela.
```
promoCode <> 1
AND promoCode <> 2
AND promoCode <> 3
```
## Exemple : création d’une comparaison « between » (entre)
Cet exemple utilise des opérateurs de comparaison pour créer une comparaison affichant les valeurs qui existent entre (between) une valeur et une autre.
L’exemple suivant examine `OrderDate` et retourne les lignes dans lesquelles le `OrderDate` est compris entre (between) le premier et le dernier jour de 2016. Dans ce cas, nous voulons que le premier et le dernier jour soient inclus, donc nous utilisons « or equal to » (ou égal à) sur les opérateurs de comparaison.
```
OrderDate >= "1/1/2016" AND OrderDate <= "12/31/2016"
```
# Fonctions par catégorie
Dans cette section, vous trouverez une liste des fonctions disponibles dans Amazon Quick, triées par catégorie.
**Topics**
+ [Fonctions d’agrégation](#aggregate-functions)
+ [Fonctions conditionnelles](#conditional-functions)
+ [Fonctions de date](#date-functions)
+ [Fonctions numériques](#numeric-functions)
+ [Fonctions mathématiques](#mathematical-functions)
+ [Fonctions de chaîne](#string-functions)
+ [Calculs de tableaux](#table-calculations)
## Fonctions d’agrégation
Les fonctions d'agrégation pour les champs calculés dans Amazon Quick sont les suivantes. Elles ne sont disponibles que pendant l’analyse et la visualisation. Chacune de ces fonctions retourne des valeurs regroupées en fonction de la ou des dimensions choisies. Pour chaque agrégation, il existe également une agrégation conditionnelle. Ces fonctions effectuent le même type de regroupement, en fonction d’une condition.
+ [https://docs.aws.amazon.com/quicksight/latest/user/avg-function.html](https://docs.aws.amazon.com/quicksight/latest/user/avg-function.html) calcule la moyenne de l’ensemble de nombres figurant dans la mesure spécifiée (regroupement en fonction de la ou des dimensions choisies).
+ [https://docs.aws.amazon.com/quicksight/latest/user/avgIf-function.html](https://docs.aws.amazon.com/quicksight/latest/user/avgIf-function.html) calcule la moyenne sur la base d’une instruction conditionnelle.
+ [https://docs.aws.amazon.com/quicksight/latest/user/count-function.html](https://docs.aws.amazon.com/quicksight/latest/user/count-function.html) calcule le nombre de valeurs dans une dimension ou une mesure (regroupement en fonction de la ou des dimensions choisies).
+ [https://docs.aws.amazon.com/quicksight/latest/user/countIf-function.html](https://docs.aws.amazon.com/quicksight/latest/user/countIf-function.html) calcule le nombre sur la base d’une instruction conditionnelle.
+ [https://docs.aws.amazon.com/quicksight/latest/user/distinct_count-function.html](https://docs.aws.amazon.com/quicksight/latest/user/distinct_count-function.html) calcule le nombre de valeurs distinctes dans une dimension ou une mesure (regroupement en fonction de la ou des dimensions choisies).
+ [https://docs.aws.amazon.com/quicksight/latest/user/distinct_countIf-function.html](https://docs.aws.amazon.com/quicksight/latest/user/distinct_countIf-function.html) calcule le compte distinct sur la base d’une instruction conditionnelle.
+ [https://docs.aws.amazon.com/quicksight/latest/user/max-function.html](https://docs.aws.amazon.com/quicksight/latest/user/max-function.html) renvoie la valeur maximale de la mesure spécifiée (regroupement en fonction de la ou des dimensions choisies).
+ [https://docs.aws.amazon.com/quicksight/latest/user/maxIf-function.html](https://docs.aws.amazon.com/quicksight/latest/user/maxIf-function.html) calcule le maximum à partir d’une instruction conditionnelle.
+ [https://docs.aws.amazon.com/quicksight/latest/user/median-function.html](https://docs.aws.amazon.com/quicksight/latest/user/median-function.html) renvoie la valeur médiane de la mesure spécifiée (regroupement en fonction de la ou des dimensions choisies).
+ [https://docs.aws.amazon.com/quicksight/latest/user/medianIf-function.html](https://docs.aws.amazon.com/quicksight/latest/user/medianIf-function.html) calcule la médiane à partir d’une instruction conditionnelle.
+ [https://docs.aws.amazon.com/quicksight/latest/user/min-function.html](https://docs.aws.amazon.com/quicksight/latest/user/min-function.html) renvoie la valeur minimale de la mesure spécifiée (regroupement en fonction de la ou des dimensions choisies).
+ [https://docs.aws.amazon.com/quicksight/latest/user/minIf-function.html](https://docs.aws.amazon.com/quicksight/latest/user/minIf-function.html) calcule le minimum à partir d’une instruction conditionnelle.
+ [https://docs.aws.amazon.com/quicksight/latest/user/percentile-function.html](https://docs.aws.amazon.com/quicksight/latest/user/percentile-function.html) (alias de `percentileDisc`) calcule le *n*ième percentile de la mesure spécifiée, groupée par la ou les dimensions choisies.
+ [https://docs.aws.amazon.com/quicksight/latest/user/percentileCont-function.html](https://docs.aws.amazon.com/quicksight/latest/user/percentileCont-function.html) calcule le *n*ième centile sur la base d’une distribution continue des nombres de la mesure spécifiée, groupés par la ou les dimensions choisies.
+ [percentileDisc(percentile)](https://docs.aws.amazon.com/quicksight/latest/user/percentileDisc-function.html) calcule le *n* e percentile en fonction des nombres réels de la mesure spécifiée, regroupés selon la ou les dimensions choisies.
+ [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateAvg-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateAvg-function.html) calcule la moyenne de l’ensemble des nombres de la mesure spécifiée pour une granularité temporelle donnée (par exemple, un trimestre) jusqu’à un moment donné.
+ [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateCount-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateCount-function.html) calcule le nombre de valeurs dans une dimension ou une mesure pour une granularité temporelle donnée (par exemple, un trimestre) jusqu’à un moment donné, y compris les doublons.
+ [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateMax-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateMax-function.html) renvoie la valeur maximale de la mesure spécifiée pour une granularité temporelle donnée (par exemple, un trimestre) jusqu’à une date donnée.
+ [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateMedian-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateMedian-function.html) renvoie la valeur médiane de la mesure spécifiée pour une granularité temporelle donnée (par exemple, un trimestre) jusqu’à une date donnée.
+ [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateMin-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateMin-function.html) renvoie la valeur minimale de la mesure ou de la date spécifiée pour une granularité temporelle donnée (par exemple, un trimestre) jusqu’à une date donnée.
+ [https://docs.aws.amazon.com/quicksight/latest/user/periodToDatePercentile-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDatePercentile-function.html) calcule le percentile sur la base des nombres réels dans la mesure pour une granularité de temps donnée (par exemple, un trimestre) jusqu’à un point donné dans le temps.
+ [https://docs.aws.amazon.com/quicksight/latest/user/periodToDatePercentileCont-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDatePercentileCont-function.html) calcule le percentile sur la base d’une distribution continue des nombres dans la mesure pour une granularité de temps donnée (par exemple, un trimestre) jusqu’à un moment donné.
+ [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateStDev-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateStDev-function.html) calcule l’écart-type de l’ensemble des nombres de la mesure spécifiée pour une granularité de temps donnée (par exemple, un trimestre) jusqu’à un moment donné, sur la base d’un échantillon.
+ [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateStDevP-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateStDevP-function.html) calcule l’écart-type de la population de l’ensemble des nombres dans la mesure spécifiée pour une granularité de temps donnée (par exemple, un trimestre) jusqu’à un point dans le temps sur la base d’un échantillon.
+ [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateSum-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateSum-function.html) additionne l’ensemble des nombres de la mesure spécifiée pour une granularité temporelle donnée (par exemple, un trimestre) jusqu’à un point dans le temps.
+ [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateVar-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateVar-function.html) calcule la variance de l’échantillon de l’ensemble des nombres de la mesure spécifiée pour une granularité de temps donnée (par exemple, un trimestre) jusqu’à un point dans le temps.
+ [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateVarP-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateVarP-function.html) calcule la variance de population de l’ensemble des nombres dans la mesure spécifiée pour une granularité temporelle donnée (par exemple, un trimestre) jusqu’à un certain point dans le temps.
+ [https://docs.aws.amazon.com/quicksight/latest/user/stdev-function.html](https://docs.aws.amazon.com/quicksight/latest/user/stdev-function.html)) calcule l’écart type de l’ensemble de nombres figurant dans la mesure spécifiée ( regroupement en fonction de la ou des dimensions choisies, sur la base d’un échantillon).
+ [https://docs.aws.amazon.com/quicksight/latest/user/stdevIf-function.html](https://docs.aws.amazon.com/quicksight/latest/user/stdevIf-function.html) calcule l’écart type de l’échantillon sur la base d’un énoncé conditionnel.
+ [https://docs.aws.amazon.com/quicksight/latest/user/stdevp-function.html](https://docs.aws.amazon.com/quicksight/latest/user/stdevp-function.html) calcule l’écart type de l’ensemble de nombres figurant dans la mesure spécifiée (regroupement en fonction de la ou des dimensions choisies, sur la base d’un remplissage biaisé).
+ [https://docs.aws.amazon.com/quicksight/latest/user/stdevpIf-function.html](https://docs.aws.amazon.com/quicksight/latest/user/stdevpIf-function.html) calcule l’écart de la population sur la base d’une déclaration conditionnelle.
+ [https://docs.aws.amazon.com/quicksight/latest/user/var-function.html](https://docs.aws.amazon.com/quicksight/latest/user/var-function.html)) calcule la variance de l’ensemble de nombres figurant dans la mesure spécifiée (regroupement en fonction de la ou des dimensions choisies, sur la base d’un échantillon).
+ [https://docs.aws.amazon.com/quicksight/latest/user/varIf-function.html](https://docs.aws.amazon.com/quicksight/latest/user/varIf-function.html) calcule la variance de l’échantillon sur la base d’une déclaration conditionnelle.
+ [https://docs.aws.amazon.com/quicksight/latest/user/varp-function.html](https://docs.aws.amazon.com/quicksight/latest/user/varp-function.html)) calcule la variance de l’ensemble de nombres figurant dans la mesure spécifiée (regroupement en fonction de la ou des dimensions choisies, sur la base d’un remplissage biaisé).
+ [https://docs.aws.amazon.com/quicksight/latest/user/varpIf-function.html](https://docs.aws.amazon.com/quicksight/latest/user/varpIf-function.html) calcule la variance de la population sur la base d’une déclaration conditionnelle.
+ [https://docs.aws.amazon.com/quicksight/latest/user/sum-function.html](https://docs.aws.amazon.com/quicksight/latest/user/sum-function.html)) additionne l’ensemble de nombres figurant dans la mesure spécifiée (regroupement en fonction de la ou des dimensions choisies).
+ [https://docs.aws.amazon.com/quicksight/latest/user/sumIf-function.html](https://docs.aws.amazon.com/quicksight/latest/user/sumIf-function.html)) calcule la somme sur la base d’une instruction conditionnelle.
## Fonctions conditionnelles
Les fonctions conditionnelles pour les champs calculés dans Amazon Quick sont les suivantes :
+ [https://docs.aws.amazon.com/quicksight/latest/user/coalesce-function.html](https://docs.aws.amazon.com/quicksight/latest/user/coalesce-function.html) renvoie la valeur du premier argument qui n’est pas null.
+ [https://docs.aws.amazon.com/quicksight/latest/user/ifelse-function.html](https://docs.aws.amazon.com/quicksight/latest/user/ifelse-function.html) évalue un ensemble de paires d’expressions *if*, *then* et renvoie la valeur de l’argument *then* pour le premier argument *if* ayant la valeur true.
+ [https://docs.aws.amazon.com/quicksight/latest/user/in-function.html](https://docs.aws.amazon.com/quicksight/latest/user/in-function.html) évalue une expression pour voir si elle fait partie d’une liste de valeurs donnée.
+ [https://docs.aws.amazon.com/quicksight/latest/user/isNotNull-function.html](https://docs.aws.amazon.com/quicksight/latest/user/isNotNull-function.html) évalue une expression pour voir si elle a la valeur not null.
+ [https://docs.aws.amazon.com/quicksight/latest/user/isNull-function.html](https://docs.aws.amazon.com/quicksight/latest/user/isNull-function.html) évalue une expression pour voir si elle a la valeur null. Si l’expression dispose d’une valeur nulle, `isNull` renvoie la valeur « true », sinon, elle renvoie « false ».
+ [https://docs.aws.amazon.com/quicksight/latest/user/notIn-function.html](https://docs.aws.amazon.com/quicksight/latest/user/notIn-function.html) évalue une expression pour voir si elle ne fait pas partie d’une liste de valeurs donnée.
+ [https://docs.aws.amazon.com/quicksight/latest/user/nullIf-function.html](https://docs.aws.amazon.com/quicksight/latest/user/nullIf-function.html) compare deux expressions. Si elles sont égales, la fonction retourne null. Si elles ne sont pas égales, la fonction renvoie la première expression.
+ [https://docs.aws.amazon.com/quicksight/latest/user/switch-function.html](https://docs.aws.amazon.com/quicksight/latest/user/switch-function.html) renvoie une expression qui correspond à la première étiquette égale à l’expression de la condition.
## Fonctions de date
Les fonctions de date pour les champs calculés dans Amazon Quick sont les suivantes :
+ [https://docs.aws.amazon.com/quicksight/latest/user/addDateTime-function.html](https://docs.aws.amazon.com/quicksight/latest/user/addDateTime-function.html) ajoute ou soustrait une unité de temps à la date ou l’heure fournie.
+ [https://docs.aws.amazon.com/quicksight/latest/user/addWorkDays-function.html](https://docs.aws.amazon.com/quicksight/latest/user/addWorkDays-function.html) ajoute ou soustrait le nombre donné de jours ouvrables à la date ou à l’heure fournie.
+ [https://docs.aws.amazon.com/quicksight/latest/user/dateDiff-function.html](https://docs.aws.amazon.com/quicksight/latest/user/dateDiff-function.html) renvoie la différence en nombre de jours entre deux champs de date.
+ [https://docs.aws.amazon.com/quicksight/latest/user/epochDate-function.html](https://docs.aws.amazon.com/quicksight/latest/user/epochDate-function.html) convertit une date d’époque en date standard.
+ [https://docs.aws.amazon.com/quicksight/latest/user/extract-function.html](https://docs.aws.amazon.com/quicksight/latest/user/extract-function.html) renvoie une partie spécifiée d’une valeur de date.
+ [https://docs.aws.amazon.com/quicksight/latest/user/formatDate-function.html](https://docs.aws.amazon.com/quicksight/latest/user/formatDate-function.html) met en forme une date à l’aide d’un modèle que vous spécifiez.
+ [https://docs.aws.amazon.com/quicksight/latest/user/isWorkDay-function.html](https://docs.aws.amazon.com/quicksight/latest/user/isWorkDay-function.html) renvoie TRUE si une valeur date-heure donnée est un jour ouvrable ou un jour ouvré.
+ [https://docs.aws.amazon.com/quicksight/latest/user/netWorkDays-function.html](https://docs.aws.amazon.com/quicksight/latest/user/netWorkDays-function.html) renvoie le nombre de jours ouvrables entre les deux valeurs de date fournies.
+ [https://docs.aws.amazon.com/quicksight/latest/user/now-function.html](https://docs.aws.amazon.com/quicksight/latest/user/now-function.html) retourne la date et l’heure actuelles à l’aide des paramètres pour une base de données, ou de l’heure UTC pour un fichier et Salesforce.
+ [https://docs.aws.amazon.com/quicksight/latest/user/truncDate-function.html](https://docs.aws.amazon.com/quicksight/latest/user/truncDate-function.html) retourne une valeur de date qui représente une partie spécifiée d’une date.
## Fonctions numériques
Les fonctions numériques pour les champs calculés dans Amazon Quick sont les suivantes :
+ [https://docs.aws.amazon.com/quicksight/latest/user/ceil-function.html](https://docs.aws.amazon.com/quicksight/latest/user/ceil-function.html) arrondi une valeur décimale à l’entier supérieur le plus proche.
+ [https://docs.aws.amazon.com/quicksight/latest/user/decimalToInt-function.html](https://docs.aws.amazon.com/quicksight/latest/user/decimalToInt-function.html) convertit une valeur décimale en un nombre entier.
+ [https://docs.aws.amazon.com/quicksight/latest/user/floor-function.html](https://docs.aws.amazon.com/quicksight/latest/user/floor-function.html) diminue une décimale valeur à l’entier inférieur le plus proche.
+ [https://docs.aws.amazon.com/quicksight/latest/user/intToDecimal-function.html](https://docs.aws.amazon.com/quicksight/latest/user/intToDecimal-function.html) convertit un nombre entier en valeur décimale.
+ [https://docs.aws.amazon.com/quicksight/latest/user/round-function.html](https://docs.aws.amazon.com/quicksight/latest/user/round-function.html) arrondit une valeur décimale au nombre entier le plus proche ou, si l’ajustement est sélectionné, à la décimale la plus proche.
## Fonctions mathématiques
Les fonctions mathématiques pour les champs calculés dans Amazon Quick sont les suivantes :
+ `[https://docs.aws.amazon.com/quicksight/latest/user/mod-function.html](https://docs.aws.amazon.com/quicksight/latest/user/mod-function.html)(number, divisor)` – Trouve la partie restante après avoir divisé un nombre par un diviseur.
+ `[https://docs.aws.amazon.com/quicksight/latest/user/log-function.html](https://docs.aws.amazon.com/quicksight/latest/user/log-function.html)(expression) ` – Renvoie le logarithme de base 10 d’une expression donnée.
+ `[https://docs.aws.amazon.com/quicksight/latest/user/ln-function.html](https://docs.aws.amazon.com/quicksight/latest/user/ln-function.html)(expression) ` – Renvoie le logarithme naturel d’une expression donnée.
+ `[https://docs.aws.amazon.com/quicksight/latest/user/abs-function.html](https://docs.aws.amazon.com/quicksight/latest/user/abs-function.html)(expression) ` – Renvoie la valeur absolue d’une expression donnée.
+ `[https://docs.aws.amazon.com/quicksight/latest/user/sqrt-function.html](https://docs.aws.amazon.com/quicksight/latest/user/sqrt-function.html)(expression) ` – Renvoie la racine carrée d’une expression donnée.
+ `[https://docs.aws.amazon.com/quicksight/latest/user/exp-function.html](https://docs.aws.amazon.com/quicksight/latest/user/exp-function.html)(expression) ` – Renvoie la base du journal naturel *e* élevé à la puissance d’une expression donnée.
## Fonctions de chaîne
Les fonctions de chaîne (texte) pour les champs calculés dans Amazon Quick sont les suivantes :
+ [https://docs.aws.amazon.com/quicksight/latest/user/concat-function.html](https://docs.aws.amazon.com/quicksight/latest/user/concat-function.html) concatène deux chaînes et plus.
+ [https://docs.aws.amazon.com/quicksight/latest/user/contains-function.html](https://docs.aws.amazon.com/quicksight/latest/user/contains-function.html) vérifie si une expression contient une sous-chaîne.
+ [https://docs.aws.amazon.com/quicksight/latest/user/endsWith-function.html](https://docs.aws.amazon.com/quicksight/latest/user/endsWith-function.html) vérifie si l’expression se termine par la sous-chaîne spécifiée.
+ [https://docs.aws.amazon.com/quicksight/latest/user/left-function.html](https://docs.aws.amazon.com/quicksight/latest/user/left-function.html) retourne le nombre spécifié de caractères les plus à gauche dans une chaîne de caractères.
+ [https://docs.aws.amazon.com/quicksight/latest/user/locate-function.html](https://docs.aws.amazon.com/quicksight/latest/user/locate-function.html) localise une sous-chaîne dans une autre chaîne, et renvoie le nombre de caractères avant la sous-chaîne.
+ [https://docs.aws.amazon.com/quicksight/latest/user/ltrim-function.html](https://docs.aws.amazon.com/quicksight/latest/user/ltrim-function.html) supprime l’espace blanc précédent d’une chaîne.
+ [https://docs.aws.amazon.com/quicksight/latest/user/parseDate-function.html](https://docs.aws.amazon.com/quicksight/latest/user/parseDate-function.html) analyse une chaîne pour déterminer si elle contient une valeur de date et la retourne si elle a été trouvée.
+ [https://docs.aws.amazon.com/quicksight/latest/user/parseDecimal-function.html](https://docs.aws.amazon.com/quicksight/latest/user/parseDecimal-function.html) analyse une chaîne pour déterminer si elle contient une valeur décimale.
+ [https://docs.aws.amazon.com/quicksight/latest/user/parseInt-function.html](https://docs.aws.amazon.com/quicksight/latest/user/parseInt-function.html) analyse une chaîne pour déterminer si elle contient une valeur d’entier.
+ [https://docs.aws.amazon.com/quicksight/latest/user/parseJson-function.html](https://docs.aws.amazon.com/quicksight/latest/user/parseJson-function.html) analyse des valeurs d’un format JSON natif ou d’un objet JSON dans un champ de texte.
+ [https://docs.aws.amazon.com/quicksight/latest/user/replace-function.html](https://docs.aws.amazon.com/quicksight/latest/user/replace-function.html) remplace une partie d’une chaîne par une autre chaîne.
+ [https://docs.aws.amazon.com/quicksight/latest/user/right-function.html](https://docs.aws.amazon.com/quicksight/latest/user/right-function.html) retourne le nombre spécifié de caractères les plus à droite dans une chaîne de caractères.
+ [https://docs.aws.amazon.com/quicksight/latest/user/rtrim-function.html](https://docs.aws.amazon.com/quicksight/latest/user/rtrim-function.html) supprime l’espace blanc suivant d’une chaîne.
+ [https://docs.aws.amazon.com/quicksight/latest/user/split-function.html](https://docs.aws.amazon.com/quicksight/latest/user/split-function.html) fractionne une chaîne en un tableau de sous-chaînes, sur la base d’un séparateur que vous choisissez, et renvoie l’élément spécifié par la position.
+ [https://docs.aws.amazon.com/quicksight/latest/user/startsWith-function.html](https://docs.aws.amazon.com/quicksight/latest/user/startsWith-function.html) vérifie si l’expression commence par la sous-chaîne spécifiée.
+ [https://docs.aws.amazon.com/quicksight/latest/user/strlen-function.html](https://docs.aws.amazon.com/quicksight/latest/user/strlen-function.html) renvoie le nombre de caractères contenus dans une chaîne.
+ [https://docs.aws.amazon.com/quicksight/latest/user/substring-function.html](https://docs.aws.amazon.com/quicksight/latest/user/substring-function.html) retourne le nombre spécifié de caractères dans une chaîne, à partir de l’emplacement spécifié.
+ [https://docs.aws.amazon.com/quicksight/latest/user/toLower-function.html](https://docs.aws.amazon.com/quicksight/latest/user/toLower-function.html) met en forme une chaîne tout en minuscules.
+ [https://docs.aws.amazon.com/quicksight/latest/user/toString-function.html](https://docs.aws.amazon.com/quicksight/latest/user/toString-function.html) met en forme l’expression en entrée sous forme de chaîne.
+ [https://docs.aws.amazon.com/quicksight/latest/user/toUpper-function.html](https://docs.aws.amazon.com/quicksight/latest/user/toUpper-function.html) met en forme une chaîne tout en majuscules.
+ [https://docs.aws.amazon.com/quicksight/latest/user/trim-function.html](https://docs.aws.amazon.com/quicksight/latest/user/trim-function.html) supprime les espaces blancs précédents et suivants d’une chaîne.
## Calculs de tableaux
Les calculs de tableaux forment un groupe de fonctions qui fournissent le contexte d’une analyse. Ils constituent une base pour les analyses agrégées enrichies. En utilisant ces calculs, vous pouvez aborder les scénarios commerciaux courants tels que le calcul du pourcentage du total, de la somme, de la différence, de la base commune et du rang.
Lorsque vous analysez des données dans une représentation visuelle spécifique, vous pouvez appliquer des calculs de tableaux au jeu de données actuel pour découvrir comment les dimensions influencent les mesures ou comment elles s’influencent entre elles. Les données visualisées correspondent à votre ensemble de résultats basé sur votre jeu de données actuel, avec l’application de tous les filtres, sélections de champs et personnalisations. Pour voir exactement cet ensemble de résultats, vous pouvez exporter votre représentation visuelle dans un fichier. La fonction de calcul de tableau effectue les opérations sur les données pour révéler les relations entre les champs.
**Fonctions basées sur la recherche**
+ [https://docs.aws.amazon.com/quicksight/latest/user/difference-function.html](https://docs.aws.amazon.com/quicksight/latest/user/difference-function.html) calcule la différence entre une mesure basée sur un ensemble de partitions et de tris et une mesure basée sur un autre.
+ [https://docs.aws.amazon.com/quicksight/latest/user/lag-function.html](https://docs.aws.amazon.com/quicksight/latest/user/lag-function.html) calcule la valeur de décalage (précédente) pour une mesure.
+ [https://docs.aws.amazon.com/quicksight/latest/user/lead-function.html](https://docs.aws.amazon.com/quicksight/latest/user/lead-function.html) calcule la valeur principale (suivante) pour une mesure.
+ [https://docs.aws.amazon.com/quicksight/latest/user/percentDifference-function.html](https://docs.aws.amazon.com/quicksight/latest/user/percentDifference-function.html) calcule la différence de pourcentage entre la valeur actuelle et une valeur de comparaison.
**Fonctions Over**
+ [https://docs.aws.amazon.com/quicksight/latest/user/avgOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/avgOver-function.html) calcule la moyenne d’une mesure sur une ou plusieurs dimensions.
+ [https://docs.aws.amazon.com/quicksight/latest/user/countOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/countOver-function.html) calcule le nombre d’un champ sur une ou plusieurs dimensions.
+ [https://docs.aws.amazon.com/quicksight/latest/user/distinctCountOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/distinctCountOver-function.html) calcule le nombre de distinctions de l’opérande partitionné par les attributs spécifiés à un niveau donné.
+ [https://docs.aws.amazon.com/quicksight/latest/user/maxOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/maxOver-function.html) calcule le maximum d’une mesure sur une ou plusieurs dimensions.
+ [https://docs.aws.amazon.com/quicksight/latest/user/minOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/minOver-function.html) calcule le minimum d’une mesure sur une ou plusieurs dimensions.
+ [https://docs.aws.amazon.com/quicksight/latest/user/percentileOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/percentileOver-function.html) (alias de `percentileDiscOver`) calcule le *n*ième percentile d’une mesure partitionnée par une liste de dimensions.
+ [https://docs.aws.amazon.com/quicksight/latest/user/percentileContOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/percentileContOver-function.html) calcule le *n*ième percentile basé sur une distribution continue des nombres d’une mesure partitionnée par une liste de dimensions.
+ [https://docs.aws.amazon.com/quicksight/latest/user/percentileDiscOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/percentileDiscOver-function.html) calcule le *n*ième percentile sur la base des nombres réels d’une mesure partitionnée par une liste de dimensions.
+ [https://docs.aws.amazon.com/quicksight/latest/user/percentOfTotal-function.html](https://docs.aws.amazon.com/quicksight/latest/user/percentOfTotal-function.html) calcule le pourcentage de contribution d’une mesure au total.
+ [https://docs.aws.amazon.com/quicksight/latest/user/periodOverPeriodDifference-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodOverPeriodDifference-function.html) calcule la différence d’une mesure sur deux périodes différentes, comme spécifié par la granularité de la période et le décalage.
+ [https://docs.aws.amazon.com/quicksight/latest/user/periodOverPeriodLastValue-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodOverPeriodLastValue-function.html) calcule la dernière valeur (précédente) d’une mesure à partir d’une période antérieure, en fonction de la granularité de la période et du décalage.
+ [https://docs.aws.amazon.com/quicksight/latest/user/periodOverPeriodPercentDifference-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodOverPeriodPercentDifference-function.html) calcule la différence en pourcentage d’une mesure sur deux périodes différentes, comme spécifié par la granularité de la période et le décalage.
+ [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateAvgOverTime-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateAvgOverTime-function.html) calcule la moyenne d’une mesure pour une granularité de temps donnée (par exemple, un trimestre) jusqu’à un point dans le temps.
+ [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateCountOverTime-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateCountOverTime-function.html) calcule le nombre d’une dimension ou d’une mesure pour une granularité temporelle donnée (par exemple, un trimestre) jusqu’à un moment donné.
+ [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateMaxOverTime-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateMaxOverTime-function.html) calcule le maximum d’une mesure ou d’une date pour une granularité temporelle donnée (par exemple, un trimestre) jusqu’à un moment donné.
+ [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateMinOverTime-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateMinOverTime-function.html) calcule le minimum d’une mesure ou d’une date pour une granularité temporelle donnée (par exemple, un trimestre) jusqu’à un moment donné.
+ [https://docs.aws.amazon.com/quicksight/latest/user/periodToDateSumOverTime-function.html](https://docs.aws.amazon.com/quicksight/latest/user/periodToDateSumOverTime-function.html) calcule la somme d’une mesure pour une granularité temporelle donnée (par exemple, un trimestre) jusqu’à un moment donné.
+ [https://docs.aws.amazon.com/quicksight/latest/user/sumOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/sumOver-function.html) calcule la somme d’une mesure sur une ou plusieurs dimensions.
+ [https://docs.aws.amazon.com/quicksight/latest/user/stdevOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/stdevOver-function.html) calcule l’écart type de la mesure spécifiée, partitionné par l’attribut ou les attributs choisis, sur la base d’un échantillon.
+ [https://docs.aws.amazon.com/quicksight/latest/user/stdevpOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/stdevpOver-function.html) calcule l’écart type de la mesure spécifiée, partitionné par l’attribut ou les attributs choisis, en fonction d’une population biaisée.
+ [https://docs.aws.amazon.com/quicksight/latest/user/varOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/varOver-function.html) calcule la variance de la mesure spécifiée, partitionnée par l’attribut ou les attributs choisis, sur la base d’un échantillon.
+ [https://docs.aws.amazon.com/quicksight/latest/user/varpOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/varpOver-function.html) calcule la variance de la mesure spécifiée, partitionnée par l’attribut ou les attributs choisis, sur la base d’un remplissage biaisé.
**Fonctions de classement**
+ [https://docs.aws.amazon.com/quicksight/latest/user/rank-function.html](https://docs.aws.amazon.com/quicksight/latest/user/rank-function.html) calcule le rang d’une mesure ou d’une dimension.
+ [https://docs.aws.amazon.com/quicksight/latest/user/denseRank-function.html](https://docs.aws.amazon.com/quicksight/latest/user/denseRank-function.html) calcule le rang d’une mesure ou d’une dimension en ignorant les doublons.
+ [https://docs.aws.amazon.com/quicksight/latest/user/percentileRank-function.html](https://docs.aws.amazon.com/quicksight/latest/user/percentileRank-function.html) calcule le rang d’une mesure ou d’une dimension sur la base du percentile.
**Fonctions d’exécution**
+ [https://docs.aws.amazon.com/quicksight/latest/user/runningAvg-function.html](https://docs.aws.amazon.com/quicksight/latest/user/runningAvg-function.html) calcule une moyenne pour une mesure.
+ [https://docs.aws.amazon.com/quicksight/latest/user/runningCount-function.html](https://docs.aws.amazon.com/quicksight/latest/user/runningCount-function.html) calcule un nombre pour une mesure.
+ [https://docs.aws.amazon.com/quicksight/latest/user/runningMax-function.html](https://docs.aws.amazon.com/quicksight/latest/user/runningMax-function.html) calcule un maximum pour une mesure.
+ [https://docs.aws.amazon.com/quicksight/latest/user/runningMin-function.html](https://docs.aws.amazon.com/quicksight/latest/user/runningMin-function.html) calcule un minimum pour une mesure.
+ [https://docs.aws.amazon.com/quicksight/latest/user/runningSum-function.html](https://docs.aws.amazon.com/quicksight/latest/user/runningSum-function.html) calcule une somme pour une mesure.
**Fonctions de fenêtrage**
+ [https://docs.aws.amazon.com/quicksight/latest/user/firstValue-function.html](https://docs.aws.amazon.com/quicksight/latest/user/firstValue-function.html) calcule la première valeur de la mesure agrégée ou de la dimension partitionnée et triée en fonction d’attributs spécifiés.
+ [https://docs.aws.amazon.com/quicksight/latest/user/lastValue-function.html](https://docs.aws.amazon.com/quicksight/latest/user/lastValue-function.html) calcule la dernière valeur de la mesure agrégée ou de la dimension partitionnée et triée selon les attributs spécifiés.
+ [https://docs.aws.amazon.com/quicksight/latest/user/windowAvg-function.html](https://docs.aws.amazon.com/quicksight/latest/user/windowAvg-function.html) calcule la moyenne de la mesure regroupée dans une fenêtre personnalisée qui est divisée et triée par les attributs spécifiés.
+ [https://docs.aws.amazon.com/quicksight/latest/user/windowCount-function.html](https://docs.aws.amazon.com/quicksight/latest/user/windowCount-function.html) calcule le nombre de mesures regroupées dans une fenêtre personnalisée qui est divisée et triée par les attributs spécifiés.
+ [https://docs.aws.amazon.com/quicksight/latest/user/windowMax-function.html](https://docs.aws.amazon.com/quicksight/latest/user/windowMax-function.html) calcule le maximum de mesures regroupées dans une fenêtre personnalisée qui est divisée et triée par les attributs spécifiés.
+ [https://docs.aws.amazon.com/quicksight/latest/user/windowMin-function.html](https://docs.aws.amazon.com/quicksight/latest/user/windowMin-function.html) calcule le minimum de mesures regroupées dans une fenêtre personnalisée qui est divisée et triée par les attributs spécifiés.
+ [https://docs.aws.amazon.com/quicksight/latest/user/windowSum-function.html](https://docs.aws.amazon.com/quicksight/latest/user/windowSum-function.html) calcule la somme de mesures regroupées dans une fenêtre personnalisée qui est divisée et triée par les attributs spécifiés.
# Fonctions
Dans cette section, vous trouverez une liste des fonctions disponibles dans Amazon Quick. Pour consulter la liste des fonctions triées par catégorie, avec de brèves définitions, voir [Fonctions par catégorie](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` ajoute ou soustrait une unité de temps à partir d’une valeur datetime. Par exemple, `addDateTime(2,'YYYY',parseDate('02-JUL-2018', 'dd-MMM-yyyy') )` renvoie `02-JUL-2020`. Vous pouvez utiliser cette fonction pour effectuer des calculs de date sur vos données de date et d’heure.
## Syntaxe
```
addDateTime(amount, period, datetime)
```
## Arguments
*amount*
Une valeur entière positive ou négative qui représente la durée que vous souhaitez ajouter ou soustraire du champ datetime fourni.
*point*
Une valeur positive ou négative qui représente la durée que vous souhaitez ajouter ou soustraire du champ datetime fourni. Les périodes valides sont les suivantes :
+ AAAA : renvoie la partie de la date correspondant à l’année.
+ Q : Cela renvoie le trimestre auquel appartient la date (1–4).
+ MM : renvoie la partie de la date correspondant au mois.
+ DD : renvoie la partie de la date correspondant au jour.
+ WK : renvoie la partie de la date correspondant à la semaine. La semaine commence le dimanche sur Amazon Quick.
+ HH : renvoie la partie de la date correspondant à l’heure.
+ MI : renvoie la partie de la date correspondant à la minute.
+ SS : renvoie la deuxième partie de la date.
+ MS : renvoie la partie milliseconde de la date.
*datetime*
La date ou l’heure à laquelle vous souhaitez effectuer les calculs de date.
## Type de retour
Datetime
## Exemple
Supposons que vous ayez un champ appelé `purchase_date` avec les valeurs suivantes.
```
2018 May 13 13:24
2017 Jan 31 23:06
2016 Dec 28 06:45
```
À l’aide des calculs suivants, `addDateTime` modifie les valeurs comme illustré ci-après.
```
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` Ajoute ou soustrait un nombre déterminé de jours ouvrables à une valeur de date donnée. La fonction renvoie une date pour un jour ouvrable, qui tombe un nombre désigné de jours ouvrables après ou avant une valeur de date d’entrée donnée.
## Syntaxe
```
addWorkDays(initDate, numWorkDays)
```
## Arguments
*initDate*
Il s’agit d’une date valide non NULL qui sert de date de début pour le calcul.
+ **Champ du jeu de données** – Tout champ `date` du jeu de données auquel vous ajoutez cette fonction.
+ **Fonction date** – Toute date produite par une autre fonction `date`, par exemple `parseDate`, `epochDate`, `addDateTime`, etc.
**Example**
```
addWorkDays(epochDate(1659484800), numWorkDays)
```
+ **Champs calculés** : tout champ calculé rapidement qui renvoie une `date` valeur.
**Example**
```
calcFieldStartDate = addDateTime(10, “DD”, startDate)
addWorkDays(calcFieldStartDate, numWorkDays)
```
+ **Paramètres** — N'importe quel `datetime` paramètre rapide.
**Example**
```
addWorkDays($paramStartDate, numWorkDays)
```
+ Toute combinaison des valeurs d’argument énoncées ci-dessus.
*numWorkDays*
Un entier non NULL qui sert de date de fin pour le calcul.
+ **Littéral** – Un entier littéral saisi directement dans l’éditeur d’expression.
**Example**
```
```
+ **Champ du jeu de données** – Tout champ de date du jeu de données
**Example**
```
```
+ **Fonction ou calcul scalaire** — Toute fonction rapide scalaire qui renvoie un entier en sortie depuis une autre`decimalToInt`, par exemple`abs`, etc.
**Example**
```
addWorkDays(initDate, decimalToInt(sqrt (abs(numWorkDays)) ) )
```
+ **Champ calculé** : tout champ calculé rapidement qui renvoie une `date` valeur.
**Example**
```
someOtherIntegerCalcField = (num_days * 2) + 12
addWorkDays(initDate, someOtherIntegerCalcField)
```
+ **Paramètre** : n'importe quel `datetime` paramètre rapide.
**Example**
```
addWorkDays(initDate, $param_numWorkDays)
```
+ Toute combinaison des valeurs d’argument énoncées ci-dessus.
## Type de retour
Entier
## Valeurs de sortie
Les valeurs de sortie attendues sont les suivantes :
+ Nombre entier positif (lorsque start\$1date < end\$1date)
+ Nombre entier négatif (lorsque start\$1date > end\$1date)
+ NULL lorsque l'un ou les deux arguments reçoivent une valeur nulle de la fonction `dataset field`.
## Erreurs d’entrée
Les valeurs d’argument non autorisées provoquent des erreurs, comme le montrent les exemples suivants.
+ L’utilisation d’un littéral NULL comme argument dans l’expression n’est pas autorisée.
**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.
```
+ L’utilisation d’une chaîne littérale comme argument, ou de tout autre type de données autre qu’une date, dans l’expression n’est pas autorisée. Dans l’exemple suivant, la chaîne **"2022-08-10"** ressemble à une date, mais il s’agit en fait d’une chaîne de caractères. Pour l’utiliser, vous devez utiliser une fonction qui convertit le type de données en date.
**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.
```
## Exemple
Un entier positif en tant qu’argument `numWorkDays` produira une date dans le futur de la date d’entrée. Un entier négatif comme argument `numWorkDays` donnera une date résultante dans le passé de la date d’entrée. Une valeur nulle pour l’argument `numWorkDays` donne la même valeur que la date d’entrée, qu’elle tombe ou non un jour ouvrable ou un week-end.
La fonction `addWorkDays` opère à la granularité : `DAY`. La précision ne peut être préservée à une granularité inférieure ou supérieure au niveau `DAY`.
```
addWorkDays(startDate, endDate)
```
Supposons qu’il existe un champ nommé `employmentStartDate` avec les valeurs suivantes :
```
2022-08-10 2022-08-06 2022-08-07
```
En utilisant le champ ci-dessus et les calculs suivants, `addWorkDays` renvoie les valeurs modifiées comme indiqué ci-dessous :
```
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
```
L’exemple suivant calcule la prime totale au prorata à verser à chaque employé pour deux ans, en fonction du nombre de jours de travail effectif de chaque employé.
```
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/fr_fr/quick/latest/userguide/images/addWorkDays-function-example.png)
# Abs
`abs` renvoie la valeur absolue d’une expression donnée.
## Syntaxe
```
abs(expression)
```
## Arguments
*expression*
L’expression doit être numérique. Il peut s’agir d’un nom de champ, d’une valeur littérale ou d’une autre fonction.
# Ceil
`ceil` arrondi une valeur décimale à l’entier supérieur le plus proche. Par exemple, `ceil(29.02)` renvoie `30`.
## Syntaxe
```
ceil(decimal)
```
## Arguments
*decimal*
Un champ qui utilise le type de données décimale, une valeur littérale comme **17.62** ou un appel à une autre fonction qui génère un nombre décimal.
## Type de retour
Entier
## Exemple
L’exemple suivant arrondit un champ décimal à la valeur supérieure la plus proche.
```
ceil(salesAmount)
```
Les valeurs suivantes sont celles du champ donné.
```
20.13
892.03
57.54
```
Pour ces valeurs, les valeurs suivantes sont renvoyées.
```
21
893
58
```
# Coalesce
`coalesce` renvoie la valeur du premier argument qui n’est pas null. Lorsqu’une valeur non null est trouvée, les autres arguments de la liste ne sont pas évalués. Si tous les arguments sont nuls, le résultat est nul. Les chaînes de longueur 0 sont des valeurs valides et ne sont pas considérées comme équivalentes à null.
## Syntaxe
```
coalesce(expression1, expression2 [, expression3, ...])
```
## Arguments
`coalesce` prend deux expressions ou plus comme arguments. Toutes les expressions doivent posséder le même type de données ou pouvoir être implicitement converties dans le même type de données.
*expression*
L’expression peut être de type numérique, datetime ou chaîne. Il peut s’agir d’un nom de champ, d’une valeur littérale ou d’une autre fonction.
## Type de retour
`coalesce` renvoie une valeur du même type de données que les arguments en entrée.
## Exemple
L’exemple suivant récupère l’adresse de facturation d’un client si elle existe, l’adresse physique si aucune adresse de facturation n’existe, ou renvoie « No address listed » si aucune adresse n’est disponible.
```
coalesce(billingAddress, streetAddress, 'No address listed')
```
# Concat
`concat` concatène deux chaînes et plus.
## Syntaxe
```
concat(expression1, expression2 [, expression3 ...])
```
## Arguments
`concat`La fonction prend deux ou plus expressions de chaîne comme arguments.
*expression*
L’expression doit être une chaîne. Il peut s’agir du nom d’un champ qui utilise le type de données de chaîne, d’une valeur littérale comme **'12 Main Street'** ou d’un appel à une autre fonction qui renvoie une chaîne.
## Type de retour
String
## Exemples
L’exemple suivant concatène trois champs de chaînes et ajoute les espaces correspondants.
```
concat(salutation, ' ', firstName, ' ', lastName)
```
Les valeurs suivantes sont celles du champ donné.
```
salutation firstName lastName
-------------------------------------------------------
Ms. Li Juan
Dr. Ana Carolina Silva
Mr. Nikhil Jayashankar
```
Pour ces valeurs, les valeurs suivantes sont renvoyées.
```
Ms. Li Juan
Dr. Ana Carolina Silva
Mr. Nikhil Jayashankar
```
L’exemple suivant concatène deux littéraux de chaîne.
```
concat('Hello', 'world')
```
La valeur suivante est renvoyée.
```
Helloworld
```
# contains
`contains` évalue si la sous-chaîne que vous spécifiez existe dans une expression. Si l’expression contient la sous-chaîne, contains renvoie un résultat vrai, sinon il renvoie un résultat faux.
## Syntaxe
```
contains(expression, substring, string-comparison-mode)
```
## Arguments
*expression*
L’expression doit être une chaîne. Il peut s’agir du nom d’un champ qui utilise le type de données de chaîne, d’une valeur littérale comme **'12 Main Street'** ou d’un appel à une autre fonction qui renvoie une chaîne.
*substring*
L’ensemble des caractères à vérifier par rapport à l’*expression*. La sous-chaîne peut être contenue une ou plusieurs fois dans l’*expression*.
*string-comparison-mode*
(Facultatif) Spécifie le mode de comparaison de chaînes à utiliser :
+ `CASE_SENSITIVE` – Les comparaisons de chaînes sont sensibles à la casse.
+ `CASE_INSENSITIVE` – Les comparaisons de chaînes sont insensibles à la casse.
La valeur par défaut est `CASE_SENSITIVE` lorsqu’elle est vide.
## Type de retour
Booléen
## Exemples
### Exemple de sensibilité à la casse par défaut
L’exemple suivant, sensible à la casse, évalue si `state_nm` contient **New**.
```
contains(state_nm, "New")
```
Les valeurs suivantes sont celles du champ donné.
```
New York
new york
```
Pour ces valeurs, les valeurs suivantes sont renvoyées.
```
true
false
```
### Exemple insensible à la casse
L’exemple suivant, insensible à la casse, évalue si `state_nm` contient **new**.
```
contains(state_nm, "new", CASE_INSENSITIVE)
```
Les valeurs suivantes sont celles du champ donné.
```
New York
new york
```
Pour ces valeurs, les valeurs suivantes sont renvoyées.
```
true
true
```
### Exemple avec des instructions conditionnelles
La fonction contains peut être utilisée comme instruction conditionnelle dans les fonctions If suivantes : [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) et [varpIf](https://docs.aws.amazon.com/quicksight/latest/user/varpIf-function.html).
L’exemple suivant additionne `Sales` uniquement si `state_nm` contient **New**.
```
sumIf(Sales,contains(state_nm, "New"))
```
### Exemple « ne contient PAS »
L’opérateur conditionnel `NOT` peut être utilisé pour évaluer si l’expression ne contient pas la sous-chaîne spécifiée.
```
NOT(contains(state_nm, "New"))
```
### Exemple d’utilisation de valeurs numériques
Des valeurs numériques peuvent être utilisées dans les arguments d’expression ou de sous-chaîne en appliquant la fonction `toString`.
```
contains(state_nm, toString(5) )
```
# decimalToInt
`decimalToInt` convertit une valeur décimale au type de données d’entier en supprimant la virgule et tous les chiffres après. `decimalToInt` ne s’arrondit pas. Par exemple, `decimalToInt(29.99)` renvoie `29`.
## Syntaxe
```
decimalToInt(decimal)
```
## Arguments
*decimal*
Un champ qui utilise le type de données décimale, une valeur littérale comme **17.62** ou un appel à une autre fonction qui génère un nombre décimal.
## Type de retour
Entier
## Exemple
L’exemple suivant convertit un champ décimal en nombre entier.
```
decimalToInt(salesAmount)
```
Les valeurs suivantes sont celles du champ donné.
```
20.13
892.03
57.54
```
Pour ces valeurs, les valeurs suivantes sont renvoyées.
```
20
892
57
```
# dateDiff
`dateDiff` renvoie la différence en nombre de jours entre deux champs de date. Si vous incluez une valeur pour la période, `dateDiff` renvoie la différence sous forme d’intervalle de la période, plutôt qu’en jours.
## Syntaxe
```
dateDiff(date1, date2,[period])
```
## Arguments
`dateDiff` prend deux dates comme arguments. La spécification d’une période est facultative.
*date 1*
La première date de la comparaison. Un champ de date ou un appel à une autre fonction qui génère une date.
*date 2*
La deuxième date de la comparaison. Un champ de date ou un appel à une autre fonction qui génère une date.
*point*
La période de différence que vous voulez renvoyer, entre guillemets. Les périodes valides sont les suivantes :
+ AAAA : renvoie la partie de la date correspondant à l’année.
+ Q : Cela renvoie la date du premier jour du trimestre auquel la date appartient.
+ MM : renvoie la partie de la date correspondant au mois.
+ DD : renvoie la partie de la date correspondant au jour.
+ WK : renvoie la partie de la date correspondant à la semaine. La semaine commence le dimanche sur Amazon Quick.
+ HH : renvoie la partie de la date correspondant à l’heure.
+ MI : renvoie la partie de la date correspondant à la minute.
+ SS : renvoie la deuxième partie de la date.
+ MS : renvoie la partie milliseconde de la date.
## Type de retour
Entier
## Exemple
L’exemple suivant retourne la différence entre deux dates.
```
dateDiff(orderDate, shipDate, "MM")
```
Les valeurs suivantes sont celles du champ donné.
```
orderDate shipdate
=============================
01/01/18 03/05/18
09/13/17 10/20/17
```
Pour ces valeurs, les valeurs suivantes sont renvoyées.
```
2
1
```
# endsWith
`endsWith` évalue si l’expression se termine par une sous-chaîne que vous spécifiez. Si l’expression se termine par la sous-chaîne, `endsWith` renvoie vrai, sinon il renvoie faux.
## Syntaxe
```
endsWith(expression, substring, string-comparison-mode)
```
## Arguments
*expression*
L’expression doit être une chaîne. Il peut s’agir du nom d’un champ qui utilise le type de données de chaîne, d’une valeur littérale comme **'12 Main Street'** ou d’un appel à une autre fonction qui renvoie une chaîne.
*substring*
L’ensemble des caractères à vérifier par rapport à l’*expression*. La sous-chaîne peut être contenue une ou plusieurs fois dans l’*expression*.
*string-comparison-mode*
(Facultatif) Spécifie le mode de comparaison de chaînes à utiliser :
+ `CASE_SENSITIVE` – Les comparaisons de chaînes sont sensibles à la casse.
+ `CASE_INSENSITIVE` – Les comparaisons de chaînes sont insensibles à la casse.
La valeur par défaut est `CASE_SENSITIVE` lorsqu’elle est vide.
## Type de retour
Booléen
## Exemples
### Exemple de sensibilité à la casse par défaut
L’exemple suivant, sensible à la casse, évalue si `state_nm` se termine par **"York"**.
```
endsWith(state_nm, "York")
```
Les valeurs suivantes sont celles du champ donné.
```
New York
new york
```
Pour ces valeurs, les valeurs suivantes sont renvoyées.
```
true
false
```
### Exemple insensible à la casse
L’exemple suivant, insensible à la casse, évalue si `state_nm` se termine par **"york"**.
```
endsWith(state_nm, "york", CASE_INSENSITIVE)
```
Les valeurs suivantes sont celles du champ donné.
```
New York
new york
```
Pour ces valeurs, les valeurs suivantes sont renvoyées.
```
true
true
```
### Exemple avec des instructions conditionnelles
La fonction `endsWith` peut être utilisée comme instruction conditionnelle dans les fonctions If suivantes : [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) et [varpIf](https://docs.aws.amazon.com/quicksight/latest/user/varpIf-function.html).
L’exemple suivant additionne `Sales` uniquement si `state_nm` se termine par **"York"**.
```
sumIf(Sales,endsWith(state_nm, "York"))
```
### Exemple « ne contient PAS »
L’opérateur conditionnel `NOT` peut être utilisé pour évaluer si l’expression ne commence pas par la sous-chaîne spécifiée.
```
NOT(endsWith(state_nm, "York"))
```
### Exemple d’utilisation de valeurs numériques
Des valeurs numériques peuvent être utilisées dans les arguments d’expression ou de sous-chaîne en appliquant la fonction `toString`.
```
endsWith(state_nm, toString(5) )
```
# epochDate
`epochDate`[convertit une date d'époque en une date standard au format YYYY-MM-DD **T** KK:MM:SS.sss **Z**, en utilisant la syntaxe du modèle de format spécifiée dans Class dans la documentation du projet Joda. DateTimeFormat](http://www.joda.org/joda-time/apidocs/org/joda/time/format/DateTimeFormat.html) Par exemple : `2015-10-15T19:11:51.003Z`.
`epochDate`est compatible avec des analyses basées sur des ensembles de données stockés dans Quick (SPICE).
## Syntaxe
```
epochDate(epochdate)
```
## Arguments
*epochdate*
Date d’époque, qui est une représentation sous forme d’un nombre entier d’une date en tant que nombre de secondes depuis 00:00:00 UTC, le 1er janvier 1970.
*epochdate* doit être un entier. Ce peut être le nom d’un champ qui utilise le type de données entier, une valeur d’entier littérale ou un appel à une autre fonction qui génère un nombre entier. Si la valeur entière est supérieure à 10 chiffres, les chiffres après la 10e place sont ignorés.
## Type de retour
Date
## Exemple
L’exemple suivant convertit une date d’époque en date standard.
```
epochDate(3100768000)
```
La valeur suivante est renvoyée.
```
2068-04-04T12:26:40.000Z
```
# Exp
`exp` renvoie la base du journal naturel e élevé à la puissance d’une expression donnée.
## Syntaxe
```
exp(expression)
```
## Arguments
*expression*
L’expression doit être numérique. Il peut s’agir d’un nom de champ, d’une valeur littérale ou d’une autre fonction.
# Extract
`extract` renvoie une partie spécifiée d’une valeur de date. Demander une partie liée à l’heure d’une date qui ne contient pas d’informations sur le temps retourne 0.
## Syntaxe
```
extract(period, date)
```
## Arguments
*point*
Période que vous souhaitez extraire de la valeur de date. Les périodes valides sont les suivantes :
+ AAAA : renvoie la partie de la date correspondant à l’année.
+ Q : Cela renvoie le trimestre auquel appartient la date (1–4).
+ MM : renvoie la partie de la date correspondant au mois.
+ DD : renvoie la partie de la date correspondant au jour.
+ WD : renvoie le jour de la semaine sous la forme d’un nombre entier, dimanche étant 1.
+ HH : renvoie la partie de la date correspondant à l’heure.
+ MI : renvoie la partie de la date correspondant à la minute.
+ SS : renvoie la deuxième partie de la date.
+ MS : renvoie la partie milliseconde de la date.
**Note**
L’extraction des millisecondes n’est pas prise en charge dans les bases de données Presto inférieures à la version 0.216.
*date*
Un champ de date ou un appel à une autre fonction qui génère une date.
## Type de retour
Entier
## Exemple
L’exemple suivant extrait le jour d’une valeur de date.
```
extract('DD', orderDate)
```
Les valeurs suivantes sont celles du champ donné.
```
orderDate
=========
01/01/14
09/13/16
```
Pour ces valeurs, les valeurs suivantes sont renvoyées.
```
01
13
```
# Floor
`floor` diminue une décimale valeur à l’entier inférieur le plus proche. Par exemple, `floor(29.08)` renvoie `29`.
## Syntaxe
```
floor(decimal)
```
## Arguments
*decimal*
Un champ qui utilise le type de données décimale, une valeur littérale comme **17.62** ou un appel à une autre fonction qui génère un nombre décimal.
## Type de retour
Entier
## Exemple
L’exemple suivant diminue un champ décimal à l’entier inférieur le plus proche.
```
floor(salesAmount)
```
Les valeurs suivantes sont celles du champ donné.
```
20.13
892.03
57.54
```
Pour ces valeurs, les valeurs suivantes sont renvoyées.
```
20
892
57
```
# formatDate
`formatDate` met en forme une date à l’aide d’un modèle que vous spécifiez. Lorsque vous préparez des données, vous pouvez utiliser `formatDate` pour reformater la date. Pour reformater une date dans une analyse, vous choisissez l’option de format dans le menu contextuel du champ de date.
## Syntaxe
```
formatDate(date, ['format'])
```
## Arguments
*date*
Un champ de date ou un appel à une autre fonction qui génère une date.
*format*
(Facultatif) Chaîne contenant le modèle de format à appliquer. Cet argument accepte les modèles de format spécifiés dans [Formats de date pris en charge](https://docs.aws.amazon.com/quicksight/latest/user/supported-date-formats.html).
Si vous ne spécifiez aucun format, le format par défaut est AAAA-MM-JJ**T**kk:mm:ss:SSS.
## Type de retour
String
## Exemple
L’exemple suivant met en forme une date UTC.
```
formatDate(orderDate, 'dd-MMM-yyyy')
```
Les valeurs suivantes sont celles du champ donné.
```
order date
=========
2012-12-14T00:00:00.000Z
2013-12-29T00:00:00.000Z
2012-11-15T00:00:00.000Z
```
Pour ces valeurs, les valeurs suivantes sont renvoyées.
```
13 Dec 2012
28 Dec 2013
14 Nov 2012
```
## Exemple
Si la date contient des guillemets simples ou des apostrophes, par exemple `yyyyMMdd'T'HHmmss`, vous pouvez gérer ce format de date en utilisant l’une des méthodes suivantes.
+ Mettez la date entière entre guillemets doubles, comme indiqué dans l’exemple suivant :
```
formatDate({myDateField}, "yyyyMMdd'T'HHmmss")
```
+ Mettez une barre oblique inverse ( `\` ) à gauche des guillemets simples ou des apostrophes, comme indiqué dans l’exemple suivant :
```
formatDate({myDateField}, 'yyyyMMdd\'T\'HHmmss')
```
# Ifelse
`ifelse` évalue un ensemble de paires d’expressions *if*, *then* et renvoie la valeur de l’argument *then* pour le premier argument *if* ayant la valeur true. Si aucun des arguments *if* n’a la valeur true, la valeur de l’argument *else* est renvoyée.
## Syntaxe
```
ifelse(if-expression-1, then-expression-1 [, if-expression-n, then-expression-n ...], else-expression)
```
## Arguments
L’opérateur `ifelse` nécessite une ou plusieurs paires d’expressions *if*,*then* et requiert exactement une expression pour l’argument *else*.
*if-expression*
Expression à évaluer comme ayant ou non la valeur true. Il peut s’agir d’un nom de champ comme **address1**, d’une valeur littérale comme **'Unknown'** ou d’une autre fonction comme `toString(salesAmount)`. Par exemple : `isNotNull(FieldName)`.
Si vous utilisez plusieurs opérateurs AND et OR dans l’argument `if`, placez les instructions entre parenthèses pour identifier l’ordre de traitement. Par exemple, l’argument `if` suivant renvoie des enregistrements avec un mois 1, 2 ou 5 et l’année 2000.
```
ifelse((month = 5 OR month < 3) AND year = 2000, 'yes', 'no')
```
L’argument `if` suivant utilise les mêmes opérateurs, mais renvoie des enregistrements avec un mois 5 et n’importe quelle année, ou avec un mois 1 ou 2 et l’année 2000.
```
ifelse(month = 5 OR (month < 3 AND year = 2000), 'yes', 'no')
```
*then-expression*
L’expression à renvoyer si aucun des arguments *if* n’a la valeur « true ». Il peut s’agir d’un nom de champ comme **address1**, d’une valeur littérale comme **'Unknown'** ou d’un appel à une autre fonction. L’expression doit avoir le même type de données que les autres arguments `then` et l’argument `else`.
*else-expression*
Expression à renvoyer si aucun des arguments *if* n’a la valeur true. Il peut s’agir d’un nom de champ comme **address1**, d’une valeur littérale comme **'Unknown'** ou d’une autre fonction comme `toString(salesAmount)`. L’expression doit avoir le même type de données que tous les arguments `then`.
## Type de retour
`ifelse` renvoie une valeur du même type de données que les valeurs de *then-expression*. Toutes les données renvoyées par les expressions *then* et *else* doivent être du même type de données ou être converties dans le même type de données.
## Exemples
L’exemple suivant génère une colonne d’alias pour le champ `country`.
```
ifelse(country = "United States", "US", country = "China", "CN", country = "India", "IN", "Others")
```
Pour de tels cas d’utilisation, il est recommandé d’évaluer chaque valeur d’un champ par rapport à une liste de littéraux et de renvoyer le résultat correspondant à la première valeur correspondante, ce qui simplifie votre travail. L’exemple précédent peut être réécrit sous la forme suivante en utilisant [https://docs.aws.amazon.com/quicksight/latest/user/switch-function.html](https://docs.aws.amazon.com/quicksight/latest/user/switch-function.html) :
```
switch(country,"United States","US","China","CN","India","IN","Others")
```
L’exemple suivant classe les ventes par client en niveaux lisibles par l’homme.
```
ifelse(salesPerCustomer < 1000, “VERY_LOW”, salesPerCustomer < 10000, “LOW”, salesPerCustomer < 100000, “MEDIUM”, “HIGH”)
```
L’exemple suivant utilise AND, OR et NOT pour comparer plusieurs expressions à l’aide d’opérateurs conditionnels afin de baliser les meilleurs clients hors (NOT) Washington et Oregon bénéficiant d’une promotion spéciale, qui ont réalisé plus de 10 commandes. Si aucune valeur n’est retournée, la valeur `'n/a'` est utilisée.
```
ifelse(( (NOT (State = 'WA' OR State = 'OR')) AND Orders > 10), 'Special Promotion XYZ', 'n/a')
```
Les exemples suivants utilisent uniquement OR pour générer une nouvelle colonne contenant le nom du continent correspondant à chaque `country`.
```
ifelse(country = "United States" OR country = "Canada", "North America", country = "China" OR country = "India" OR country = "Japan", "Asia", "Others")
```
L’exemple précédent peut être simplifié comme le montre l’exemple suivant. L’exemple suivant utilise `ifelse` et [https://docs.aws.amazon.com/quicksight/latest/user/in-function.html](https://docs.aws.amazon.com/quicksight/latest/user/in-function.html) pour créer une valeur dans une nouvelle colonne pour toute ligne où la valeur testée se trouve dans une liste littérale. Vous pouvez également utiliser `ifelse` avec [https://docs.aws.amazon.com/quicksight/latest/user/notIn-function.html](https://docs.aws.amazon.com/quicksight/latest/user/notIn-function.html).
```
ifelse(in(country,["United States", "Canada"]), "North America", in(country,["China","Japan","India"]),"Asia","Others")
```
Les auteurs peuvent enregistrer une liste littérale dans un paramètre multivaleur et l’utiliser dans les fonctions [https://docs.aws.amazon.com/quicksight/latest/user/in-function.html](https://docs.aws.amazon.com/quicksight/latest/user/in-function.html) ou [https://docs.aws.amazon.com/quicksight/latest/user/notIn-function.html](https://docs.aws.amazon.com/quicksight/latest/user/notIn-function.html). L’exemple suivant est un équivalent de l’exemple précédent, sauf que les listes littérales sont stockées dans deux paramètres multivaleur.
```
ifelse(in(country,${NorthAmericaCountryParam}), "North America", in(country,${AsiaCountryParam}),"Asia", "Others")
```
L’exemple suivant attribue un groupe à un enregistrement de vente basé sur le total des ventes. La structure de chaque phrase `if-then` imite le comportement de *between*, un mot-clé qui ne fonctionne pas actuellement dans les expressions de champs calculés. Par exemple, le résultat de la comparaison `salesTotal >= 0 AND salesTotal < 500` renvoie les mêmes valeurs que la comparaison SQL `salesTotal between 0 and 499`.
```
ifelse(salesTotal >= 0 AND salesTotal < 500, 'Group 1', salesTotal >= 500 AND salesTotal < 1000, 'Group 2', 'Group 3')
```
L’exemple suivant teste la présence d’une valeur NULL en utilisant `coalesce` pour renvoyer la première valeur non NULL. Au lieu de devoir vous souvenir de la signification d’une valeur NULL dans un champ de date, vous pouvez utiliser une description lisible. Si la date de déconnexion est NULL, l’exemple renvoie la date de suspension, sauf si les deux sont NULL. Dans ce cas, `coalesce(DiscoDate, SuspendDate, '12/31/2491')` renvoie `'12/31/2491'`. La valeur de retour doit correspondre aux autres types de données. Cette date peut sembler une valeur inhabituelle, mais une date du 25e siècle simule raisonnablement la « fin des temps », définie comme la date la plus élevée dans un datamart.
```
ifelse ( (coalesce(DiscoDate, SuspendDate, '12/31/2491') = '12/31/2491'), 'Active subscriber', 'Inactive subscriber')
```
Le texte suivant présente un exemple plus complexe dans un format plus lisible, afin de montrer qu’il n’est pas nécessaire de comprimer votre code en une seule longue ligne. Cet exemple prévoit des comparaisons multiples de la valeur d’un résultat d’enquête. Il gère les valeurs NULL potentielles pour ce champ et catégorise deux plages acceptables. Il identifie également une plage qui nécessite davantage de tests et une autre qui n’est pas valide (hors plage). Pour toutes les valeurs restantes, il applique la condition `else` et indique que la ligne doit faire l’objet d’un nouveau test trois ans après la date qui y figure.
```
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})
)
)
)
```
L’exemple suivant attribue un nom de région créé « manuellement » à un groupe d’états. Il utilise également des espaces et des commentaires, enveloppés dans `/* */`, pour faciliter la maintenance du code.
```
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'
)
```
La logique du marquage des régions se décompose comme suit :
1. Nous dressons la liste des états que nous voulons pour chaque région, en plaçant chaque liste entre guillemets pour en faire une chaîne de caractères, comme suit :
+ `'New York, New Jersey, Connecticut, Vermont, Maine, Rhode Island, New Hampshire'`
+ `'Georgia, Alabama, South Carolina, Louisiana'`
+ Vous pouvez ajouter d’autres ensembles, ou utiliser des pays, des villes, des provinces ou des What3Words si vous le voulez.
1. Nous demandons si la valeur de `State` (pour chaque ligne) se trouve dans la liste, en utilisant la fonction `locate` pour renvoyer une valeur non nulle si l’état se trouve dans la liste, comme suit.
```
locate('New York, New Jersey, Connecticut, Vermont, Maine, Rhode Island, New Hampshire',{State})
and
locate('Georgia, Alabama, South Carolina, Louisiana',{State})
```
1. La fonction `locate` renvoie un nombre au lieu de `TRUE` ou `FALSE`, mais `ifelse` nécessite la valeur booléenne `TRUE`/`FALSE`. Pour contourner ce problème, nous pouvons comparer le résultat de `locate` à un nombre. Si l’état est dans la liste, la valeur de retour est supérieure à zéro.
1. Demandez si l’état est présent.
```
locate('New York, New Jersey, Connecticut, Vermont, Maine, Rhode Island, New Hampshire',{State}) > 0
```
1. S’il est présent dans la région, indiquez qu’il s’agit d’une région spécifique, dans ce cas la région du Nord-Est.
```
/*The if expression:*/ locate('New York, New Jersey, Connecticut, Vermont, Maine, Rhode Island, New Hampshire',{State}) > 0,
/*The then expression:*/ 'Northeast',
```
1. Parce que nous avons des états qui ne sont pas dans une liste, et parce que `ifelse` nécessite une seule expression `else`, nous fournissons `'Other Region'` comme étiquette pour les états restants.
```
/*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. Nous enveloppons tout cela dans la fonction `ifelse( )` pour obtenir la version finale. L’exemple suivant ne tient pas compte des états de la région du Sud-Est qui figuraient dans l’original. Vous pouvez les ajouter à la place de la balise *``*.
Si vous voulez ajouter d’autres régions, vous pouvez construire d’autres copies de ces deux lignes et modifier la liste des états en fonction de vos besoins. Vous pouvez changer le nom de la région pour quelque chose qui vous convient, et changer le nom du champ `State` pour tout ce dont vous avez besoin.
```
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'
)
```
**Note**
Il existe d’autres façons d’effectuer la comparaison initiale de l’expression if. Par exemple, supposons que vous posiez la question « Quels sont les États qui ne manquent pas dans cette liste ? » plutôt que « Quels sont les États qui figurent sur la liste ? » Dans ce cas, vous pouvez la formuler différemment. Vous pourriez comparer l’instruction locate à zéro pour trouver les valeurs manquantes dans la liste, puis utiliser l’opérateur NOT pour les classer comme « non manquantes », comme suit.
```
/*The if expression:*/ NOT (locate('New York, New Jersey, Connecticut, Vermont, Maine, Rhode Island, New Hampshire',{State}) = 0),
```
Les deux versions sont correctes. La version que vous choisissez doit être la plus logique pour vous et votre équipe, afin que vous puissiez la maintenir facilement. Si toutes les options semblent équivalentes, choisissez la plus simple.
# in
`in` évalue si une expression existe dans une liste littérale. Si la liste contient l’expression, in renvoie vrai, sinon il renvoie faux. `in` est sensible à la casse pour les entrées de type chaîne de caractères.
`in` accepte deux types de listes littérales : une liste saisie manuellement et un [paramètre multivaleur](https://docs.aws.amazon.com/quicksight/latest/user/parameters-in-quicksight.html).
## Syntaxe
Utilisation d’une liste saisie manuellement :
```
in(expression, [literal-1, ...])
```
Utilisation d’un paramètre multivaleur :
```
in(expression, $multivalue_parameter)
```
## Arguments
*expression*
L’expression à comparer aux éléments de la liste littérale. Il peut s’agir d’un nom de champ comme `address`, d’une valeur littérale comme « **Unknown** », d’un paramètre à valeur unique ou d’un appel à une autre fonction scalaire, à condition que cette fonction ne soit pas une fonction d’agrégation ou un calcul de table.
*liste littérale*
(obligatoire) Il peut s’agir d’une liste saisie manuellement ou d’un paramètre multivaleur. Cet argument accepte jusqu’à 5 000 éléments. Toutefois, dans le cas d’une interrogation directe d’une source de données tierce, par exemple Oracle ou Teradata, la restriction peut être inférieure.
+ ***liste saisie manuellement*** – Une ou plusieurs valeurs littérales dans une liste à comparer à l’expression. La liste doit être placée entre crochets. Toutes les valeurs littérales à comparer doivent avoir le même type de données que l’expression.
+ ***paramètre multivaleur*** – Un paramètre multivaleur prédéfini transmis sous la forme d’une liste littérale. Le paramètre multivaleur doit avoir le même type de données que l’expression.
## Type de retour
Valeur booléenne : TRUE/FALSE
## Exemple avec une liste statique
L’exemple suivant évalue le champ `origin_state_name` pour les valeurs d’une liste de chaînes de caractères. Lors de la comparaison des entrées de type chaîne de caractères, `in` ne prend en charge que la comparaison sensible à la casse.
```
in(origin_state_name,["Georgia", "Ohio", "Texas"])
```
Les valeurs suivantes sont celles du champ donné.
```
"Washington"
"ohio"
"Texas"
```
Pour ces valeurs, les valeurs suivantes sont renvoyées.
```
false
false
true
```
La troisième valeur de retour est vraie car seul « Texas » fait partie des valeurs incluses.
L’exemple suivant évalue le champ `fl_date` pour les valeurs d’une liste de chaînes de caractères. Afin de faire correspondre le type, `toString` est utilisé pour convertir le type de date en type de chaîne.
```
in(toString(fl_date),["2015-05-14","2015-05-15","2015-05-16"])
```
![\[Une image des résultats de l’exemple de fonction, présentés sous forme de tableau.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/in-function-example-manual-list.png)
Les valeurs littérales et les valeurs NULL sont prises en charge dans l’argument de l’expression pour être comparées aux valeurs littérales de la liste. Les deux exemples suivants génèrent une nouvelle colonne de valeurs VRAIES.
```
in("Washington",["Washington","Ohio"])
```
```
in(NULL,[NULL,"Ohio"])
```
## Exemple avec un paramètre mutivaleur
Supposons qu’un auteur crée un [paramètre multivaleur](https://docs.aws.amazon.com/quicksight/latest/user/parameters-in-quicksight.html) contenant une liste de tous les noms d’état. Il ajoute ensuite un contrôle permettant au lecteur de sélectionner des valeurs dans la liste.
Ensuite, le lecteur sélectionne trois valeurs (« Georgia », « Ohio » et « Texas ») dans le contrôle de liste déroulante du paramètre. Dans ce cas, l’expression suivante est équivalente au premier exemple, où ces trois noms d’état sont transmis en tant que liste littérale à comparer avec le champ `original_state_name`.
```
in (origin_state_name, ${stateName MultivalueParameter})
```
## Exemple avec `ifelse`
Le champ `in` peut être imbriqué dans d’autres fonctions en tant que valeur booléenne. Par exemple, les auteurs peuvent évaluer n’importe quelle expression dans une liste et renvoyer la valeur qu’ils veulent en utilisant `in` et `ifelse`. L’exemple suivant évalue si le `dest_state_name` d’un vol se trouve dans une liste particulière d’états américains et renvoie différentes catégories d’états sur la base de la comparaison.
```
ifelse(in(dest_state_name,["Washington", "Oregon","California"]), "WestCoastUSState", "Other US State")
```
![\[Une image des résultats de l’exemple de fonction, présentés sous forme de tableau.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/in-function-with-ifelse.png)
# intToDecimal
`intToDecimal` convertit une valeur d’entier en type de données décimales.
## Syntaxe
```
intToDecimal(integer)
```
## Arguments
*int*
Un champ qui utilise le type de données d’entier, une valeur littérale comme **14** ou un appel à une autre fonction qui génère un entier.
## Type de retour
Décimal (fixe) dans l'ancienne expérience de préparation des données.
Décimal (flottant) dans la nouvelle expérience de préparation des données.
## Exemple
L’exemple suivant convertit un champ d’entier en décimal.
```
intToDecimal(price)
```
Les valeurs suivantes sont celles du champ donné.
```
20
892
57
```
Pour ces valeurs, les valeurs suivantes sont renvoyées.
```
20.0
892.0
58.0
```
Vous pouvez appliquer un formatage dans une analyse, par exemple pour formater `price` comme devise.
# isNotNull
`isNotNull` évalue une expression pour voir si elle a la valeur not null. Si l’expression dispose d’une valeur non nulle, `isNotNull` renvoie la valeur « true », sinon, elle renvoie « false ».
## Syntaxe
```
isNotNull(expression)
```
## Arguments
*expression*
Expression à évaluer comme ayant ou non la valeur null. Il peut s’agir d’un nom de champ comme **address1** ou d’un appel à une autre fonction qui génère une chaîne.
## Type de retour
Booléen
## Exemple
L’exemple suivant évalue le champ sales\$1amount pour voir s’il contient des valeurs null.
```
isNotNull(salesAmount)
```
Les valeurs suivantes sont celles du champ donné.
```
20.13
(null)
57.54
```
Pour ces valeurs, les valeurs suivantes sont renvoyées.
```
true
false
true
```
# isNull
`isNull` évalue une expression pour voir si elle a la valeur null. Si l’expression dispose d’une valeur nulle, `isNull` renvoie la valeur « true », sinon, elle renvoie « false ».
## Syntaxe
```
isNull(expression)
```
## Arguments
*expression*
Expression à évaluer comme ayant ou non la valeur null. Il peut s’agir d’un nom de champ comme **address1** ou d’un appel à une autre fonction qui génère une chaîne.
## Type de retour
Booléen
## Exemple
L’exemple suivant évalue le champ sales\$1amount pour voir s’il contient des valeurs null.
```
isNull(salesAmount)
```
Les valeurs suivantes sont celles du champ donné.
```
20.13
(null)
57.54
```
Pour ces valeurs, les valeurs suivantes sont renvoyées.
```
false
true
false
```
L’exemple suivant teste la présence d’une valeur NULL dans une instruction `ifelse` et renvoie à la place une valeur lisible par l’homme.
```
ifelse( isNull({ActiveFlag}) , 'Inactive', 'Active')
```
# isWorkDay
`isWorkDay` évalue une valeur date-heure donnée pour déterminer s’il s’agit d’un jour ouvrable ou non.
`isWorkDay` suppose une semaine de travail standard de 5 jours commençant le lundi et se terminant le vendredi. Le samedi et le dimanche sont considérés comme des week-ends. La fonction calcule toujours son résultat à la granularité `DAY` et ne tient pas compte de la date d’entrée donnée.
## Syntaxe
```
isWorkDay(inputDate)
```
## Arguments
*inputDate*
La valeur date-heure que vous voulez évaluer. Les valeurs valides sont les suivantes :
+ Champs du jeu de données : tout champ `date` du jeu de données auquel vous ajoutez cette fonction.
+ Fonctions de date : toute date produite par une autre fonction `date`, par exemple `parseDate`.
+ Champs calculés : tout champ calculé rapidement qui renvoie une `date` valeur.
+ Paramètres : n'importe quel `DateTime` paramètre rapide.
## Type de retour
Entier (`0` ou `1`)
## Exemple
L’exemple suivant détermine si le champ `application_date` est un jour ouvrable ou non.
Supposons qu’il existe un champ nommé `application_date` avec les valeurs suivantes :
```
2022-08-10
2022-08-06
2022-08-07
```
Lorsque vous utilisez ces champs et ajoutez les calculs suivants, `isWorkDay` renvoie les valeurs ci-dessous :
```
isWorkDay({application_date})
1
0
0
```
L’exemple suivant filtre les employés dont l’emploi se termine un jour ouvrable et détermine si leur emploi a commencé un jour ouvrable ou un week-end à l’aide d’une mise en forme conditionnelle :
```
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/fr_fr/quick/latest/userguide/images/isWorkDay-example.png)
# Left
`left` retourne les caractères les plus à gauche d’une chaîne, y compris les espaces. Vous spécifiez le nombre de caractères à renvoyer.
## Syntaxe
```
left(expression, limit)
```
## Arguments
*expression*
L’expression doit être une chaîne. Il peut s’agir du nom d’un champ qui utilise le type de données de chaîne, d’une valeur littérale comme **'12 Main Street'** ou d’un appel à une autre fonction qui renvoie une chaîne.
*limit*
Nombre de caractères à renvoyer d’une *expression*, à partir du premier caractère de la chaîne.
## Type de retour
String
## Exemple
L’exemple suivant renvoie les 3 premiers caractères d’une chaîne.
```
left('Seattle Store #14', 3)
```
La valeur suivante est renvoyée.
```
Sea
```
# Locate
`locate` localise une sous-chaîne que vous spécifiez dans une autre chaîne et renvoie le nombre de caractères jusqu’au premier caractère de la sous-chaîne. La fonction renvoie 0 si elle ne trouve pas la sous-chaîne. La fonction est basée sur 1.
## Syntaxe
```
locate(expression, substring, start)
```
## Arguments
*expression*
L’expression doit être une chaîne. Il peut s’agir du nom d’un champ qui utilise le type de données de chaîne, d’une valeur littérale comme **'12 Main Street'** ou d’un appel à une autre fonction qui renvoie une chaîne.
*substring*
Jeu de caractères dans l’*expression* que vous souhaitez rechercher. La sous-chaîne peut être contenue une ou plusieurs fois dans l’*expression*.
*début*
(Facultatif) Si *substring* se produit plus d’une fois, utilisez *start* pour identifier dans la chaîne l’emplacement où la fonction doit commencer à chercher la sous-chaîne. Par exemple, imaginons que vous voulez trouver le deuxième exemple d’une sous-chaîne et que vous pensez qu’il se produit généralement après les 10 premiers caractères. Vous devez spécifier une valeur *start* de 10. Elle doit commencer à 1.
## Type de retour
Entier
## Exemples
L’exemple suivant renvoie des informations sur l’emplacement où la première occurrence de la sous-chaîne « and » apparaît dans une chaîne.
```
locate('1 and 2 and 3 and 4', 'and')
```
La valeur suivante est renvoyée.
```
3
```
L’exemple suivant renvoie des informations sur l’emplacement de la première occurrence de la sous-chaîne « and » dans une chaîne après le quatrième caractère.
```
locate('1 and 2 and 3 and 4', 'and', 4)
```
La valeur suivante est renvoyée.
```
9
```
# Log
`log` renvoie le logarithme de base 10 d’une expression donnée.
## Syntaxe
```
log(expression)
```
## Arguments
*expression*
L’expression doit être numérique. Il peut s’agir d’un nom de champ, d’une valeur littérale ou d’une autre fonction.
# Ln
`ln` renvoie le logarithme naturel d’une expression donnée.
## Syntaxe
```
ln(expression)
```
## Arguments
*expression*
L’expression doit être numérique. Il peut s’agir d’un nom de champ, d’une valeur littérale ou d’une autre fonction.
# Ltrim
`ltrim` supprime l’espace blanc précédent d’une chaîne.
## Syntaxe
```
ltrim(expression)
```
## Arguments
*expression*
L’expression doit être une chaîne. Il peut s’agir du nom d’un champ qui utilise le type de données de chaîne, d’une valeur littérale comme **'12 Main Street'** ou d’un appel à une autre fonction qui renvoie une chaîne.
## Type de retour
String
## Exemple
L’exemple suivant supprime les espaces précédents d’une chaîne.
```
ltrim(' Seattle Store #14')
```
La valeur suivante est renvoyée.
```
Seattle Store #14
```
# Mod
Utilisez la fonction `mod` pour trouver la partie restante après avoir divisé le nombre par le diviseur. Vous pouvez utiliser la fonction `mod` ou l’opérateur modulo (%) de manière interchangeable.
## Syntaxe
```
mod(number, divisor)
```
```
number%divisor
```
## Arguments
*number*
Le nombre est l’entier positif que vous voulez diviser et pour lequel vous souhaitez trouver la partie restante.
*divisor*
Le diviseur est l’entier positif que vous utilisez pour diviser. Si le diviseur correspond à zéro, cette fonction renvoie une erreur lors de la division par 0.
## Exemple
Les exemples suivants renvoient le modulo de 17 lors de la division par 6. Le premier exemple utilise l’opérateur % et le second utilise la fonction mod.
```
17%6
```
```
mod( 17, 6 )
```
La valeur suivante est renvoyée.
```
5
```
# netWorkDays
`netWorkDays`renvoie le nombre de jours ouvrables entre les deux champs de date fournis ou même les valeurs de date personnalisées générées à l'aide d'autres fonctions de date rapide telles que `parseDate` ou `epochDate` sous forme de nombre entier.
`netWorkDays` suppose une semaine de travail standard de 5 jours commençant le lundi et se terminant le vendredi. Le samedi et le dimanche sont considérés comme des week-ends. Le calcul inclut à la fois `startDate` et `endDate`. La fonction opère et affiche les résultats pour la granularité DAY.
## Syntaxe
```
netWorkDays(startDate, endDate)
```
## Arguments
*startDate*
Il s’agit d’une date valide non NULL qui sert de date de début pour le calcul.
+ Champs du jeu de données : tout champ `date` du jeu de données auquel vous ajoutez cette fonction.
+ Fonctions de date : toute date produite par une autre fonction `date`, par exemple `parseDate`.
+ Champs calculés : tout champ calculé rapidement qui renvoie une `date` valeur.
+ Paramètres : n'importe quel `DateTime` paramètre rapide.
+ Toute combinaison des valeurs d’argument énoncées ci-dessus.
*endDate*
Une date valide non NULL qui sert de date de fin pour le calcul.
+ Champs du jeu de données : tout champ `date` du jeu de données auquel vous ajoutez cette fonction.
+ Fonctions de date : toute date produite par une autre fonction `date`, par exemple `parseDate`.
+ Champs calculés : tout champ calculé rapidement qui renvoie une `date` valeur.
+ Paramètres : n'importe quel `DateTime` paramètre rapide.
+ Toute combinaison des valeurs d’argument énoncées ci-dessus.
## Type de retour
Entier
## Valeurs de sortie
Les valeurs de sortie attendues sont les suivantes :
+ Nombre entier positif (lorsque start\$1date < end\$1date)
+ Nombre entier négatif (lorsque start\$1date > end\$1date)
+ NULL lorsque l’un ou les deux arguments reçoivent une valeur nulle de la fonction `dataset field`.
## Exemple
L’exemple suivant renvoie le nombre de jours ouvrables compris entre deux dates.
Supposons qu’il existe un champ nommé `application_date` avec les valeurs suivantes :
```
netWorkDays({startDate}, {endDate})
```
Les valeurs suivantes sont celles du champ donné.
```
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
```
L’exemple suivant calcule le nombre de jours travaillés par chaque employé et le salaire dépensé par jour pour chaque employé :
```
days_worked = netWorkDays({employment_start_date}, {employment_end_date})
salary_per_day = {salary}/{days_worked}
```
L’exemple suivant filtre les employés dont l’emploi se termine un jour ouvrable et détermine si leur emploi a commencé un jour ouvrable ou un week-end à l’aide d’une mise en forme conditionnelle :
```
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/fr_fr/quick/latest/userguide/images/netWorkDays-function-example.png)
# Now
Pour les jeux de données de base de données qui interrogent directement la base de données, `now` retourne la date et l’heure à l’aide des paramètres et du format spécifiés par le serveur de base de données. Pour les jeux de données SPICE et Salesforce, `now` retourne la date et l’heure UTC au format `yyyy-MM-ddTkk:mm:ss:SSSZ` (par exemple, 2015-10-15T19:11:51:003Z).
## Syntaxe
```
now()
```
## Type de retour
Date
# notIn
`notIn` évalue si une expression existe dans une liste littérale. Si la liste ne contient pas l’expression, `notIn` renvoie vrai, sinon il renvoie faux. `notIn` est sensible à la casse pour les entrées de type chaîne de caractères.
`notIn` accepte deux types de listes littérales : une liste saisie manuellement et un [paramètre multivaleur](https://docs.aws.amazon.com/quicksight/latest/user/parameters-in-quicksight.html).
## Syntaxe
Utilisation d’une liste saisie manuellement :
```
notIn(expression, [literal-1, ...])
```
Utilisation d’un paramètre multivaleur :
```
notIn(expression, $multivalue_parameter)
```
## Arguments
*expression*
L’expression à comparer aux éléments de la liste littérale. Il peut s’agir d’un nom de champ comme `address`, d’une valeur littérale comme « **Unknown** », d’un paramètre à valeur unique ou d’un appel à une autre fonction scalaire, à condition que cette fonction ne soit pas une fonction d’agrégation ou un calcul de table.
*liste littérale*
(obligatoire) Il peut s’agir d’une liste saisie manuellement ou d’un paramètre multivaleur. Cet argument accepte jusqu’à 5 000 éléments. Toutefois, dans le cas d’une interrogation directe d’une source de données tierce, par exemple Oracle ou Teradata, la restriction peut être inférieure.
+ ***liste saisie manuellement*** – Une ou plusieurs valeurs littérales dans une liste à comparer à l’expression. La liste doit être placée entre crochets. Toutes les valeurs littérales à comparer doivent avoir le même type de données que l’expression.
+ ***paramètre multivaleur*** – Un paramètre multivaleur prédéfini transmis sous la forme d’une liste littérale. Le paramètre multivaleur doit avoir le même type de données que l’expression.
## Type de retour
Valeur booléenne : TRUE/FALSE
## Exemple avec une liste saisie manuellement
L’exemple suivant évalue le champ `origin_state_name` pour les valeurs d’une liste de chaînes de caractères. Lors de la comparaison des entrées de type chaîne de caractères, `notIn` ne prend en charge que la comparaison sensible à la casse.
```
notIn(origin_state_name,["Georgia", "Ohio", "Texas"])
```
Les valeurs suivantes sont celles du champ donné.
```
"Washington"
"ohio"
"Texas"
```
Pour ces valeurs, les valeurs suivantes sont renvoyées.
```
true
true
false
```
La troisième valeur de retour est fausse car seul « Texas » fait partie des valeurs exclues.
L’exemple suivant évalue le champ `fl_date` pour les valeurs d’une liste de chaînes de caractères. Afin de faire correspondre le type, `toString` est utilisé pour convertir le type de date en type de chaîne.
```
notIn(toString(fl_date),["2015-05-14","2015-05-15","2015-05-16"])
```
![\[Une image des résultats de l’exemple de fonction, présentés sous forme de tableau.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/notin-function-example-manual-list.png)
Les valeurs littérales et les valeurs NULL sont prises en charge dans l’argument de l’expression pour être comparées aux valeurs littérales de la liste. Les deux exemples suivants génèrent une nouvelle colonne de valeurs FAUX.
```
notIn("Washington",["Washington","Ohio"])
```
```
notIn(NULL,[NULL,"Ohio"])
```
## Exemple avec un paramètre mutivaleur
Supposons qu’un auteur crée un [paramètre multivaleur](https://docs.aws.amazon.com/quicksight/latest/user/parameters-in-quicksight.html) contenant une liste de tous les noms d’état. Il ajoute ensuite un contrôle permettant au lecteur de sélectionner des valeurs dans la liste.
Ensuite, le lecteur sélectionne trois valeurs (« Georgia », « Ohio » et « Texas ») dans le contrôle de liste déroulante du paramètre. Dans ce cas, l’expression suivante est équivalente au premier exemple, où ces trois noms d’état sont transmis en tant que liste littérale à comparer avec le champ `original_state_name`.
```
notIn (origin_state_name, ${stateName MultivalueParameter})
```
## Exemple avec `ifelse`
Le champ `notIn` peut être imbriqué dans d’autres fonctions en tant que valeur booléenne. Par exemple, les auteurs peuvent évaluer n’importe quelle expression dans une liste et renvoyer la valeur qu’ils veulent en utilisant `notIn` et `ifelse`. L’exemple suivant évalue si le `dest_state_name` d’un vol se trouve dans une liste particulière d’états américains et renvoie différentes catégories d’états sur la base de la comparaison.
```
ifelse(notIn(dest_state_name,["Washington", "Oregon","California"]), "notWestCoastUSState", "WestCoastUSState")
```
![\[Une image des résultats de l’exemple de fonction, présentés sous forme de tableau.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/notin-function-with-ifelse.png)
# nullIf
`nullIf` compare deux expressions. Si elles sont égales, la fonction retourne null. Si elles ne sont pas égales, la fonction renvoie la première expression.
## Syntaxe
```
nullIf(expression1, expression2)
```
## Arguments
`nullIf` prend deux expressions comme arguments.
*expression*
L’expression peut être de type numérique, datetime ou chaîne. Il peut s’agir d’un nom de champ, d’une valeur littérale ou d’une autre fonction.
## Type de retour
String
## Exemple
L’exemple suivant retourne des valeurs nulles si la raison pour un délai d’expédition est inconnue.
```
nullIf(delayReason, 'unknown')
```
Les valeurs suivantes sont celles du champ donné.
```
delayReason
============
unknown
back ordered
weather delay
```
Pour ces valeurs, les valeurs suivantes sont renvoyées.
```
(null)
back ordered
weather delay
```
# parseDate
`parseDate`analyse une chaîne pour déterminer si elle contient une valeur de date et renvoie une date standard au format `yyyy-MM-ddTkk:mm:ss.SSSZ` (en utilisant la syntaxe du modèle de format spécifiée dans [Class DateTimeFormat](http://www.joda.org/joda-time/apidocs/org/joda/time/format/DateTimeFormat.html) dans la documentation du projet Joda), par exemple 2015-10-15T 19:11:51.003 Z. Cette fonction retourne toutes les lignes qui contiennent une date dans un format valide et ignore toutes les lignes qui n’en contiennent pas, y compris les lignes qui contiennent des valeurs null.
Quick prend en charge des dates comprises entre le 1er janvier 1900 00:00:00 UTC et le 31 décembre 2037 23:59:59 UTC. Pour plus d'informations, consultez la section [Formats de date pris en charge](https://docs.aws.amazon.com/quicksight/latest/user/supported-date-formats.html).
## Syntaxe
```
parseDate(expression, ['format'])
```
## Arguments
*expression*
L’expression doit être une chaîne. Il peut s’agir du nom d’un champ qui utilise le type de données de chaîne, d’une valeur littérale comme **'1/1/2016'** ou d’un appel à une autre fonction qui renvoie une chaîne.
*format*
(Facultatif) Une chaîne contenant le modèle de format auquel *date\$1string* doit correspondre. Par exemple, si vous utilisez un champ contenant des données telles que**01/03/2016**, vous spécifiez le format « MM/dd/yyyy ». Si vous ne spécifiez pas de format, la valeur par défaut est `yyyy-MM-dd`. Les lignes dont les données ne sont pas conformes au *format* sont ignorées.
Différents formats de date sont pris en charge en fonction du type de jeu de données utilisé. Consultez le tableau suivant pour obtenir des détails sur les formats de date pris en charge.
****
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/parseDate-function.html)
## Type de retour
Date
## Exemple
L’exemple suivant évalue `prodDate` pour déterminer si elle contient des valeurs de date.
```
parseDate(prodDate, 'MM/dd/yyyy')
```
Les valeurs suivantes sont celles du champ donné.
```
prodDate
--------
01-01-1999
12/31/2006
1/18/1982
7/4/2010
```
Pour ces valeurs de champs, les lignes suivantes sont renvoyées.
```
12-31-2006T00:00:00.000Z
01-18-1982T00:00:00.000Z
07-04-2010T00:00:00.000Z
```
# parseDecimal
`parseDecimal` analyse une chaîne pour déterminer si elle contient une valeur décimale. Cette fonction renvoie toutes les lignes contenant une valeur décimale, d’entier ou null et ignore toutes les lignes qui n’en contiennent pas. Si la ligne contient une valeur entière, elle est retournée sous forme décimale avec un maximum de 4 décimales. Par exemple, une valeur de « 2 » est retournée sous la forme « 2.0 ».
## Syntaxe
```
parseDecimal(expression)
```
## Arguments
*expression*
L’expression doit être une chaîne. Il peut s’agir du nom d’un champ qui utilise le type de données de chaîne, d’une valeur littérale comme **'9.62'** ou d’un appel à une autre fonction qui renvoie une chaîne.
## Type de retour
Décimal (fixe) dans l'ancienne expérience de préparation des données.
Décimal (flottant) dans la nouvelle expérience de préparation des données.
## Exemple
L’exemple suivant évalue `fee` pour déterminer si elle contient des valeurs décimales.
```
parseDecimal(fee)
```
Les valeurs suivantes sont celles du champ donné.
```
fee
--------
2
2a
12.13
3b
3.9
(null)
198.353398
```
Pour ces valeurs de champs, les lignes suivantes sont renvoyées.
```
2.0
12.13
3.9
(null)
198.3533
```
# parseInt
`parseInt` analyse une chaîne pour déterminer si elle contient une valeur d’entier. Cette fonction renvoie toutes les lignes contenant une valeur décimale, d’entier ou null et ignore toutes les lignes qui n’en contiennent pas. Si la ligne contient une valeur décimale, l’entier le plus proche est retourné, arrondi à une valeur inférieure. Par exemple, une valeur de « 2.99 » est retournée sous la forme « 2 ».
## Syntaxe
```
parseInt(expression)
```
## Arguments
*expression*
L’expression doit être une chaîne. Il peut s’agir du nom d’un champ qui utilise le type de données de chaîne, d’une valeur littérale comme **'3'** ou d’un appel à une autre fonction qui renvoie une chaîne.
## Type de retour
Entier
## Exemple
L’exemple suivant évalue `feeType` pour déterminer si elle contient des valeurs entières.
```
parseInt(feeType)
```
Les valeurs suivantes sont celles du champ donné.
```
feeType
--------
2
2.1
2a
3
3b
(null)
5
```
Pour ces valeurs de champs, les lignes suivantes sont renvoyées.
```
2
2
3
(null)
5
```
# parseJson
Utilisez `parseJson` pour extraire des valeurs d’un objet JSON.
Si votre jeu de données est stocké dans QuickSPICE, vous pouvez l'utiliser `parseJson` lorsque vous préparez un ensemble de données, mais pas dans des champs calculés lors de l'analyse.
Pour les requêtes directes, vous pouvez utiliser `parseJson` à la fois pendant la préparation des données et l’analyse. La fonction `parseJson` s’applique à des chaînes ou à des types de données JSON natif, selon le langage, comme indiqué dans le tableau suivant.
| Langage | Type |
| --- | --- |
| PostgreSQL | JSON |
| Amazon Redshift | String |
| Microsoft SQL Server | String |
| MySQL | JSON |
| Teradata | JSON |
| Oracle | String |
| Presto | String |
| Snowflake | Objet de type de données semi-structuré et tableau |
| Hive | String |
## Syntaxe
```
parseJson(fieldName, path)
```
## Arguments
*fieldName*
Champ contenant l’objet JSON que vous souhaitez analyser.
*chemin*
Chemin d’accès à l’élément de données que vous souhaitez analyser à partir de l’objet JSON. Seuls les lettres, les chiffres et les espaces vides sont pris en charge dans l’argument de chemin. Exemples de syntaxe de chemin valide :
+ *\$1* – Objet racine
+ *.* – Opérateur enfant
+ *[ ]* – Opérateur d’indice pour un tableau
## Type de retour
String
## Exemple
L’exemple suivant évalue le format JSON entrant pour récupérer une valeur pour la quantité d’éléments. En utilisant ces informations pendant la préparation des données, vous pouvez créer une table en dehors de JSON.
```
parseJson({jsonField}, “$.items.qty”)
```
L’exemple suivant illustre le format JSON.
```
{
"customer": "John Doe",
"items": {
"product": "Beer",
"qty": 6
},
"list1": [
"val1",
"val2"
],
"list2": [
{
"list21key1": "list1value1"
}
]
}
```
Dans cet exemple, la valeur suivante est renvoyée.
```
6
```
## Exemple
L’exemple suivant évalue `JSONObject1` afin d’extraire la première paire clé-valeur (KVP), nommée `"State"`, et d’attribuer la valeur au champ calculé que vous créez.
```
parseJson(JSONObject1, “$.state”)
```
Les valeurs suivantes sont celles du champ donné.
```
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"}
```
Pour ces valeurs de champs, les lignes suivantes sont renvoyées.
```
New York
North Carolina
Utah
```
# Replace
`replace` remplace la partie d’une chaîne par une autre chaîne que vous spécifiez.
## Syntaxe
```
replace(expression, substring, replacement)
```
## Arguments
*expression*
L’expression doit être une chaîne. Il peut s’agir du nom d’un champ qui utilise le type de données de chaîne, d’une valeur littérale comme **'12 Main Street'** ou d’un appel à une autre fonction qui renvoie une chaîne.
*substring*
Jeu de caractères dans l’*expression* que vous souhaitez remplacer. La sous-chaîne peut être contenue une ou plusieurs fois dans l’*expression*.
*replacement*
La chaîne que vous voulez remplacer pour *substring*.
## Type de retour
String
## Exemple
L’exemple suivant remplace la sous-chaîne « and » par « or ».
```
replace('1 and 2 and 3', 'and', 'or')
```
La chaîne suivante est retournée.
```
1 or 2 or 3
```
# Right
`right` retourne les caractères les plus à droite d’une chaîne, y compris les espaces. Vous spécifiez le nombre de caractères à renvoyer.
## Syntaxe
```
right(expression, limit)
```
## Arguments
*expression*
L’expression doit être une chaîne. Il peut s’agir du nom d’un champ qui utilise le type de données de chaîne, d’une valeur littérale comme **'12 Main Street'** ou d’un appel à une autre fonction qui renvoie une chaîne.
*limit*
Nombre de caractères à renvoyer d’une *expression*, à partir du dernier caractère de la chaîne.
## Type de retour
String
## Exemple
L’exemple suivant retourne les cinq derniers caractères d’une chaîne.
```
right('Seattle Store#14', 12)
```
La valeur suivante est renvoyée.
```
tle Store#14
```
# Round
`round` arrondit une valeur décimale au nombre entier plus proche si aucun ajustement n’est spécifié, ou à la décimale la plus proche si l’ajustement est sélectionné.
## Syntaxe
```
round(decimal, scale)
```
## Arguments
*decimal*
Un champ qui utilise le type de données décimale, une valeur littérale comme **17.62** ou un appel à une autre fonction qui génère un nombre décimal.
*échelle*
Le nombre de décimales à utiliser pour les valeurs retournées.
## Type de retour
| Opérande | Type de retour dans l'ancienne expérience de préparation des données | Type de retour dans la nouvelle expérience de préparation des données |
| --- | --- | --- |
| INT | DÉCIMAL (FIXE) | DÉCIMAL (FIXE) |
| DÉCIMAL (FIXE) | DÉCIMAL (FIXE) | DÉCIMAL (FIXE) |
| DÉCIMAL (FLOTTANT) | DÉCIMAL (FIXE) | DÉCIMAL (FLOTTANT) |
## Exemple
L’exemple suivant arrondit un champ décimal à la deuxième décimale la plus proche.
```
round(salesAmount, 2)
```
Les valeurs suivantes sont celles du champ donné.
```
20.1307
892.0388
57.5447
```
Pour ces valeurs, les valeurs suivantes sont renvoyées.
```
20.13
892.04
58.54
```
# Rtrim
`rtrim` supprime l’espace blanc suivant d’une chaîne.
## Syntaxe
```
rtrim(expression)
```
## Arguments
*expression*
L’expression doit être une chaîne. Il peut s’agir du nom d’un champ qui utilise le type de données de chaîne, d’une valeur littérale comme **'12 Main Street'** ou d’un appel à une autre fonction qui renvoie une chaîne.
## Type de retour
String
## Exemple
L’exemple suivant supprime les espaces suivants d’une chaîne.
```
rtrim('Seattle Store #14 ')
```
Pour ces valeurs, les valeurs suivantes sont renvoyées.
```
Seattle Store #14
```
# Split
`split` fractionne une chaîne en un tableau de sous-chaînes, sur la base d’un séparateur que vous choisissez, et renvoie l’élément spécifié par la position.
Vous pouvez ajouter `split` uniquement à un champ calculé lors de la préparation des données, et non à une analyse. Cette fonction n’est pas prise en charge dans les requêtes directes vers Microsoft SQL Server.
## Syntaxe
```
split(expression, delimiter , position)
```
## Arguments
*expression*
L’expression doit être une chaîne. Il peut s’agir du nom d’un champ qui utilise le type de données de chaîne, d’une valeur littérale comme **'12 Main Street;1402 35th Ave;1818 Elm Ct;11 Janes Lane'** ou d’un appel à une autre fonction qui renvoie une chaîne.
*delimiter*
Le caractère délimitant les endroits où la chaîne est divisée en sous-chaînes. Par exemple, `split('one|two|three', '|', 2)` change comme suit.
```
one
two
three
```
Si vous choisissez `position = 2`, `split` renvoie `'two'`.
*position*
(Obligatoire) La position de l’élément à renvoyer à partir du tableau. La position du premier élément du tableau est 1.
## Type de retour
Tableau de chaînes
## Exemple
L’exemple suivant scinde une chaîne dans un tableau, en utilisant le caractère point-virgule (;) comme délimiteur et renvoie le troisième élément du tableau.
```
split('123 Test St;1402 35th Ave;1818 Elm Ct;11 Janes Lane', ';', 3)
```
L’objet suivant est renvoyé.
```
1818 Elm Ct
```
Cette fonction ignore les éléments contenant des valeurs nulles ou des chaînes vides.
# Sqrt
`sqrt` renvoie la racine carrée d’une expression donnée.
## Syntaxe
```
sqrt(expression)
```
## Arguments
*expression*
L’expression doit être numérique. Il peut s’agir d’un nom de champ, d’une valeur littérale ou d’une autre fonction.
# startsWith
`startsWith` évalue si l’expression commence par une sous-chaîne que vous spécifiez. Si l’expression commence par la sous-chaîne, `startsWith` renvoie un résultat positif, sinon il renvoie un résultat négatif.
## Syntaxe
```
startsWith(expression, substring, string-comparison-mode)
```
## Arguments
*expression*
L’expression doit être une chaîne. Il peut s’agir du nom d’un champ qui utilise le type de données de chaîne, d’une valeur littérale comme **'12 Main Street'** ou d’un appel à une autre fonction qui renvoie une chaîne.
*substring*
L’ensemble des caractères à vérifier par rapport à l’*expression*. La sous-chaîne peut être contenue une ou plusieurs fois dans l’*expression*.
*string-comparison-mode*
(Facultatif) Spécifie le mode de comparaison de chaînes à utiliser :
+ `CASE_SENSITIVE` – Les comparaisons de chaînes sont sensibles à la casse.
+ `CASE_INSENSITIVE` – Les comparaisons de chaînes sont insensibles à la casse.
La valeur par défaut est `CASE_SENSITIVE` lorsqu’elle est vide.
## Type de retour
Booléen
## Exemples
### Exemple de sensibilité à la casse par défaut
L’exemple suivant, sensible à la casse, évalue si `state_nm` commence par **New**.
```
startsWith(state_nm, "New")
```
Les valeurs suivantes sont celles du champ donné.
```
New York
new york
```
Pour ces valeurs, les valeurs suivantes sont renvoyées.
```
true
false
```
### Exemple insensible à la casse
L’exemple suivant, insensible à la casse, évalue si `state_nm` commence par **new**.
```
startsWith(state_nm, "new", CASE_INSENSITIVE)
```
Les valeurs suivantes sont celles du champ donné.
```
New York
new york
```
Pour ces valeurs, les valeurs suivantes sont renvoyées.
```
true
true
```
### Exemple avec des instructions conditionnelles
La fonction `startsWith` peut être utilisée comme instruction conditionnelle dans les fonctions If suivantes : [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) et [varpIf](https://docs.aws.amazon.com/quicksight/latest/user/varpIf-function.html).
L’exemple suivant additionne `Sales` uniquement si state\$1nm commence par **New**.
```
sumIf(Sales,startsWith(state_nm, "New"))
```
### Exemple « ne contient PAS »
L’opérateur conditionnel `NOT` peut être utilisé pour évaluer si l’expression ne commence pas par la sous-chaîne spécifiée.
```
NOT(startsWith(state_nm, "New"))
```
### Exemple d’utilisation de valeurs numériques
Des valeurs numériques peuvent être utilisées dans les arguments d’expression ou de sous-chaîne en appliquant la fonction `toString`.
```
startsWith(state_nm, toString(5) )
```
# Strlen
`strlen` retourne le nombre de caractères dans une chaîne, y compris les espaces.
## Syntaxe
```
strlen(expression)
```
## Arguments
*expression*
Une expression peut être le nom d’un champ qui utilise le type de données string comme **address1**, une valeur littérale comme **'Unknown'** ou une autre fonction comme `substring(field_name,0,5)`.
## Type de retour
Entier
## Exemple
L’exemple suivant renvoie la longueur de chaîne spécifiée.
```
strlen('1421 Main Street')
```
La valeur suivante est renvoyée.
```
16
```
# Substring
`substring` renvoie les caractères contenus dans une chaîne, en commençant à l’emplacement spécifié par l’argument *start* en poursuivant pour obtenir le nombre de caractères spécifié par les arguments *length*.
## Syntaxe
```
substring(expression, start, length)
```
## Arguments
*expression*
Une expression peut être le nom d’un champ qui utilise le type de données string comme **address1**, une valeur littérale comme **'Unknown'** ou une autre fonction comme `substring(field_name,1,5)`.
*début*
Emplacement du caractère de départ. *start* est inclusif, ce qui signifie que le caractère de départ est le premier caractère dans la valeur retournée. La valeur minimale pour *début* est 1.
*longueur*
Nombre de caractères supplémentaires à inclure après *start*. *length* est inclusif de *start*, ce qui signifie que le dernier caractère renvoyé est (*length* - 1) après le caractère de départ.
## Type de retour
String
## Exemple
L’exemple suivant retourne les caractères de la 13e à la 19e position dans une chaîne. Le début de la chaîne est l’indice 1, vous commencez donc à compter à partir du premier caractère.
```
substring('Fantasy and Science Fiction',13,7)
```
La valeur suivante est renvoyée.
```
Science
```
# switch
`switch` compare une *expression-condition* avec les étiquettes littérales, dans un ensemble de paires d’étiquettes littérales et de *return-expression*. Il renvoie ensuite l’expression *return-expression* correspondant à la première étiquette littérale qui est égale à l’expression *condition-expression*. Si aucune étiquette n’est égale à l’expression *condition-expression*, `switch` renvoie l’expression *default-expression*. Chaque *return-expression* et *default-expression* doit avoir le même type de données.
## Syntaxe
```
switch(condition-expression, label-1, return-expression-1 [, label-n, return-expression-n ...],
default-expression)
```
## Arguments
L’opérateur `switch` nécessite une ou plusieurs paires d’expressions *if*,*then* et requiert exactement une expression pour l’argument *else*.
*condition-expression*
L’expression à comparer avec l’étiquette-littérale. Il peut s’agir d’un nom de champ comme `address`, d’une valeur littérale comme « `Unknown` » ou d’une autre fonction scalaire comme `toString(salesAmount)`.
*étiquette*
Le littéral à comparer avec l’argument de *condition-expression*, tous les littéraux doivent avoir le même type de données que l’argument de *condition-expression*. L’expression `switch` accepte jusqu’à 5000 étiquettes.
*return-expression*
L’expression à retourner si la valeur de son étiquette est égale à la valeur de *condition-expression*. Il peut s’agir d’un nom de champ comme `address`, d’une valeur littérale comme « `Unknown` » ou d’une autre fonction scalaire comme `toString(salesAmount)`. Tous les arguments de *return-expression* doivent avoir le même type de données que *default-expression*.
*default-expression*
L’expression à renvoyer si aucune valeur des arguments de l’étiquette n’est égale à la valeur de *condition-expression*. Il peut s’agir d’un nom de champ comme `address`, d’une valeur littérale comme « `Unknown` » ou d’une autre fonction scalaire comme `toString(salesAmount)`. *default-expression* doit avoir le même type de données que tous les arguments de *return-expression*.
## Type de retour
`switch` renvoie une valeur du même type de données que les valeurs de *return-expression*. Toutes les données renvoyées par *return-expression* et *default-expression* doivent être du même type de données ou être converties dans le même type de données.
## Exemples généraux
L'exemple suivant renvoie le Région AWS code du nom de la région d'entrée.
```
switch(region_name,
"US East (N. Virginia)", "us-east-1",
"Europe (Ireland)", "eu-west-1",
"US West (N. California)", "us-west-1",
"other regions")
```
Les valeurs suivantes sont celles du champ donné.
```
"US East (N. Virginia)"
"US West (N. California)"
"Asia Pacific (Tokyo)"
```
Pour ces valeurs, les valeurs suivantes sont renvoyées.
```
"us-east-1"
"us-west-1"
"other regions"
```
## Utilisation d’un commutateur pour remplacer `ifelse`
Le cas d’utilisation `ifelse` suivant est un équivalent de l’exemple précédent, mais pour `ifelse` évaluer si les valeurs d’un champ sont égales à des valeurs littérales différentes, il est préférable d’utiliser `switch` à la place.
```
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")
```
## Expression comme valeur de retour
L’exemple suivant utilise des expressions dans des *return-expressions* :
```
switch({origin_city_name},
"Albany, NY", {arr_delay} + 20,
"Alexandria, LA", {arr_delay} - 10,
"New York, NY", {arr_delay} * 2,
{arr_delay})
```
L’exemple précédent modifie le temps de retard prévu pour chaque vol au départ d’une ville donnée.
![\[Une image des résultats de l’exemple de fonction, présentés sous forme de tableau.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/switch-function-example.png)
# toLower
`toLower` met en forme une chaîne tout en minuscules. `toLower` ignore les lignes contenant des valeurs nulles.
## Syntaxe
```
toLower(expression)
```
## Arguments
*expression*
L’expression doit être une chaîne. Il peut s’agir du nom d’un champ qui utilise le type de données de chaîne, d’une valeur littérale comme **'12 Main Street'** ou d’un appel à une autre fonction qui renvoie une chaîne.
## Type de retour
String
## Exemple
L’exemple suivant convertit une valeur de chaîne en minuscules.
```
toLower('Seattle Store #14')
```
La valeur suivante est renvoyée.
```
seattle store #14
```
# toString
`toString` met en forme l’expression en entrée tout en minuscules. `toString` ignore les lignes contenant des valeurs nulles.
## Syntaxe
```
toString(expression)
```
## Arguments
*expression*
Une expression peut être un champ de n’importe quel type de donnée, une valeur littérale comme **14.62** ou un appel à une autre fonction qui renvoie n’importe quel type de données.
## Type de retour
String
## Exemple
L’exemple suivant renvoie les valeurs de `payDate` (qui utilise le type de données `date`) sous forme de chaînes.
```
toString(payDate)
```
Les valeurs suivantes sont celles du champ donné.
```
payDate
--------
1992-11-14T00:00:00.000Z
2012-10-12T00:00:00.000Z
1973-04-08T00:00:00.000Z
```
Pour ces valeurs de champs, les lignes suivantes sont renvoyées.
```
1992-11-14T00:00:00.000Z
2012-10-12T00:00:00.000Z
1973-04-08T00:00:00.000Z
```
# toUpper
`toUpper` met en forme une chaîne tout en majuscules. `toUpper` ignore les lignes contenant des valeurs nulles.
## Syntaxe
```
toUpper(expression)
```
## Arguments
*expression*
L’expression doit être une chaîne. Il peut s’agir du nom d’un champ qui utilise le type de données de chaîne, d’une valeur littérale comme **'12 Main Street'** ou d’un appel à une autre fonction qui renvoie une chaîne.
## Type de retour
String
## Exemple
L’exemple suivant convertit une valeur de chaîne en majuscules.
```
toUpper('Seattle Store #14')
```
La valeur suivante est renvoyée.
```
SEATTLE STORE #14
```
# trim
`trim` supprime les espaces blancs précédents et suivants d’une chaîne.
## Syntaxe
```
trim(expression)
```
## Arguments
*expression*
L’expression doit être une chaîne. Il peut s’agir du nom d’un champ qui utilise le type de données de chaîne, d’une valeur littérale comme **'12 Main Street'** ou d’un appel à une autre fonction qui renvoie une chaîne.
## Type de retour
String
## Exemple
L’exemple suivant supprime les espaces suivants d’une chaîne.
```
trim(' Seattle Store #14 ')
```
Pour ces valeurs, les valeurs suivantes sont renvoyées.
```
Seattle Store #14
```
# truncDate
`truncDate` retourne une valeur de date qui représente une partie spécifiée d’une date. Par exemple, demander la partie de l’année de la valeur 2012-09-02T00:00:00.000Z retourne 2012-01-01T00:00:00.000Z. Spécifier une période horaire pour une date qui ne contient pas d’informations horaires retourne la valeur de date initiale sans modification.
## Syntaxe
```
truncDate('period', date)
```
## Arguments
*point*
La période de la date à laquelle vous voulez retournée. Les périodes valides sont les suivantes :
+ AAAA : renvoie la partie de la date correspondant à l’année.
+ Q : Cela renvoie la date du premier jour du trimestre auquel la date appartient.
+ MM : renvoie la partie de la date correspondant au mois.
+ DD : renvoie la partie de la date correspondant au jour.
+ WK : renvoie la partie de la date correspondant à la semaine. La semaine commence le dimanche sur Amazon Quick.
+ HH : renvoie la partie de la date correspondant à l’heure.
+ MI : renvoie la partie de la date correspondant à la minute.
+ SS : renvoie la deuxième partie de la date.
+ MS : renvoie la partie milliseconde de la date.
*date*
Un champ de date ou un appel à une autre fonction qui génère une date.
## Type de retour
Date
## Exemple
L’exemple suivant retourne une date représentant le mois de la date de commande.
```
truncDate('MM', orderDate)
```
Les valeurs suivantes sont celles du champ donné.
```
orderDate
=========
2012-12-14T00:00:00.000Z
2013-12-29T00:00:00.000Z
2012-11-15T00:00:00.000Z
```
Pour ces valeurs, les valeurs suivantes sont renvoyées.
```
2012-12-01T00:00:00.000Z
2013-12-01T00:00:00.000Z
2012-11-01T00:00:00.000Z
```
# Fonctions d’agrégation
Ces fonctions d'agrégation ne sont disponibles que pendant l'analyse et la visualisation. Chacune de ces fonctions retourne des valeurs regroupées en fonction de la ou des dimensions choisies. Pour chaque agrégation, il existe également une agrégation conditionnelle. Ces fonctions effectuent le même type de regroupement, en fonction d’une condition.
Lorsqu'une formule de champ calculé contient une agrégation, elle devient une agrégation personnalisée. Pour garantir l'exactitude de vos données, Amazon Quick applique les règles suivantes :
+ Les agrégations personnalisées ne peuvent pas contenir de fonctions d'agrégation imbriquées. Par exemple, la formule suivante ne fonctionne pas : `sum(avg(x)/avg(y))`. Toutefois, l'imbrication de fonctions non agrégées à l'intérieur ou à l'extérieur des fonctions d'agrégation fonctionne. Par exemple, `ceil(avg(x))` fonctionne. Il en va de même de `avg(ceil(x))`.
+ Les agrégations personnalisées ne peuvent pas contenir à la fois des champs agrégés et des champs non agrégés, quelle que soit la combinaison. Par exemple, la formule suivante ne fonctionne pas : `Sum(sales)+quantity`.
+ Les groupes de filtres ne peuvent pas contenir à la fois des champs agrégés et des champs non agrégés.
+ Les agrégations personnalisées ne peuvent pas être converties en dimension. De même, elles ne peuvent pas être placées dans un sélecteur de champs en tant que dimension.
+ Dans un tableau croisé dynamique, les agrégations personnalisées ne peuvent pas être ajoutées aux calculs du tableau.
+ Les diagrammes à points avec agrégations personnalisées ont besoin d'au moins une dimension sous **Group/Color** dans les sélecteurs de champs.
Pour plus d'informations sur les fonctions et les opérateurs pris en charge, consultez la section [Fonction de champ calculée et référence des opérateurs pour Amazon Quick](https://docs.aws.amazon.com/quicksight/latest/user/calculated-field-reference.html).
Les fonctions d'agrégation pour les champs calculés dans Quick sont les suivantes.
**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 (centile)](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
La fonction `avg` calcule la moyenne de l'ensemble de nombres figurant dans la mesure spécifiée, groupée en fonction de la ou des dimensions choisies. Par exemple, `avg(salesAmount)` renvoie la moyenne pour cette mesure groupée en fonction de la dimension choisie (facultatif).
## Syntaxe
```
avg(decimal, [group-by level])
```
## Arguments
*decimal*
L'argument doit être une mesure. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas. L'argument doit être un champ.
*niveau de regroupement*
(Facultatif) Spécifie le niveau de regroupement de l'agrégation. Le niveau ajouté peut correspondre à une dimension quelconque, indépendamment des dimensions déjà ajoutées au visuel.
L'argument doit être un champ de dimension. Le niveau de regroupement doit être placé entre crochets `[ ]`. Pour plus d'informations, consultez la section [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)).
## Exemples
L'exemple suivant calcule la moyenne des ventes.
```
avg({Sales})
```
Vous avez également la possibilité de spécifier le niveau de regroupement pour le calcul en utilisant une ou plusieurs dimensions de la vue ou de votre jeu de données. C'est ce qu'on appelle une fonction LAC-A. Pour plus d'informations sur les fonctions LAC-A, voir [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). L'exemple suivant calcule la moyenne des ventes au niveau du pays, sans prendre en compte les autres dimensions (comme la région ou le produit) présentes dans le visuel.
```
avg({Sales}, [{Country}])
```
![\[Les chiffres de vente moyens ne sont agrégés qu'au niveau national.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/avg-function-example.png)
# avgIf
Sur la base d'une instruction conditionnelle, la fonction `avgIf` calcule la moyenne de l'ensemble de nombres figurant dans la mesure spécifiée, groupée en fonction de la ou des dimensions choisies. Par exemple, `avgIf(ProdRev,CalendarDay >= ${BasePeriodStartDate} AND CalendarDay <= ${BasePeriodEndDate} AND SourcingType <> 'Indirect')` renvoie la moyenne de cette mesure regroupée par la dimension choisie (facultative), si la condition est évaluée comme « true ».
## Syntaxe
```
avgIf(dimension or measure, condition)
```
## Arguments
*decimal*
L'argument doit être une mesure. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas. L'argument doit être un champ.
*condition*
Une ou plusieurs conditions dans une seule instruction.
# count
La fonction `count` calcule le nombre de valeurs dans une dimension ou une mesure, groupée en fonction de la ou des dimensions choisies. Par exemple, `count(product type)` renvoie le nombre total de types de produit groupés en fonction de la dimension choisie (facultatif), doublons inclus. La fonction `count(sales)` renvoie le nombre total de ventes enregistrées groupées en fonction de la dimension choisie (facultatif), par exemple le vendeur.
## Syntaxe
```
count(dimension or measure, [group-by level])
```
## Arguments
*dimension or measure*
L'argument doit être une mesure ou une dimension. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas. L'argument doit être un champ.
*niveau de regroupement*
(Facultatif) Spécifie le niveau de regroupement de l'agrégation. Le niveau ajouté peut correspondre à une dimension quelconque, indépendamment des dimensions déjà ajoutées au visuel.
L'argument doit être un champ de dimension. Le niveau de regroupement doit être placé entre crochets `[ ]`. Pour plus d'informations, consultez la section [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)).
## Exemples
L'exemple ci-dessous calcule le nombre de ventes en fonction d'une dimension spécifique indiquée dans le visuel. Dans cet exemple, le nombre de ventes par mois est affiché.
```
count({Sales})
```
![\[Le nombre de ventes par mois.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/count-function-example.png)
Vous avez également la possibilité de spécifier le niveau de regroupement pour le calcul en utilisant une ou plusieurs dimensions de la vue ou de votre jeu de données. C'est ce qu'on appelle une fonction LAC-A. Pour plus d'informations sur les fonctions LAC-A, voir [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). L'exemple suivant calcule le nombre de ventes au niveau du pays, sans prendre en compte les autres dimensions (comme la région ou le produit) présentes dans le visuel.
```
count({Sales}, [{Country}])
```
![\[Le nombre de ventes n'est agrégé qu'au niveau du pays.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/count-function-example2.png)
# countIf
Sur la base d'une instruction conditionnelle, la fonction `countIf` calcule le nombre de valeurs dans une dimension ou une mesure, groupée en fonction de la ou des dimensions choisies.
## Syntaxe
```
countIf(dimension or measure, condition)
```
## Arguments
*dimension or measure*
L'argument doit être une mesure ou une dimension. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas. L'argument doit être un champ.
*condition*
Une ou plusieurs conditions dans une seule instruction.
## Type de retour
Entier
## Exemple
La fonction suivante renvoie le nombre de transactions de vente (`Revenue`) qui répondent aux conditions, y compris les doublons.
```
countIf (
Revenue,
# Conditions
CalendarDay >= ${BasePeriodStartDate} AND
CalendarDay <= ${BasePeriodEndDate} AND
SourcingType <> 'Indirect'
)
```
# distinct\$1count
La fonction `distinct_count` calcule le nombre de valeurs distinctes dans une dimension ou une mesure, groupée en fonction de la ou des dimensions choisies. Par exemple, `distinct_count(product type)` renvoie le nombre total de types de produit uniques groupés en fonction de la dimension choisie (facultatif), sans doublons. La fonction `distinct_count(ship date)` renvoie le nombre total de dates d'expédition de produits groupées en fonction de la dimension choisie (facultatif), par exemple la région.
## Syntaxe
```
distinct_count(dimension or measure, [group-by level])
```
## Arguments
*dimension or measure*
L'argument doit être une mesure ou une dimension. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas. L'argument doit être un champ.
*niveau de regroupement*
(Facultatif) Spécifie le niveau de regroupement de l'agrégation. Le niveau ajouté peut correspondre à une dimension quelconque, indépendamment des dimensions déjà ajoutées au visuel.
L'argument doit être un champ de dimension. Le niveau de regroupement doit être placé entre crochets `[ ]`. Pour plus d'informations, consultez la section [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)).
## Exemple
L'exemple suivant calcule le nombre total de dates auxquelles les produits ont été commandés, regroupés en fonction de la dimension choisie (facultative) dans le visuel, par exemple la région.
```
distinct_count({Order Date})
```
![\[Le nombre total de dates auxquelles les produits ont été commandés dans chaque région.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/distinct_count-function-example.png)
Vous avez également la possibilité de spécifier le niveau de regroupement pour le calcul en utilisant une ou plusieurs dimensions de la vue ou de votre jeu de données. C'est ce qu'on appelle une fonction LAC-A. Pour plus d'informations sur les fonctions LAC-A, voir [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). L'exemple suivant calcule la moyenne des ventes au niveau du pays, sans prendre en compte les autres dimensions (comme la région) présentes dans le visuel.
```
distinct_count({Order Date}, [Country])
```
![\[Le nombre total de dates auxquelles les produits ont été commandés dans chaque pays.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/distinct_count-function-example2.png)
# distinct\$1countIf
Sur la base d'une instruction conditionnelle, la fonction `distinct_countIf` calcule le nombre de valeurs distinctes dans une dimension ou une mesure, groupée en fonction de la ou des dimensions choisies. Par exemple, `distinct_countIf(product type)` renvoie le nombre total de types de produit uniques groupés en fonction de la dimension choisie (facultatif), sans doublons. La fonction `distinct_countIf(ProdRev,CalendarDay >= ${BasePeriodStartDate} AND CalendarDay <= ${BasePeriodEndDate} AND SourcingType <> 'Indirect')` renvoie le nombre total de dates durant lesquelles des produits ont été expédiés, regroupés par la dimension choisie (facultative), par exemple par région, si la condition est évaluée comme « true ».
## Syntaxe
```
distinct_countIf(dimension or measure, condition)
```
## Arguments
*dimension or measure*
L'argument doit être une mesure ou une dimension. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas. L'argument doit être un champ.
*condition*
Une ou plusieurs conditions dans une seule instruction.
# max
La fonction `max` renvoie la valeur maximale de la mesure ou de la date spécifiée, regroupée en fonction de la ou des dimensions choisies. Par exemple, `max(sales goal)` renvoie les objectifs de ventes maximum groupés en fonction de la dimension choisie (facultatif).
## Syntaxe
```
max(measure, [group-by level])
```
## Arguments
*mesure*
L'argument doit être une mesure ou une date. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas. L'argument doit être un champ.
Les dates maximales ne fonctionnent que dans le sélecteur de champ **Value (Valeur)** des tableaux et des tableaux croisés dynamiques.
*niveau de regroupement*
(Facultatif) Spécifie le niveau de regroupement de l'agrégation. Le niveau ajouté peut correspondre à une dimension quelconque, indépendamment des dimensions déjà ajoutées au visuel.
L'argument doit être un champ de dimension. Le niveau de regroupement doit être placé entre crochets `[ ]`. Pour plus d'informations, consultez la section [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)).
## Exemples
L'exemple suivant renvoie la valeur maximale des ventes pour chaque région. Elle est comparée aux valeurs totales, minimales et médianes des ventes.
```
max({Sales})
```
![\[La valeur maximale des ventes pour chaque région.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/min-max-median-function-example.png)
Vous avez également la possibilité de spécifier le niveau de regroupement pour le calcul en utilisant une ou plusieurs dimensions de la vue ou de votre jeu de données. C'est ce qu'on appelle une fonction LAC-A. Pour plus d'informations sur les fonctions LAC-A, voir [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). L'exemple suivant calcule le maximum de ventes au niveau du pays, sans prendre en compte les autres dimensions (comme la région) présentes dans le visuel.
```
max({Sales}, [Country])
```
![\[La valeur maximale des ventes pour chaque pays.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/max-function-example2.png)
# maxIf
Sur la base d'une instruction conditionnelle, la fonction `maxIf` renvoie la valeur maximale de la mesure spécifiée, groupée en fonction de la ou des dimensions choisies. Par exemple, `maxIf(ProdRev,CalendarDay >= ${BasePeriodStartDate} AND CalendarDay <= ${BasePeriodEndDate} AND SourcingType <> 'Indirect')` renvoie les objectifs de vente maximum regroupés par la dimension choisie (facultative), si la condition est évaluée comme « true ».
## Syntaxe
```
maxIf(measure, condition)
```
## Arguments
*mesure*
L'argument doit être une mesure. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas. L'argument doit être un champ.
*condition*
Une ou plusieurs conditions dans une seule instruction.
# median
L’agrégation `median` renvoie la valeur médiane de la mesure spécifiée, groupée en fonction de la ou des dimensions choisies. Par exemple, `median(revenue)` renvoie le revenu médian regroupé en fonction de la dimension choisie (facultatif).
## Syntaxe
```
median(measure, [group-by level])
```
## Arguments
*mesure*
L'argument doit être une mesure. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas. L'argument doit être un champ.
*niveau de regroupement*
(Facultatif) Spécifie le niveau de regroupement de l'agrégation. Le niveau ajouté peut correspondre à une dimension quelconque, indépendamment des dimensions déjà ajoutées au visuel.
L'argument doit être un champ de dimension. Le niveau de regroupement doit être placé entre crochets `[ ]`. Pour plus d'informations, consultez la section [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)).
## Exemples
L'exemple suivant renvoie la valeur médiane des ventes pour chaque région. Elle est comparée aux valeurs totales, maximales et minimales des ventes.
```
median({Sales})
```
![\[La valeur médiane des ventes pour chaque région.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/min-max-median-function-example.png)
Vous avez également la possibilité de spécifier le niveau de regroupement pour le calcul en utilisant une ou plusieurs dimensions de la vue ou de votre jeu de données. C'est ce qu'on appelle une fonction LAC-A. Pour plus d'informations sur les fonctions LAC-A, voir [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). L'exemple suivant calcule la médiane des ventes au niveau du pays, sans prendre en compte les autres dimensions (comme la région) présentes dans le visuel.
```
median({Sales}, [Country])
```
![\[La valeur médiane des ventes dans chaque pays.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/median-function-example2.png)
# medianIf
Sur la base d'une instruction conditionnelle, l’agrégation `medianIf` renvoie la valeur médiane de la mesure spécifiée, groupée en fonction de la ou des dimensions choisies. Par exemple, `medianIf(Revenue,SaleDate >= ${BasePeriodStartDate} AND SaleDate <= ${BasePeriodEndDate})` renvoie le revenu médian regroupé par la dimension choisie (facultative), si la condition est évaluée comme « true ».
## Syntaxe
```
medianIf(measure, condition)
```
## Arguments
*mesure*
L'argument doit être une mesure. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas. L'argument doit être un champ.
*condition*
Une ou plusieurs conditions dans une seule instruction.
# min
La fonction `min` renvoie la valeur minimale de la mesure ou de la date spécifiée, regroupée en fonction de la ou des dimensions choisies. Par exemple, `min(return rate)` renvoie le taux de retours minimum groupés en fonction de la dimension choisie (facultatif).
## Syntaxe
```
min(measure, [group-by level])
```
## Arguments
*mesure*
L'argument doit être une mesure ou une date. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas. L'argument doit être un champ.
Les dates minimales ne fonctionnent que dans le sélecteur de champ **Value (Valeur)** des tableaux et des tableaux croisés dynamiques.
*niveau de regroupement*
(Facultatif) Spécifie le niveau de regroupement de l'agrégation. Le niveau ajouté peut correspondre à une dimension quelconque, indépendamment des dimensions déjà ajoutées au visuel.
L'argument doit être un champ de dimension. Le niveau de regroupement doit être placé entre crochets `[ ]`. Pour plus d'informations, consultez la section [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)).
## Exemples
L'exemple suivant renvoie la valeur minimale des ventes pour chaque région. Elle est comparée aux valeurs totales, maximales et médianes des ventes.
```
min({Sales})
```
![\[La valeur minimale des ventes pour chaque région.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/min-max-median-function-example.png)
Vous avez également la possibilité de spécifier le niveau de regroupement pour le calcul en utilisant une ou plusieurs dimensions de la vue ou de votre jeu de données. C'est ce qu'on appelle une fonction LAC-A. Pour plus d'informations sur les fonctions LAC-A, voir [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). L'exemple suivant calcule le minimum de ventes au niveau du pays, sans prendre en compte les autres dimensions (comme la région) présentes dans le visuel.
```
min({Sales}, [Country])
```
![\[La valeur minimale des ventes dans chaque pays.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/min-function-example2.png)
# minIf
Sur la base d'une instruction conditionnelle, la fonction `minIf` renvoie la valeur minimale de la mesure spécifiée, groupée en fonction de la ou des dimensions choisies. Par exemple, `minIf(ProdRev,CalendarDay >= ${BasePeriodStartDate} AND CalendarDay <= ${BasePeriodEndDate} AND SourcingType <> 'Indirect')` renvoie le taux minimum de retours regroupé par la dimension choisie (facultative), si la condition est évaluée comme « true ».
## Syntaxe
```
minIf(measure, condition)
```
## Arguments
*mesure*
L'argument doit être une mesure. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas. L'argument doit être un champ.
*condition*
Une ou plusieurs conditions dans une seule instruction.
# percentile
La fonction `percentile` calcule le centile des valeurs mesurées, regroupées selon la dimension figurant dans la zone de champs. Deux types de calcul des percentiles sont disponibles dans Quick :
+ [https://docs.aws.amazon.com/quicksight/latest/user/percentileCont-function.html](https://docs.aws.amazon.com/quicksight/latest/user/percentileCont-function.html) utilise l'interpolation linéaire pour déterminer le résultat.
+ [percentileDisc(percentile)](https://docs.aws.amazon.com/quicksight/latest/user/percentileDisc-function.html) utilise les valeurs réelles pour déterminer le résultat.
La fonction `percentile` est un alias de `percentileDisc`.
# percentileCont
La fonction `percentileCont` calcule le centile sur la base d'une distribution continue des nombres de la mesure. Elle utilise le regroupement et le tri appliqués dans les zones de champs. Il répond à des questions telles que : Quelles sont les valeurs représentatives de ce centile ? Pour renvoyer une valeur de percentile exacte qui n'est peut-être pas présente dans votre jeu de données, utilisez `percentileCont`. Pour renvoyer la valeur de percentile la plus proche présente dans votre jeu de données, utilisez plutôt `percentileDisc`.
## Syntaxe
```
percentileCont(expression, percentile, [group-by level])
```
## Arguments
*mesure*
Spécifie une valeur numérique à utiliser pour calculer le percentile. L'argument doit être une mesure ou une métrique. Les valeurs NULL sont ignorées dans le calcul.
*percentile*
La valeur du percentile peut être n'importe quelle constante numérique située entre 0 et 100. Une valeur de percentile de 50 calcule la valeur médiane de la mesure.
*niveau de regroupement*
(Facultatif) Spécifie le niveau de regroupement de l'agrégation. Le niveau ajouté peut correspondre à une dimension quelconque, indépendamment des dimensions déjà ajoutées au visuel.
L'argument doit être un champ de dimension. Le niveau de regroupement doit être placé entre crochets `[ ]`. Pour plus d'informations, consultez la section [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)).
## Renvoie
Le résultat de la fonction est un nombre.
## Notes d’utilisation
La fonction `percentileCont` calcule un résultat sur la base d'une distribution continue des valeurs d'une mesure spécifiée. Le résultat est obtenu par interpolation linéaire entre les valeurs, après les avoir classées en fonction des paramètres définis dans le visuel. C'est différent de `percentileDisc`, qui renvoie simplement une valeur à partir de l'ensemble de valeurs agrégées. Le résultat obtenu de `percentileCont` peut ou non exister parmi les valeurs de la mesure spécifiée.
## Exemples de percentileCont
Les exemples suivants aident à comprendre le fonctionnement de percentileCont.
**Example Comparaison de la médiane, `percentileCont` et `percentileDisc`**
L'exemple suivant illustre la médiane pour une dimension (catégorie) en utilisant les fonctions `median`, `percentileCont` et `percentileDisc`. La valeur médiane est la même que la valeur percentileCont. `percentileCont` interpole une valeur qui peut ou non se trouver dans l'ensemble des données. Cependant, comme `percentileDisc` affiche toujours une valeur qui existe dans le jeu de données, il est possible que les deux résultats ne correspondent pas. La dernière colonne de cet exemple montre la différence entre les deux valeurs. Le code de chaque champ calculé est le suivant :
+ `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 )` (Pour simplifier l'exemple, nous avons utilisé cette expression pour raccourcir les noms des catégories à leur première lettre.)
```
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 100e centile comme maximum**
L'exemple suivant montre une variété de valeurs `percentileCont` pour le champ `example`. Les champs calculés `n%Cont` sont définis comme `percentileCont( {example} ,n)`. Les valeurs interpolées dans chaque colonne représentent les nombres qui se situent dans cette tranche de centile. Dans certains cas, les valeurs réelles des données correspondent aux valeurs interpolées. Par exemple, la colonne `100%Cont` affiche la même valeur pour chaque ligne parce que 6783,02 est le nombre le plus élevé.
```
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
```
Vous avez également la possibilité de spécifier le niveau de regroupement pour le calcul en utilisant une ou plusieurs dimensions de la vue ou de votre jeu de données. C'est ce qu'on appelle une fonction LAC-A. Pour plus d'informations sur les fonctions LAC-A, voir [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). L'exemple suivant calcule le 30e centile basé sur une distribution continue des chiffres au niveau du pays, sans prendre en compte les autres dimensions (comme la région) présentes dans le visuel.
```
percentileCont({Sales}, 30, [Country])
```
![\[Le centile des ventes dans chaque pays.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/percentileCont-function-example-lac.png)
# percentileDisc (centile)
La fonction `percentileDisc` calcule le percentile en fonction des nombres réels contenus dans `measure`. Elle utilise le regroupement et le tri appliqués dans les zones de champs. La fonction `percentile` est un alias de `percentileDisc`.
Utilisez cette fonction pour répondre à la question suivante : Quels sont les points de données réels présents dans ce percentile ? Pour renvoyer la valeur de percentile la plus proche présente dans votre jeu de données, utilisez `percentileDisc`. Pour renvoyer une valeur percentile exacte qui n'est peut-être pas présente dans votre jeu de données, utilisez plutôt `percentileCont`.
## Syntaxe
```
percentileDisc(expression, percentile, [group-by level])
```
## Arguments
*mesure*
Spécifie une valeur numérique à utiliser pour calculer le percentile. L'argument doit être une mesure ou une métrique. Les valeurs NULL sont ignorées dans le calcul.
*percentile*
La valeur du percentile peut être n'importe quelle constante numérique située entre 0 et 100. Une valeur de percentile de 50 calcule la valeur médiane de la mesure.
*niveau de regroupement*
(Facultatif) Spécifie le niveau de regroupement de l'agrégation. Le niveau ajouté peut correspondre à une dimension quelconque, indépendamment des dimensions déjà ajoutées au visuel.
L'argument doit être un champ de dimension. Le niveau de regroupement doit être placé entre crochets `[ ]`. Pour plus d'informations, consultez la section [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)).
## Renvoie
Le résultat de la fonction est un nombre.
## Notes d’utilisation
La fonction `percentileDisc` est une fonction de distribution inverse qui suppose un modèle de distribution discrète. Elle prend une valeur de centile et une spécification de tri et renvoie un élément de l’ensemble donné.
Pour une valeur de percentile donnée `P`, `percentileDisc` utilise les valeurs triées dans le visuel et renvoie la plus petite valeur de distribution cumulative qui est supérieure ou égale à `P`.
## Exemples de percentileDisc
Les exemples suivants aident à comprendre le fonctionnement de percentileDisc.
**Example Comparaison de la médiane, `percentileDisc` et `percentileCont`**
L'exemple suivant illustre la médiane pour une dimension (catégorie) en utilisant les fonctions `percentileCont`, `percentileDisc` et `median`. La valeur médiane est la même que la valeur percentileCont. `percentileCont` interpole une valeur qui peut ou non se trouver dans l'ensemble des données. Cependant, comme `percentileDisc` affiche toujours la valeur la plus proche existant dans le jeu de données, il est possible que les deux résultats ne correspondent pas. La dernière colonne de cet exemple montre la différence entre les deux valeurs. Le code de chaque champ calculé est le suivant :
+ `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 )` (Pour simplifier l'exemple, nous avons utilisé cette expression pour raccourcir les noms des catégories à leur première lettre.)
```
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 100e centile comme maximum**
L'exemple suivant montre une variété de valeurs `percentileDisc` pour le champ `example`. Les champs calculés `n%Disc` sont définis comme `percentileDisc( {example} ,n)`. Les valeurs de chaque colonne sont des nombres réels provenant du jeu de données.
```
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
```
Vous avez également la possibilité de spécifier le niveau de regroupement pour le calcul en utilisant une ou plusieurs dimensions de la vue ou de votre jeu de données. C'est ce qu'on appelle une fonction LAC-A. Pour plus d'informations sur les fonctions LAC-A, voir [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). L'exemple suivant calcule le 30e centile basé sur une distribution continue des chiffres au niveau du pays, sans prendre en compte les autres dimensions (comme la région) présentes dans le visuel.
```
percentile({Sales}, 30, [Country])
```
![\[Le centile des ventes dans chaque pays.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/percentile-function-example-lac.png)
# periodToDateAvg
La fonction `periodToDateAvg` calcule la moyenne de l'ensemble de nombres dans la mesure spécifiée pour une granularité temporelle donnée (par exemple, un trimestre) jusqu'à un moment donné dans cette période.
## Syntaxe
```
periodToDateAvg(
measure,
dateTime,
period,
endDate (optional))
```
## Arguments
*mesure*
L'argument doit être un champ. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas.
*dateTime*
Dimension de date sur laquelle vous calculez les PeriodToDate agrégations.
*point*
La période de temps sur laquelle vous effectuez le calcul. La granularité de `YEAR` signifie un calcul `YearToDate`, `Quarter` signifie `QuarterToDate` et ainsi de suite. Les granularités valides comprennent `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` et `SECONDS`.
*endDate*
(Facultatif) Dimension de date à laquelle vous mettez fin au calcul periodToDate des agrégations. Si elle est omise, elle est par défaut définie sur `now()`.
## Exemple
L'exemple suivant calcule le montant week-to-date minimum du tarif par type de paiement, pour la semaine du 30/06/21. Pour simplifier l'exemple, nous avons filtré un seul type de paiement. Le 30-06-21 est un mercredi. Quick commence la semaine le dimanche. Dans notre exemple, cela correspond au 27/06/2021.
```
periodToDateAvg(fare_amount, pickUpDatetime, WEEK, parseDate("06-30-2021", "MM-dd-yyyy"))
```
![\[Voici une image des résultats de l'exemple de calcul.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/PTDAvgResults.png)
# periodToDateCount
La fonction `periodToDateCount` calcule le nombre de valeurs dans une dimension ou une mesure, y compris les doublons, pour une granularité temporelle donnée (par exemple, un trimestre) jusqu'à un moment donné dans cette période.
## Syntaxe
```
periodToDateCount(
measure,
dateTime,
period,
endDate (optional))
```
## Arguments
*mesure*
L'argument doit être un champ. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas.
*dateTime*
Dimension de date sur laquelle vous calculez les PeriodToDate agrégations.
*point*
La période de temps sur laquelle vous effectuez le calcul. La granularité de `YEAR` signifie un calcul `YearToDate`, `Quarter` signifie `QuarterToDate` et ainsi de suite. Les granularités valides comprennent `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` et `SECONDS`.
*endDate*
(Facultatif) Dimension de date à laquelle vous mettez fin au calcul periodToDate des agrégations. Si elle est omise, elle est par défaut définie sur `now()`.
## Exemple
L'exemple suivant calcule le montant week-to-date minimum du tarif par type de paiement, pour la semaine du 30/06/21. Pour simplifier l'exemple, nous avons filtré un seul type de paiement. Le 30-06-21 est un mercredi. Quick commence la semaine le dimanche. Dans notre exemple, cela correspond au 27/06/2021.
```
periodToDateCount(fare_amount, pickUpDatetime, WEEK, parseDate("06-30-2021", "MM-dd-yyyy"))
```
![\[Voici une image des résultats de l'exemple de calcul.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/PTDCountResults.png)
# periodToDateMax
La fonction `periodToDateMax` renvoie la valeur maximale de la mesure spécifiée pour une granularité temporelle donnée (par exemple, un trimestre) jusqu'à un moment donné dans cette période.
## Syntaxe
```
periodToDateMax(
measure,
dateTime,
period,
endDate (optional))
```
## Arguments
*mesure*
L'argument doit être un champ. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas.
*dateTime*
Dimension de date sur laquelle vous calculez les PeriodToDate agrégations.
*point*
La période de temps sur laquelle vous effectuez le calcul. La granularité de `YEAR` signifie un calcul `YearToDate`, `Quarter` signifie `QuarterToDate` et ainsi de suite. Les granularités valides comprennent `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` et `SECONDS`.
*endDate*
(Facultatif) Dimension de date à laquelle vous mettez fin au calcul periodToDate des agrégations. Si elle est omise, elle est par défaut définie sur `now()`.
## Exemple
L'exemple suivant calcule le montant week-to-date minimum du tarif par type de paiement, pour la semaine du 30/06/21. Pour simplifier l'exemple, nous avons filtré un seul type de paiement. Le 30-06-21 est un mercredi. Quick commence la semaine le dimanche. Dans notre exemple, cela correspond au 27/06/2021.
```
periodToDateMax(fare_amount, pickUpDatetime, WEEK, parseDate("06-30-2021", "MM-dd-yyyy"))
```
![\[Voici une image des résultats de l'exemple de calcul.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/PTDMaxResults.png)
# periodToDateMedian
La fonction `periodToDateMedian` renvoie la valeur médiane de la mesure spécifiée pour une granularité temporelle donnée (par exemple, un trimestre) jusqu'à un moment donné dans cette période.
## Syntaxe
```
periodToDateMedian(
measure,
dateTime,
period,
endDate (optional))
```
## Arguments
*mesure*
L'argument doit être un champ. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas.
*dateTime*
Dimension de date sur laquelle vous calculez les PeriodToDate agrégations.
*point*
La période de temps sur laquelle vous effectuez le calcul. La granularité de `YEAR` signifie un calcul `YearToDate`, `Quarter` signifie `QuarterToDate` et ainsi de suite. Les granularités valides comprennent `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` et `SECONDS`.
*endDate*
(Facultatif) Dimension de date à laquelle vous mettez fin au calcul periodToDate des agrégations. Si elle est omise, elle est par défaut définie sur `now()`.
## Exemple
L'exemple suivant calcule le montant week-to-date minimum du tarif par type de paiement, pour la semaine du 30/06/21. Pour simplifier l'exemple, nous avons filtré un seul type de paiement. Le 30-06-21 est un mercredi. Quick commence la semaine le dimanche. Dans notre exemple, cela correspond au 27/06/2021.
```
periodToDateMedian(fare_amount, pickUpDatetime, WEEK, parseDate("06-30-2021", "MM-dd-yyyy"))
```
![\[Voici une image des résultats de l'exemple de calcul.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/PTDMedianResults.png)
# periodToDateMin
La fonction `periodToDateMin` renvoie la valeur minimale de la mesure spécifiée pour une granularité temporelle donnée (par exemple, un trimestre) jusqu'à un moment donné dans cette période.
## Syntaxe
```
periodToDateMin(
measure,
dateTime,
period,
endDate (optional))
```
## Arguments
*mesure*
L'argument doit être un champ. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas.
*dateTime*
Dimension de date sur laquelle vous calculez les PeriodToDate agrégations.
*point*
La période de temps sur laquelle vous effectuez le calcul. La granularité de `YEAR` signifie un calcul `YearToDate`, `Quarter` signifie `QuarterToDate` et ainsi de suite. Les granularités valides comprennent `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` et `SECONDS`.
*endDate*
(Facultatif) Dimension de date à laquelle vous mettez fin au calcul periodToDate des agrégations. Si elle est omise, elle est par défaut définie sur `now()`.
## Exemple
L'exemple suivant calcule le montant week-to-date minimum du tarif par type de paiement, pour la semaine du 30/06/21. Pour simplifier l'exemple, nous avons filtré un seul type de paiement. Le 30-06-21 est un mercredi. Quick commence la semaine le dimanche. Dans notre exemple, cela correspond au 27/06/2021.
```
periodToDateMin(fare_amount, pickUpDatetime, WEEK, parseDate("06-30-2021", "MM-dd-yyyy"))
```
![\[Voici une image des résultats de l'exemple de calcul.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/PTDMinResults.png)
# periodToDatePercentile
La fonction `periodToDatePercentile` calcule le percentile en fonction des nombres réels de mesure pour une granularité temporelle donnée (par exemple, un trimestre) jusqu'à un moment donné dans cette période. Elle utilise le regroupement et le tri appliqués dans les zones de champs.
Pour renvoyer la valeur de percentile la plus proche présente dans votre jeu de données, utilisez `periodToDatePercentile`. Pour renvoyer une valeur percentile exacte qui n'est peut-être pas présente dans votre jeu de données, utilisez plutôt `periodToDatePercentileCont`.
## Syntaxe
```
periodToDatePercentile(
measure,
percentile,
dateTime,
period,
endDate (optional))
```
## Arguments
*mesure*
L'argument doit être un champ. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas.
*percentile*
La valeur du centile peut être n'importe quelle constante numérique entre 0 et 100. Une valeur de centile de 50 calcule la valeur médiane de la mesure.
*dateTime*
Dimension de date sur laquelle vous calculez les PeriodToDate agrégations.
*point*
La période de temps sur laquelle vous effectuez le calcul. La granularité de `YEAR` signifie un calcul `YearToDate`, `Quarter` signifie `QuarterToDate` et ainsi de suite. Les granularités valides comprennent `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` et `SECONDS`.
*endDate*
(Facultatif) Dimension de date à laquelle vous mettez fin au calcul periodToDate des agrégations. Si elle est omise, elle est par défaut définie sur `now()`.
## Exemple
L'exemple suivant calcule le 90e centile week-to-date du montant du tarif par type de paiement pour la semaine du 21 juin. Pour simplifier l'exemple, nous avons filtré un seul type de paiement. Le 30-06-21 est un mercredi. Quick commence la semaine le dimanche. Dans notre exemple, cela correspond au 27/06/2021.
```
periodToDatePercentile(fare_amount, 90, pickupDatetime, WEEK, parseDate("06-30-2021", "MM-dd-yyyy"))
```
![\[Voici une image des résultats du calcul de l'exemple.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/PTDPercentileResults.png)
# periodToDatePercentileCont
La fonction `periodToDatePercentileCont` calcule le centile sur la base d'une distribution continue des chiffres dans la mesure pour une granularité temporelle donnée (par exemple, un trimestre) jusqu'à un moment donné dans cette période. Elle utilise le regroupement et le tri appliqués dans les zones de champs.
Pour renvoyer une valeur de percentile exacte qui n'est peut-être pas présente dans votre jeu de données, utilisez `periodToDatePercentileCont`. Pour renvoyer la valeur de percentile la plus proche présente dans votre jeu de données, utilisez plutôt `periodToDatePercentile`.
## Syntaxe
```
periodToDatePercentileCont(
measure,
percentile,
dateTime,
period,
endDate (optional))
```
## Arguments
*mesure*
L'argument doit être un champ. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas.
*percentile*
La valeur du centile peut être n'importe quelle constante numérique entre 0 et 100. Une valeur de centile de 50 calcule la valeur médiane de la mesure.
*dateTime*
Dimension de date sur laquelle vous calculez les PeriodToDate agrégations.
*point*
La période de temps sur laquelle vous effectuez le calcul. La granularité de `YEAR` signifie un calcul `YearToDate`, `Quarter` signifie `QuarterToDate` et ainsi de suite. Les granularités valides comprennent `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` et `SECONDS`.
*endDate*
(Facultatif) Dimension de date à laquelle vous mettez fin au calcul periodToDate des agrégations. Si elle est omise, elle est par défaut définie sur `now()`.
## Exemple
L'exemple suivant calcule le 90e centile week-to-date du montant du tarif par type de paiement pour la semaine du 21 juin. Pour simplifier l'exemple, nous avons filtré un seul type de paiement. Le 30-06-21 est un mercredi. Quick commence la semaine le dimanche. Dans notre exemple, cela correspond au 27/06/2021.
```
periodToDatePercentileCont(fare_amount, 90, pickupDatetime, WEEK, parseDate("06-30-2021", "MM-dd-yyyy"))
```
![\[Voici une image des résultats du calcul de l'exemple.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/PTDContPercentileResults.png)
# periodToDateStDev
La fonction `periodToDateStDev` calcule l'écart-type de l'ensemble de nombres dans la mesure spécifiée pour une granularité temporelle donnée (par exemple, un trimestre) jusqu'à un moment donné, basé sur un échantillon de cette période.
## Syntaxe
```
periodToDateStDev(
measure,
dateTime,
period,
endDate (optional))
```
## Arguments
*mesure*
L'argument doit être un champ. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas.
*dateTime*
Dimension de date sur laquelle vous calculez les PeriodToDate agrégations.
*point*
(Facultatif) La période de temps sur laquelle vous effectuez le calcul. La granularité de `YEAR` signifie un calcul `YearToDate`, `Quarter` signifie `QuarterToDate` et ainsi de suite. Les granularités valides comprennent `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` et `SECONDS`.
*endDate*
(Facultatif) Dimension de date à laquelle vous mettez fin au calcul periodToDate des agrégations. Si elle est omise, elle est par défaut définie sur `now()`.
## Exemple
L'exemple suivant calcule le montant week-to-date minimum du tarif par type de paiement, pour la semaine du 30/06/21. Pour simplifier l'exemple, nous avons filtré un seul type de paiement. Le 30-06-21 est un mercredi. Quick commence la semaine le dimanche. Dans notre exemple, cela correspond au 27/06/2021.
```
periodToDateStDev(fare_amount, pickUpDatetime, WEEK, parseDate("06-30-2021", "MM-dd-yyyy"))
```
![\[Voici une image des résultats de l'exemple de calcul.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/PTDStDevResults.png)
# periodToDateStDevP
La fonction `periodToDateStDevP` calcule l'écart-type de la population de l'ensemble de nombres de la mesure spécifiée, pour une granularité temporelle donnée (par exemple, un trimestre) jusqu'à un moment donné, basé sur un échantillon de cette période.
## Syntaxe
```
periodToDateStDevP(
measure,
dateTime,
period,
endDate (optional))
```
## Arguments
*mesure*
L'argument doit être un champ. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas.
*dateTime*
Dimension de date sur laquelle vous calculez les PeriodToDate agrégations.
*point*
La période de temps sur laquelle vous effectuez le calcul. La granularité de `YEAR` signifie un calcul `YearToDate`, `Quarter` signifie `QuarterToDate` et ainsi de suite. Les granularités valides comprennent `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` et `SECONDS`.
*endDate*
(Facultatif) Dimension de date à laquelle vous mettez fin au calcul periodToDate des agrégations. Si elle est omise, elle est par défaut définie sur `now()`.
## Exemple
L'exemple suivant calcule le montant week-to-date minimum du tarif par type de paiement, pour la semaine du 30/06/21. Pour simplifier l'exemple, nous avons filtré un seul type de paiement. Le 30-06-21 est un mercredi. Quick commence la semaine le dimanche. Dans notre exemple, cela correspond au 27/06/2021.
```
periodToDateStDevP(fare_amount, pickUpDatetime, WEEK, parseDate("06-30-2021", "MM-dd-yyyy"))
```
![\[Voici une image des résultats de l'exemple de calcul.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/PTDStDevPResults.png)
# periodToDateSum
La fonction `periodToDateSum` ajoute la mesure spécifiée pour une granularité temporelle donnée (par exemple, un trimestre) jusqu'à un moment donné dans cette période.
## Syntaxe
```
periodToDateSum(
measure,
dateTime,
period,
endDate)
```
## Arguments
*mesure*
L'argument doit être un champ. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas.
*dateTime*
Dimension de date sur laquelle vous calculez les PeriodToDate agrégations.
*point*
La période de temps sur laquelle vous effectuez le calcul. La granularité de `YEAR` signifie un calcul `YearToDate`, `Quarter` signifie `QuarterToDate` et ainsi de suite. Les granularités valides comprennent `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` et `SECONDS`.
*endDate*
(Facultatif) Dimension de date à laquelle vous mettez fin au calcul periodToDate des agrégations. Si elle est omise, elle est par défaut définie sur `now()`.
## Exemple
La fonction suivante calcule la somme des montants du tarif depuis le début de la semaine par type de paiement, pour la semaine du 30-06-21. Pour simplifier l'exemple, nous avons filtré un seul type de paiement. Le 30-06-21 est un mercredi. Quick commence la semaine le dimanche. Dans notre exemple, cela correspond au 27/06/2021.
```
periodToDateSum(fare_amount, pickUpDateTime, WEEK, parseDate("06-30-2021", "MM-dd-yyyy"))
```
![\[Voici une image des résultats de l'exemple, avec des illustrations.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/PTDSumResults.png)
# periodToDateVar
La fonction `periodToDateVar` calcule la variance de l'échantillon de l'ensemble de nombres dans la mesure spécifiée pour une granularité temporelle donnée (par exemple, un trimestre) jusqu'à un moment donné dans cette période.
## Syntaxe
```
periodToDateVar(
measure,
dateTime,
period,
endDate (optional))
```
## Arguments
*mesure*
L'argument doit être un champ. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas.
*dateTime*
Dimension de date sur laquelle vous calculez les PeriodToDate agrégations.
*point*
La période de temps sur laquelle vous effectuez le calcul. La granularité de `YEAR` signifie un calcul `YearToDate`, `Quarter` signifie `QuarterToDate` et ainsi de suite. Les granularités valides comprennent `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` et `SECONDS`.
*endDate*
(Facultatif) Dimension de date à laquelle vous mettez fin au calcul periodToDate des agrégations. Si elle est omise, elle est par défaut définie sur `now()`.
## Exemple
L'exemple suivant calcule le montant week-to-date minimum du tarif par type de paiement, pour la semaine du 30/06/21. Pour simplifier l'exemple, nous avons filtré un seul type de paiement. Le 30-06-21 est un mercredi. Quick commence la semaine le dimanche. Dans notre exemple, cela correspond au 27/06/2021.
```
periodToDateVar(fare_amount, pickUpDatetime, WEEK, parseDate("06-30-2021", "MM-dd-yyyy"))
```
![\[Voici une image des résultats de l'exemple de calcul.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/PTDVarResults.png)
# periodToDateVarP
La fonction `periodToDateVarP` calcule la variance de la population de l'ensemble de nombres dans la mesure spécifiée pour une granularité temporelle donnée (par exemple, un trimestre) jusqu'à un moment donné dans cette période.
## Syntaxe
```
periodToDateVarP(
measure,
dateTime,
period,
endDate (optional))
```
## Arguments
*mesure*
L'argument doit être un champ. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas.
*dateTime*
Dimension de date sur laquelle vous calculez les PeriodToDate agrégations.
*point*
La période de temps sur laquelle vous effectuez le calcul. La granularité de `YEAR` signifie un calcul `YearToDate`, `Quarter` signifie `QuarterToDate` et ainsi de suite. Les granularités valides comprennent `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` et `SECONDS`.
*endDate*
(Facultatif) Dimension de date à laquelle vous mettez fin au calcul periodToDate des agrégations. Si elle est omise, elle est par défaut définie sur `now()`.
## Exemple
L'exemple suivant calcule le montant week-to-date minimum du tarif par type de paiement, pour la semaine du 30/06/21. Pour simplifier l'exemple, nous avons filtré un seul type de paiement. Le 30-06-21 est un mercredi. Quick commence la semaine le dimanche. Dans notre exemple, cela correspond au 27/06/2021.
```
periodToDateVarP(fare_amount, pickUpDatetime, WEEK, parseDate("06-30-2021", "MM-dd-yyyy"))
```
![\[Voici une image des résultats de l'exemple de calcul.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/PTDVarPResults.png)
# stdev
La fonction `stdev` calcule l'écart type de l'ensemble de nombres figurant dans la mesure spécifiée ( regroupement en fonction de la ou des dimensions choisies, sur la base d'un échantillon).
## Syntaxe
```
stdev(measure, [group-by level])
```
## Arguments
*mesure*
L'argument doit être une mesure. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas. L'argument doit être un champ.
*niveau de regroupement*
(Facultatif) Spécifie le niveau de regroupement de l'agrégation. Le niveau ajouté peut correspondre à une dimension quelconque, indépendamment des dimensions déjà ajoutées au visuel.
L'argument doit être un champ de dimension. Le niveau de regroupement doit être placé entre crochets `[ ]`. Pour plus d'informations, consultez la section [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)).
## Exemples
L'exemple suivant renvoie l'écart-type des résultats des tests pour une classe, en utilisant un échantillon des résultats des tests enregistrés.
```
stdev({Score})
```
Vous avez également la possibilité de spécifier le niveau de regroupement pour le calcul en utilisant une ou plusieurs dimensions de la vue ou de votre jeu de données. C'est ce qu'on appelle une fonction LAC-A. Pour plus d'informations sur les fonctions LAC-A, voir [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). L'exemple suivant calcule l'écart-type des résultats des tests au niveau de la matière, sans prendre en compte les autres dimensions (comme la classe) présentes dans le visuel.
```
stdev({Score}, [Subject])
```
# stdevp
La fonction `stdevp` calcule l'écart type de remplissage de l'ensemble de nombres figurant dans la mesure spécifiée (regroupement en fonction de la ou des dimensions choisies).
## Syntaxe
```
stdevp(measure, [group-by level])
```
## Arguments
*mesure*
L'argument doit être une mesure. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas. L'argument doit être un champ.
*niveau de regroupement*
(Facultatif) Spécifie le niveau de regroupement de l'agrégation. Le niveau ajouté peut correspondre à une dimension quelconque, indépendamment des dimensions déjà ajoutées au visuel.
L'argument doit être un champ de dimension. Le niveau de regroupement doit être placé entre crochets `[ ]`. Pour plus d'informations, consultez la section [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)).
## Exemples
L'exemple suivant renvoie l'écart-type des résultats des tests pour une classe, en utilisant tous les résultats des tests enregistrés.
```
stdevp({Score})
```
Vous avez également la possibilité de spécifier le niveau de regroupement pour le calcul en utilisant une ou plusieurs dimensions de la vue ou de votre jeu de données. C'est ce qu'on appelle une fonction LAC-A. Pour plus d'informations sur les fonctions LAC-A, voir [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). L'exemple suivant calcule l'écart-type des résultats des tests au niveau de la matière, sans prendre en compte les autres dimensions (comme la classe) présentes dans le visuel, en utilisant tous les résultats enregistrés.
```
stdevp({Score}, [Subject])
```
# stdevIf
À partir d’une instruction conditionnelle, la fonction `stdevIf` calcule l'écart type de l'ensemble de nombres figurant dans la mesure spécifiée ( regroupement en fonction de la ou des dimensions choisies, sur la base d'un échantillon).
## Syntaxe
```
stdevIf(measure, conditions)
```
## Arguments
*mesure*
L'argument doit être une mesure. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas. L'argument doit être un champ.
*condition*
Une ou plusieurs conditions dans une seule instruction.
# stdevpIf
À partir d’une instruction conditionnelle, la fonction `stdevpIf` calcule l'écart type de l'ensemble de nombres figurant dans la mesure spécifiée ( regroupement en fonction de la ou des dimensions choisies, sur la base d'un remplissage biaisé).
## Syntaxe
```
stdevpIf(measure, conditions)
```
## Arguments
*mesure*
L'argument doit être une mesure. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas. L'argument doit être un champ.
*condition*
Une ou plusieurs conditions dans une seule instruction.
# sum
La fonction `sum` additionne l'ensemble de nombres figurant dans la mesure spécifiée, groupée en fonction de la ou des dimensions choisies. Par exemple, `sum(profit amount)` renvoie le montant total de bénéfices groupé en fonction de la dimension choisie (facultatif).
## Syntaxe
```
sum(measure, [group-by level])
```
## Arguments
*mesure*
L'argument doit être une mesure. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas. L'argument doit être un champ.
*niveau de regroupement*
(Facultatif) Spécifie le niveau de regroupement de l'agrégation. Le niveau ajouté peut correspondre à une dimension quelconque, indépendamment des dimensions déjà ajoutées au visuel.
L'argument doit être un champ de dimension. Le niveau de regroupement doit être placé entre crochets `[ ]`. Pour plus d'informations, consultez la section [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)).
## Exemples
L'exemple suivant la somme totale des ventes.
```
sum({Sales})
```
Vous avez également la possibilité de spécifier le niveau de regroupement pour le calcul en utilisant une ou plusieurs dimensions de la vue ou de votre jeu de données. C'est ce qu'on appelle une fonction LAC-A. Pour plus d'informations sur les fonctions LAC-A, voir [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). L'exemple suivant calcule la somme des ventes au niveau du pays, sans prendre en compte les autres dimensions (comme la région ou le produit) présentes dans le visuel.
```
sum(Sales, [Country])
```
![\[La somme des ventes pour chaque pays.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/sum-function-example.png)
# sumIf
Sur la base d'une instruction conditionnelle, la fonction `sumIf` additionne les ensembles de nombres figurant dans la mesure spécifiée, groupée en fonction de la ou des dimensions choisies. Par exemple, `sumIf(ProdRev,CalendarDay >= ${BasePeriodStartDate} AND CalendarDay <= ${BasePeriodEndDate} AND SourcingType <> 'Indirect')` renvoie le montant total du profit regroupé par la dimension choisie (facultative), si la condition est évaluée comme « true ».
## Syntaxe
```
sumIf(measure, conditions)
```
## Arguments
*mesure*
L'argument doit être une mesure. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas. L'argument doit être un champ.
*condition*
Une ou plusieurs conditions dans une seule instruction.
## Exemples
L'exemple suivant utilise un champ calculé avec `sumIf` pour afficher le montant des ventes si `Segment` est égal à `SMB`.
```
sumIf(Sales, Segment=’SMB’)
```
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/sumIfCalc.png)
L'exemple suivant utilise un champ calculé avec `sumIf` pour afficher le montant des ventes si `Segment` est égal à `SMB` et `Order Date` est supérieur à l'année 2022.
```
sumIf(Sales, Segment=’SMB’ AND {Order Date} >=’2022-01-01’)
```
# var
La fonction `var` calcule l’exemple de variance de l'ensemble de nombres figurant dans la mesure spécifiée (regroupement en fonction de la ou des dimensions choisies).
## Syntaxe
```
var(measure, [group-by level])
```
## Arguments
*mesure*
L'argument doit être une mesure. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas. L'argument doit être un champ.
*niveau de regroupement*
(Facultatif) Spécifie le niveau de regroupement de l'agrégation. Le niveau ajouté peut correspondre à une dimension quelconque, indépendamment des dimensions déjà ajoutées au visuel.
L'argument doit être un champ de dimension. Le niveau de regroupement doit être placé entre crochets `[ ]`. Pour plus d'informations, consultez la section [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)).
## Exemples
L'exemple suivant renvoie la variance d'un échantillon de résultats des tests.
```
var({Scores})
```
Vous avez également la possibilité de spécifier le niveau de regroupement pour le calcul en utilisant une ou plusieurs dimensions de la vue ou de votre jeu de données. C'est ce qu'on appelle une fonction LAC-A. Pour plus d'informations sur les fonctions LAC-A, voir [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). L'exemple suivant renvoie la variance d'un échantillon des résultats de tests au niveau de la matière, sans prendre en compte les autres dimensions (comme la classe) présentes dans le visuel.
```
var({Scores}, [Subject]
```
# varIf
À partir d’une instruction conditionnelle, la fonction `varIf` calcule la variance de l'ensemble de nombres figurant dans la mesure spécifiée ( regroupement en fonction de la ou des dimensions choisies, sur la base d'un échantillon).
## Syntaxe
```
varIf(measure, conditions)
```
## Arguments
*mesure*
L'argument doit être une mesure. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas. L'argument doit être un champ.
*condition*
Une ou plusieurs conditions dans une seule instruction.
# varp
La fonction `varp` calcule la variance de remplissage de l'ensemble de nombres figurant dans la mesure spécifiée (regroupement en fonction de la ou des dimensions choisies).
## Syntaxe
```
varp(measure, [group-by level])
```
## Arguments
*mesure*
L'argument doit être une mesure. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas. L'argument doit être un champ.
*niveau de regroupement*
(Facultatif) Spécifie le niveau de regroupement de l'agrégation. Le niveau ajouté peut correspondre à une dimension quelconque, indépendamment des dimensions déjà ajoutées au visuel.
L'argument doit être un champ de dimension. Le niveau de regroupement doit être placé entre crochets `[ ]`. Pour plus d'informations, consultez la section [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)).
## Exemples
L'exemple suivant renvoie la variance d'une population de résultats des tests.
```
varp({Scores})
```
Vous avez également la possibilité de spécifier le niveau de regroupement pour le calcul en utilisant une ou plusieurs dimensions de la vue ou de votre jeu de données. C'est ce qu'on appelle une fonction LAC-A. Pour plus d'informations sur les fonctions LAC-A, voir [Calcul sensible au niveau - fonctions d'agrégation (LAC-A](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations-aggregate.html)). L'exemple suivant renvoie la variance des résultats des tests de toute une population au niveau de la matière, sans prendre en compte les autres dimensions (comme la classe) présentes dans le visuel.
```
varp({Scores}, [Subject]
```
# varpIf
À partir d’une instruction conditionnelle, la fonction `varpIf` calcule la variance de l'ensemble de nombres figurant dans la mesure spécifiée ( regroupement en fonction de la ou des dimensions choisies, sur la base d'un remplissage biaisé).
## Syntaxe
```
varpIf(measure, conditions)
```
## Arguments
*mesure*
L'argument doit être une mesure. Les valeurs null ne sont pas prises en compte dans les résultats. Les valeurs littérales ne fonctionnent pas. L'argument doit être un champ.
*condition*
Une ou plusieurs conditions dans une seule instruction.
# Fonctions de calcul du tableau
Lorsque vous analysez des données dans une représentation visuelle spécifique, vous pouvez appliquer des calculs de tableaux au jeu de données actuel pour découvrir comment les dimensions influencent les mesures ou comment elles s’influencent entre elles. Les *données visualisées* correspondent à votre ensemble de résultats basé sur votre jeu de données actuel, avec l'application de tous les filtres, sélections de champs et personnalisations. Pour voir exactement cet ensemble de résultats, vous pouvez exporter votre représentation visuelle dans un fichier. La *fonction de calcul de tableau* effectue les opérations sur les données pour révéler les relations entre les champs.
Dans cette section, vous trouverez une liste des fonctions disponibles dans les calculs de table que vous pouvez exécuter sur des données visualisées dans Amazon Quick.
Pour consulter la liste des fonctions triées par catégorie, avec de brèves définitions, voir [Fonctions par catégorie](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
La fonction `difference` calcule la différence entre une mesure basée sur un ensemble de partitions et de tris et une mesure basée sur un autre.
La fonction `difference` est prise en charge pour fonctionner avec des analyses basées sur des jeux de données SPICE et de requêtes directes.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
difference
(
measure
,[ sortorder_field ASC_or_DESC, ... ]
,lookup_index,
,[ partition field, ... ]
)
```
## Arguments
*mesure*
Une mesure regroupée pour laquelle vous souhaitez voir la différence.
*champ pour l'ordre de tri*
Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez trier les données, avec séparation par des virgules. Vous pouvez spécifier un ordre de tri croissant (**ASC**) ou décroissant (**DESC**).
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*index de recherche*
L'index de recherche peut être positif ou négatif, désignant une ligne suivante dans le tri (valeur positive) ou une ligne précédente dans le tri (valeur négative). L'index de recherche peut être 1–2,147,483,647. Pour les moteurs MySQL, MariaDB et Aurora avec une compatibilité MySQL, l'index de recherche est limité à 1.
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
## Exemple
L'exemple suivant calcule la différence entre des `sum({Billed Amount})`, triés par ordre croissant `Customer Region`, par rapport à la ligne suivante, avec partition selon `Service Line`.
```
difference(
sum( {Billed Amount} ),
[{Customer Region} ASC],
1,
[{Service Line}]
)
```
L'exemple suivant calcule la différence entre `Billed Amount` et la ligne suivante, avec partition selon (`[{Customer Region}]`). Les champs du calcul de tableau se trouvent dans les sélecteurs de champs de la représentation visuelle.
```
difference(
sum( {Billed Amount} ),
[{Customer Region} ASC],
1
)
```
Les mises en surbrillance en rouge montrent comment chaque montant est additionné (a\$1b = c) pour afficher la différence entre les montants a et c.
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/differenceCalc.png)
# distinctCountOver
La fonction `distinctCountOver` calcule le nombre distinct d'opérandes partitionnés par les attributs spécifiés dans un niveau donné. Les niveaux pris en charge sont `PRE_FILTER` et `PRE_AGG`. L'opérande doit être désagrégé.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
distinctCountOver
(
measure or dimension field
,[ partition_field, ... ]
,calculation level
)
```
## Arguments
*champ mesure ou dimension*
Mesure ou dimension pour laquelle vous souhaitez effectuer le calcul, par exemple `{Sales Amt}`. Les valeurs valides sont `PRE_FILTER` et `PRE_AGG`.
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*niveau de calcul*
(Facultatif) Spécifie le niveau de calcul à utiliser :
+ **`PRE_FILTER`** – Les calculs de pré-filtre sont effectués avant les filtres de jeu de données.
+ **`PRE_AGG`** – Les calculs de pré-regroupement sont effectués avant d'appliquer les regroupements et les filtres *N* premiers/derniers aux représentations visuelles.
Lorsqu'elle est vide, la valeur par défaut est `POST_AGG_FILTER`. `POST_AGG_FILTER` n'est pas un niveau valide pour cette opération et, le cas échéant, un message d'erreur s'affichera. Pour plus d'informations, consultez [Utilisation de calculs basés sur les niveaux dans Amazon Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html).
## Exemple
L'exemple suivant montre le compte distinct de `Sales` partitionné sur `City` et `State` au niveau `PRE_AGG`.
```
distinctCountOver
(
Sales,
[City, State], PRE_AGG
)
```
# lag
La fonction `lag` calcule la valeur de décalage (précédente) pour une mesure en fonction des partitions et tris spécifiés.
`lag` est pris en charge pour fonctionner avec des analyses basées sur des jeux de données SPICE et de requêtes directes.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
lag
(
lag
(
measure
,[ sortorder_field ASC_or_DESC, ... ]
,lookup_index
,[ partition_field, ... ]
)]
)
```
## Arguments
*mesure*
La mesure pour laquelle vous souhaitez obtenir la valeur de décalage. Celle-ci peut inclure un regroupement, par exemple `sum({Sales Amt})`.
*champ pour l'ordre de tri*
Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez trier les données, avec séparation par des virgules. Vous pouvez spécifier un ordre de tri croissant (**ASC**) ou décroissant (**DESC**).
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*index de recherche*
L'index de recherche peut être positif ou négatif, désignant une ligne suivante dans le tri (valeur positive) ou une ligne précédente dans le tri (valeur négative). L'index de recherche peut être 1–2,147,483,647. Pour les moteurs MySQL, MariaDB, et Amazon Aurora avec une compatibilité MySQL, l'index de recherche est limité à 1.
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
## Exemple
L'exemple suivant calcule le précédent `sum(sales)`, partitionné par l'état d'origine, par ordre croissant sur `cancellation_code`.
```
lag
(
sum(Sales),
[cancellation_code ASC],
1,
[origin_state_nm]
)
```
L'exemple suivant utilise un champ calculé avec `lag` pour afficher le montant de la ligne précédente, en regard du montant de la ligne actuelle, triés par `Order Date`. Les champs du calcul de tableau se trouvent dans les sélecteurs de champs de la représentation visuelle.
```
lag(
sum({Sales}),
[{Order Date} ASC],
1
)
```
La capture d'écran suivante affiche les résultats de l'exemple.
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/lagCalc.png)
L'exemple suivant utilise un champ calculé avec `lag` pour afficher le montant de la ligne précédente, en regard du montant de la ligne actuelle, triés par `Order Date` partitionné par `Segment`.
```
lag
(
sum(Sales),
[Order Date ASC],
1, [Segment]
)
```
La capture d'écran suivante affiche les résultats de l'exemple.
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/lagCalc2.png)
# lead
La fonction `lead` calcule la valeur principale (suivante) pour une mesure en fonction des partitions et tris spécifiés.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
lead
(
measure
,[ sortorder_field ASC_or_DESC, ... ]
,lookup_index,
,[ partition_field, ... ]
)
```
## Arguments
*mesure*
La mesure pour laquelle vous souhaitez obtenir la valeur principale. Celle-ci peut inclure un regroupement, par exemple `sum({Sales Amt})`.
*champ pour l'ordre de tri*
Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez trier les données, avec séparation par des virgules. Vous pouvez spécifier un ordre de tri croissant (**ASC**) ou décroissant (**DESC**).
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*index de recherche*
L'index de recherche peut être positif ou négatif, désignant une ligne suivante dans le tri (valeur positive) ou une ligne précédente dans le tri (valeur négative). L'index de recherche peut être 1–2,147,483,647. Pour les moteurs MySQL, MariaDB, et Amazon Aurora avec une compatibilité MySQL, l'index de recherche est limité à 1.
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
## Exemple
L'exemple suivant calcule le prochain `sum(sales)`, partitionné par l'état d'origine, par ordre croissant sur `cancellation_code`.
```
lead
(
sum(sales),
[cancellation_code ASC],
1,
[origin_state_nm]
)
```
L'exemple suivant utilise un champ calculé avec valeur principale pour afficher le montant de la ligne suivante, en regard du montant de la ligne actuelle, triés par `Customer Segment`. Les champs du calcul de tableau se trouvent dans les sélecteurs de champs de la représentation visuelle.
```
lead(
sum({Billed Amount}),
[{Customer Segment} ASC],
1
)
```
La capture d'écran suivante affiche les résultats de l'exemple.
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/leadCalc.png)
# percentDifference
La fonction `percentDifference` calcule la différence de pourcentage entre la valeur actuelle et une valeur de comparaison, en fonction des partitions, des tris et de l'index de recherche.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
percentDifference
(
measure
,[ sortorder_field ASC_or_DESC, ... ]
,lookup index
,[ partition_field, ... ]
)
```
## Arguments
*mesure*
Une mesure regroupée pour laquelle vous souhaitez voir la différence de pourcentage.
*champ pour l'ordre de tri*
Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez trier les données, avec séparation par des virgules. Vous pouvez spécifier un ordre de tri croissant (**ASC**) ou décroissant (**DESC**).
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*index de recherche*
L'index de recherche peut être positif ou négatif, désignant une ligne suivante dans le tri (valeur positive) ou une ligne précédente dans le tri (valeur négative). L'index de recherche peut être 1–2,147,483,647. Pour les moteurs MySQL, MariaDB et Aurora avec une compatibilité MySQL, l'index de recherche est limité à 1.
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
## Exemple
L'exemple suivant calcule le pourcentage de différence entre le `sum(Sales)` pour le `State` actuel et le précédent, triés par `Sales`.
```
percentDifference
(
sum(amount),
[sum(amount) ASC],
-1,
[State]
)
```
L'exemple suivant calcule le pourcentage qu'un `Billed Amount` spécifique est par rapport à un autre `Billed Amount`, triés par (`[{Customer Region} ASC]`). Les champs du calcul de tableau se trouvent dans les sélecteurs de champs de la représentation visuelle.
```
percentDifference
(
sum( {Billed Amount} ),
[{Customer Region} ASC],
1
)
```
La capture d'écran suivante affiche les résultats de l'exemple. Les lettres rouges montrent que le `Billed Amount` total pour le `Customer Region` **APAC** est de 24 % inférieur au montant pour la région **EMEA**.
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/percentDifference.png)
# avgOver
La fonction `avgOver` calcule la moyenne d'une mesure partitionnée par une liste de dimensions.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
avgOver
(
measure
,[ partition_field, ... ]
,calculation level
)
```
L'exemple suivant montre la moyenne de `Billed Amount` sur `Customer Region`. Les champs du calcul de tableau se trouvent dans les sélecteurs de champs de la représentation visuelle.
```
avgOver
(
sum({Billed Amount}),
[{Customer Region}]
)
```
La capture d'écran suivante affiche les résultats de l'exemple. Avec l'ajout de `Service Line`, le montant total facturé pour chaque est affiché et la moyenne de ces trois valeurs apparaît dans le champ calculé.
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/avgOver.png)
## Arguments
*mesure*
Mesure pour laquelle vous souhaitez effectuer le calcul, par exemple `sum({Sales Amt})`. Utilisez un regroupement si le niveau de calcul est défini sur `NULL` ou `POST_AGG_FILTER`. N'utilisez pas de regroupement si le niveau de calcul est défini sur `PRE_FILTER` ou `PRE_AGG`.
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*niveau de calcul*
(Facultatif) Spécifie le niveau de calcul à utiliser :
+ **`PRE_FILTER`** – Les calculs de pré-filtre sont effectués avant les filtres de jeu de données.
+ **`PRE_AGG`** – Les calculs de pré-regroupement sont effectués avant d'appliquer les regroupements et les filtres *N* premiers/derniers aux représentations visuelles.
+ **`POST_AGG_FILTER`** – (Par défaut) Les calculs de tableau sont effectués lorsque les représentations visuelles s'affichent.
La valeur par défaut est `POST_AGG_FILTER` lorsqu’elle est vide. Pour plus d'informations, consultez la section [Utilisation de calculs basés sur les niveaux dans Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html).
## Exemple
L'exemple suivant montre la moyenne de `sum(Sales)` partitionnée sur `City` et `State`.
```
avgOver
(
sum(Sales),
[City, State]
)
```
# countOver
La fonction `countOver` calcule le nombre d'une dimension ou mesure partitionné par une liste de dimensions.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
countOver
(
measure or dimension field
,[ partition_field, ... ]
,calculation level
)
```
## Arguments
*champ mesure ou dimension*
Mesure ou dimension pour laquelle vous souhaitez effectuer le calcul, par exemple `sum({Sales Amt})`. Utilisez un regroupement si le niveau de calcul est défini sur `NULL` ou `POST_AGG_FILTER`. N'utilisez pas de regroupement si le niveau de calcul est défini sur `PRE_FILTER` ou `PRE_AGG`.
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*niveau de calcul*
(Facultatif) Spécifie le niveau de calcul à utiliser :
+ **`PRE_FILTER`** – Les calculs de pré-filtre sont effectués avant les filtres de jeu de données.
+ **`PRE_AGG`** – Les calculs de pré-regroupement sont effectués avant d'appliquer les regroupements et les filtres *N* premiers/derniers aux représentations visuelles.
+ **`POST_AGG_FILTER`** – (Par défaut) Les calculs de tableau sont effectués lorsque les représentations visuelles s'affichent.
La valeur par défaut est `POST_AGG_FILTER` lorsqu’elle est vide. Pour plus d'informations, consultez la section [Utilisation de calculs basés sur les niveaux dans Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html).
## Exemple
L'exemple suivant montre le compte de `Sales` partitionné sur `City` et `State`.
```
countOver
(
Sales,
[City, State]
)
```
L'exemple suivant montre le compte de `{County}` partitionné sur `City` et `State`.
```
countOver
(
{County},
[City, State]
)
```
L'exemple suivant montre le compte de `Billed Amount` sur `Customer Region`. Les champs du calcul de tableau se trouvent dans les sélecteurs de champs de la représentation visuelle.
```
countOver
(
sum({Billed Amount}),
[{Customer Region}]
)
```
La capture d'écran suivante affiche les résultats de l'exemple. Étant donné qu'il n'y a pas d'autres champs impliqués, le compte est de un pour chaque région.
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/countOver1.png)
Si vous ajoutez des champs supplémentaires, le compte change. Dans la capture d'écran suivante, nous additionnons `Customer Segment` et `Service Line`. Chacun de ces champs contient trois valeurs uniques. Avec 3 segments, 3 gammes de services et 3 régions, le champ calculé affiche 9.
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/countOver2.png)
Si vous ajoutez les deux autres champs dans les champs de partitionnement du champ calculé, `countOver( sum({Billed Amount}), [{Customer Region}, {Customer Segment}, {Service Line}]`, puis le décompte est à nouveau 1 pour chaque ligne.
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/countOver.png)
# maxOver
La fonction `maxOver` calcule le maximum d'une mesure ou date partitionné par une liste de dimensions.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
maxOver
(
measure
,[ partition_field, ... ]
,calculation level
)
```
## Arguments
*mesure*
Mesure pour laquelle vous souhaitez effectuer le calcul, par exemple `sum({Sales Amt})`. Utilisez un regroupement si le niveau de calcul est défini sur `NULL` ou `POST_AGG_FILTER`. N'utilisez pas de regroupement si le niveau de calcul est défini sur `PRE_FILTER` ou `PRE_AGG`.
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*niveau de calcul*
(Facultatif) Spécifie le niveau de calcul à utiliser :
+ **`PRE_FILTER`** – Les calculs de pré-filtre sont effectués avant les filtres de jeu de données.
+ **`PRE_AGG`** – Les calculs de pré-regroupement sont effectués avant d'appliquer les regroupements et les filtres *N* premiers/derniers aux représentations visuelles.
+ **`POST_AGG_FILTER`** – (Par défaut) Les calculs de tableau sont effectués lorsque les représentations visuelles s'affichent.
La valeur par défaut est `POST_AGG_FILTER` lorsqu’elle est vide. Pour plus d'informations, consultez la section [Utilisation de calculs basés sur les niveaux dans Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html).
## Exemple
L'exemple suivant calcule le maximum de `sum(Sales)`, partitionné selon `City` et `State`.
```
maxOver
(
sum(Sales),
[City, State]
)
```
L'exemple suivant montre le maximum de `Billed Amount` sur `Customer Region`. Les champs du calcul de tableau se trouvent dans les sélecteurs de champs de la représentation visuelle.
```
maxOver
(
sum({Billed Amount}),
[{Customer Region}]
)
```
La capture d'écran suivante affiche les résultats de l'exemple. Avec l'ajout de `Service Line`, le montant total facturé pour chaque est affiché et le maximum de ces trois valeurs apparaît dans le champ calculé.
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/maxOver.png)
# minOver
la fonction `minOver` calcule le minimum d'une mesure ou date partitionné par une liste de dimensions.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
minOver
(
measure
,[ partition_field, ... ]
,calculation level
)
```
## Arguments
*mesure*
Mesure pour laquelle vous souhaitez effectuer le calcul, par exemple `sum({Sales Amt})`. Utilisez un regroupement si le niveau de calcul est défini sur `NULL` ou `POST_AGG_FILTER`. N'utilisez pas de regroupement si le niveau de calcul est défini sur `PRE_FILTER` ou `PRE_AGG`.
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*niveau de calcul*
(Facultatif) Spécifie le niveau de calcul à utiliser :
+ **`PRE_FILTER`** – Les calculs de pré-filtre sont effectués avant les filtres de jeu de données.
+ **`PRE_AGG`** – Les calculs de pré-regroupement sont effectués avant d'appliquer les regroupements et les filtres *N* premiers/derniers aux représentations visuelles.
+ **`POST_AGG_FILTER`** – (Par défaut) Les calculs de tableau sont effectués lorsque les représentations visuelles s'affichent.
La valeur par défaut est `POST_AGG_FILTER` lorsqu’elle est vide. Pour plus d'informations, consultez la section [Utilisation de calculs basés sur les niveaux dans Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html).
## Exemple
L'exemple suivant calcule le minimum de `sum(Sales)`, partitionné selon `City` et `State`.
```
minOver
(
sum(Sales),
[City, State]
)
```
L'exemple suivant montre le minimum de `Billed Amount` sur `Customer Region`. Les champs du calcul de tableau se trouvent dans les sélecteurs de champs de la représentation visuelle.
```
minOver
(
sum({Billed Amount}),
[{Customer Region}]
)
```
La capture d'écran suivante affiche les résultats de l'exemple. Avec l'ajout de `Service Line`, le montant total facturé pour chaque est affiché et le minimum de ces trois valeurs apparaît dans le champ calculé.
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/minOver.png)
# percentileOver
La fonction `percentileOver` calcule le *énième* percentile d'une mesure partitionnée par une liste de dimensions. Deux types de `percentileOver` calcul sont disponibles dans Quick :
+ [https://docs.aws.amazon.com/quicksight/latest/user/percentileContOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/percentileContOver-function.html) utilise l'interpolation linéaire pour déterminer le résultat.
+ [https://docs.aws.amazon.com/quicksight/latest/user/percentileDiscOver-function.html](https://docs.aws.amazon.com/quicksight/latest/user/percentileDiscOver-function.html) utilise les valeurs réelles pour déterminer le résultat.
La fonction `percentileOver` est un alias de `percentileDiscOver`.
# percentileContOver
La fonction `percentileContOver` calcule le percentile en fonction des nombres réels contenus dans `measure`. Elle utilise le regroupement et le tri appliqués dans les zones de champs. Le résultat est partitionné selon la dimension spécifiée au niveau de calcul spécifié.
Utilisez cette fonction pour répondre à la question suivante : Quels sont les points de données réels présents dans ce percentile ? Pour renvoyer la valeur de percentile la plus proche présente dans votre jeu de données, utilisez `percentileDiscOver`. Pour renvoyer une valeur percentile exacte qui n'est peut-être pas présente dans votre jeu de données, utilisez plutôt `percentileContOver`.
## Syntaxe
```
percentileContOver (
measure
, percentile-n
, [partition-by, …]
, calculation-level
)
```
## Arguments
*mesure*
Spécifie une valeur numérique à utiliser pour calculer le percentile. L'argument doit être une mesure ou une métrique. Les valeurs NULL sont ignorées dans le calcul.
*percentile-n*
La valeur du percentile peut être n'importe quelle constante numérique située entre 0 et 100. Une valeur de percentile de 50 calcule la valeur médiane de la mesure.
*partition-by*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules. Chaque champ de la liste est placé dans des accolades \$1 \$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*niveau de calcul*
Spécifie l'emplacement où effectuer le calcul par rapport à l'ordre d'évaluation. Trois niveaux de calcul sont pris en charge :
+ PRE\$1FILTER
+ PRE\$1AGG
+ POST\$1AGG\$1FILTER (par défaut) – Pour utiliser ce niveau de calcul, spécifiez une agrégation sur `measure`, par exemple `sum(measure)`.
PRE\$1FILTER et PRE\$1AGG sont appliqués avant que l'agrégation ne se produise dans une visualisation. Pour ces deux niveaux de calcul, il est impossible de spécifier une agrégation sur `measure` dans l'expression du champ calculé. Pour en savoir plus sur les niveaux de calcul et les circonstances dans lesquelles ils s'appliquent, consultez [Ordre d'évaluation dans Amazon Quick](https://docs.aws.amazon.com/quicksight/latest/user/order-of-evaluation-quicksight.html) et [Utilisation de calculs adaptés aux niveaux dans](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html) Quick.
## Renvoie
Le résultat de la fonction est un nombre.
## Exemple de percentileContOver
L'exemple suivant permet d'expliquer comment percentileContOver cela fonctionne.
**Example Comparaison des niveaux de calcul pour la médiane**
L'exemple suivant illustre la médiane d'une dimension (catégorie) en utilisant différents niveaux de calcul avec la fonction `percentileContOver`. Le percentile est 50. Le jeu de données est filtré par un champ de région. Le code de chaque champ calculé est le suivant :
+ `example = left( category, 1 )` (Un exemple simplifié.)
+ `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
La fonction `percentileDiscOver` calcule le percentile en fonction des nombres réels contenus dans `measure`. Elle utilise le regroupement et le tri appliqués dans les zones de champs. Le résultat est partitionné selon la dimension spécifiée au niveau de calcul spécifié. La fonction `percentileOver` est un alias de `percentileDiscOver`.
Utilisez cette fonction pour répondre à la question suivante : Quels sont les points de données réels présents dans ce percentile ? Pour renvoyer la valeur de percentile la plus proche présente dans votre jeu de données, utilisez `percentileDiscOver`. Pour renvoyer une valeur percentile exacte qui n'est peut-être pas présente dans votre jeu de données, utilisez plutôt `percentileContOver`.
## Syntaxe
```
percentileDiscOver (
measure
, percentile-n
, [partition-by, …]
, calculation-level
)
```
## Arguments
*mesure*
Spécifie une valeur numérique à utiliser pour calculer le percentile. L'argument doit être une mesure ou une métrique. Les valeurs NULL sont ignorées dans le calcul.
*percentile-n*
La valeur du percentile peut être n'importe quelle constante numérique située entre 0 et 100. Une valeur de percentile de 50 calcule la valeur médiane de la mesure.
*partition-by*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules. Chaque champ de la liste est placé dans des accolades \$1 \$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*niveau de calcul*
Spécifie l'emplacement où effectuer le calcul par rapport à l'ordre d'évaluation. Trois niveaux de calcul sont pris en charge :
+ PRE\$1FILTER
+ PRE\$1AGG
+ POST\$1AGG\$1FILTER (par défaut) – Pour utiliser ce niveau de calcul, vous devez spécifier une agrégation sur `measure`, par exemple `sum(measure)`.
PRE\$1FILTER et PRE\$1AGG sont appliqués avant que l'agrégation ne se produise dans une visualisation. Pour ces deux niveaux de calcul, il est impossible de spécifier une agrégation sur `measure` dans l'expression du champ calculé. Pour en savoir plus sur les niveaux de calcul et les circonstances dans lesquelles ils s'appliquent, consultez [Ordre d'évaluation dans Amazon Quick](https://docs.aws.amazon.com/quicksight/latest/user/order-of-evaluation-quicksight.html) et [Utilisation de calculs adaptés aux niveaux dans](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html) Quick.
## Renvoie
Le résultat de la fonction est un nombre.
## Exemple de percentileDiscOver
L'exemple suivant permet d'expliquer comment percentileDiscOver cela fonctionne.
**Example Comparaison des niveaux de calcul pour la médiane**
L'exemple suivant illustre la médiane d'une dimension (catégorie) en utilisant différents niveaux de calcul avec la fonction `percentileDiscOver`. Le percentile est 50. Le jeu de données est filtré par un champ de région. Le code de chaque champ calculé est le suivant :
+ `example = left( category, 1 )` (Un exemple simplifié.)
+ `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 La médiane**
L'exemple suivant calcule la moyenne (le 50e percentile) de `Sales`, partitionnée selon `City` et `State`.
```
percentileDiscOver
(
Sales,
50,
[City, State]
)
```
L'exemple suivant calcule le 98e percentile de `sum({Billed Amount})`, partitionné selon `Customer Region`. Les champs du calcul de tableau se trouvent dans les sélecteurs de champs de la représentation visuelle.
```
percentileDiscOver
(
sum({Billed Amount}),
98,
[{Customer Region}]
)
```
La capture d'écran suivante montre à quoi ressemblent ces deux exemples sur un graphique.
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/percentilOver-50-98.png)
# percentOfTotal
La fonction `percentOfTotal` calcule le pourcentage de contribution d'une mesure au total, en fonction des dimensions spécifiées.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
percentOfTotal
(
measure
,[ partition_field, ... ]
)
```
## Arguments
*mesure*
Une mesure regroupée pour laquelle vous souhaitez voir le pourcentage par rapport au total. Actuellement, le regroupement `distinct count` n'est pas pris en charge pour `percentOfTotal`.
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
## Exemple
L'exemple suivant crée un calcul pour le pourcentage du nombre total de `Sales` avec contribution de chaque `State`.
```
percentOfTotal
(
sum(Sales),
[State]
)
```
L'exemple suivant calcule le pourcentage d'un `Billed Amount` spécifique par rapport au `Billed Amount` total, avec partition par (`[{Service Line} ASC]`). Les champs du calcul de tableau se trouvent dans les sélecteurs de champs de la représentation visuelle.
```
percentOfTotal
(
sum( {Billed Amount} ),
[{Service Line}]
)
```
La capture d'écran suivante affiche les résultats de l'exemple. Les mises en surbrillance en rouge montrent que le champ de partition avec la valeur «`Billing`» possède trois entrées, une pour chaque région. Le montant total facturé pour cette gamme de services est divisé en trois pourcentages, pour un total de 100 %. Les pourcentages sont arrondis et peuvent ne pas toujours donner exactement 100 % une fois cumulés.
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/percentOfTotal.png)
# periodOverPeriodDifference
La fonction `periodOverPeriodDifference` calcule la différence d'une mesure sur deux périodes différentes, comme indiqué par la granularité et le décalage de la période. Contrairement au calcul de différence, cette fonction utilise un décalage basé sur la date au lieu d'un décalage de taille fixe. Cela garantit que seules les dates correctes sont comparées, même s'il manque des points de données dans le jeu de données.
## Syntaxe
```
periodOverPeriodDifference(
measure,
date,
period,
offset)
```
## Arguments
*mesure*
Mesure agrégée sur laquelle vous souhaitez effectuer le periodOverPeriod calcul.
*dateTime*
Dimension de date sur laquelle nous calculons Period-Over-Period les calculs.
*point*
(Facultatif) La période de temps sur laquelle vous effectuez le calcul. La granularité de `YEAR` signifie un calcul `YearToDate`, `Quarter` signifie `QuarterToDate` et ainsi de suite. Les granularités valides comprennent `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` et `SECONDS`.
La valeur par défaut est la granularité de la dimension visuelle de la date.
*offset*
(Facultatif) Le décalage peut être un entier positif ou négatif qui représente la période précédente (spécifiée par période) à laquelle vous désirez effectuer la comparaison. Par exemple, la période d'un trimestre présentant le décalage 1 signifie une comparaison avec le trimestre précédent.
La valeur par défaut est 1.
## Exemple
L'exemple suivant utilise un champ calculé `PeriodOverPeriod` pour afficher la différence du montant des ventes du jour précédent
```
periodOverPeriodDifference(sum(Sales), {Order Date})
```
![\[Il s'agit d'une image du retour de l'exemple de calcul.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/MonthOverMonthDifference.png)
L'exemple suivant utilise un champ calculé `PeriodOverPeriod` pour afficher la différence du montant des ventes des 2 mois précédents. L'exemple ci-dessous compare les ventes de `Mar2020` avec `Jan2020`.
```
periodOverPeriodDifference(sum(Sales),{Order Date}, MONTH, 1)
```
![\[Il s'agit d'une image du retour de l'exemple de calcul.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/MonthOverMonthDifference2.png)
# periodOverPeriodLastValue
La fonction `periodOverPeriodLastValue` calcule la dernière valeur (précédente) d'une mesure par rapport à la période précédente, comme spécifiée par la granularité et le décalage de la période. Cette fonction utilise un décalage basé sur la date au lieu d'un décalage de taille fixe. Cela garantit que seules les dates correctes sont comparées, même s'il manque des points de données dans le jeu de données.
## Syntaxe
```
periodOverPeriodLastValue(
measure,
date,
period,
offset)
```
## Arguments
*mesure*
Une mesure regroupée pour laquelle vous souhaitez voir la différence.
*date*
Dimension de date sur laquelle vous calculez periodOverPeriod les calculs.
*point*
(Facultatif) La période de temps sur laquelle vous effectuez le calcul. La granularité de `YEAR` signifie un calcul `YearToDate`, `Quarter` signifie `QuarterToDate` et ainsi de suite. Les granularités valides comprennent `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` et `SECONDS`.
Cet argument correspond par défaut à la granularité de l'agrégation visuelle
*offset*
(Facultatif) Le décalage peut être un entier positif ou négatif qui représente la période précédente (spécifiée par période) à laquelle vous désirez effectuer la comparaison. Par exemple, la période d'un trimestre présentant le décalage 1 signifie une comparaison avec le trimestre précédent.
La valeur par défaut de cet argument est 1.
## Exemple
L'exemple suivant calcule la valeur mensuelle des ventes avec la granularité des dimensions visuelles ainsi qu'un décalage par défaut de 1.
```
periodOverPeriodLastValue(sum(Sales), {Order Date})
```
L'exemple suivant calcule la valeur mensuelle des ventes avec une granularité fixe de `MONTH` et un décalage fixe de 1.
```
periodOverPeriodLastValue(sum(Sales), {Order Date},MONTH, 1)
```
![\[Il s'agit d'une image du retour de l'exemple de calcul.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/MonthOverMonthLastValue.png)
# periodOverPeriodPercentDifference
La fonction `periodOverPeriodPercentDifference` calcule la différence en pourcentage d'une mesure sur deux périodes différentes, comme indiqué par la granularité et le décalage de la période. Contrairement à percentDifference, cette fonction utilise un décalage basé sur la date au lieu d'un décalage de taille fixe. Cela garantit que seules les dates correctes sont comparées, même s'il manque des points de données dans le jeu de données.
## Syntaxe
```
periodOverPeriodPercentDifference(
measure,
date,
period,
offset)
```
## Arguments
*mesure*
Une mesure regroupée pour laquelle vous souhaitez voir la différence.
*date*
Dimension de date sur laquelle vous calculez periodOverPeriod les calculs.
*point*
(Facultatif) La période de temps sur laquelle vous effectuez le calcul. La granularité de `YEAR` signifie un calcul `YearToDate`, `Quarter` signifie `QuarterToDate` et ainsi de suite. Les granularités valides comprennent `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` et `SECONDS`.
Cet argument correspond par défaut à la granularité de l'agrégation visuelle
*offset*
(Facultatif) Le décalage peut être un entier positif ou négatif qui représente la période précédente (spécifiée par période) à laquelle vous désirez effectuer la comparaison. Par exemple, la période d'un trimestre présentant le décalage 1 signifie une comparaison avec le trimestre précédent.
La valeur par défaut de cet argument est 1.
## Exemple
L'exemple suivant calcule la différence mensuelle en pourcentage avec la granularité des dimensions visuelles ainsi qu'un décalage par défaut de 1.
```
periodOverPeriodPercentDifference(sum(Sales),{Order Date})
```
L'exemple suivant calcule la différence mensuelle en pourcentage des ventes avec une granularité fixe `MONTH` ainsi qu'un décalage fixe de 1.
```
periodOverPeriodPercentDifference(sum(Sales), {Order Date}, MONTH, 1)
```
![\[Il s'agit d'une image du retour de l'exemple de calcul.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/MonthOverMonthPercentDifference.png)
# periodToDateAvgOverTime
La fonction calcule `periodToDateAvgOverTime` la moyenne d'une mesure pour une granularité temporelle donnée (par exemple, un quart) jusqu'à un certain point dans le temps.
## Syntaxe
```
periodToDateAvgOverTime(
measure,
dateTime,
period)
```
## Arguments
*mesure*
Mesure regroupée pour laquelle vous souhaitez effectuer le calcul
*dateTime*
Dimension de date sur laquelle vous calculez PeriodOverTime les calculs.
*point*
(Facultatif) La période de temps sur laquelle vous effectuez le calcul. La granularité de `YEAR` signifie un calcul `YearToDate`, `Quarter` signifie `QuarterToDate` et ainsi de suite. Les granularités valides comprennent `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` et `SECONDS`.
La valeur par défaut est la granularité de la dimension de date du visuel.
## Exemple
La fonction suivante calcule le montant moyen du tarif d'un mois à l'autre.
```
periodToDateAvgOverTime(sum({fare_amount}), pickupDatetime, MONTH)
```
![\[Voici une image qui présente les résultats du calcul de l'exemple avec des illustrations.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/PTDAvgOverTimeResults.png)
# periodToDateCountOverTime
La fonction `periodToDateCountOverTime` calcule le nombre d'une dimension ou d'une mesure pour une granularité temporelle donnée (par exemple, un quart) jusqu'à un certain point dans le temps.
## Syntaxe
```
periodToDateCountOverTime(
measure,
dateTime,
period)
```
## Arguments
*mesure*
Mesure regroupée pour laquelle vous souhaitez effectuer le calcul
*dateTime*
Dimension de date sur laquelle vous calculez PeriodOverTime les calculs.
*point*
(Facultatif) La période de temps sur laquelle vous effectuez le calcul. La granularité de `YEAR` signifie un calcul `YearToDate`, `Quarter` signifie `QuarterToDate` et ainsi de suite. Les granularités valides comprennent `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` et `SECONDS`.
La valeur par défaut est la granularité de la dimension de date du visuel.
## Exemple
L'exemple suivant calcule le nombre de fournisseurs mois après mois.
```
periodToDateCountOverTime(count(vendorid), pickupDatetime, MONTH)
```
![\[Voici une image qui présente les résultats du calcul de l'exemple avec des illustrations.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/PTDCountOverTimeResults.png)
# periodToDateMaxOverTime
La fonction `periodToDateMaxOverTime` calcule le maximum d'une mesure pour une granularité temporelle donnée (par exemple, un quart) jusqu'à un certain point dans le temps.
## Syntaxe
```
periodToDateMaxOverTime(
measure,
dateTime,
period)
```
## Arguments
*mesure*
Mesure regroupée pour laquelle vous souhaitez effectuer le calcul
*dateTime*
Dimension de date sur laquelle vous calculez PeriodOverTime les calculs.
*point*
(Facultatif) La période de temps sur laquelle vous effectuez le calcul. La granularité de `YEAR` signifie un calcul `YearToDate`, `Quarter` signifie `QuarterToDate` et ainsi de suite. Les granularités valides comprennent `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` et `SECONDS`.
La valeur par défaut est la granularité de la dimension de date du visuel.
## Exemple
L'exemple suivant calcule le montant maximum du tarif d'un mois à l'autre.
```
periodToDatemaxOverTime(max({fare_amount}), pickupDatetime, MONTH)
```
![\[Voici une image qui présente les résultats du calcul de l'exemple avec des illustrations.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/PTDMaxOverTimeResults.png)
# periodToDateMinOverTime
La fonction `periodToDateMinOverTime` calcule le minimum d'une mesure pour une granularité temporelle donnée (par exemple, un quart) jusqu'à un certain point dans le temps.
## Syntaxe
```
periodToDateMinOverTime(
measure,
dateTime,
period)
```
## Arguments
*mesure*
Mesure regroupée pour laquelle vous souhaitez effectuer le calcul
*dateTime*
Dimension de date sur laquelle vous calculez PeriodOverTime les calculs.
*point*
(Facultatif) La période de temps sur laquelle vous effectuez le calcul. La granularité de `YEAR` signifie un calcul `YearToDate`, `Quarter` signifie `QuarterToDate` et ainsi de suite. Les granularités valides comprennent `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` et `SECONDS`.
La valeur par défaut est la granularité de la dimension de date du visuel.
## Exemple
L'exemple suivant calcule le montant du tarif minimum d'un mois à l'autre.
```
periodToDateMinOverTime(min({fare_amount}), pickupDatetime, MONTH)
```
![\[Voici une image qui présente les résultats du calcul de l'exemple avec des illustrations.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/PTDMinOverTimeResults.png)
# periodToDateSumOverTime
La fonction `periodToDateSumOverTime` calcule la somme d'une mesure pour une granularité temporelle donnée (par exemple, un quart) jusqu'à un certain point dans le temps.
## Syntaxe
```
periodToDateSumOverTime(
measure,
dateTime,
period)
```
## Arguments
*mesure*
Mesure regroupée pour laquelle vous souhaitez effectuer le calcul
*dateTime*
Dimension de date sur laquelle vous calculez PeriodOverTime les calculs.
*point*
(Facultatif) La période de temps sur laquelle vous effectuez le calcul. La granularité de `YEAR` signifie un calcul `YearToDate`, `Quarter` signifie `QuarterToDate` et ainsi de suite. Les granularités valides comprennent `YEAR`, `QUARTER`, `MONTH`, `WEEK`, `DAY`, `HOUR`, `MINUTE` et `SECONDS`.
La valeur par défaut est la granularité de la dimension de date du visuel.
## Exemple
La fonction suivante donne le montant total du tarif d'un mois à l'autre.
```
periodToDateSumOverTime(sum({fare_amount}), pickupDatetime, MONTH)
```
![\[Voici une image qui présente les résultats du calcul de l'exemple avec des illustrations.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/PTDSumOverTime-example-results.png)
# stdevOver
la fonction `stdevOver` calcule l'écart type de la mesure spécifiée, partitionné par l'attribut ou les attributs choisis, sur la base d'un échantillon.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
stdevOver
(
measure
,[ partition_field, ... ]
,calculation level
)
```
## Arguments
*mesure*
Mesure pour laquelle vous souhaitez effectuer le calcul, par exemple `sum({Sales Amt})`. Utilisez un regroupement si le niveau de calcul est défini sur `NULL` ou `POST_AGG_FILTER`. N'utilisez pas de regroupement si le niveau de calcul est défini sur `PRE_FILTER` ou `PRE_AGG`.
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*niveau de calcul*
(Facultatif) Spécifie le niveau de calcul à utiliser :
+ **`PRE_FILTER`** – Les calculs de pré-filtre sont effectués avant les filtres de jeu de données.
+ **`PRE_AGG`** – Les calculs de pré-regroupement sont effectués avant d'appliquer les regroupements et les filtres *N* premiers/derniers aux représentations visuelles.
+ **`POST_AGG_FILTER`** – (par défaut) les calculs de tableau sont effectués lorsque les représentations visuelles s'affichent.
La valeur par défaut est `POST_AGG_FILTER` lorsqu’elle est vide. Pour plus d'informations, consultez la section [Utilisation de calculs basés sur les niveaux dans Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html).
## Exemple
L'exemple suivant calcule l'écart type de `sum(Sales)`, partitionné par `City` et `State`, sur la base d'un échantillon.
```
stdevOver
(
sum(Sales),
[City, State]
)
```
L'exemple suivant calcule l'écart type de `Billed Amount` plus de `Customer Region`, sur la base d'un échantillon. Les champs du calcul de tableau se trouvent dans les sélecteurs de champs de la représentation visuelle.
```
stdevOver
(
sum({Billed Amount}),
[{Customer Region}]
)
```
# stdevpOver
La fonction `stdevpOver` calcule l'écart type de la mesure spécifiée, partitionné par l'attribut ou les attributs choisis, en fonction d'une population biaisée.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
stdevpOver
(
measure
,[ partition_field, ... ]
,calculation level
)
```
## Arguments
*mesure*
Mesure pour laquelle vous souhaitez effectuer le calcul, par exemple `sum({Sales Amt})`. Utilisez un regroupement si le niveau de calcul est défini sur `NULL` ou `POST_AGG_FILTER`. N'utilisez pas de regroupement si le niveau de calcul est défini sur `PRE_FILTER` ou `PRE_AGG`.
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*niveau de calcul*
(Facultatif) Spécifie le niveau de calcul à utiliser :
+ **`PRE_FILTER`** – Les calculs de pré-filtre sont effectués avant les filtres de jeu de données.
+ **`PRE_AGG`** – Les calculs de pré-regroupement sont effectués avant d'appliquer les regroupements et les filtres *N* premiers/derniers aux représentations visuelles.
+ **`POST_AGG_FILTER`** – (par défaut) les calculs de tableau sont effectués lorsque les représentations visuelles s'affichent.
La valeur par défaut est `POST_AGG_FILTER` lorsqu’elle est vide. Pour plus d'informations, consultez la section [Utilisation de calculs basés sur les niveaux dans Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html).
## Exemple
L'exemple suivant calcule l'écart type de `sum(Sales)`, partitionnés par `City` et `State`, sur la base d'un remplissage biaisé.
```
stdevpOver
(
sum(Sales),
[City, State]
)
```
L'exemple suivant calcule l'écart type de `Billed Amount` sur `Customer Region`, sur la base d'un remplissage biaisé. Les champs du calcul de tableau se trouvent dans les sélecteurs de champs de la représentation visuelle.
```
stdevpOver
(
sum({Billed Amount}),
[{Customer Region}]
)
```
# varOver
La fonction `varOver` calcule la variance de la mesure spécifiée, partitionnée par l'attribut ou les attributs choisis, sur la base d'un échantillon.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
varOver
(
measure
,[ partition_field, ... ]
,calculation level
)
```
## Arguments
*mesure*
Mesure pour laquelle vous souhaitez effectuer le calcul, par exemple `sum({Sales Amt})`. Utilisez un regroupement si le niveau de calcul est défini sur `NULL` ou `POST_AGG_FILTER`. N'utilisez pas de regroupement si le niveau de calcul est défini sur `PRE_FILTER` ou `PRE_AGG`.
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*niveau de calcul*
(Facultatif) Spécifie le niveau de calcul à utiliser :
+ **`PRE_FILTER`** – Les calculs de pré-filtre sont effectués avant les filtres de jeu de données.
+ **`PRE_AGG`** – Les calculs de pré-regroupement sont effectués avant d'appliquer les regroupements et les filtres *N* premiers/derniers aux représentations visuelles.
+ **`POST_AGG_FILTER`** – (Par défaut) Les calculs de tableau sont effectués lorsque les représentations visuelles s'affichent.
La valeur par défaut est `POST_AGG_FILTER` lorsqu’elle est vide. Pour plus d'informations, consultez la section [Utilisation de calculs basés sur les niveaux dans Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html).
## Exemple
L'exemple suivant calcule la variance de `sum(Sales)`, partitionnée par `City` et `State`, sur la base d' un échantillon.
```
varOver
(
sum(Sales),
[City, State]
)
```
L'exemple suivant calcule la variance de `Billed Amount` sur `Customer Region`, sur la base d' un échantillon. Les champs du calcul de tableau se trouvent dans les sélecteurs de champs de la représentation visuelle.
```
varOver
(
sum({Billed Amount}),
[{Customer Region}]
)
```
# varpOver
La fonction `varpOver` calcule la variance de la mesure spécifiée, partitionnée par l'attribut ou les attributs choisis, sur la base d'un remplissage biaisé.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
varpOver
(
measure
,[ partition_field, ... ]
,calculation level
)
```
## Arguments
*mesure*
Mesure pour laquelle vous souhaitez effectuer le calcul, par exemple `sum({Sales Amt})`. Utilisez un regroupement si le niveau de calcul est défini sur `NULL` ou `POST_AGG_FILTER`. N'utilisez pas de regroupement si le niveau de calcul est défini sur `PRE_FILTER` ou `PRE_AGG`.
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*niveau de calcul*
(Facultatif) Spécifie le niveau de calcul à utiliser :
+ **`PRE_FILTER`** – Les calculs de pré-filtre sont effectués avant les filtres de jeu de données.
+ **`PRE_AGG`** – Les calculs de pré-regroupement sont effectués avant d'appliquer les regroupements et les filtres *N* premiers/derniers aux représentations visuelles.
+ **`POST_AGG_FILTER`** – (Par défaut) Les calculs de tableau sont effectués lorsque les représentations visuelles s'affichent.
La valeur par défaut est `POST_AGG_FILTER` lorsqu’elle est vide. Pour plus d'informations, consultez la section [Utilisation de calculs basés sur les niveaux dans Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html).
## Exemple
L'exemple suivant calcule la variance de `sum(Sales)`, partitionnée par `City` et `State`, sur la base d'un remplissage biaisé.
```
varpOver
(
sum(Sales),
[City, State]
)
```
L'exemple suivant calcule la variance de `Billed Amount` sur `Customer Region`, sur la base d'un remplissage biaisé. Les champs du calcul de tableau se trouvent dans les sélecteurs de champs de la représentation visuelle.
```
varpOver
(
sum({Billed Amount}),
[{Customer Region}]
)
```
# sumOver
La fonction `sumOver` calcule la somme d'une mesure partitionnée par une liste de dimensions.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
sumOver
(
measure
,[ partition_field, ... ]
,calculation level
)
```
## Arguments
*mesure*
Mesure pour laquelle vous souhaitez effectuer le calcul, par exemple `sum({Sales Amt})`. Utilisez un regroupement si le niveau de calcul est défini sur `NULL` ou `POST_AGG_FILTER`. N'utilisez pas de regroupement si le niveau de calcul est défini sur `PRE_FILTER` ou `PRE_AGG`.
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*niveau de calcul*
(Facultatif) Spécifie le niveau de calcul à utiliser :
+ **`PRE_FILTER`** – Les calculs de pré-filtre sont effectués avant les filtres de jeu de données.
+ **`PRE_AGG`** – Les calculs de pré-regroupement sont effectués avant d'appliquer les regroupements et les filtres *N* premiers/derniers aux représentations visuelles.
+ **`POST_AGG_FILTER`** – (par défaut) les calculs de tableau sont effectués lorsque les représentations visuelles s'affichent.
La valeur par défaut est `POST_AGG_FILTER` lorsqu’elle est vide. Pour plus d'informations, consultez la section [Utilisation de calculs basés sur les niveaux dans Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html).
## Exemple
L'exemple suivant calcule la somme de `sum(Sales)`, partitionnée selon `City` et `State`.
```
sumOver
(
sum(Sales),
[City, State]
)
```
L'exemple suivant calcule la somme de `Billed Amount` sur `Customer Region`. Les champs du calcul de tableau se trouvent dans les sélecteurs de champs de la représentation visuelle.
```
sumOver
(
sum({Billed Amount}),
[{Customer Region}]
)
```
La capture d'écran suivante affiche les résultats de l'exemple. Avec l'ajout de `Customer Segment`, le montant total facturé pour chaque est additionné pour le `Customer Region` et s'affiche dans le champ calculé.
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/sumOver.png)
# denseRank
La fonction `denseRank` calcule le rang d'une mesure ou une dimension en comparaison avec les partitions spécifiées. Il ne comptabilise chaque élément qu'une seule fois, sans tenir compte des doublons, et attribue un classement « sans trous » afin que les valeurs en double partagent le même rang.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
denseRank
(
[ sort_order_field ASC_or_DESC, ... ]
,[ partition_field, ... ]
)
```
## Arguments
*champ pour l'ordre de tri*
Un ou plusieurs champs regroupés, des mesures ou des dimensions ou les deux, selon lesquels vous souhaitez trier les données, avec séparation par des virgules. Vous pouvez spécifier un ordre de tri croissant (**ASC**) ou décroissant (**DESC**).
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*niveau de calcul*
(Facultatif) Spécifie le niveau de calcul à utiliser :
+ **`PRE_FILTER`** – Les calculs de pré-filtre sont effectués avant les filtres de jeu de données.
+ **`PRE_AGG`** – Les calculs de pré-regroupement sont effectués avant d'appliquer les regroupements et les filtres *N* premiers/derniers aux représentations visuelles.
+ **`POST_AGG_FILTER`** – (Par défaut) Les calculs de tableau sont effectués lorsque les représentations visuelles s'affichent.
La valeur par défaut est `POST_AGG_FILTER` lorsqu’elle est vide. Pour plus d'informations, consultez la section [Utilisation de calculs basés sur les niveaux dans Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html).
## Exemple
L'exemple suivant classe densément `max(Sales)`, selon un ordre de tri décroissant, par `State` et `City`. Toutes les villes avec les mêmes `max(Sales)` reçoivent le même classement et la ville suivante est classée au rang suivant. Par exemple, si trois villes partagent le même classement, la quatrième ville est classée comme deuxième.
```
denseRank
(
[max(Sales) DESC],
[State, City]
)
```
L'exemple suivant classe densément `max(Sales)`, selon un ordre de tri décroissant, par `State`. Tous les états avec les mêmes `max(Sales)` reçoivent le même classement et l'état suivant est classé au rang suivant. Par exemple, si trois états partagent le même classement, le quatrième état est classé comme deuxième.
```
denseRank
(
[max(Sales) DESC],
[State]
)
```
# rank
La fonction `rank` calcule le rang d'une mesure ou une dimension en comparaison avec les partitions spécifiées. Il comptabilise chaque élément, même des doublons, une fois et attribue un classement « avec trous » pour compenser les valeurs en double.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
rank
(
[ sort_order_field ASC_or_DESC, ... ]
,[ partition_field, ... ]
)
```
## Arguments
*champ pour l'ordre de tri*
Une ou plusieurs mesures et dimensions regroupées selon lesquelles vous souhaitez trier les données, avec séparation par des virgules. Vous pouvez spécifier un ordre de tri croissant (**ASC**) ou décroissant (**DESC**).
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*niveau de calcul*
(Facultatif) Spécifie le niveau de calcul à utiliser :
+ **`PRE_FILTER`** – Les calculs de pré-filtre sont effectués avant les filtres de jeu de données.
+ **`PRE_AGG`** – Les calculs de pré-regroupement sont effectués avant d'appliquer les regroupements et les filtres *N* premiers/derniers aux représentations visuelles.
+ **`POST_AGG_FILTER`** – (Par défaut) Les calculs de tableau sont effectués lorsque les représentations visuelles s'affichent.
La valeur par défaut est `POST_AGG_FILTER` lorsqu’elle est vide. Pour plus d'informations, consultez la section [Utilisation de calculs basés sur les niveaux dans Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html).
## Exemple
L'exemple suivant classe `max(Sales)`, selon un ordre de tri décroissant, par `State` et `City`, dans le `State` de **WA**. Toutes les villes avec les mêmes `max(Sales)` reçoivent le même classement, mais le rang suivant inclut le nombre de tous les rangs existant précédemment. Par exemple, si trois villes partagent le même classement, la quatrième ville est classée comme quatrième.
```
rank
(
[max(Sales) DESC],
[State, City]
)
```
L'exemple suivant classe `max(Sales)`, selon un ordre de tri croissant, par `State`. Tous les états avec les mêmes `max(Sales)` reçoivent le même classement, mais le rang suivant inclut le nombre de tous les rangs existant précédemment. Par exemple, si trois états partagent le même classement, le quatrième état est classé comme quatrième.
```
rank
(
[max(Sales) ASC],
[State]
)
```
L'exemple suivant classe `Customer Region` selon le `Billed Amount` total. Les champs du calcul de tableau se trouvent dans les sélecteurs de champs de la représentation visuelle.
```
rank(
[sum({Billed Amount}) DESC]
)
```
La capture d'écran suivante affiche les résultats de l'exemple, ainsi que le `Billed Amount` total, afin que vous puissiez voir le classement de chaque région.
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/rankCalc.png)
# percentileRank
La fonction `percentileRank` calcule le rang en percentile d'une mesure ou une dimension en comparaison avec les partitions spécifiées. La valeur du classement percentile (*x*) indique que l'élément actuel est supérieur au *x* % des valeurs de la partition spécifiée. La plage de valeurs du rang en percentile s'étend de 0 (inclus) à 100 (exclu).
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
percentileRank
(
[ sort_order_field ASC_or_DESC, ... ]
,[ {partition_field}, ... ]
)
```
## Arguments
*champ pour l'ordre de tri*
Une ou plusieurs mesures et dimensions regroupées selon lesquelles vous souhaitez trier les données, avec séparation par des virgules. Vous pouvez spécifier un ordre de tri croissant (**ASC**) ou décroissant (**DESC**).
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*niveau de calcul*
(Facultatif) Spécifie le niveau de calcul à utiliser :
+ **`PRE_FILTER`** – Les calculs de pré-filtre sont effectués avant les filtres de jeu de données.
+ **`PRE_AGG`** – Les calculs de pré-regroupement sont effectués avant d'appliquer les regroupements et les filtres *N* premiers/derniers aux représentations visuelles.
+ **`POST_AGG_FILTER`** – (Par défaut) Les calculs de tableau sont effectués lorsque les représentations visuelles s'affichent.
La valeur par défaut est `POST_AGG_FILTER` lorsqu’elle est vide. Pour plus d'informations, consultez la section [Utilisation de calculs basés sur les niveaux dans Quick](https://docs.aws.amazon.com/quicksight/latest/user/level-aware-calculations.html).
## Exemple
L'exemple suivant effectue un classement par percentile de `max(Sales)` dans l'ordre décroissant par `State`.
```
percentileRank
(
[max(Sales) DESC],
[State]
)
```
L'exemple suivant effectue un classement par percentile de `Customer Region` par `Billed Amount` total. Les champs du calcul de tableau se trouvent dans les sélecteurs de champs de la représentation visuelle.
```
percentileRank(
[sum({Billed Amount}) DESC],
[{Customer Region}]
)
```
La capture d'écran suivante affiche les résultats de l'exemple, ainsi que le `Billed Amount` total, afin que vous puissiez voir la comparaison des différentes régions.
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/percentileRank.png)
# runningAvg
La fonction `runningAvg` calcule une moyenne pour une mesure basée sur les dimensions et les ordres de tri spécifiés.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
runningAvg
(
measure
,[ sortorder_field ASC_or_DESC, ... ]
,[ partition_field, ... ]
)
```
## Arguments
*mesure*
Une mesure agrégée pour laquelle vous souhaitez générer la moyenne.
*champ pour l'ordre de tri*
Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez trier les données, avec séparation par des virgules. Vous pouvez spécifier un ordre de tri croissant (**ASC**) ou décroissant (**DESC**).
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
## Exemple
L'exemple suivant calcule une moyenne de `sum(Sales)`, triée par `Sales`, partitionnée selon `City` et `State`.
```
runningAvg
(
sum(Sales),
[Sales ASC],
[City, State]
)
```
L'exemple suivant calcule une moyenne de `Billed Amount`, triée par mois (`[truncDate("MM",Date) ASC]`). Les champs du calcul de tableau se trouvent dans les sélecteurs de champs de la représentation visuelle.
```
runningAvg
(
sum({Billed Amount}),
[truncDate("MM",Date) ASC]
)
```
# runningCount
La fonction `runningCount` calcule un nombre pour une mesure ou une dimension basée sur les dimensions et les ordres de tri spécifiés.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
runningCount
(
measure_or_dimension
,[ sortorder_field ASC_or_DESC, ... ]
,[ partition_field, ... ]
)
```
## Arguments
*mesure ou dimension*
Une mesure ou une dimension regroupée pour laquelle vous souhaitez générer le nombre.
*champ pour l'ordre de tri*
Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez trier les données, avec séparation par des virgules. Vous pouvez spécifier un ordre de tri croissant (**ASC**) ou décroissant (**DESC**).
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
## Exemple
L'exemple suivant calcule un nombre de `sum(Sales)`, trié par `Sales`, partitionné selon `City` et `State`.
```
runningCount
(
sum(Sales),
[Sales ASC],
[City, State]
)
```
L'exemple suivant calcule un nombre de `Billed Amount`, trié par mois (`[truncDate("MM",Date) ASC]`). Les champs du calcul de tableau se trouvent dans les sélecteurs de champs de la représentation visuelle.
```
runningCount
(
sum({Billed Amount}),
[truncDate("MM",Date) ASC]
)
```
# runningMax
La fonction `runningMax` calcule un maximum pour une mesure basée sur les dimensions et les ordres de tri spécifiés.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
runningMax
(
measure
,[ sortorder_field ASC_or_DESC, ... ]
,[ partition_field, ... ]
)
```
## Arguments
*mesure*
Une mesure agrégée pour laquelle vous souhaitez générer le maximum.
*champ pour l'ordre de tri*
Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez trier les données, avec séparation par des virgules. Vous pouvez spécifier un ordre de tri croissant (**ASC**) ou décroissant (**DESC**).
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
## Exemple
L'exemple suivant calcule un maximum de `sum(Sales)`, trié par `Sales`, partitionné selon `City` et `State`.
```
runningMax
(
sum(Sales),
[Sales ASC],
[City, State]
)
```
L'exemple suivant calcule un maximum de `Billed Amount`, trié par mois (`[truncDate("MM",Date) ASC]`). Les champs du calcul de tableau se trouvent dans les sélecteurs de champs de la représentation visuelle.
```
runningMax
(
sum({Billed Amount}),
[truncDate("MM",Date) ASC]
)
```
# runningMin
La fonction `runningMin` calcule un minimum pour une mesure basée sur les dimensions et les ordres de tri spécifiés.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
runningMin
(
measure
,[ sortorder_field ASC_or_DESC, ... ]
,[ partition_field, ... ]
)
```
## Arguments
*mesure*
Une mesure regroupée pour laquelle vous souhaitez générer le minimum.
*champ pour l'ordre de tri*
Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez trier les données, avec séparation par des virgules. Vous pouvez spécifier un ordre de tri croissant (**ASC**) ou décroissant (**DESC**).
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
## Exemple
L'exemple suivant calcule un minimum de `sum(Sales)`, trié par `Sales`, partitionné selon `City` et `State`.
```
runningMin
(
sum(Sales),
[Sales ASC],
[City, State]
)
```
L'exemple suivant calcule un minimum de `Billed Amount`, trié par mois (`[truncDate("MM",Date) ASC]`). Les champs du calcul de tableau se trouvent dans les sélecteurs de champs de la représentation visuelle.
```
runningMin
(
sum({Billed Amount}),
[truncDate("MM",Date) ASC]
)
```
# runningSum
La fonction `runningSum` calcule une somme pour une mesure basée sur les dimensions et les ordres de tri spécifiés.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
runningSum
(
measure
,[ sortorder_field ASC_or_DESC, ... ]
,[ partition_field, ... ]
)
```
## Arguments
*mesure*
Une mesure agrégée pour laquelle vous souhaitez générer la somme.
*champ pour l'ordre de tri*
Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez trier les données, avec séparation par des virgules. Vous pouvez spécifier un ordre de tri croissant (**ASC**) ou décroissant (**DESC**).
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
## Exemple
L'exemple suivant calcule une somme de `sum(Sales)`, triée par `Sales`, partitionnée selon `City` et `State`.
```
runningSum
(
sum(Sales),
[Sales ASC],
[City, State]
)
```
L'exemple suivant calcule une somme de `Billed Amount`, triée par mois (`[truncDate("MM",Date) ASC]`). Les champs du calcul de tableau se trouvent dans les sélecteurs de champs de la représentation visuelle.
```
runningSum
(
sum({Billed Amount}),
[truncDate("MM",Date) ASC]
)
```
La capture d'écran suivante affiche les résultats de l'exemple. Les étiquettes rouges montrent comment chaque montant est additionné (`a + b = c`) au montant suivant, ce qui se traduit par un nouveau total.
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/runningSum.png)
# firstValue
La fonction `firstValue` calcule la première valeur de la mesure ou de la dimension agrégée, partitionnée et triée selon les attributs spécifiés.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
firstValue
(
aggregated measure or dimension,
[ sort_attribute ASC_or_DESC, ... ],
[ partition_by_attribute, ... ]
)
```
## Arguments
*mesure ou dimension agrégée*
Une mesure ou une dimension regroupée dont vous voulez voir la première valeur.
*trier attribut*
Un ou plusieurs champs regroupés, des mesures ou des dimensions ou les deux, selon lesquels vous souhaitez trier les données, avec séparation par des virgules. Vous pouvez spécifier un ordre de tri croissant (**ASC**) ou décroissant (**DESC**).
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*partition par attribut*
(Facultatif) Une ou plusieurs mesures ou dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
## Exemple
L'exemple suivant calcule le premier `Destination Airport`, trié par `Flight Date`, partitionné par `Flight Date` en ordre croissant ainsi que `Origin Airport`.
```
firstValue(
{Destination Airport}
[{Flight Date} ASC],
[
{Origin Airport},
{Flight Date}
]
)
```
# lastValue
La fonction `lastValue` calcule la dernière valeur de la mesure regroupée ou de la dimension partitionnée et triée selon les attributs spécifiés.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
lastValue
(
aggregated measure or dimension,
[ sort_attribute ASC_or_DESC, ... ],
[ partition_by_attribute, ... ]
)
```
## Arguments
*mesure ou dimension agrégée*
Une mesure ou une dimension regroupée dont vous voulez voir la dernière valeur.
*trier attribut*
Un ou plusieurs champs regroupés, des mesures ou des dimensions ou les deux, selon lesquels vous souhaitez trier les données, avec séparation par des virgules. Vous pouvez spécifier un ordre de tri croissant (`ASC`) ou décroissant (`DESC`).
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*partition par attribut*
(Facultatif) Une ou plusieurs mesures ou dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
## Exemple
L'exemple suivant calcule la dernière valeur pour `Destination Airport`. Ce calcul est trié en fonction de la valeur `Flight Date` et partitionné en fonction de la valeur `Flight Date` triée par ordre croissant ainsi que de la valeur `Origin Airport`.
```
lastValue(
[{Destination Airport}],
[{Flight Date} ASC],
[
{Origin Airport},
truncDate('DAY', {Flight Date})
]
)
```
# windowAvg
La fonction `windowAvg` calcule la moyenne de la mesure regroupée dans une fenêtre personnalisée qui est divisée et triée par les attributs spécifiés. En règle générale, vous utilisez les fonctions de fenêtrage personnalisé sur une série chronologique, dans laquelle votre représentation visuelle affiche une métrique et un champ de date. Par exemple, vous pouvez utiliser `windowAvg` pour calculer une moyenne mobile, qui est souvent utilisée pour lisser le bruit dans un graphique en aires.
Les fonctions de fenêtrage ne sont pas prises en charge pour les versions MySQL antérieures à 8 et pour les versions MariaDB antérieures à 10.2.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
windowAvg
(
measure
, [sort_order_field ASC/DESC, ...]
, start_index
, end_index
,[ partition_field, ... ]
)
```
## Arguments
*mesure*
Les métriques regroupées pour lesquelles vous souhaitez obtenir la moyenne, par exemple `sum({Revenue})`.
*trier attribut*
Un ou plusieurs champs regroupés, des mesures ou des dimensions ou les deux, selon lesquels vous souhaitez trier les données, avec séparation par des virgules. Vous pouvez spécifier un ordre de tri croissant (**ASC**) ou décroissant (**DESC**).
Chaque champ de la liste est placé dans des accolades \$1 \$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*index de début*
L'index de début est un entier positif indiquant *n* lignes au-dessus de la ligne actuelle. L'index de début comptabilise les points de données disponibles au-dessus de la ligne actuelle, au lieu de compter les périodes réelles. Si vos données sont fragmentées (mois ou années manquants, par exemple), ajustez les index en conséquence.
*index de fin*
L'index de fin est un entier positif indiquant *n* lignes en dessous de la ligne actuelle. L'index de fin comptabilise les points de données disponibles en dessous de la ligne actuelle, au lieu de compter les périodes réelles. Si vos données sont fragmentées (mois ou années manquants, par exemple), ajustez les index en conséquence.
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
## Exemple
L'exemple suivant calcule la moyenne mobile de `sum(Revenue)`, partitionnée selon `SaleDate`. Le calcul comprend trois lignes au-dessus et deux lignes en dessous de la ligne actuelle.
```
windowAvg
(
sum(Revenue),
[SaleDate ASC],
3,
2
)
```
La capture d'écran suivante affiche les résultats de cet exemple de moyenne mobile. Le champ somme (Revenu) est ajouté au graphique pour montrer la différence entre le revenu et la moyenne mobile des revenus.
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/windowAvg.png)
# windowCount
La fonction `windowCount` calcule le nombre de mesures ou de dimensions regroupées dans une fenêtre personnalisée qui est divisée et triée par les attributs spécifiés. En règle générale, vous utilisez les fonctions de fenêtrage personnalisé sur une série chronologique, dans laquelle votre représentation visuelle affiche une métrique et un champ de date.
Les fonctions de fenêtrage ne sont pas prises en charge pour les versions MySQL antérieures à 8 et pour les versions MariaDB antérieures à 10.2.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
windowCount
(
measure_or_dimension
, [sort_order_field ASC/DESC, ...]
, start_index
, end_index
,[ partition_field, ... ]
)
```
## Arguments
*mesure ou dimension*
Les métriques regroupées pour lesquelles vous souhaitez obtenir la moyenne, par exemple `sum({Revenue})`.
*trier attribut*
Un ou plusieurs champs regroupés, des mesures ou des dimensions ou les deux, selon lesquels vous souhaitez trier les données, avec séparation par des virgules. Vous pouvez spécifier un ordre de tri croissant (**ASC**) ou décroissant (**DESC**).
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*index de début*
L'index de début est un entier positif indiquant *n* lignes au-dessus de la ligne actuelle. L'index de début comptabilise les points de données disponibles au-dessus de la ligne actuelle, au lieu de compter les périodes réelles. Si vos données sont fragmentées (mois ou années manquants, par exemple), ajustez les index en conséquence.
*index de fin*
L'index de fin est un entier positif indiquant *n* lignes en dessous de la ligne actuelle. L'index de fin comptabilise les points de données disponibles en dessous de la ligne actuelle, au lieu de compter les périodes réelles. Si vos données sont fragmentées (mois ou années manquants, par exemple), ajustez les index en conséquence.
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
## Exemple
L'exemple suivant calcule le nombre mobile de `sum(Revenue)`, partitionné selon `SaleDate`. Le calcul comprend trois lignes au-dessus et deux lignes en dessous de la ligne actuelle.
```
windowCount
(
sum(Revenue),
[SaleDate ASC],
3,
2
)
```
# windowMax
La fonction `windowMax` calcule le maximum de la mesure regroupée dans une fenêtre personnalisée qui est divisée et triée par les attributs spécifiés. En règle générale, vous utilisez les fonctions de fenêtrage personnalisé sur une série chronologique, dans laquelle votre représentation visuelle affiche une métrique et un champ de date. Vous pouvez utiliser `windowMax` pour vous aider à identifier le maximum de la métrique sur une période de temps.
Les fonctions de fenêtrage ne sont pas prises en charge pour les versions MySQL antérieures à 8 et pour les versions MariaDB antérieures à 10.2.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
windowMax
(
measure
, [sort_order_field ASC/DESC, ...]
, start_index
, end_index
,[ partition_field, ... ]
)
```
## Arguments
*mesure*
Les métriques regroupées pour lesquelles vous souhaitez obtenir la moyenne, par exemple `sum({Revenue})`.
*trier attribut*
Un ou plusieurs champs regroupés, des mesures ou des dimensions ou les deux, selon lesquels vous souhaitez trier les données, avec séparation par des virgules. Vous pouvez spécifier un ordre de tri croissant (**ASC**) ou décroissant (**DESC**).
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*index de début*
L'index de début est un entier positif indiquant *n* lignes au-dessus de la ligne actuelle. L'index de début comptabilise les points de données disponibles au-dessus de la ligne actuelle, au lieu de compter les périodes réelles. Si vos données sont fragmentées (mois ou années manquants, par exemple), ajustez les index en conséquence.
*index de fin*
L'index de fin est un entier positif indiquant *n* lignes en dessous de la ligne actuelle. L'index de fin comptabilise les points de données disponibles en dessous de la ligne actuelle, au lieu de compter les périodes réelles. Si vos données sont fragmentées (mois ou années manquants, par exemple), ajustez les index en conséquence.
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
## Exemple
L'exemple suivant calcule le maximum sur 12 mois de `sum(Revenue)`, partitionné par `SaleDate`. Le calcul comprend 12 lignes au-dessus et 0 lignes en dessous de la ligne actuelle.
```
windowMax
(
sum(Revenue),
[SaleDate ASC],
12,
0
)
```
La capture d'écran suivante affiche les résultats de cet exemple sur 12 mois. Le champ somme (Revenu) est ajouté au graphique pour montrer la différence entre le revenu et les revenus maximum sur la période de 12 mois.
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/windowMax.png)
# windowMin
La fonction `windowMin` calcule le minimum de la mesure regroupée dans une fenêtre personnalisée qui est divisée et triée par les attributs spécifiés. En règle générale, vous utilisez les fonctions de fenêtrage personnalisé sur une série chronologique, dans laquelle votre représentation visuelle affiche une métrique et un champ de date. Vous pouvez utiliser `windowMin` pour vous aider à identifier le minimum de la métrique sur une période de temps.
Les fonctions de fenêtrage ne sont pas prises en charge pour les versions MySQL antérieures à 8 et pour les versions MariaDB antérieures à 10.2.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
windowMin
(
measure
, [sort_order_field ASC/DESC, ...]
, start_index
, end_index
,[ partition_field, ... ]
)
```
## Arguments
*mesure*
Les métriques regroupées pour lesquelles vous souhaitez obtenir la moyenne, par exemple `sum({Revenue})`.
*trier attribut*
Un ou plusieurs champs regroupés, des mesures ou des dimensions ou les deux, selon lesquels vous souhaitez trier les données, avec séparation par des virgules. Vous pouvez spécifier un ordre de tri croissant (**ASC**) ou décroissant (**DESC**).
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*index de début*
L'index de début est un entier positif indiquant *n* lignes au-dessus de la ligne actuelle. L'index de début comptabilise les points de données disponibles au-dessus de la ligne actuelle, au lieu de compter les périodes réelles. Si vos données sont fragmentées (mois ou années manquants, par exemple), ajustez les index en conséquence.
*index de fin*
L'index de fin est un entier positif indiquant *n* lignes en dessous de la ligne actuelle. L'index de fin comptabilise les points de données disponibles en dessous de la ligne actuelle, au lieu de compter les périodes réelles. Si vos données sont fragmentées (mois ou années manquants, par exemple), ajustez les index en conséquence.
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
## Exemple
L'exemple suivant calcule le minimum sur 12 mois de `sum(Revenue)`, partitionné par `SaleDate`. Le calcul comprend 12 lignes au-dessus et 0 lignes en dessous de la ligne actuelle.
```
windowMin
(
sum(Revenue),
[SaleDate ASC],
12,
0
)
```
La capture d'écran suivante affiche les résultats de cet exemple sur 12 mois. Le champ somme (Revenu) est ajouté au graphique pour montrer la différence entre le revenu et les revenus minimum sur la période de 12 mois.
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/windowMin.png)
# windowSum
La fonction `windowSum` calcule la somme de la mesure regroupée dans une fenêtre personnalisée qui est divisée et triée par les attributs spécifiés. En règle générale, vous utilisez les fonctions de fenêtrage personnalisé sur une série chronologique, dans laquelle votre représentation visuelle affiche une métrique et un champ de date.
Les fonctions de fenêtrage ne sont pas prises en charge pour les versions MySQL antérieures à 8 et pour les versions MariaDB antérieures à 10.2.
## Syntaxe
Les crochets sont obligatoires. Pour voir quels arguments sont facultatifs, consultez les descriptions suivantes.
```
windowSum
(
measure
, [sort_order_field ASC/DESC, ...]
, start_index
, end_index
,[ partition_field, ... ]
)
```
## Arguments
*mesure*
Les métriques regroupées pour lesquelles vous souhaitez obtenir la somme, par exemple `sum({Revenue})`.
Pour les moteurs MySQL, MariaDB et Amazon Aurora, avec une compatibilité MySQL, l'index de recherche est limité à 1. Les fonctions de fenêtrage ne sont pas prises en charge pour les versions MySQL antérieures à 8 et pour les versions MariaDB antérieures à 10.2.
*trier attribut*
Un ou plusieurs champs regroupés, des mesures ou des dimensions ou les deux, selon lesquels vous souhaitez trier les données, avec séparation par des virgules. Vous pouvez spécifier un ordre de tri croissant (**ASC**) ou décroissant (**DESC**).
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
*index de début*
L'index de début est un entier positif indiquant *n* lignes au-dessus de la ligne actuelle. L'index de début comptabilise les points de données disponibles au-dessus de la ligne actuelle, au lieu de compter les périodes réelles. Si vos données sont fragmentées (mois ou années manquants, par exemple), ajustez les index en conséquence.
*index de fin*
L'index de fin est un entier positif indiquant *n* lignes en dessous de la ligne actuelle. L'index de fin comptabilise les points de données disponibles en dessous de la ligne actuelle, au lieu de compter les périodes réelles. Si vos données sont fragmentées (mois ou années manquants, par exemple), ajustez les index en conséquence.
*champ de partition*
(Facultatif) Une ou plusieurs mesures et dimensions selon lesquelles vous souhaitez effectuer la partition, avec séparation par des virgules.
Chaque champ de la liste est placé dans des accolades \$1\$1, s'il s'agit de plusieurs mots. La liste entière est placée entre crochets [ ].
## Exemple
L'exemple suivant calcule la somme mobile de `sum(Revenue)`, triée par mois `SaleDate`. Le calcul comprend deux lignes au-dessus et une ligne en dessous de la ligne actuelle.
```
windowSum
(
sum(Revenue),
[SaleDate ASC],
2,
1
)
```
L'exemple suivant montre une somme sur 12 mois.
```
windowSum(sum(Revenue),[SaleDate ASC],12,0)
```
La capture d'écran suivante affiche les résultats de cet exemple sur 12 mois. Le champ `sum(Revenue)` est ajouté au graphique pour montrer la différence entre le revenu et la somme des revenus sur une période de 12 mois.
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/windowSum.png)
# Jointure des données
Vous pouvez utiliser l'interface de jointure d'Amazon Quick Sight pour joindre des objets provenant d'une ou de plusieurs sources de données. En utilisant Amazon Quick Sight pour joindre les données, vous pouvez fusionner des données disparates sans dupliquer les données provenant de différentes sources.
## Types de jeux de données joints
Une jointure est effectuée entre deux *tables logiques* Quick Sight, chaque table logique contenant des informations sur la manière de récupérer des données. Lorsque vous modifiez un jeu de données dans Quick Sight, le diagramme de jointure situé dans la moitié supérieure de la page montre chaque table logique sous la forme d'un bloc rectangulaire.
Il existe deux types de jeux de données joints dans Quick Sight : ceux provenant de sources identiques et ceux provenant de sources multiples. Un jeu de données est considéré comme étant de même source lorsqu’il ne comporte aucune jointure ou lorsque toutes les conditions suivantes sont remplies :
+ Si l'une des tables logiques fait référence à une source de données Quick Sight :
+ Toutes les tables logiques de cet ensemble de données doivent faire référence à la même source de données Quick Sight. Cela ne s'applique pas si deux sources de données Quick Sight distinctes font référence à la même base de données sous-jacente. Il doit s'agir exactement de la même source de données Quick Sight. Pour plus d’informations sur l’utilisation d’une source de données unique, consultez la rubrique [Création d’un jeu de données à partir d’une source de données existante](create-a-data-set-existing.md).
+ Si l'une des tables logiques fait référence à un ensemble de données Quick Sight qui est un ensemble de données parent :
+ Le jeu de données parent doit utiliser l’interrogation directe.
+ L'ensemble de données parent doit faire référence à la même source de données Quick Sight.
Si les conditions ci-dessus ne sont pas remplies, le jeu de données est considéré comme une jointure inter-sources.
## Faits concernant la jonction de jeux de données
Les jointures de jeux de données de même source et de source croisée sont soumises aux limitations suivantes.
### Quel est le nombre maximum de tables que peut contenir un jeu de données joint ?
Tous les jeux de données joints peuvent contenir jusqu’à 32 tables.
### Quelle peut être la taille des données jointes ?
La taille maximale autorisée d’une jointure est déterminée par le mode de requête et le moteur de requête utilisés. La liste ci-dessous fournit des informations sur les différentes limites de taille pour les tables à joindre. La limite de taille s’applique à toutes les tables secondaires combinées. Il n’existe aucune limite de taille de jointure pour la table principale.
+ **Tables de même source** : lorsque les tables proviennent d'une seule source de données de requête, Quick Sight n'impose aucune restriction quant à la taille de la jointure. Cela ne remplace pas les limites de taille de jointure que le moteur de requête source peut avoir mises en place.
+ **Jeux de données inter-sources** : ce type de jointure contient des tables provenant de différentes sources de données qui ne sont pas stockées dans SPICE. Pour ces types de jointures, Quick Sight identifie automatiquement la plus grande table du jeu de données. La taille combinée de toutes les autres tables secondaires doit être inférieure à 1 Go.
+ **Jeux de données stockés dans SPICE** : ce type de jointure contient des tables qui sont toutes ingérées dans. SPICE La taille combinée de toutes les tables secondaires de cette jointure ne peut pas dépasser 20 Go.
Pour plus d’informations sur les calculs de jeu de données SPICE, consultez la rubrique [Estimation de la taille des jeux de données SPICE](spice.md#spice-capacity-formula).
### Un jeu de données joint peut-il utiliser l’interrogation directe ?
Les jeux de données de même source prennent en charge l’interrogation directe, à condition qu’il n’y ait pas d’autres restrictions sur l’utilisation de l’interrogation directe. Par exemple, les sources de données S3 ne prennent pas en charge l’interrogation directe, de sorte qu’un jeu de données S3 de même source doit quand même utiliser SPICE.
Les jeux de données intersources doivent utiliser SPICE.
### Peut-on utiliser des champs calculés dans une jointure ?
Tous les jeux de données joints peuvent utiliser des champs calculés, mais les champs calculés ne peuvent pas être utilisés dans les clauses on.
### Les données géographiques peuvent-elles être utilisées dans une jointure ?
Les jeux de données de même source prennent en charge les types de données géographiques, mais les champs géographiques ne peuvent pas être utilisés dans les clauses on.
Les jeux de données inter-sources ne prennent pas en charge les données géographiques sous quelque forme que ce soit.
Pour des exemples de jointure de tables entre différentes sources de données, consultez le billet [Joindre des sources de données sur Amazon Quick Sight](https://aws.amazon.com/blogs/big-data/joining-across-data-sources-on-amazon-quicksight/) sur le blog AWS Big Data.
## Création d’une jointure
Utilisez la procédure suivante pour joindre des tables à utiliser dans un jeu de données. Avant de commencer, importez ou connectez-vous à vos données. Vous pouvez créer une jointure entre toutes les sources de données prises en charge par Amazon Quick Sight, à l'exception des données de l'Internet des objets (IoT). Par exemple, vous pouvez ajouter des fichiers de valeurs séparées par des virgules (.csv), des tables, des vues, des requêtes SQL ou des objets JSON dans un compartiment Amazon S3.
**Pour ajouter une ou plusieurs jointures**
1. Ouvrez l’jeu de données avec lequel vous souhaitez travailler.
1. (Facultatif) Avant de commencer, décidez si vous voulez désactiver l’aperçu autogénéré basé sur d’un échantillon de vos données. Pour désactiver cette fonction, choisissez **Aperçu automatique** en haut à droite. Elle est activée par défaut.
1. Si vous n’avez pas encore choisi un mode d’interrogation, sélectionnez **Mode d’interrogation**.
Choisissez **SPICE** pour stocker votre jeu de données dans [SPICE](spice.md), ou choisissez **Requête directe** pour obtenir des données en direct à chaque fois. Si votre jeu de données contient un ou plusieurs fichiers chargés manuellement, il est automatiquement stocké dans SPICE.
Si vous le souhaitez **SPICE**, les données sont ingérées dans Quick Sight. Les représentations visuelles qui utilisent le jeu de données exécutent des requêtes dans SPICE, plutôt que dans la base de données.
Si vous choisissez **Requête directe**, les données ne sont pas ingérées dans SPICE. Les représentations visuelles qui utilisent le jeu de données exécutent des requêtes dans la base de données et non dans SPICE.
Si vous choisissez **Mode requête**, veillez à définir des clés uniques dans la jointure, le cas échéant, afin d’améliorer les performances lors du chargement des représentations visuelles.
1. Dans la page de préparation des données, choisissez **Ajouter des données**.
1. Dans la page **Ajouter des données** qui s’ouvre, choisissez l’une des options suivantes et suivez les étapes ci-dessous :
+ Ajouter des données à partir d’un jeu de données :
1. Sélectionnez **Jeu de données**.
1. Sélectionnez un jeu de données dans la liste.
1. Choisissez **Select (Sélectionner)**.
+ Ajouter des données à partir d’une source de données :
1. Choisissez **Source de données**.
1. Sélectionnez une source de données dans la liste.
1. Choisissez **Select (Sélectionner)**.
1. Sélectionnez une table dans la liste.
1. Choisissez **Select (Sélectionner)**.
+ Créez des auto-joints en ajoutant une table plusieurs fois. Un compteur apparaît après le nom. Vous verrez par exemple **Produit**, **Produit (2)** et **Produit (3)**. Les noms des champs dans les sections **Champs** ou **Filtres** incluent le même compteur afin que vous puissiez savoir de quelle instance de la table un champ provient.
+ Ajoutez un nouveau fichier en sélectionnant **Charger un fichier**, puis choisissez le fichier que vous voulez joindre.
1. (Facultatif) Choisissez **Utiliser un SQL personnalisé** pour ouvrir l’éditeur de requêtes et écrire une requête pour une source de données SQL.
1. (Facultatif) Après avoir ajouté des données, interagissez avec chaque table en sélectionnant son icône de menu. Réorganisez les tables en les faisant glisser et en les déposant.
Une icône avec des points rouges apparaît pour indiquer que vous devez configurer cette jointure. Deux points rouges apparaissent pour les jointures qui ne sont pas encore configurées. Pour créer des jointures, sélectionnez la première icône de configuration de jointure.
1. (Facultatif) Pour modifier une jointure existante, rouvrez le volet **Configuration de la jointure** en sélectionnant l’icône de jointure entre deux tables.
Le volet **Configuration de la jointure** s’ouvre. Sur l’interface de jointure, spécifiez le type de jointure et les champs à utiliser pour joindre les tables.
1. Dans le bas de l’écran, apparaissent des options permettant de créer une équivalence entre un champ d’une table et un champ d’une autre table.
1. Dans la section **Join clauses (Clauses de jointure)**, choisissez la colonne de jointure pour chaque table.
(Facultatif) Si les tables que vous avez sélectionnées sont jointes sur plusieurs colonnes, choisissez **Add a new join clause (Ajouter une nouvelle clause de jointure)**. Une ligne s’ajoute alors aux clauses de jointure, vous permettant de spécifier l’ensemble suivant de colonnes à joindre. Répétez ce processus jusqu’à ce que vous ayez identifié toutes les colonnes de jointure pour les deux objets de données.
1. Dans le panneau **Configuration de jointure**, choisissez le type de jointure à appliquer. Si les champs de jointure sont une clé unique pour l’une des tables ou les deux, activez le paramètre de clé unique. Les clés uniques ne s’appliquent qu’aux requêtes directes, et non aux données SPICE.
Pour plus d’informations sur les jointures, consultez la rubrique [Types de jointures](#join-types).
1. Choisissez **Apply (Appliquer)** pour confirmer vos choix.
Pour annuler sans apporter de modifications, sélectionnez **Annuler**.
1. L’icône de jointure de l’espace de travail change pour indiquer la nouvelle relation.
1. (Facultatif) Dans la section **Champs**, vous pouvez utiliser le menu de chaque champ pour effectuer une ou plusieurs des opérations suivantes :
+ **Ajouter une hiérarchie** à un champ géospatial.
+ **Inclure** ou **Exclure** le champ.
+ **Modifier le nom et la description** du champ.
+ **Modifier le type de données**.
+ **Ajouter un calcul** (un champ calculé).
+ **Limiter l’accès à moi uniquement**, afin que vous soyez le seul à pouvoir le voir. Cela peut être utile lorsque vous ajoutez des champs à un jeu de données déjà utilisé.
1. (Facultatif) Dans la section **Filtres**, vous pouvez ajouter ou modifier des filtres. Pour de plus amples informations, veuillez consulter [Filtrer les données dans Amazon Quick Sight](adding-a-filter.md).
## Types de jointures
Amazon Quick Sight prend en charge les types de jointure suivants :
+ Jointures internes
+ Jointures externes à gauche et à droite
+ Jointures externes complètes
Regardons plus en détail ce que ces types de jointures font de vos données. Pour notre exemple, nous utiliserons les tables suivantes intitulées `widget` et `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
```
### Jointures internes
Utilisez une jointure interne lorsque vous souhaitez voir uniquement les données pour lesquelles il existe une correspondance entre deux tables. Par exemple, supposez que vous effectuez une jointure interne sur les tables **safety-rating** et **widget**.
Dans l’ensemble de résultats suivant, les widgets dépourvus d’évaluations de sécurité ne sont pas affichés et les évaluations de sécurité qui ne sont pas associées à un widget ne sont pas affichées. Seules les lignes présentant une correspondance parfaite sont incluses.
```
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
```
### Jointures externes à gauche et à droite
On dit aussi jointures gauches ou droites. Utilisez une jointure externe gauche ou droite lorsque vous souhaitez voir toutes les données d'une table et uniquement les lignes correspondantes de l'autre table.
Dans une interface graphique, vous pouvez voir quelle table est à droite ou à gauche. Dans une instruction SQL, la première table est considérée comme celle de gauche. Par conséquent, le choix d’une jointure externe à gauche ou d’une jointure externe à droite dépend uniquement de la façon dont les tables sont disposées dans votre outil de requête.
Supposons, par exemple, que vous effectuiez une jointure externe gauche sur `safety-rating` (le tableau de gauche) et `widgets` (le tableau de droite). Dans ce cas, toutes les lignes de `safety-rating` sont renvoyées, mais seules les lignes correspondantes dans `widget`. Vous pouvez voir des vides dans le jeu de résultats lorsqu’il n’y a pas de données correspondantes.
```
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
```
Si vous utilisez plutôt une jointure externe droite, appelez les tables dans le même ordre, `safety-rating` c'`widgets`est-à-dire à gauche et à droite. Dans ce cas, seules les lignes correspondantes de `safety-rating` sont renvoyées, alors que toutes les lignes de `widget` le sont. Vous pouvez voir des vides dans le jeu de résultats lorsqu’il n’y a pas de données correspondantes.
```
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
```
### Jointures externes complètes
Ces jointures sont parfois simplement appelées jointures externes, mais ce terme peut faire référence à une jointure externe à gauche, à droite ou complète. Pour préciser la signification, nous utiliserons le nom complet : jointure externe complète.
Utilisez une jointure externe complète pour voir les données qui correspondent, ainsi que les données des deux tables qui ne correspondent pas. Ce type de jointure inclut toutes les lignes des deux tables. Par exemple, si vous effectuez une jointure externe complète sur les tables `safety-rating` et `widget`, toutes les lignes sont renvoyées. Les lignes sont alignées aux endroits de correspondance et toutes les données supplémentaires sont placées sur des lignes distinctes. Vous pouvez voir des vides dans le jeu de résultats lorsqu’il n’y a pas de données correspondantes.
```
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
```
# Préparation des champs de données pour analyse dans Amazon Quick Sight
Avant de commencer l’analyse et la représentation visuelle de vos données, vous pouvez préparer les champs (colonnes) de votre jeu de données pour l’analyse. Vous pouvez modifier les noms et les descriptions des champs, changer le type de données pour les champs, configurer des hiérarchies d’exploration pour les champs, etc.
Utilisez les rubriques suivantes pour préparer les champs de votre jeu de données.
**Topics**
+ [Modification des noms et des descriptions des champs](changing-a-field-name.md)
+ [Définition de champs en tant que dimensions ou mesures](setting-dimension-or-measure.md)
+ [Modification du type de données d’un champ](changing-a-field-data-type.md)
+ [Ajouter des hiérarchies aux données visuelles dans Quick Sight](adding-drill-downs.md)
+ [Sélection de champs](selecting-fields.md)
+ [Organisation des champs dans des dossiers sur Amazon QuickSight](organizing-fields-folder.md)
+ [Mappage et jointure des champs](mapping-and-joining-fields.md)
# Modification des noms et des descriptions des champs
Vous pouvez modifier le nom et la description d’un champ par rapport à ceux fournis par la source de données. Si vous modifiez le nom d’un champ utilisé dans un champ calculé, prenez soin de modifier ce paramètre dans la fonction de champ calculée. Sinon, la fonction échouera.
**Pour modifier le nom ou la description d’un champ**
1. Dans le volet **Champs** de la page de préparation des données, cliquez sur l’icône à trois points du champ que vous voulez modifier. Sélectionnez ensuite **Modifier le nom et la description**.
1. Saisissez le nouveau nom ou la nouvelle description que vous voulez modifier, puis cliquez sur **Appliquer**.
Vous pouvez également modifier le nom et la description d’une zone dans la page de préparation des données. Pour ce faire, sélectionnez l’en-tête de colonne de la rubrique que vous voulez modifier dans le tableau **Jeu de données**, dans la partie inférieure de la page. Effectuez ensuite les modifications nécessaires.
# Définition de champs en tant que dimensions ou mesures
Dans le volet **Field list (Liste des champs)**, les champs de dimension ont des icônes bleues et les champs de mesure des icônes vertes. Les *dimensions* sont des champs de texte ou de date qui peuvent être des éléments, tels que des produits ou des attributs liés aux mesures. Vous pouvez utiliser des dimensions pour partitionner ces éléments ou attributs, comme la date de vente pour les chiffres de vente. Les *Measures (Mesures)* sont des valeurs numériques que vous utilisez pour mesurer, comparer et agréger.
Dans certains cas, Quick Sight interprète un champ comme une mesure que vous souhaitez utiliser comme dimension (ou inversement). Dans ce cas, vous pouvez modifier le paramètre pour ce champ.
La modification du paramètre de mesure ou de dimension d’un champ s’applique à toutes les représentations visuelles de l’analyse qui utilisent cet jeu de données. Cependant, elle ne s’applique pas au jeu de données lui-même.
## Modification des paramètres de dimension ou de mesure d’un champ
Pour modifier les paramètres de dimension ou de mesure d’un champ, procédez comme suit
**Pour modifier le paramètre de dimension ou de mesure d’un champ**
1. Dans le volet **Liste de champs**, survolez le champ que vous voulez modifier.
1. Choisissez l’icône du sélecteur à droite du nom du champ, puis **Convert to dimension (Convertir en dimension)** ou **Convert to measure (Convertir en mesure)** le cas échéant.
# Modification du type de données d’un champ
Lorsque Quick Sight extrait des données, il attribue à chaque champ un type de données en fonction des données du champ. Les types de données possibles sont les suivants :
+ Date – Le type de données date est utilisé pour les données de date dans un format pris en charge. Pour plus d'informations sur les formats de date pris en charge par Quick Sight, consultez[Quotas de source de données](data-source-limits.md).
+ Décimal – Le type de données décimal est utilisé pour les données numériques qui nécessitent une ou plusieurs décimales de précision, par exemple 18,23. Le type de données décimales prend en charge jusqu’à quatre décimales à droite de la virgule. Les valeurs dont l’échelle est supérieure sont tronquées à la quatrième décimale dans deux cas. La première est lorsque ces valeurs sont affichées lors de la préparation des données ou des analyses, et l'autre lorsque ces valeurs sont importées dans Quick Sight. Par exemple, 13,00049 est arrondi à 13,0004.
+ Geospatial – Le type de données Geospatial est utilisé pour les données géospatiales, par exemple la longitude et la latitude, ou les villes et les pays.
+ Integer – Le type de données Int est utilisé pour les données numériques qui contiennent uniquement des entiers, par exemple 39.
+ String – Le type de données en chaîne est utilisé pour les données alphanumériques autres que des dates.
Quick Sight lit un petit échantillon de lignes de la colonne pour déterminer le type de données. Le type de données qui apparaît le plus souvent dans le petit échantillon est le type suggéré. Dans certains cas, il peut y avoir des valeurs vides (traitées comme des chaînes par Quick Sight) dans une colonne contenant principalement des nombres. Dans ce cas, il se peut que le type de données Chaîne soit le type le plus fréquent dans l’échantillon de lignes. Vous pouvez modifier manuellement le type de données de la colonne pour en faire un nombre entier. Utilisez les procédures suivantes pour apprendre à personnaliser les info-bulles.
## Modification du type de données d’un champ pendant la préparation des données
Pendant la préparation des données, vous pouvez modifier le type de données de n’importe quel champ de la source de données. Dans le menu **Modifier le type de données**, vous pouvez modifier les champs calculés qui n’incluent pas d’agrégations en types géospatiaux. Vous pouvez apporter d’autres modifications au type de données d’un champ calculé en modifiant directement son expression. Quick Sight convertit les données du champ en fonction du type de données que vous avez choisi. Les lignes qui contiennent des données non compatibles avec ce type de données sont ignorées. Par exemple, supposez que vous ayez converti le champ suivant de String à Integer.
```
10020
36803
14267a
98457
78216b
```
Tous les enregistrements contenant des caractères alphabétiques dans ce champ seront ignorés, comme l’exemple suivant le montre.
```
10020
36803
98457
```
Si vous disposez d'un jeu de données contenant des champs dont les types de données ne sont pas pris en charge par Quick Sight, utilisez une requête SQL lors de la préparation des données. Ensuite, utilisez les commandes `CAST` ou `CONVERT` (en fonction de ce qui est pris en charge par la base de données source) pour modifier les types de données des champs. Pour plus d’informations sur l’ajout d’une requête SQL lors de la préparation des données, consultez [Utilisation de SQL pour personnaliser les données](adding-a-SQL-query.md). Pour plus d'informations sur la façon dont les différents types de données sources sont interprétés par Quick Sight, consultez[Types de données pris en charge à partir de sources de données externes](supported-data-types-and-values.md#supported-data-types).
Vous pouvez avoir des champs numériques qui agissent comme dimensions plutôt que comme métriques : les codes postaux et la plupart des numéros d’identification, par exemple. Dans ces cas, il est utile de leur attribuer un type de données String lors de la préparation des données. Cela permet à Quick Sight de comprendre qu'ils ne sont pas utiles pour effectuer des calculs mathématiques et qu'ils ne peuvent être agrégés qu'avec la `Count` fonction. Pour plus d'informations sur la façon dont Quick Sight utilise les dimensions et les mesures, consultez[Définition de champs en tant que dimensions ou mesures](setting-dimension-or-measure.md).
Dans [SPICE](spice.md), les chiffres décimaux convertis en entiers sont tronqués par défaut. Si vous souhaitez plutôt arrondir vos chiffres, vous pouvez créer un champ calculé à l’aide de la fonction [`round`](round-function.md). Pour voir si les chiffres sont arrondis ou tronqués avant leur intégration dans SPICE, vérifiez votre moteur de base de données.
**Pour modifier le type de données d’un champ pendant la préparation des données**
1. Sur la page d'accueil de Quick Sight, choisissez **Data** sur la gauche. Dans l'onglet **Données**, sélectionnez le jeu de données souhaité, puis sélectionnez **Modifier le jeu de données**.
1. Dans le volet de visualisation de données, choisissez l’icône de type de données sous le champ que vous voulez modifier.
1. Choisissez le type de données cible. Seuls les types de données autres que celui utilisé actuellement sont répertoriés.
## Modification du type de données d’un champ dans une analyse
Vous pouvez utiliser le volet **Field list (Liste des champs)**, les sélecteurs de champ de représentation visuelle ou les éditeurs de représentation visuelle pour modifier les types de données de champs numériques dans le contexte d’une analyse. Les champs numériques par défaut s’affichent sous la forme de chiffres, mais vous pouvez choisir de les afficher plutôt en tant que devise ou que pourcentage. Vous ne pouvez pas modifier les types de données pour les champs de chaîne ou de date.
La modification du type de données d’un champ dans une analyse s’applique à toutes les représentations visuelles de l’analyse qui utilisent cet jeu de données. Cependant, elle ne s’applique pas au jeu de données lui-même.
**Note**
Si vous utilisez un tableau croisé dynamique, l’application d’un calcul de tableau change le type de données des valeurs de cellule dans certains cas. Ce type de modification se produit si le type de données n’a pas de signification dans le calcul appliqué.
Par exemple, supposons que vous appliquez la fonction `Rank` à un champ numérique que vous avez modifié pour utiliser le type de données devises. Dans ce cas, les valeurs de cellule s’affichent sous forme de chiffres plutôt que de devises. De même, si vous appliquez la fonction `Percent difference`, les valeurs de cellules s’affichent sous la forme de pourcentages plutôt que de devises.
**Pour modifier un type de données de champ**
1. Choisissez l’une des options suivantes :
+ Dans le volet **Liste de champs**, survolez le champ numérique que vous voulez modifier. Cliquez ensuite sur l’icône du sélecteur à droite du nom du champ.
+ Sur une représentation visuelle contenant un éditeur de représentations visuelles associé au champ numérique que vous voulez modifier, choisissez cet éditeur de représentations visuelles.
+ Développez le volet **Field wells (Sélecteurs de champs)**, puis choisissez le sélecteur de champs associé au champ numérique que vous voulez modifier.
1. Choisissez **Show as (Afficher comme)**, puis **Number (Nombre)**, **Currency (Devise)** ou **Percent (Pourcentage)**.
# Ajouter des hiérarchies aux données visuelles dans Quick Sight
Tous les types de représentation visuelle, à l’exception des tableaux croisés dynamiques, offrent la possibilité de créer une hiérarchie de champs pour un élément visuel. La hiérarchie vous permet de descendre à différents niveaux de la hiérarchie pour explorer les données. Par exemple, vous pouvez associer les champs de pays, d’état et de ville à l’axe x sur un graphique à barres. Ensuite, vous pouvez augmenter ou diminuer le niveau de détail pour voir les données à chacun de ces niveaux. Lorsque vous explorez chaque niveau, les données affichées sont affinées selon la valeur du champ que vous explorez. Par exemple, si vous explorez l’état de Californie, vous voyez des données sur toutes les villes de Californie.
Les sélecteurs de champ que vous pouvez utiliser pour créer des niveaux d’exploration varient selon le type d’élément visuel. Reportez-vous à la rubrique sur chaque d’élément visuel pour en savoir plus sur sa prise en charge de l’exploration.
La fonctionnalité d’exploration est ajoutée automatiquement pour les dates lorsque vous associez un champ de date au sélecteur de champs d’exploration d’une représentation visuelle. Dans ce cas, vous pouvez toujours augmenter ou réduire le niveau de granularité de la date. La fonctionnalité d’exploration est également ajoutée automatiquement pour les regroupements géospatiaux après les avoir définis dans le jeu de données.
Utilisez le tableau suivant pour identifier les sélecteurs de champs/éditeurs de représentations visuelles qui prennent en charge l’exploration pour chaque type de représentation visuelle.
****
| Type de représentation visuelle | Sélecteur de champs ou éditeur de représentations visuelles |
| --- | --- |
| Graphiques à barres (toutes horizontales) | Axe des Y et Groupe/couleur |
| Graphiques à barres (toutes verticales) | Axe des X et Groupe/couleur |
| Tableaux mixtes (tous) | Axe des X et Groupe/couleur |
| Graphiques géospatiaux | Géospatial et Couleur |
| Carte thermique | Lignes et colonnes |
| KPIs | Groupe de tendances |
| Graphiques linéaires (tous) | Axe des X et Couleur |
| Graphique à secteurs | Groupe/couleur |
| Diagramme à points | Groupe/couleur |
| Arborescence | Regrouper par |
**Important**
Les déroulements ne sont pas pris en charge pour les tableaux ou les tableaux croisés dynamiques.
## Ajout d’un niveau d’exploration
Utilisez la procédure suivante pour ajouter des niveaux de détail à une représentation visuelle.
**Pour ajouter des niveaux d’exploration à une représentation visuelle, procédez comme suit**
1. Sur la page d’analyse, choisissez la représentation visuelle à laquelle vous souhaitez ajouter des explorations.
1. Faites glisser un élément de champ dans un **sélecteur de champ**.
1. Si une hiérarchie est définie pour votre jeu de données, vous pouvez faire glisser l’ensemble de la hiérarchie dans le sélecteur de champs. Les données géospatiales ou de coordonnées en sont un exemple. Dans ce cas, vous ne devez pas suivre les étapes restantes.
En l’absence de hiérarchie prédéfinie, vous pouvez en créer une dans votre analyse, comme décrit dans les étapes restantes.
1. Faites glisser un champ à utiliser dans la hiérarchie d’exploration vers un sélecteur de champs approprié, selon le type de représentation visuelle. Vérifiez que l’étiquette du champ déplacé indique **Add drill-down layer**. Placez le champ du glissement au-dessus ou sous le champ existant selon l’endroit où vous souhaitez qu’il se trouve dans la hiérarchie que vous créez.
1. Continuez jusqu’à ce que vous ayez ajouté tous les niveaux de la hiérarchie que vous voulez. Pour supprimer un champ de la hiérarchie, sélectionnez le champ, puis choisissez **Remove**.
1. Pour augmenter ou réduire le niveau de détail des données dans la hiérarchie, choisissez un élément de la représentation visuelle (comme une ligne ou une barre), puis choisissez **Drill down to (Descendre au )** ou **Drill up to (Monter au )**. Dans cet exemple, vous pouvez descendre du niveau `car-make` au niveau `car-model` pour en voir les données. Si vous descendez au niveau `car-model` à partir de **Ford** `car-make`, vous ne voyez que les `car-model`s de cette marque.
Une fois que vous êtes descendu au niveau `car-model`, vous pouvez descendre encore pour voir les données au niveau `make-year` ou remonter au niveau `car-make`. Si vous descendez au niveau `make-year` à partir de la barre qui représente **Ranger**, vous ne voyez que les années correspondant à ce modèle de véhicule.
# Sélection de champs
Lorsque vous préparez des données, vous pouvez sélectionner un ou plusieurs champs pour effectuer une action sur eux, comme les exclure ou les ajouter à un dossier.
Pour sélectionner un ou plusieurs champs dans le volet de préparation des données, cliquez ou touchez le ou les champs dans le volet **Champs** à gauche. Vous pouvez alors choisir le menu de champ (les trois points) à droite du nom du champ et choisir une action à effectuer. L’action est effectuée sur tous les champs sélectionnés.
Vous pouvez sélectionner ou désélectionner tous les champs à la fois en choisissant **All** ou **None** dans le haut du volet **Fields**.
Si vous modifiez un jeu de données et que vous écartez un champ qui est utilisé dans un élément visuel, cet élément ne fonctionnera plus. Vous pourrez le corriger la prochaine fois que vous ouvrirez l’analyse.
## Recherche de champs
Si vous avez une longue liste de champs dans le volet **Champs**, vous pouvez rechercher un champ spécifique en saisissant un terme à rechercher dans la zone **Rechercher des champs**. Tout champ dont le nom contient le terme recherché est affiché.
La recherche n’est pas sensible à la casse et ne prend pas en charge les caractères génériques. Utilisez l’icône d’annulation (**X**) à droite de la zone de recherche pour retourner à l’affichage de tous les champs.
# Organisation des champs dans des dossiers sur Amazon QuickSight
Lorsque vous préparez vos données dans Quick Sight, vous pouvez utiliser des dossiers pour organiser vos champs pour les différents auteurs de votre entreprise. L’organisation des champs en dossiers et sous-dossiers peut faciliter la recherche et la compréhension des champs de votre jeu de données par les auteurs.
Vous pouvez créer des dossiers lors de la préparation de votre jeu de données ou lors de l’édition d’un jeu de données. Pour de plus amples informations sur la création d’un jeu de données et sa préparation, consultez [Création de jeux de données](creating-data-sets.md). Pour de plus amples informations sur l’ouverture d’un jeu de données existant pour la préparation des données, consultez [Modifier des jeux de données](edit-a-data-set.md).
Lors d’une analyse, les auteurs peuvent développer et réduire les dossiers, rechercher des champs spécifiques dans les dossiers et consulter vos descriptions de dossiers dans le menu des dossiers. Les dossiers apparaissent en haut du volet **Champs** par ordre alphabétique.
## Création d’un dossier
Suivez la procédure suivante pour créer un nouveau dossier dans le volet **Champs**.
**Pour créer un dossier**
1. Sur la page de préparation des données, dans le volet **Champs**, sélectionnez l'icône à trois points, puis choisissez **Ajouter au dossier**.
Pour sélectionner plusieurs champs à la fois, appuyez sur la touche Ctrl pendant la sélection (touche Commande sur Mac).
1. Dans la page **Ajouter au dossier** qui s’affiche, sélectionnez **Créer un nouveau dossier** et saisissez un nom pour le nouveau dossier.
1. Cliquez sur **Appliquer**.
Le dossier apparaît en haut du volet **Champs** avec les champs que vous avez sélectionnés à l’intérieur. Les champs contenus dans les dossiers sont classés par ordre alphabétique.
## Création d’un sous-dossier
Pour mieux organiser vos champs de données dans le volet **Champs**, vous pouvez créer des sous-dossiers à l’intérieur des dossiers parents.
**Pour créer un sous-dossier**
1. Sur la page de préparation des données, dans le volet **Champs**, sélectionnez le menu d’un champ se trouvant déjà dans un dossier et choisissez **Déplacer vers le dossier**.
1. Dans la page **Déplacer vers le dossier** qui s’affiche, sélectionnez **Créer un nouveau dossier** et saisissez un nom pour le nouveau dossier.
1. Cliquez sur **Appliquer**.
Le sous-dossier apparaît dans le dossier parent en haut de la liste des rubriques. Les sous-dossiers sont classés par ordre alphabétique.
## Ajout de champs à un dossier existant
Suivez la procédure suivante pour ajouter des champs à un dossier existant dans le volet **Champs**.
**Pour ajouter un ou plusieurs champs à un dossier**
1. Sur la page de préparation des données, dans le volet **Champs**, sélectionnez les champs que vous voulez ajouter à un dossier.
Pour sélectionner plusieurs champs à la fois, appuyez sur la touche Ctrl pendant la sélection (touche Commande sur Mac).
1. Dans le menu des champs, choisissez **Ajouter au dossier**.
1. Sur la page **Ajouter au dossier** qui s’affiche, choisissez un dossier pour **Dossier existant**.
1. Cliquez sur **Appliquer**.
La ou les rubriques sont ajoutées au dossier.
## Déplacement de champs entre dossiers
Suivez la procédure suivante pour déplacer des champs d’un dossier à l’autre dans le volet **Champs**.
**Pour déplacer des rubriques d’un dossier à l’autre**
1. Sur la page de préparation des données, dans le volet **Champs**, sélectionnez les champs que vous voulez déplacer vers un autre dossier.
Pour sélectionner plusieurs champs à la fois, appuyez sur la touche Ctrl pendant la sélection (touche Commande sur Mac).
1. Dans le menu de la rubrique, sélectionnez **Déplacer vers le dossier**.
1. Dans la page **Déplacer vers le dossier** qui s’affiche, choisissez un dossier pour **Dossier existant**.
1. Cliquez sur **Appliquer**.
## Suppression de rubriques d’un dossier
Suivez la procédure suivante pour supprimer des champs d’un dossier dans le volet **Champs**. La suppression d’un champ d’un dossier ne supprime pas le champ.
**Pour supprimer des champs d’un dossier**
1. Sur la page de préparation des données, dans le volet **Champs**, sélectionnez les champs que vous voulez supprimer.
1. Dans le menu des rubriques, choisissez **Retirer du dossier**.
Les rubriques que vous avez sélectionnées sont supprimées du dossier et replacées dans la liste des rubriques par ordre alphabétique.
## Modification du nom d’un dossier et ajout d’une description de dossier
Vous pouvez modifier le nom ou ajouter une description d’un dossier pour fournir un contexte sur les champs de données qu’il contient. Le nom du dossier apparaît dans le volet **Champs**. Lors de l’exécution d’une analyse, les auteurs peuvent lire la description de votre dossier lorsqu’ils sélectionnent le menu du dossier dans le volet **Champs**.
**Pour modifier le nom d’un dossier ou pour modifier ou ajouter une description pour un dossier**
1. Sur la page de préparation des données, dans le volet **Champs**, sélectionnez le menu du dossier que vous voulez modifier et choisissez **Modifier le nom et la description**.
1. Dans la page **Modifier le dossier** qui s’affiche, procédez comme suit :
+ Pour **Nom**, saisissez un nom pour le dossier.
+ Pour **Description**, saisissez une description du dossier.
1. Cliquez sur **Appliquer**.
## Déplacement de dossiers
Vous pouvez déplacer des dossiers et des sous-dossiers vers des dossiers nouveaux ou existants dans le volet **Champs**.
**Pour déplacer un dossier**
1. Sur la page de préparation des données, dans le volet **Champs**, sélectionnez **Déplacer le dossier** dans le menu Dossier.
1. Dans la page **Déplacer le dossier** qui s’affiche, effectuez l’une des opérations suivantes :
+ Sélectionnez **Créer un nouveau dossier** et saisissez un nom pour le dossier.
+ Pour **Dossier existant**, sélectionnez un dossier.
1. Cliquez sur **Appliquer**.
Le dossier apparaît dans le dossier que vous avez choisi dans le volet **Champs**.
## Suppression de dossiers du volet des champs
Suivez la procédure suivante pour supprimer un dossier du volet **Champs**.
**Pour supprimer un dossier**
1. Sur la page de préparation des données, dans le volet **Champs**, choisissez **Supprimer le dossier** dans le menu Dossier.
1. Dans la page **Supprimer le dossier ?** qui s’affiche, sélectionnez **Supprimer**.
Le dossier est supprimé du volet **Champs**. Toutes les rubriques qui se trouvaient dans le dossier sont replacées dans la liste des rubriques par ordre alphabétique. La suppression des dossiers n’exclut pas les champs de la vue et ne supprime pas les champs du jeu de données.
# Mappage et jointure des champs
Lorsque vous utilisez différents ensembles de données ensemble dans Quick Sight, vous pouvez simplifier le processus de mappage des champs ou de jonction de tables pendant la phase de préparation des données. Vous devez déjà vérifier que vos champs ont un type de données et un nom de champ appropriés. Cependant, si vous savez déjà quels jeux de données seront utilisés conjointement, vous pouvez prendre quelques mesures supplémentaires pour faciliter votre travail ultérieur.
## Mappage des champs
Quick Sight peut mapper automatiquement les champs entre les ensembles de données d'une même analyse. Les conseils suivants peuvent aider Quick Sight à mapper automatiquement les champs entre les ensembles de données, par exemple si vous créez une action de filtrage entre les ensembles de données :
+ Correspondance des noms de champs – Les noms de champs doivent correspondre exactement, sans différence de casse, d’espacement ou de ponctuation. Vous pouvez renommer les champs qui décrivent les mêmes données, de sorte que le mappage automatique soit précis.
+ Correspondance des types de données – Les champs doivent avoir le même type de données pour le mappage automatique. Vous pouvez modifier les types de données pendant la préparation des données. Cette étape vous permet également de découvrir si vous devez filtrer les données qui n’ont pas le bon type de données.
+ Utilisation de champs calculés – Vous pouvez utiliser des champs calculés pour créer un champ correspondant et lui donner le nom et le type de données corrects pour le mappage automatique.
**Note**
Une fois qu’un mappage automatique existe, vous pouvez renommer un champ sans rompre le mappage des champs. Toutefois, si vous modifiez le type de données, le mappage est interrompu.
Pour de plus amples informations sur le mappage de champs pour les actions de filtrage dans les jeux de données, veuillez consulter [Création et modification d'actions personnalisées dans Amazon Quick Sight](custom-actions.md).
## Jointure de champs
Vous pouvez créer des jointures entre des données provenant de différentes sources de données, y compris des fichiers ou des bases de données. Les conseils suivants peuvent vous aider à joindre des données provenant de différents fichiers ou sources de données :
+ Noms de champs similaires – Il est plus simple de joindre des champs lorsque vous pouvez voir ce qui doit correspondre ; par exemple, **Order ID** et **order-id** semblent devoir être identiques. Mais si l’un est un ordre de mission et l’autre un bon de commande, les champs ont probablement des données différentes. Si possible, assurez-vous que les fichiers et les tables que vous souhaitez joindre ont des noms de champs qui précisent les données qu’ils contiennent.
+ Types de données correspondants – Les champs doivent avoir le même type de données pour que vous puissiez effectuer une jointure. Assurez-vous que les fichiers et les tables que vous souhaitez joindre ont des types de données correspondants dans les champs de jointure. Vous ne pouvez pas utiliser un champ calculé pour une jointure. En outre, vous ne pouvez pas joindre deux jeux de données existants. Vous créez les jeux de données joint en accédant directement aux données source.
Pour de plus amples informations sur la jointure de données entre les sources de données, consultez [Jointure des données](joining-data.md).
# Filtrer les données dans Amazon Quick Sight
Vous pouvez utiliser des filtres pour affiner les données d’un jeu de données ou d’une analyse. Par exemple, vous pouvez créer un filtre sur un champ de région qui exclut les données d’une région particulière dans un jeu de données. Vous pouvez également ajouter un filtre à une analyse, par exemple un filtre sur la plage de dates que vous voulez inclure dans les représentations visuelles de votre analyse.
Lorsque vous créez un filtre dans un jeu de données, ce filtre s’applique à l’ensemble du jeu de données. Toutes les analyses et tous les tableaux de bord créés à partir de ce jeu de données contiennent le filtre. Si quelqu’un crée un jeu de données à partir de votre jeu de données, le filtre est également présent dans le nouveau jeu de données.
Lorsque vous créez un filtre dans une analyse, ce filtre ne s’applique qu’à cette analyse et à tous les tableaux de bord que vous publiez à partir de celle-ci. Si quelqu’un duplique votre analyse, le filtre persiste dans la nouvelle analyse. Dans les analyses, vous pouvez appliquer les filtres à un seul visuel, à certains visuels, à tous les visuels utilisant cet jeu de données ou à tous les visuels applicables.
De plus, lorsque vous créez des filtres dans une analyse, vous pouvez ajouter un contrôle de filtre à votre tableau de bord. Pour plus d’informations sur les contrôles de filtre, consultez la rubrique [Ajout de contrôles de filtre aux feuilles d’analyse](filter-controls.md).
Chaque filtre que vous créez ne s’applique qu’à un seul champ. Vous pouvez appliquer des filtres pour les champs standard et calculés.
Il existe plusieurs types de filtres que vous pouvez ajouter aux jeux de données et aux analyses. Pour plus d’informations sur les types de filtres que vous pouvez ajouter et sur certaines de leurs options, consultez la rubrique [Types de filtres dans Amazon Quick](filtering-types.md).
Si vous créez plusieurs filtres, tous les filtres de niveau supérieur s’appliquent en même temps à l’aide de l’opérateur AND. Si vous regroupez des filtres en les ajoutant dans un filtre de niveau supérieur, tous les filtres du groupe s’appliquent à l’aide de l’opérateur OR.
Amazon Quick Sight applique tous les filtres activés au champ. Par exemple, supposons qu’il existe un filtre `state = WA` et un autre filtre `sales >= 500`. Le jeu de données ou l’analyse ne contient alors que les enregistrements qui répondent à ces deux critères. Si vous désactivez l’un d’eux, un seul filtre s’applique.
Sachez que les différents filtres appliqués à un même champ ne s’excluent pas mutuellement.
Les sections suivantes vous expliquent comment afficher, ajouter, modifier et supprimer des filtres.
**Topics**
+ [Affichage des filtres existants](viewing-filters-data-prep.md)
+ [Ajout de filtres](add-a-filter-data-prep.md)
+ [Filtres et commandes multifeuilles](cross-sheet-filters.md)
+ [Types de filtres dans Amazon Quick](filtering-types.md)
+ [Ajout de contrôles de filtre aux feuilles d’analyse](filter-controls.md)
+ [Modification des filtres](edit-a-filter-data-prep.md)
+ [Activation ou désactivation des filtres](disable-a-filter-data-prep.md)
+ [Suppression de filtres](delete-a-filter-data-prep.md)
# Affichage des filtres existants
Lorsque vous modifiez un jeu de données ou ouvrez une analyse, vous pouvez afficher tous les filtres existants qui ont été créés. Utilisez les procédures suivantes pour apprendre à personnaliser les info-bulles.
## Affichage des filtres dans les jeux de données
1. Ouvrez la [console Quick](https://quicksight.aws.amazon.com/).
1. Sur la page d'accueil de Quick, choisissez **Data** sur la gauche.
1. Dans l'onglet **Ensembles** de données, choisissez le jeu de données souhaité, puis sélectionnez **Modifier le jeu de données**.
1. Sur la page de préparation des données qui s’ouvre, sélectionnez **Filtres** en bas à gauche pour développer la section **Filtres**.
Tous les filtres appliqués au jeu de données apparaissent ici. Si un seul champ possède plusieurs filtres, ils sont regroupés. Ils s’affichent dans l’ordre de leur date de création, le plus ancien d’abord.
## Affichage des filtres dans les analyses
Suivez la procédure suivante pour afficher les filtres dans les analyses.
**Pour afficher un filtre dans une analyse**
1. Sur la page d'accueil de Quick, sélectionnez **Analyses**.
1. Sur la page **Analyses**, sélectionnez l’analyse avec laquelle vous voulez travailler.
1. Dans l'analyse, cliquez sur l'icône **Filtre** pour ouvrir le volet **Filtres**.
Tous les filtres appliqués à l’analyse apparaissent ici.
La façon dont le champ d’application d’un filtre est indiqué au bas de chaque filtre. Pour plus d’informations sur la délimitation des filtres, consultez la rubrique [Ajout de filtres](add-a-filter-data-prep.md).
# Ajout de filtres
Vous pouvez ajouter des filtres à un jeu de données ou à une analyse. Utilisez les procédures suivantes pour apprendre à personnaliser les info-bulles.
## Ajout de filtres à des jeux de données
Utilisez la procédure suivante pour ajouter des filtres aux jeux de données.
**Pour ajouter un filtre à un jeu de données**
1. Ouvrez la [console Quick](https://quicksight.aws.amazon.com/).
1. Sur la page d'accueil de Quick, choisissez **Data** sur la gauche.
1. Dans l'onglet **Ensembles** de données, choisissez le jeu de données souhaité, puis sélectionnez **Modifier le jeu de données**.
1. Sur la page de préparation des données qui s’ouvre, sélectionnez **Ajouter un filtre** en bas à gauche, puis choisissez un champ que vous voulez filtrer.
Le filtre est ajouté au volet **Filtres**.
1. Sélectionnez le nouveau filtre dans le volet pour le configurer. Vous pouvez également cliquer sur les trois points situés à droite du nouveau filtre et sélectionner **Modifier**.
Les options de configuration du filtre varient en fonction du type de données du champ. Pour plus d’informations sur les types de filtres que vous pouvez créer et leurs configurations, consultez la rubrique [Types de filtres dans Amazon Quick](filtering-types.md).
1. Lorsque vous avez terminé, choisissez **Apply**.
**Note**
L’aperçu des données affiche les résultats de votre combinaison de filtres uniquement tels qu’ils s’appliquent aux 1 000 premières lignes. Si les 1 000 premières lignes sont toutes filtrées, aucune ligne ne s’affichera dans l’aperçu. Cela se produit même lorsque les lignes situées après les mille premières ne sont pas filtrées.
## Ajout de filtres dans les analyses
Suivez la procédure suivante pour ajouter des filtres aux analyses.
**Pour ajouter un filtre à une analyse**
1. Ouvrez la [console Quick](https://quicksight.aws.amazon.com/).
1. Sur la page d'accueil de Quick, sélectionnez **Analyses**.
1. Sur la page **Analyses**, sélectionnez l’analyse avec laquelle vous voulez travailler.
1. Dans l'analyse, cliquez sur l'icône **Filtre** pour ouvrir le volet **Filtres**, puis sélectionnez **AJOUTER**.
1. Choisissez le nouveau filtre dans le volet pour le configurer. Vous pouvez également cliquer sur les trois points situés à droite du nouveau filtre et sélectionner **Modifier**.
1. Dans le volet **Modifier le filtre** qui s’ouvre, pour **Appliqué à**, choisissez l’une des options suivantes.
+ **Uniquement cette représentation visuelle** – Le filtre s’applique uniquement à l’élément sélectionné.
+ **Feuille unique** : le filtre s’applique à une seule feuille.
+ **Multifeuille** : le filtre s’applique à plusieurs feuilles du jeu de données.
Les autres options de configuration du filtre varient en fonction du type de données du champ. Pour plus d’informations sur les types de filtres que vous pouvez créer et leurs configurations, consultez la rubrique [Types de filtres dans Amazon Quick](filtering-types.md).
# Filtres et commandes multifeuilles
Les filtres et contrôles multifeuilles sont des filtres qui s’étendent soit à l’ensemble de votre analyse ou à votre tableau de bord, soit à plusieurs feuilles de votre analyse et de votre tableau de bord.
## Filtres
**Création d’un filtre multifeuille**
1. Une fois que vous avez [ajouté un filtre](https://docs.aws.amazon.com/quicksight/latest/user/add-a-filter-data-prep.html#add-a-filter-data-prep-analyses), vous mettez à jour l’étendue du filtre pour passer à une feuille multifeuille. Par défaut, cela s’applique à toutes les feuilles de votre analyse.
1. Si la case **Appliquer des jeux de données multifeuilles** est cochée, le filtre sera appliqué à tous les visuels provenant d’un maximum de 100 jeux de données différents applicables à toutes les feuilles de l’étendue du filtre.
1. Si vous souhaitez personnaliser les feuilles auxquelles il est appliqué, choisissez l’icône Multifeuilles. Vous pouvez ensuite afficher les feuilles auxquelles le filtre est actuellement appliqué ou activer les feuilles de sélection personnalisées.
1. Lorsque vous activez les **feuilles de sélection personnalisées**, vous pouvez sélectionner les feuilles auxquelles appliquer le filtre.
1. Suivez les étapes décrites dans la section [Modification des filtres dans les analyses](https://docs.aws.amazon.com/quicksight/latest/user/edit-a-filter-data-prep.html#edit-a-filter-data-prep-analyses). Vos modifications seront appliquées à tous les filtres de toutes les feuilles que vous avez sélectionnées. Cela inclut les feuilles récemment ajoutées si le filtre est étendu à l’ensemble de votre analyse.
**Supprimer un filtre multifeuille**
**Suppression en cours**
Si aucun contrôle n’a été créé à partir de ces filtres, consultez la section [Suppression de filtres dans les analyses](https://docs.aws.amazon.com/quicksight/latest/user/delete-a-filter-data-prep.html#delete-a-filter-data-prep-analyses).
Si vous avez créé des contrôles, alors :
****
1. Suivez les instructions de la section [Supprimer des filtres dans les analyses](https://docs.aws.amazon.com/quicksight/latest/user/delete-a-filter-data-prep.html#delete-a-filter-data-prep-analyses).
1. Si vous choisissez **Supprimer le filtre et les contrôles**, les contrôles seront supprimés de toutes les pages. Cela peut avoir une incidence sur la mise en page de votre analyse. Vous pouvez également supprimer ces commandes de manière individuelle.
**Downscoping**
Si vous souhaitez supprimer un filtre multifeuille, vous pouvez également le faire en modifiant l’étendue du filtre :
****
1. Suivez les instructions de la [section Modification des filtres dans les analyses](https://docs.aws.amazon.com/quicksight/latest/user/edit-a-filter-data-prep.html#edit-a-filter-data-prep-analyses) pour accéder au filtre.
1. L’une des modifications que vous pouvez apporter consiste à modifier la portée. Vous pouvez passer à **une feuille unique** ou à **un visuel unique**. Vous pouvez également supprimer une feuille de la sélection Feuille croisée.
Ou la sélection de feuilles personnalisées :
![\[Voici une image de Supprimer le filtre dans Quick Sight.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/cross-sheet-7.png)
1. S'il existe des contrôles, un modal s'affichera pour vous avertir que vous allez supprimer des contrôles en bloc de toutes les feuilles où le filtre ne s'applique plus, ce qui peut avoir un impact sur votre mise en page. Vous pouvez également supprimer les commandes de manière individuelle. Pour de plus amples informations, veuillez consulter [Suppression d’un contrôle multifeuille](#cross-sheet-removing-control).
1. Si vous ajoutez des contrôles **en haut de toutes les feuilles de l’étendue du filtre**, de nouvelles feuilles seront ajoutées par défaut avec ce nouveau contrôle si le filtre est étendu à l’ensemble de votre analyse.
## Contrôles
### Création d’un contrôle multifeuille
**Nouveau contrôle du filtre**
1. Créez un filtre multifeuille. Pour de plus amples informations, veuillez consulter [Filtres](#filters).
1. Dans le menu à trois points, vous pouvez voir une option indiquant **Ajouter un contrôle**. En passant le curseur dessus, vous verrez trois options :
+ **Haut de toutes les feuilles dans le champ d’application du filtre**
+ **Haut de cette feuille**
+ **À l’intérieur de cette feuille**
Si vous souhaitez ajouter des éléments à plusieurs feuilles au sein des feuilles elles-mêmes, vous pouvez le faire. sheet-by-sheet Vous pouvez également l’ajouter en haut, puis utiliser l’option de chaque contrôle pour **déplacer vers la feuille**. Pour de plus amples informations, veuillez consulter [Modification d’un contrôle multifeuille](#cross-sheet-controls-editing-control).
**Élargir la portée du contrôle existant**
1. Accédez au filtre existant dans l’analyse
1. Modifiez l’étendue des feuilles auxquelles ce filtre est **appliqué à** **Multifeuilles**.
1. Si un contrôle a déjà été créé à partir du filtre, vous verrez un modal qui, si vous cochez la case, ajoutera des contrôles en bloc en haut de toutes les feuilles de l'étendue du filtre. Cela n'aura aucun impact sur la position du contrôle déjà créé s'il se trouve sur la feuille.
### Modification d’un contrôle multifeuille
1. Accédez au contrôle multifeuilles et sélectionnez le menu à trois points si le contrôle est épinglé en haut ou l’icône en forme de crayon d’édition si le contrôle se trouve sur la feuille. Voici les options suivantes qui vous seront proposées :
+ **Accédez au filtre** (qui vous dirige vers le filtre multifeuille que vous pouvez modifier ou réviser)
+ **Déplacer vers la feuille** (qui déplace le contrôle dans le volet d’analyse)
+ **Reset**
+ **Actualiser**
+ **Modifier**
+ **Supprimez**
1. Choisissez **Modifier**. Cela fait apparaître le volet **de contrôle du format** sur le côté droit de votre analyse.
1. Vous pouvez ensuite modifier votre contrôle. La section supérieure intitulée **Paramètres multifeuilles** s’applique à tous les contrôles, tandis que les paramètres situés en dehors de cette section ne s’appliquent pas à tous les contrôles et uniquement au contrôle spécifique que vous modifiez. Par exemple, **la valeur pertinente** n’est pas un paramètre de contrôle multifeuille.
1. Vous pouvez également voir les feuilles sur lesquelles se trouve ce contrôle ainsi que l’emplacement (haut ou feuille) sur lequel se trouve le contrôle pour chaque feuille. Vous pouvez le faire en choisissant **Sheets (8)**.
### Suppression d’un contrôle multifeuille
Vous pouvez supprimer des contrôles à deux endroits. Tout d’abord, depuis le contrôle :
1. Accédez au contrôle multifeuilles et sélectionnez le menu à trois points si le contrôle est épinglé en haut ou l’icône en forme de crayon d’édition si le contrôle se trouve sur la feuille. Voici les options suivantes qui vous seront proposées :
+ **Accédez au filtre** (qui vous dirige vers le filtre multifeuille que vous pouvez modifier ou réviser)
+ **Déplacer vers la feuille** (qui déplace le contrôle dans le volet d’analyse)
+ **Reset**
+ **Actualiser**
+ **Modifier**
+ **Supprimez**
1. Sélectionnez **Remove (Supprimer)**.
Ensuite, vous pouvez supprimer des commandes du filtre :
1. Choisissez le menu à trois points sur le filtre multifeuille à partir duquel les contrôles entre feuilles sont créés. Vous verrez qu’au lieu d’une option permettant d’**ajouter un contrôle**, il existe désormais une option permettant de **gérer le contrôle**.
1. Passez le curseur sur **Gérer le contrôle**. Voici les options suivantes qui vous seront proposées :
+ **Déplacez-vous dans cette feuille**
+ **Haut de cette feuille**
Ces options s’appliquent uniquement au contrôle sur la feuille, en fonction de l’emplacement du contrôle actuel. Si vous n’avez pas de commandes sur toutes les feuilles de l’étendue du filtre, vous aurez l’option **Ajouter en haut de toutes les feuilles de l’étendue du filtre**. Cela ne déplacera pas les contrôles de feuille vers le haut de la feuille si vous les avez déjà ajoutés à la feuille lors de l’analyse. Vous aurez également la possibilité **de supprimer de cette feuille** ou de **supprimer de toutes les feuilles**.
# Types de filtres dans Amazon Quick
Vous pouvez créer différents types de filtres dans Quick. Le type de filtre que vous créez dépend principalement du type de données du champ que vous voulez filtrer.
Dans les jeux de données, vous pouvez créer les types de filtres suivants :
+ Filtres textuels
+ Filtres numériques
+ Filtres de date
Dans les analyses, vous pouvez créer les mêmes types de filtres que dans les jeux de données. Vous pouvez également créer :
+ Regroupez les filtres avec and/or les opérateurs
+ Filtres en cascade
+ Filtres imbriqués
Les sections suivantes vous permettront d’en savoir plus sur chaque type de filtre que vous pouvez créer et sur certaines de leurs options.
**Topics**
+ [Ajout des filtres de texte](add-a-text-filter-data-prep.md)
+ [Ajout de filtres imbriqués](add-a-nested-filter-data-prep.md)
+ [Ajout de filtres numériques](add-a-numeric-filter-data-prep.md)
+ [Ajout des filtres de date](add-a-date-filter2.md)
+ [Ajout de conditions de filtrage (filtres de groupe) à l’aide des opérateurs AND et OR](add-a-compound-filter.md)
+ [Création de filtres en cascade](use-a-cascading-filter.md)
# Ajout des filtres de texte
Lorsque vous ajoutez un filtre à l’aide d’un champ de texte, vous pouvez créer les types de filtres textuels suivants :
+ **Liste de filtres** (Analyses uniquement) – Cette option crée un filtre que vous pouvez utiliser pour sélectionner une ou plusieurs valeurs de champ à inclure ou à exclure de toutes les valeurs disponibles dans le champ. Pour plus d’informations sur la création de ce type de filtre texte, consultez la rubrique [Filtrage des valeurs d’un champ texte par une liste (analyses uniquement)](#text-filter-list).
+ **Liste de filtres personnalisés** – Avec cette option, vous pouvez saisir une ou plusieurs valeurs de champ à filtrer et indiquer si vous voulez inclure ou exclure les enregistrements qui contiennent ces valeurs. Les valeurs que vous saisissez doivent correspondre exactement aux valeurs réelles du champ pour que le filtre soit appliqué à un enregistrement donné. Pour plus d’informations sur la création de ce type de filtre texte, consultez la rubrique [Filtrage des valeurs d’un champ de texte à l’aide d’une liste personnalisée](#add-text-custom-filter-list-data-prep).
+ **Filtre personnalisé** – Cette option vous permet de saisir une valeur unique à laquelle la valeur du champ doit correspondre d’une manière ou d’une autre. Vous pouvez spécifier que la valeur du champ doit être égale ou non, commencer par, se terminer par, contenir ou ne pas contenir la valeur que vous avez spécifiée. Si vous choisissez une comparaison égale, la valeur spécifiée et la valeur de champ réelle doivent correspondre exactement dans l’ordre pour que le filtre soit appliqué à un enregistrement donné. Pour plus d’informations sur la création de ce type de filtre texte, consultez la rubrique [Filtrage d’une seule valeur de champ texte](#add-text-filter-custom-list-data-prep).
+ **Filtre supérieur et inférieur** (Analyses uniquement) – Vous pouvez utiliser cette option pour afficher la valeur *n* supérieure ou inférieure d’une rubrique classée en fonction des valeurs d’une autre rubrique. Par exemple, vous pouvez afficher les cinq meilleurs vendeurs en fonction de leur chiffre d’affaires. Vous pouvez également utiliser un paramètre pour autoriser les utilisateurs du tableau de bord à choisir dynamiquement le nombre de valeurs supérieures ou inférieures à afficher. Pour plus d’informations sur la création de filtres supérieurs et inférieurs, consultez la rubrique [Filtrage d’un champ de texte par une valeur supérieure ou inférieure (analyses uniquement)](#add-text-filter-top-and-bottom).
## Filtrage des valeurs d’un champ texte par une liste (analyses uniquement)
Dans les analyses, vous pouvez filtrer un champ de texte en sélectionnant des valeurs à inclure ou à exclure d’une liste de toutes les valeurs du champ.
**Pour filtrer un champ de texte en incluant et en excluant des valeurs**
1. Créez un nouveau filtre à l’aide d’un champ de texte. Pour plus d’informations sur la création de filtres, veuillez consulter [Ajout de filtres](add-a-filter-data-prep.md).
1. Dans le volet **Filtres**, sélectionnez le nouveau filtre pour le développer.
1. Dans la zone **Type de filtre**, sélectionnez **Liste de filtres**.
1. Pour **Condition du filtre**, choisissez **Inclure** ou **Exclure**.
1. Sélectionnez les valeurs de champ selon lesquelles vous souhaitez filtrer. Pour ce faire, cochez la case en face de chaque valeur.
S’il y a trop de valeurs parmi lesquelles choisir, saisissez un terme de recherche dans la zone située au-dessus de la liste de contrôle et sélectionnez **Rechercher**. Les termes à rechercher ne sont pas sensibles à la casse et les caractères génériques ne sont pas pris en charge. Toute valeur de champ contenant le terme recherché est retournée. Par exemple, une recherche sur L renvoie al, AL, la et LA.
Les valeurs s’affichent par ordre alphabétique dans le contrôle, sauf lorsqu’il existe plus de 1 000 valeurs différentes. Ensuite, le contrôle affiche une zone de recherche. Chaque fois que vous recherchez la valeur que vous voulez utiliser, une nouvelle requête est lancée. Si le résultat contient plus de 1 000 valeurs, vous pouvez les faire défiler avec la pagination.
1. Lorsque vous avez terminé, choisissez **Apply**.
## Filtrage des valeurs d’un champ de texte à l’aide d’une liste personnalisée
Vous pouvez spécifier une ou plusieurs valeurs de rubrique à filtrer et indiquer si vous voulez inclure ou exclure les enregistrements qui contiennent ces valeurs. La valeur spécifiée et la valeur de champ réelle doivent correspondre exactement pour que le filtre soit appliqué à un enregistrement donné.
**Pour filtrer les valeurs d’un champ de texte à l’aide d’une liste personnalisée**
1. Créez un nouveau filtre à l’aide d’un champ de texte. Pour plus d’informations sur la création de filtres, veuillez consulter [Ajout de filtres](add-a-filter-data-prep.md).
1. Dans le volet **Filtres**, sélectionnez le nouveau filtre pour le développer.
1. Pour **Type de filtre**, sélectionnez **Liste de filtres personnalisés**.
1. Pour **Condition du filtre**, choisissez **Inclure** ou **Exclure**.
1. Pour **Liste**, saisissez une valeur dans la zone de texte. La valeur doit correspondre exactement à une valeur de champ existante.
1. (Facultatif) Pour ajouter des valeurs supplémentaires, saisissez-les dans la zone de texte, une par ligne.
1. Pour **Options nulles**, choisissez **Exclure les valeurs nulles**, **Inclure les valeurs nulles** ou **Nulles uniquement**.
1. Lorsque vous avez terminé, choisissez **Apply**.
## Filtrage d’une seule valeur de champ texte
Le type de filtre **Filtre personnalisé** vous permet de spécifier une valeur unique à laquelle la valeur du champ doit correspondre, ne pas correspondre ou correspondre partiellement. Si vous choisissez une comparaison égale, la valeur spécifiée et la valeur de champ réelle doivent correspondre exactement pour que le filtre soit appliqué à un enregistrement donné.
**Pour filtrer un champ de texte sur une seule valeur**
1. Créez un nouveau filtre à l’aide d’un champ de texte. Pour plus d’informations sur la création de filtres, veuillez consulter [Ajout de filtres](add-a-filter-data-prep.md).
1. Dans le volet **Filtres**, sélectionnez le nouveau filtre pour le développer.
1. Pour **Type de filtre**, choisissez **Filtre personnalisé**.
1. Pour **Condition de filtre**, choisissez l’une des options suivantes :
+ **Égale** – Lorsque vous choisissez cette option, les valeurs incluses ou exclues dans le champ doivent correspondre exactement à la valeur que vous saisissez.
+ **N’est pas égal** – Lorsque vous choisissez cette option, les valeurs incluses ou exclues dans le champ doivent correspondre exactement à la valeur que vous avez saisie.
+ **Commence par** – Lorsque vous choisissez cette option, les valeurs incluses ou exclues dans le champ doivent commencer par la valeur que vous avez saisie.
+ **Se termine par** – Lorsque vous choisissez cette option, les valeurs incluses ou exclues dans le champ doivent commencer par la valeur que vous avez saisie.
+ **Contient** – Lorsque vous choisissez cette option, les valeurs incluses ou exclues dans le champ doivent contenir la valeur entière que vous avez saisie.
+ **Ne contient pas** – Lorsque vous choisissez cette option, les valeurs incluses ou exclues dans le champ ne doivent contenir aucune partie de la valeur que vous avez saisie.
**Note**
Les types de comparaison sont sensibles à la casse.
1. Effectuez l’une des actions suivantes :
+ Pour **Valeur**, entrez une valeur littérale.
+ Sélectionnez **Utiliser les paramètres** pour utiliser un paramètre existant, puis choisissez un paramètre dans la liste.
Pour que les paramètres apparaissent dans cette liste, créez d’abord vos paramètres. Généralement, vous créez un paramètre, vous ajoutez un contrôle pour celui-ci, puis vous ajoutez un filtre pour celui-ci. Pour de plus amples informations, veuillez consulter [Paramètres dans Amazon Quick](parameters-in-quicksight.md).
Les valeurs s’affichent par ordre alphabétique dans le contrôle, sauf lorsqu’il existe plus de 1 000 valeurs différentes. Ensuite, le contrôle affiche une zone de recherche. Chaque fois que vous recherchez la valeur que vous voulez utiliser, une nouvelle requête est lancée. Si le résultat contient plus de 1 000 valeurs, vous pouvez les faire défiler avec la pagination.
1. Pour **Options nulles**, choisissez **Exclure les valeurs nulles**, **Inclure les valeurs nulles** ou **Nulles uniquement**.
1. Lorsque vous avez terminé, choisissez **Apply**.
## Filtrage d’un champ de texte par une valeur supérieure ou inférieure (analyses uniquement)
Vous pouvez utiliser le type de filtre **Top and bottom filter (Filtre supérieur et inférieur)** pour afficher la valeur *n* supérieure ou inférieure d’un champ en fonction des valeurs d’un autre champ. Par exemple, vous pouvez afficher les cinq meilleurs vendeurs en fonction de leur chiffre d’affaires. Vous pouvez également utiliser un paramètre pour autoriser les utilisateurs du tableau de bord à choisir dynamiquement le nombre de valeurs supérieures ou inférieures à afficher.
**Pour créer un filtre de texte supérieur et inférieur**
1. Créez un nouveau filtre à l’aide d’un champ de texte. Pour plus d’informations sur la création de filtres, veuillez consulter [Ajout de filtres](add-a-filter-data-prep.md).
1. Dans le volet **Filtres**, sélectionnez le nouveau filtre pour le développer.
1. Pour **Type de filtre**, sélectionnez **Filtre supérieur et inférieur**.
1. Choisissez **Top (Supérieur)** ou **Bottom (Inférieur)**.
1. Pour **Afficher le nombre entier du haut** (ou **Afficher le nombre entier du bas**), effectuez l’une des opérations suivantes :
+ Entrez le nombre d’éléments supérieurs ou inférieurs à afficher.
+ Pour utiliser un paramètre pour le nombre d’éléments supérieurs et inférieurs à afficher, sélectionnez **Utiliser les paramètres**. Choisissez ensuite un paramètre de nombre entier.
Par exemple, disons que vous voulez afficher les trois premiers vendeurs par défaut. Cependant, vous voulez que l’observateur du tableau de bord puisse choisir d’afficher les 1 à 10 meilleurs vendeurs. Dans ce cas, effectuez les actions suivantes :
+ Créez un paramètre de nombre entier avec une valeur par défaut.
+ Pour lier le nombre d’éléments affichés à un contrôle de paramètre, créez un contrôle pour le paramètre de nombre entier. Transformez ensuite le contrôle en curseur avec une taille de 1, une valeur minimale de 1, et une valeur maximale de 10.
+ Pour que le contrôle fonctionne, liez-le à un filtre en créant un filtre supérieur et inférieur sur `Salesperson` par `Weighted Revenue`, activez **Utiliser les paramètres** et choisissez votre paramètre de nombre entier.
1. Pour **By (Par)**, choisissez un champ sur laquelle baser le classement. Si vous souhaitez afficher les cinq meilleurs vendeurs par chiffre d’affaires, choisissez le champ du chiffre d’affaires. Vous pouvez également définir le regroupement que vous souhaitez effectuer sur le champ.
1. (Facultatif) Choisissez **Disjoncteur de lien**, puis choisissez un autre champ pour ajouter un ou plusieurs agrégats comme disjoncteurs de lien. Cette option est utile, dans le cas de cet exemple, lorsqu’il y a plus de cinq résultats renvoyés pour les cinq meilleurs vendeurs par chiffre d’affaires. Cette situation peut se produire si plusieurs vendeurs affichent le même chiffre d’affaires.
Pour supprimer un disjoncteur de lien, choisissez l’icône de suppression.
1. Lorsque vous avez terminé, choisissez **Apply**.
# Ajout de filtres imbriqués
Les filtres imbriqués sont des filtres avancés qui peuvent être ajoutés à une analyse rapide. Un filtre imbriqué filtre un champ à l’aide d’un sous-ensemble de données défini par un autre champ du même jeu de données. Cela permet aux auteurs d’afficher des données contextuelles supplémentaires sans avoir à filtrer les données si le point de données ne répond pas à une condition initiale.
Les filtres imbriqués fonctionnent de la même manière qu’une sous-requête corrélée dans SQL ou une analyse du panier de marché. Supposons, par exemple, que vous souhaitiez effectuer une analyse du panier de marché sur vos données de vente. Vous pouvez utiliser des filtres imbriqués pour trouver le montant des ventes par produit pour les clients qui ont acheté ou n’ont pas acheté un produit spécifique. Vous pouvez également utiliser des filtres imbriqués pour identifier les groupes de clients qui n’ont pas acheté un produit sélectionné ou qui n’ont acheté qu’une liste spécifique de produits.
Les filtres imbriqués ne peuvent être ajoutés qu’au niveau de l’analyse. Vous ne pouvez pas ajouter de filtre imbriqué à un jeu de données.
Utilisez la procédure ci-dessous pour ajouter un filtre imbriqué à une analyse rapide.
1. Ouvrez la [console Quick](https://quicksight.aws.amazon.com/).
1. Choisissez **Analyses**, puis sélectionnez l’analyse à laquelle vous souhaitez ajouter un filtre imbriqué.
1. Créez un nouveau filtre dans le champ de texte que vous souhaitez filtrer. Pour plus d’informations sur la création de filtres, veuillez consulter [Ajout de filtres dans les analyses](add-a-filter-data-prep.md#add-a-filter-data-prep-analyses).
1. Après avoir créé le nouveau filtre, localisez-le dans le volet **Filtres**. Cliquez sur l’ellipse (trois points) en regard du nouveau filtre, puis sélectionnez **Modifier le filtre**. Vous pouvez également choisir l’entité de filtre dans le volet **Filtres** pour ouvrir le volet **Modifier le filtre**.
1. Le volet **Modifier le filtre** s’ouvre. Ouvrez le menu déroulant **Type de filtre**, accédez à la section **Filtre avancé**, puis choisissez **Filtre imbriqué**.
1. Pour **Condition de qualification**, choisissez **Inclure** ou **Exclure**. La *condition de qualification* vous permet d’exécuter une requête ne figurant pas dans l’ensemble sur les données de votre analyse. Dans notre exemple de vente ci-dessus, la condition de qualification détermine si le filtre renvoie une liste de clients ayant acheté le produit spécifique ou une liste de clients n’ayant pas acheté le produit.
1. Pour **Champ imbriqué**, choisissez le champ avec lequel vous voulez filtrer vos données. Le champ imbriqué ne peut pas être identique au champ principal sélectionné à l’étape 3. Les champs de catégorie sont les seuls types de champs pris en charge pour le filtre interne.
1. Pour **Type de filtre**, choisissez le type de filtre que vous voulez. Le type de filtre que vous choisissez détermine les étapes de configuration finales du filtre imbriqué. Les types de filtres disponibles et les informations relatives à leur configuration se trouvent dans la liste ci-dessous.
+ [Liste de filtres](https://docs.aws.amazon.com/quicksuite/latest/userguide/text-filter-list)
+ [Liste de filtres personnalisés](https://docs.aws.amazon.com/quicksuite/latest/userguide/add-text-custom-filter-list-data-prep)
+ [Filtre personnalisé](https://docs.aws.amazon.com/quicksuite/latest/userguide/add-text-filter-custom-list-data-prep)
# Ajout de filtres numériques
Les champs avec des types de données decimal ou int sont considérés comme des champs numériques. Vous pouvez créer des filtres sur les champs numériques en spécifiant un type de comparaison, par exemple **Greater than** ou **Between** et une valeur de comparaison selon les besoins du type de comparaison. Les valeurs de comparaison doivent être des nombres entiers positifs et ne peuvent pas contenir de virgules.
Vous pouvez utiliser les types de comparaison suivants dans les filtres numériques :
+ Égal à
+ N’est pas égal à
+ Supérieur à
+ Supérieur ou égal à
+ Inférieur à
+ Inférieur ou égal à
+ Entre
**Note**
Pour utiliser un filtre supérieur et inférieur pour les données numériques (analyses uniquement), vous devez d’abord transformer le champ d’une mesure en une dimension. Cela a pour effet de convertir les données en texte. Vous pouvez ensuite utiliser un filtre de texte. Pour de plus amples informations, veuillez consulter [Ajout des filtres de texte](add-a-text-filter-data-prep.md).
Dans les analyses, pour les jeux de données basés sur des requêtes de base de données, vous pouvez également appliquer une fonction d’agrégation à la ou aux valeurs de comparaison, par exemple **Somme** ou **Moyenne**.
Vous pouvez utiliser les fonctions d’agrégation suivantes dans les filtres numériques :
+ Moyenne
+ Nombre
+ Compte distinct
+ Max
+ Médiane
+ Min
+ Percentile
+ Écart-type standard
+ Écart-type – population
+ Somme
+ Variance
+ Variance – population
## Création de filtres numériques
Utilisez la procédure suivante pour créer un filtre de champ numérique.
**Pour créer un filtre de champ numérique**
1. Créez un nouveau filtre à l’aide d’un champ de texte. Pour plus d’informations sur la création de filtres, veuillez consulter [Ajout de filtres](add-a-filter-data-prep.md).
1. Dans le volet **Filtres**, sélectionnez le nouveau filtre pour le développer.
1. (Facultatif) Pour **Agrégation**, choisissez une agrégation. Aucune agrégation n’est appliquée par défaut. Cette option n’est disponible que lors de la création de filtres numériques dans une analyse.
1. Pour **Condition du filtre**, choisissez un type de comparaison.
1. Effectuez l’une des actions suivantes :
+ Si vous avez sélectionné un type de comparaison autre que **Entre**, entrez une valeur de comparaison.
Si vous avez sélectionné un type de comparaison **Between (Entre)**, entrez le début de la plage de valeurs dans **Minimum value (Valeur minimum)** et la fin dans **Maximum value (Valeur maximum)**.
+ (Analyses uniquement) Pour utiliser un paramètre existant, activez l’option **Utiliser les paramètres**, puis choisissez votre paramètre dans la liste.
Pour que les paramètres apparaissent dans cette liste, créez d’abord vos paramètres. Généralement, vous créez un paramètre, vous ajoutez un contrôle pour celui-ci, puis vous ajoutez un filtre pour celui-ci. Pour de plus amples informations, veuillez consulter [Paramètres dans Amazon Quick](parameters-in-quicksight.md). Les valeurs s’affichent par ordre alphabétique dans le contrôle, sauf lorsqu’il existe plus de 1 000 valeurs différentes. Ensuite, le contrôle affiche une zone de recherche. Chaque fois que vous recherchez la valeur que vous souhaitez utiliser, une nouvelle requête est lancée. Si le résultat contient plus de 1 000 valeurs, vous pouvez les faire défiler avec la pagination.
1. (Analyses uniquement) Pour **Options pour les nulles**, choisissez **Exclure les nulles**, **Inclure les nulles** ou **Nulles uniquement**.
1. Lorsque vous avez terminé, choisissez **Apply**.
# Ajout des filtres de date
Pour créer des filtres sur des champs date, sélectionnez les conditions de filtre et les valeurs de date à utiliser. Il existe trois types de filtres pour les dates :
+ **Range** – Série de dates basée sur un intervalle de temps et un type de comparaison. Vous pouvez filtrer les enregistrements selon que la valeur du champ de date se situe avant ou après une date spécifiée ou au sein d’une plage de dates. Vous entrez les valeurs de date dans le formatMM/DD/YYYY. Vous pouvez utiliser les types de comparaison suivants :
+ **Between** – Entre une date de début et une date de fin
+ **After** – Après une date spécifiée
+ **Before** – Avant une date spécifiée
+ **Equals** – À une date spécifiée
Pour chaque type de comparaison, vous pouvez alternativement choisir une date glissante par rapport à une période ou à une valeur de jeu de données.
+ **Relative** (analyses uniquement) – Une série d’éléments de date et d’heure basée sur la date actuelle. Vous pouvez filtrer les enregistrements en fonction de la date du jour et de l’unité de mesure (UdM) que vous avez sélectionnée. Les unités de filtre de date peuvent être les suivantes : années, trimestres, mois, semaines, jours, heures et minutes. Vous pouvez exclure la période actuelle, ajouter la prise en charge de filtres Next N (N suivant) similaires à Last N (Dernier N) avec une capacité supplémentaire d’autorisation pour la date Anchor (Ancrage). Vous pouvez utiliser les types de comparaison suivants :
+ **Précédent** – L’UOM précédente, par exemple l’année précédente.
+ **This** – Cette UdM, qui englobe toutes les dates et heures qui font partie de l’UdM sélectionnée, même si elles se situent dans le futur.
+ **Jusqu’à la date *ou* jusqu’à présent** – UdM à ce jour ou UdM jusqu’à présent. L’expression affichée varie en fonction de l’UdM que vous choisissez. Toutefois, dans tous les cas, cette option exclut les données qui ne se situent pas entre le début de l’UdM actuelle et le moment présent.
+ **Last *n*** – Valeur spécifiée pour la dernière UdM. Le résultat inclut l’ensemble de l’UdM actuelle et les *n * −1 dernières UdM. Par exemple, supposons que la date du jour est le 10 mai 2017. Vous choisissez d’utiliser l’UdM *years* (années) et affectez au paramètre Last *n *years la valeur 3. Les données filtrées incluent les données de l’année 2017 entière, plus celles de l’année 2016 entière et celles de l’année 2015 entière. Si vous avez des données pour les dates futures de l’année en cours (2017 dans cet exemple), ces enregistrements sont inclus dans votre jeu de données.
+ **Haut et bas** (analyses uniquement) – Un certain nombre d’entrées de date classées en fonction d’un autre champ. Vous pouvez afficher la valeur *n* supérieure ou inférieure pour le type d’UdM date ou heure que vous choisissez, en fonction des valeurs d’un autre champ. Par exemple, vous pouvez choisir d’afficher les cinq meilleurs jours de vente en fonction du chiffre d’affaires.
Les comparaisons sont appliquées en incluant la date spécifiée. Par exemple, si vous appliquez le filtre `Before 1/1/16`, les enregistrements renvoyés incluent toutes les lignes dont la valeur de date ne dépasse pas 01/01/16 23:59:59. Si vous ne souhaitez pas inclure la date spécifiée, vous pouvez désactiver l’option **Include this date (Inclure cette date)**. Si vous souhaitez omettre une plage de temps, vous pouvez utiliser l’option **Exclude the last N periods (Exclure les N dernières périodes)** pour spécifier le nombre et le type de périodes (minutes, jours, etc.) à filtrer.
Vous pouvez également choisir d’exclure ou d’inclure les valeurs NULL, ou d’afficher exclusivement les lignes qui contiennent des valeurs NULL dans ce champ. Si vous transmettez un paramètre de date NULL (sans valeur par défaut), il ne filtre pas les données jusqu’à ce que vous fournissiez une valeur.
**Note**
Si une colonne ou un attribut ne contient pas d’informations de fuseau horaire, le moteur de requête client définit l’interprétation par défaut de ces données date-time. Par exemple, supposons qu’une colonne contient un timestamp, plutôt qu’un timestamptz, et que vous vous trouvez dans un fuseau horaire différent de celui de l’origine des données. Dans ce cas, le moteur peut afficher l’horodatage autrement que prévu. Amazon Quick et [SPICE](spice.md)les deux utilisent les heures UTC (Universal Coordinated Time).
Les sections suivantes vous expliquent comment créer des filtres de date dans les jeux de données et les analyses.
## Création de filtres de date dans les jeux de données
Suivez la procédure suivante pour créer un filtre de plage pour un champ de date dans un jeu de données.
**Pour créer un filtre de plage pour un champ de date dans un jeu de données**
1. Créez un nouveau filtre à l’aide d’un champ de texte. Pour plus d’informations sur la création de filtres, veuillez consulter [Ajout de filtres](add-a-filter-data-prep.md).
1. Dans le volet **Filtres**, sélectionnez le nouveau filtre pour le développer.
1. Pour **Condition**, choisissez un type de comparaison : **Entre**, **Après** ou **Avant**.
Pour utiliser **Entre** comme comparaison, sélectionnez **Date de début** et **Date de fin**, puis choisissez des dates dans les commandes de sélection de date qui s’affichent.
Vous pouvez choisir d’inclure les dates de début et de fin dans la plage, ou les deux, en sélectionnant **Inclure la date de début** ou **Inclure la date de fin**.
Pour utiliser les comparaisons **Avant** ou **Après**, saisissez une date ou cliquez sur le champ de la date pour faire apparaître le sélecteur de date et choisir une date à la place. Vous pouvez inclure cette date (celle que vous avez choisie), pour exclure les N dernières périodes et spécifier le mode de traitement des valeurs NULL.
1. Dans **Granularité temporelle**, choisissez **Jour**, **Heure**, **Minute** ou **Seconde**.
1. Lorsque vous avez terminé, choisissez **Apply**.
## Création de filtres de date dans les analyses
Vous pouvez créer des filtres de date dans les analyses comme décrit ci-dessous.
### Création de plages de filtres de date dans les analyses
Suivez la procédure suivante pour créer un filtre de plage pour un champ de date dans une analyse.
**Pour créer un filtre de plage pour un champ de date dans une analyse**
1. Créez un nouveau filtre à l’aide d’un champ de texte. Pour plus d’informations sur la création de filtres, veuillez consulter [Ajout de filtres](add-a-filter-data-prep.md).
1. Dans le volet **Filtres**, sélectionnez le nouveau filtre pour le développer.
1. Pour **Type de filtre**, sélectionnez **Plage de dates et d’heures**.
1. Pour **Condition**, choisissez un type de comparaison : **Entre**, **Après**, **Avant** ou **Égal**.
Pour utiliser **Entre** comme comparaison, sélectionnez **Date de début** et **Date de fin**, puis choisissez des dates dans les commandes de sélection de date qui s’affichent.
Vous pouvez choisir d’inclure les dates de début et de fin dans la plage en sélectionnant **Inclure la date de début** ou **Inclure la date de fin**.
Pour utiliser une comparaison **Avant**, **Après** ou **Égal à**, entrez une date ou choisissez le champ de date pour afficher le contrôle sélecteur de date et sélectionner une date. Vous pouvez inclure cette date (celle que vous avez choisie), pour exclure les N dernières périodes et spécifier le mode de traitement des valeurs NULL.
Pour **Définir une date glissante** pour votre comparaison, sélectionnez **Définir une date glissante**.
Dans le volet **Définir une date glissante** qui s’ouvre, sélectionnez **Date relative**, puis choisissez si vous voulez définir la date sur **Aujourd’hui**, **Hier**, ou vous pouvez spécifier la **Condition de filtre** (début ou fin de), l’**Étendue** (ceci, précédent ou suivant) et la **Période** (année, trimestre, mois, semaine ou jour).
1. Dans **Granularité temporelle**, choisissez **Jour**, **Heure**, **Minute** ou **Seconde**.
1. (Facultatif) Si vous filtrez à l’aide d’un paramètre existant, au lieu de dates spécifiques choisissez **Utiliser les paramètres**, puis votre ou vos paramètres dans la liste. Pour utiliser des comparaisons **Before (Avant)**, **After (Après)** ou **Equals (Égal à)**, choisissez un paramètre de date. Vous pouvez inclure cette date dans la plage.
Pour utiliser **Between (Entre)**, entrez séparément les paramètres de date de début et de date de fin. Vous pouvez inclure la date de début, la date de fin ou les deux dans la plage.
Pour utiliser des paramètres dans un filtre, créez-les d’abord. Généralement, vous créez un paramètre, vous ajoutez un contrôle pour celui-ci, puis vous ajoutez un filtre pour celui-ci. Pour de plus amples informations, veuillez consulter [Paramètres dans Amazon Quick](parameters-in-quicksight.md).
1. Pour **Options nulles**, choisissez **Exclure les valeurs nulles**, **Inclure les valeurs nulles** ou **Nulles uniquement**.
1. Lorsque vous avez terminé, choisissez **Apply**.
### Création de filtres de date relative dans les analyses
Suivez la procédure suivante pour créer un filtre relatif pour un champ de date dans une analyse.
**Pour créer un filtre relatif pour un champ de date dans une analyse**
1. Créez un nouveau filtre à l’aide d’un champ de texte. Pour plus d’informations sur la création de filtres, veuillez consulter [Ajout de filtres](add-a-filter-data-prep.md).
1. Dans le volet **Filtres**, sélectionnez le nouveau filtre pour le développer.
1. Dans la zone **Type de filtre**, sélectionnez **Dates relatives**.
1. Pour **Granularité temporelle**, choisissez une granularité de temps par laquelle vous voulez filtrer (jours, heures, minutes).
1. Pour **Période**, choisissez une unité de temps (années, trimestres, mois, semaines, jours).
1. Pour **Plage**, choisissez la façon dont vous voulez que le filtre se rapporte à la période de temps. Par exemple, si vous choisissez d’effectuer un rapport sur les mois, vos options sont les suivantes : mois précédent, mois en cours, mois à telle date, N derniers mois et N prochains mois.
Si vous choisissez N dernières années ou N prochaines années, trimestres, mois, semaines ou jours, saisissez un nombre pour **Nombre de**. Par exemple, les 3 dernières années, les 5 trimestres suivants, les 5 derniers jours.
1. Pour **Options nulles**, choisissez **Exclure les valeurs nulles**, **Inclure les valeurs nulles** ou **Nulles uniquement**.
1. Pour **Définir les dates par rapport à**, choisissez l’une des options suivantes :
+ **Date et heure actuelles** – Si vous choisissez cette option, vous pouvez la définir sur **Exclure la dernière**, puis spécifier le nombre et le type de périodes.
+ **Date et heure d’un paramètre** – Si vous choisissez cette option, vous pouvez sélectionner un paramètre de date existant.
1. (Facultatif) Si vous filtrez à l’aide d’un paramètre existant, au lieu de dates spécifiques activez **Use parameters (Utiliser les paramètres)**, puis choisissez votre ou vos paramètres dans la liste.
Pour utiliser des paramètres dans un filtre, créez-les d’abord. Généralement, vous créez un paramètre, vous ajoutez un contrôle pour celui-ci, puis vous ajoutez un filtre pour celui-ci. Pour de plus amples informations, veuillez consulter [Paramètres dans Amazon Quick](parameters-in-quicksight.md).
1. Lorsque vous avez terminé, choisissez **Apply**.
### Création de filtres de date supérieurs et inférieurs dans les analyses
Suivez la procédure suivante pour créer un filtre supérieur et inférieur pour un champ de date dans une analyse.
**Pour créer un filtre supérieur et inférieur pour un champ de date dans une analyse**
1. Créez un nouveau filtre à l’aide d’un champ de texte. Pour plus d’informations sur la création de filtres, veuillez consulter [Ajout de filtres](add-a-filter-data-prep.md).
1. Dans le volet **Filtres**, sélectionnez le nouveau filtre pour le développer.
1. Pour **Type de filtre**, sélectionnez **Haut et bas**.
1. Sélectionnez **Haut** ou **Bas**.
1. Pour **Afficher**, entrez le nombre d’éléments supérieurs ou inférieurs que vous voulez afficher et choisissez une unité de temps (années, trimestres, mois, semaines, jours, heures, minutes).
1. Pour **By (Par)**, choisissez un champ sur laquelle baser le classement.
1. (Facultatif) Ajoutez un autre champ en tant que disjoncteur de lien, si le champ pour **Par** comporte des doublons. Sélectionnez **Disjoncteur de lien**, puis choisissez une autre rubrique. Pour supprimer un disjoncteur de lien, choisissez l’icône de suppression.
1. (Facultatif) Si vous filtrez à l’aide d’un paramètre existant, au lieu de dates spécifiques choisissez **Utiliser les paramètres**, puis votre ou vos paramètres dans la liste.
Pour utiliser un paramètre pour **Top and bottom (Supérieure et inférieure)**, choisissez un paramètre de nombre entier pour le nombre d’éléments supérieurs ou inférieurs à afficher.
Pour utiliser des paramètres dans un filtre, créez-les d’abord. Généralement, vous créez un paramètre, vous ajoutez un contrôle pour celui-ci, puis vous ajoutez un filtre pour celui-ci. Pour de plus amples informations, veuillez consulter [Paramètres dans Amazon Quick](parameters-in-quicksight.md).
1. Lorsque vous avez terminé, choisissez **Apply**.
# Ajout de conditions de filtrage (filtres de groupe) à l’aide des opérateurs AND et OR
Dans les analyses, lorsque vous ajoutez plusieurs filtres à un visuel, Quick utilise l'opérateur AND pour les combiner. Vous pouvez également ajouter des conditions de filtre à un seul filtre à l’aide de l’opérateur OR. C’est ce qu’on appelle un filtre composé ou un groupe de filtres.
Pour ajouter plusieurs filtres à l’aide de l’opérateur OR, créez un groupe de filtres. Le regroupement de filtres est disponible pour tous les types de filtres dans les analyses.
Lorsque vous filtrez sur plusieurs mesures (champs verts marqués du symbole \$1), vous pouvez appliquer les conditions de filtre à un agrégat de ce champ. Les filtres d’un groupe peuvent contenir des champs agrégés ou non agrégés, mais pas les deux.
**Pour créer un groupe de filtres**
1. Créez un nouveau filtre dans une analyse. Pour plus d’informations sur la création de filtres, veuillez consulter [Ajout de filtres](add-a-filter-data-prep.md).
1. Dans le volet **Filtres**, sélectionnez le nouveau filtre pour le développer.
1. Dans le filtre développé, sélectionnez **Ajouter une condition de filtre** en bas, puis choisissez un champ sur lequel filtrer.
1. Choisissez les conditions de filtrage.
Le type de données de la rubrique que vous avez sélectionnée détermine les options disponibles ici. Par exemple, si vous avez choisi un champ numérique, vous pouvez spécifier l’agrégation, la condition de filtrage et les valeurs. Si vous avez choisi un champ texte, vous pouvez choisir le type de filtre, la condition de filtrage et les valeurs. Enfin, si vous choisissez un champ de type date, vous pouvez spécifier le type de filtre, la condition et la granularité temporelle. Pour plus d’informations sur ces options, consultez [Types de filtres dans Amazon Quick](filtering-types.md).
1. (Facultatif) Vous pouvez ajouter des conditions de filtrage supplémentaires au groupe de filtres en sélectionnant à nouveau **Ajouter une condition de filtre** en bas de page.
1. (Facultatif) Pour supprimer un filtre du groupe de filtres, choisissez l’icône de corbeille en regard du nom du champ.
1. Lorsque vous avez terminé, choisissez **Apply**.
Les filtres apparaissent en tant que groupe dans le volet **Filtres**.
# Création de filtres en cascade
Le principe de la mise en cascade d’une action, comme un filtre, est que les choix dans les niveaux supérieurs d’une hiérarchie affectent les niveaux inférieurs de cette hiérarchie. Le terme *mise en cascade* est issu de la façon dont une cascade s’écoule d’un niveau à l’autre.
Pour configurer des filtres en cascade, vous avez besoin d’un point de déclenchement où le filtre est activé et de points cibles où le filtre est appliqué. Dans Quick, le déclencheur et les points cibles sont inclus dans les visuels.
Pour créer un filtre en cascade, vous configurez une action, pas un filtre. En effet, vous devez définir la façon dont le filtre en cascade est activé, les champs concernés et les représentations visuelles filtrées lorsque le filtre est activé. Pour plus d'informations, y compris step-by-step des instructions, consultez[Utilisation d’actions personnalisées pour le filtrage et la navigation](quicksight-actions.md).
Il existe deux autres façons d’activer un filtre sur plusieurs représentations visuelles :
+ **Pour un filtre activé à partir d’un widget sur un tableau de bord** – Le widget est appelé *contrôle de feuille*, qui est un menu personnalisé que vous pouvez ajouter en haut de votre analyse ou tableau de bord. La commande de feuille la plus courante est une liste déroulante, qui affiche une liste d’options lorsque vous l’ouvrez. Pour ajouter l’un de ces éléments à votre analyse, créez un paramètre, ajoutez une commande au paramètre, puis ajoutez un filtre qui utilise le paramètre. Pour plus d’informations, consultez [Configuration des paramètres dans Amazon Quick](parameters-set-up.md), [Utilisation d'un contrôle avec un paramètre dans Amazon Quick](parameters-controls.md) et [Ajout de contrôles de filtre aux feuilles d’analyse](filter-controls.md).
+ **Pour un filtre qui s’applique toujours à plusieurs représentations visuelles** – Il s’agit d’un filtre classique, à l’exception près que vous définissez sa portée pour qu’elle s’applique à plusieurs représentations visuelles (ou à toutes). Ce type de filtre n’effectue pas vraiment de mise en cascade, car il n’existe aucun point de déclenchement. Il filtre toujours toutes les représentations visuelles incluses dans sa configuration. Pour ajouter ce type de filtre à votre analyse, créez ou modifiez un filtre, puis choisissez son étendue : **visuel unique**, **feuille unique** ou **feuilles croisées**. Notez l’option **Appliquer des jeux de données croisés**. Si cette case est cochée, le filtre sera appliqué à tous les visuels provenant de différents jeux de données applicables à toutes les feuilles de l’étendue du filtre. Pour de plus amples informations, veuillez consulter [Filtres](cross-sheet-filters.md#filters).
# Ajout de contrôles de filtre aux feuilles d’analyse
Lorsque vous concevez une analyse, vous pouvez ajouter un filtre à la feuille d’analyse près des représentations visuelles que vous voulez filtrer. Il apparaît dans la feuille sous la forme d’un contrôle que les utilisateurs de tableaux de bord peuvent utiliser lorsque vous publiez l’analyse en tant que tableau de bord. Le contrôle utilise les paramètres du thème de l’analyse pour donner l’impression qu’il fait partie de la feuille.
Les contrôles de filtre partagent certains paramètres avec leurs filtres. Ils s’appliquent à un, plusieurs ou tous les objets de la même feuille.
Utilisez les sections suivantes pour ajouter et personnaliser les contrôles de filtre à une analyse. Pour savoir comment ajouter des contrôles entre feuilles, consultez [Contrôles](cross-sheet-filters.md#cross-sheet-controls).
**Topics**
+ [Ajout de contrôles de filtre](#filter-controls-add)
+ [Épingler les contrôles de filtre en haut d’une feuille](#filter-controls-pin)
+ [Personnalisation des contrôles de filtre](#filter-controls-customize)
+ [Filtre de contrôles en cascade](#cascading-controls)
## Ajout de contrôles de filtre
Suivez la procédure suivante pour ajouter un contrôle de filtre.
**Pour ajouter un contrôle de filtre**
1. Ouvrez la [console Quick](https://quicksight.aws.amazon.com/).
1. Dans la page d'accueil rapide, choisissez **Analyses**, puis choisissez l'analyse sur laquelle vous souhaitez travailler.
1. Dans l'analyse, choisissez **Filtrer**.
1. Si vous ne disposez pas encore de filtres, créez-en un. Pour plus d’informations sur la création de filtres, veuillez consulter [Ajout de filtres](add-a-filter-data-prep.md).
1. Dans le volet **Filtres**, cliquez sur les trois points situés à droite du filtre pour lequel vous voulez ajouter un contrôle, puis sélectionnez **Ajouter à la feuille**.
Le contrôle de filtre est ajouté à la feuille, généralement en bas. Vous pouvez le redimensionner ou le faire glisser vers différentes positions sur la feuille. Vous pouvez également personnaliser son affichage et la façon dont les utilisateurs du tableau de bord peuvent interagir avec lui. Pour plus d’informations sur la personnalisation des contrôles de filtre, consultez les sections suivantes.
## Épingler les contrôles de filtre en haut d’une feuille
Utilisez la procédure suivante pour épingler des contrôles de filtre en haut d’une feuille.
**Pour épingler un contrôle en haut d’une feuille**
1. Sur le contrôle de filtre que vous voulez déplacer, cliquez sur les trois points à côté de l’icône de crayon et sélectionnez **Épingler en haut**.
Le filtre est épinglé en haut de la feuille et est réduit. Vous pouvez cliquer dessus pour le développer.
1. (Facultatif) Pour désépingler le contrôle, développez-le et survolez-le en haut de la feuille jusqu’à ce que trois points apparaissent. Sélectionnez les trois points, puis choisissez **Déplacer vers la feuille**.
## Personnalisation des contrôles de filtre
Selon le type de données du champ et le type de filtre, les contrôles de filtre disposent de différents paramètres. Vous pouvez personnaliser la façon dont ils apparaissent dans la feuille et la façon dont les utilisateurs du tableau de bord peuvent interagir avec eux.
**Pour personnaliser un contrôle de filtre**
1. Sélectionnez le contrôle de filtre dans la feuille.
1. Sur le contrôle de filtre, cliquez sur l’icône en forme de crayon.
Si le contrôle de filtre est épinglé en haut de la feuille, développez-le et passez votre curseur dessus jusqu’à ce que les trois points apparaissent. Sélectionnez les trois points, puis choisissez **Modifier**.
1. Dans le volet **Formater le contrôle** qui s’ouvre, procédez comme suit :
1. Pour **Nom d’affichage**, saisissez un nom pour le contrôle de filtre.
1. (Facultatif) Pour masquer le nom d’affichage du contrôle de filtre, décochez la case **Afficher le titre**.
1. Pour **Taille de la police du titre**, choisissez la taille de la police du titre que vous voulez utiliser. Les options vont de très petit à très grand. Le paramètre par défaut est moyen.
Les autres étapes dépendent du type de champ auquel le contrôle fait référence. Pour connaître les options par type de filtre, reportez-vous aux sections suivantes.
### Filtres de date
Si votre contrôle de filtre provient d’un filtre de date, utilisez la procédure suivante pour personnaliser les options restantes.
**Pour personnaliser les autres options d’un filtre de date**
1. Dans le volet **Formater le contrôle**, pour l’option **Style**, choisissez l’une des options suivantes :
+ **Sélecteur de date – intervalle** – Affiche un ensemble de deux champs permettant de définir un intervalle de temps. Vous pouvez saisir une date ou une heure, ou choisir une date dans le contrôle du calendrier. Vous pouvez également personnaliser la façon dont vous voulez que les dates apparaissent dans le contrôle en saisissant un jeton de date pour **Format de date**. Pour de plus amples informations, veuillez consulter [Personnalisation des formats de date dans Quick](format-visual-date-controls.md).
+ **Sélecteur de date – relatif** – Affiche des paramètres tels que la période de temps, sa relation avec la date et l’heure actuelles et l’option d’exclure des périodes de temps. Vous pouvez également personnaliser la façon dont vous voulez que les dates apparaissent dans le contrôle en saisissant un jeton de date pour **Format de date**. Pour de plus amples informations, veuillez consulter [Personnalisation des formats de date dans Quick](format-visual-date-controls.md).
+ **Champ de texte** – Affiche une zone dans laquelle vous pouvez saisir la date *N* du haut ou du bas.
Le texte d’aide est inclus par défaut dans le contrôle du champ de texte, mais vous pouvez choisir de le supprimer en décochant l’option **Afficher le texte d’aide dans le contrôle**.
Par défaut, les visuels rapides sont rechargés chaque fois qu'une modification est apportée à un contrôle. Pour les contrôles du calendrier et du sélecteur de dates relatives, les auteurs peuvent ajouter un bouton **Appliquer** à un contrôle qui retarde le rechargement visuel jusqu’à ce que l’utilisateur choisisse **Appliquer**. Cela permet aux utilisateurs d’apporter plusieurs modifications à la fois sans requêtes supplémentaires. Ce paramètre peut être configuré en cochant la case **Afficher un bouton d’application** dans la section **Options de contrôle** du volet de **configuration de format**.
1. Lorsque vous avez terminé, choisissez **Apply**.
### Filtres textuels
Si votre contrôle de filtre provient d’un filtre texte, par exemple des dimensions, des catégories ou des étiquettes, utilisez la procédure suivante pour personnaliser les options restantes.
**Pour personnaliser les autres options d’un filtre texte**
1. Dans le volet **Formater le contrôle**, pour l’option **Style**, choisissez l’une des options suivantes :
+ **Liste déroulante** – Affiche une liste déroulante avec des boutons que vous pouvez utiliser pour sélectionner une seule valeur.
Lorsque vous sélectionnez cette option, vous pouvez choisir les options suivantes pour **Valeurs** :
+ **Filtre** – Affiche toutes les valeurs disponibles dans le filtre.
+ **Valeurs spécifiques** – Vous permet de saisir les valeurs à afficher, une entrée par ligne.
Vous pouvez également choisir de **Masquer l’option Sélectionner tout des valeurs de contrôle**. Cette option supprime la possibilité de sélectionner ou d’effacer la sélection de toutes les valeurs dans le contrôle du filtre.
+ **Liste déroulante – multi-sélection** – Affiche une liste déroulante avec des cases que vous pouvez utiliser pour sélectionner plusieurs valeurs.
Lorsque vous sélectionnez cette option, vous pouvez choisir les options suivantes pour **Valeurs** :
+ **Filtre** – Affiche toutes les valeurs disponibles dans le filtre.
+ **Valeurs spécifiques** – Vous permet de saisir les valeurs à afficher, une entrée par ligne.
Par défaut, les visuels rapides sont rechargés chaque fois qu'une modification est apportée à un contrôle. Pour les commandes déroulantes à sélection multiple, les auteurs peuvent ajouter un bouton **Appliquer** à une commande qui retarde le rechargement visuel jusqu’à ce que l’utilisateur choisisse **Appliquer**. Cela permet aux utilisateurs d’apporter plusieurs modifications à la fois sans requêtes supplémentaires. Ce paramètre peut être configuré en cochant la case **Afficher un bouton d’application** dans la section **Options de contrôle** du volet de **configuration de format**.
+ **Liste** – Affiche une liste avec des boutons que vous pouvez utiliser pour sélectionner une seule valeur.
Lorsque vous sélectionnez cette option, vous pouvez choisir les options suivantes pour **Valeurs** :
+ **Filtre** – Affiche toutes les valeurs disponibles dans le filtre.
+ **Valeurs spécifiques** – Vous permet de saisir les valeurs à afficher, une entrée par ligne.
Vous pouvez également choisir les options suivantes :
+ **Masquer la barre de recherche lorsque le contrôle est sur la feuille** – Masque la barre de recherche dans le contrôle de filtre, de sorte que les utilisateurs ne puissent pas rechercher des valeurs spécifiques.
+ **Masquer l’option Sélectionner tout des valeurs de contrôle** – Supprime l’option permettant de sélectionner ou d’effacer la sélection de toutes les valeurs dans le contrôle de filtre.
+ **Liste – sélection multiple** – Affiche une liste avec des cases que vous pouvez utiliser pour sélectionner plusieurs valeurs.
Lorsque vous sélectionnez cette option, vous pouvez choisir les options suivantes pour **Valeurs** :
+ **Filtre** – Affiche toutes les valeurs disponibles dans le filtre.
+ **Valeurs spécifiques** – Vous permet de saisir les valeurs à afficher, une entrée par ligne.
Vous pouvez également choisir les options suivantes :
+ **Masquer la barre de recherche lorsque le contrôle est sur la feuille** – Masque la barre de recherche dans le contrôle de filtre, de sorte que les utilisateurs ne puissent pas rechercher des valeurs spécifiques.
+ **Masquer l’option Sélectionner tout des valeurs de contrôle** – Supprime l’option permettant de sélectionner ou d’effacer la sélection de toutes les valeurs dans le contrôle de filtre.
+ **Champ de texte** – Affiche une zone de texte dans laquelle vous pouvez saisir une seule entrée. Les champs de texte peuvent contenir jusqu’à 79 950 caractères.
Lorsque vous sélectionnez cette option, vous pouvez choisir les options suivantes :
+ **Afficher le texte d’aide dans le contrôle** – Supprime le texte d’aide dans les champs de texte.
+ **Champ de texte – multiligne** – Affiche une zone de texte dans laquelle vous pouvez saisir plusieurs entrées. Les champs de texte multilignes peuvent contenir jusqu’à 79 950 caractères pour toutes les entrées.
Lorsque vous sélectionnez cette option, vous pouvez choisir les options suivantes :
+ Pour **Séparer les valeurs par**, choisissez comment vous voulez séparer les valeurs que vous entrez dans le contrôle de filtre. Vous pouvez choisir de séparer les valeurs par un saut de ligne, une virgule, une barre verticale (\$1) ou un point-virgule.
+ **Afficher le texte d’aide dans le contrôle** – Supprime le texte d’aide dans les champs de texte.
1. Lorsque vous avez terminé, choisissez **Apply**.
### Filtres numériques
Si votre commande de filtrage est un filtre numérique, utilisez la procédure suivante pour personnaliser les options restantes.
**Pour personnaliser les autres options d’un filtre numérique**
1. Dans le volet **Formater le contrôle**, pour l’option **Style**, choisissez l’une des options suivantes :
+ **Liste déroulante** – Affiche une liste dans laquelle vous pouvez sélectionner une seule valeur.
Lorsque vous sélectionnez cette option, vous pouvez choisir les options suivantes pour **Valeurs** :
+ **Filtre** – Affiche toutes les valeurs disponibles dans le filtre.
+ **Valeurs spécifiques** – Vous permet de saisir les valeurs à afficher, une entrée par ligne.
Vous pouvez également choisir de **Masquer l’option Sélectionner tout des valeurs de contrôle**. Cette option supprime la possibilité de sélectionner ou d’effacer la sélection de toutes les valeurs dans le contrôle du filtre.
+ **Filtre** – Affiche toutes les valeurs disponibles dans le filtre.
+ **Valeurs spécifiques** – Vous permet de saisir les valeurs à afficher, une entrée par ligne.
+ **Masquer l’option Sélectionner tout des valeurs de contrôle** – Supprime l’option permettant de sélectionner ou d’effacer la sélection de toutes les valeurs dans le contrôle de filtre.
+ **Liste** – Affiche une liste avec des boutons qui permettent de sélectionner une seule valeur.
Lorsque vous sélectionnez cette option, vous pouvez choisir les options suivantes pour **Valeurs** :
+ **Filtre** – Affiche toutes les valeurs disponibles dans le filtre.
+ **Valeurs spécifiques** – Vous permet de saisir les valeurs à afficher, une entrée par ligne.
Vous pouvez également choisir les options suivantes :
+ **Masquer la barre de recherche lorsque le contrôle est sur la feuille** – Masque la barre de recherche dans le contrôle de filtre, de sorte que les utilisateurs ne puissent pas rechercher des valeurs spécifiques.
+ **Masquer l’option Sélectionner tout des valeurs de contrôle** – Supprime l’option permettant de sélectionner ou d’effacer la sélection de toutes les valeurs dans le contrôle de filtre.
+ **Curseur** – Affiche une barre horizontale avec une bascule que vous pouvez faire glisser pour modifier la valeur. Si vous disposez d’un filtre pour les valeurs comprises entre un minimum et un maximum, le curseur comporte un bouton pour chaque chiffre. Pour les curseurs, vous pouvez spécifier les options suivantes :
+ **Valeur minimale** – Affiche la plus petite valeur à gauche du curseur.
+ **Valeur maximale** – Affiche la valeur la plus élevée à droite du curseur.
+ **Taille du pas** – Permet de définir le nombre d’incréments dans lesquels la barre est divisée.
+ **Zone de texte** – Affiche une zone dans laquelle vous pouvez saisir la valeur. Lorsque vous sélectionnez cette option, vous pouvez choisir les options suivantes :
+ **Afficher le texte d’aide dans le contrôle** – Supprime le texte d’aide dans les champs de texte.
1. Lorsque vous avez terminé, choisissez **Apply**.
## Filtre de contrôles en cascade
Vous pouvez limiter les valeurs affichées dans le contrôle, afin qu’ils affichent uniquement des valeurs valides pour les éléments sélectionnés dans d’autres contrôles. C’est ce que l’on appelle un contrôle en cascade.
**Lors de la création de contrôles en cascade, les limitations suivantes s’appliquent :**
1. Les contrôles en cascade doivent être liés aux colonnes du jeu de données du même jeu de données.
1. Le contrôle enfant doit être un contrôle de liste ou de liste déroulante.
1. Pour les contrôles de paramètres, le contrôle enfant doit être lié à une colonne du jeu de données.
1. Pour les contrôles de filtres, le contrôle enfant doit être lié à un filtre (au lieu de n’afficher que des valeurs spécifiques).
1. Le paramètre parent doit être l’une des valeurs suivantes :
1. Un contrôle de paramètre de type chaîne, entier ou numérique.
1. Un contrôle de filtre de chaîne (à l’exception des filtres haut-bas).
1. Un contrôle de filtre numérique non agrégé.
1. Un contrôle de filtre de date (à l’exception des filtres de haut en bas).
**Pour créer un contrôle en cascade**
1. Choisissez **Afficher les valeurs pertinentes uniquement**. Notez que cette option peut ne pas être disponible pour tous les types de contrôle de filtre.
1. Dans le volet **Afficher uniquement les valeurs pertinentes** qui s’ouvre, choisissez un ou plusieurs contrôles dans la liste disponible.
1. Choisissez un champ auquel la valeur doit correspondre.
1. Choisissez **Mettre à jour**.
# Modification des filtres
Vous pouvez modifier les filtres à tout moment dans un jeu de données ou une analyse.
Vous ne pouvez pas changer le champ auquel s’applique un filtre. Pour appliquer un filtre à un champ différent, créez plutôt un nouveau filtre.
Suivez les procédures suivantes pour apprendre à modifier les filtres.
## Modification des filtres dans les jeux de données
Utilisez la procédure suivante pour modifier les filtres dans les jeux de données.
**Pour modifier un filtre dans un jeu de données**
1. Ouvrez la [console Quick](https://quicksight.aws.amazon.com/).
1. Sur la page d'accueil de Quick, choisissez **Data** sur la gauche.
1. Sous l'onglet **Ensembles** de données, choisissez le jeu de données que vous souhaitez, puis sélectionnez **Modifier le jeu de données**.
1. Sur la page de préparation des données qui s’ouvre, sélectionnez **Filtres** en bas à gauche.
1. Choisissez le filtre que vous voulez modifier.
1. Une fois la modification terminée, cliquez sur **Appliquer**.
## Modification des filtres dans les analyses
Utilisez la procédure suivante pour modifier les filtres dans les analyses.
**Pour modifier un filtre dans une analyse**
1. Ouvrez la [console Quick](https://quicksight.aws.amazon.com/).
1. Sur la page d'accueil de Quick, choisissez **Analyses** sur la gauche.
1. Sur la page **Analyses**, sélectionnez l’analyse avec laquelle vous voulez travailler.
1. Dans l'analyse, cliquez sur l'icône de **filtre** affichée pour ouvrir le volet **Filtres**.
1. Choisissez le filtre que vous voulez modifier.
1. Une fois la modification terminée, cliquez sur **Appliquer**.
# Activation ou désactivation des filtres
Vous pouvez utiliser le menu des filtres pour activer ou désactiver un filtre dans un jeu de données ou une analyse. Le filtre est activé par défaut une fois qu’il est créé. La désactivation d’un filtre supprime le filtre du champ, mais ne supprime pas le filtre du jeu de données ou de l’analyse. Les filtres désactivés sont grisés dans le panneau des filtres. Si vous voulez réappliquer le filtre au champ, il vous suffit de l’activer.
Suivez les procédures suivantes pour savoir comment activer ou désactiver les filtres.
## Désactivation des filtres dans les jeux de données
Utilisez la procédure suivante pour désactiver les filtres dans les jeux de données.
**Pour désactiver un filtre dans un jeu de données**
1. Sur la page d'accueil de Quick, choisissez **Data** sur la gauche.
1. Sous l'onglet **Ensembles** de données, choisissez le jeu de données souhaité, puis sélectionnez **Modifier le jeu de données**.
1. Sur la page de préparation des données qui s’ouvre, sélectionnez **Filtres** en bas à gauche.
1. Dans le volet **Filtres** à gauche, sélectionnez les trois points à droite du filtre que vous voulez désactiver, puis choisissez **Désactiver**. Pour activer un filtre qui a été désactivé, sélectionnez **Activer**.
## Désactivation des filtres dans les analyses
Suivez la procédure suivante pour désactiver les filtres dans les analyses.
**Pour désactiver un filtre dans une analyse**
1. Ouvrez la [console Quick](https://quicksight.aws.amazon.com/).
1. Sur la page d'accueil de Quick, sélectionnez **Analyses**.
1. Sur la page **Analyses**, sélectionnez l’analyse avec laquelle vous voulez travailler.
1. Dans l'analyse, cliquez sur l'icône **Filtre** pour ouvrir le volet **Filtres**.
1. Dans le volet **Filtres** qui s’ouvre, cliquez sur les trois points situés à droite du filtre que vous voulez désactiver, puis choisissez **Désactiver**. Pour activer un filtre qui a été désactivé, sélectionnez **Activer**.
# Suppression de filtres
Vous pouvez supprimer des filtres à tout moment dans un jeu de données ou une analyse. Utilisez les procédures suivantes pour apprendre à personnaliser les info-bulles.
## Suppression de filtres dans les jeux de données
Suivez la procédure suivante pour supprimer des filtres dans des jeux de données.
**Pour supprimer un filtre dans un jeu de données**
1. Ouvrez la [console Quick](https://quicksight.aws.amazon.com/).
1. Sur la page d'accueil de Quick, sélectionnez **Data**.
1. Sous l'onglet **Ensembles** de données, choisissez le jeu de données que vous souhaitez, puis sélectionnez **Modifier le jeu de données**.
1. Sur la page de préparation des données qui s’ouvre, sélectionnez **Filtres** en bas à gauche.
1. Sélectionnez le filtre que vous voulez supprimer, puis cliquez sur **Supprimer le filtre**.
## Suppression de filtres dans les analyses
Utilisez la procédure suivante pour supprimer des filtres dans des analyses.
**Pour supprimer un filtre dans une analyse**
1. Ouvrez la [console Quick](https://quicksight.aws.amazon.com/).
1. Sur la page d'accueil de Quick, sélectionnez **Analyses**.
1. Sur la page **Analyses**, sélectionnez l’analyse avec laquelle vous voulez travailler.
1. Dans l'analyse, cliquez sur l'icône **Filtre** pour ouvrir le volet **Filtres**.
1. Sélectionnez le filtre que vous voulez supprimer, puis cliquez sur **Supprimer le filtre**.
# Prévisualisation des tableaux dans un jeu de données
Vous pouvez prévisualiser chaque tableau de données individuel dans un jeu de données. Lorsque vous sélectionnez une table de données à prévisualiser, un aperçu en lecture seule de la table s’affiche dans un nouvel onglet de la section de prévisualisation des données. Vous pouvez avoir plusieurs onglets d’aperçu de tableau ouverts simultanément.
Vous ne pouvez prévisualiser que les tableaux auxquels vous avez accès dans un jeu de données. Si un tableau n’apparaît pas dans la moitié supérieure de l’espace de préparation des données, vous ne pouvez pas le prévisualiser.
L’onglet **Jeu de données** contient toutes les transformations, comme les nouvelles colonnes ou les filtres. Les onglets de prévisualisation des tableaux n’affichent aucune de vos transformations.
**Pour prévisualiser un tableau de données**
1. Sur la page d'accueil de Quick, choisissez **Data** sur la gauche.
1. Dans l'onglet **Données**, sélectionnez le jeu de données souhaité, puis sélectionnez **Modifier le jeu de données**.
1. Sélectionnez la table de données que vous voulez prévisualiser, cliquez sur la flèche vers le bas pour ouvrir le menu et sélectionnez **Afficher l’aperçu de la table**.
# Utilisation de SQL pour personnaliser les données
Lorsque vous créez un jeu de données ou préparez vos données pour une analyse, vous pouvez personnaliser les données dans l’éditeur de requête.
L’éditeur de requêtes est composé de plusieurs composants, comme suit :
+ ****Mode de requête**** – En haut à gauche, vous pouvez choisir entre les modes Requête directe ou SPICE :
+ **Requête directe** – Pour exécuter l’instruction SELECT directement sur la base de données
+ **SPICE** – Pour exécuter l’instruction SELECT sur des données précédemment stockées en mémoire
+ ****Champs**** – Utilisez cette section pour désactiver les champs que vous souhaitez supprimer de le jeu de données final. Vous pouvez ajouter des champs calculés dans cette section et augmenter vos données grâce SageMaker à l'IA
+ ****Archive de requête**** – Utilisez cette section pour rechercher la version précédente de vos requêtes SQL.
+ ****Filtres**** – Utilisez cette section pour ajouter, modifier ou supprimer des filtres.
+ ****Explorateur de schémas**** – Cette section n’apparaît que lorsque vous modifiez SQL. Vous pouvez l’utiliser pour explorer vos schémas, tables, champs et types de données.
+ ****Éditeur SQL**** – Utilisez cette section pour modifier votre code SQL. L’éditeur SQL offre la mise en surbrillance syntaxique, la saisie semi-automatique de base, l’indentation automatique et la numérotation des lignes. Vous ne pouvez spécifier une requête SQL que pour les jeux de données provenant de sources de données compatibles avec SQL. Votre code SQL doit être conforme aux exigences de la base de données cible en ce qui concerne la syntaxe, la capitalisation, l’interruption des commandes, etc. Si vous préférez, vous pouvez coller le code SQL à partir d’un autre éditeur.
+ ****Espace de travail des données**** – Lorsque l’éditeur SQL est fermé, l’espace de travail des données s’affiche en haut à droite avec une grille en arrière-plan. Vous pouvez voir ici une représentation graphique de vos objets de données, en particulier les requêtes, les tables, les fichiers et les jointures créés dans l’éditeur de jointures.
Pour afficher les détails de chaque table, utilisez le menu d’options de la source de données et choisissez **Détails de la table** ou **Modifier la requête SQL**. Les détails s’affichent pour le nom et l’alias de la table, le schéma, le nom de la source de données et le type de source de données. Pour les paramètres de chargement sur un fichier, choisissez **Configurer les paramètres de chargement** dans le menu des options de source de données pour afficher ou modifier les paramètres suivants :
+ Format – Format de fichier, CSV, CUSTOM, CLF, etc.
+ Ligne de début – la ligne à partir de laquelle commencer
+ Qualificateur de texte – double guillemet ou guillemet simple
+ En-tête – indique si le fichier comprend une ligne d’en-tête
+ ****Aperçu des lignes**** – Un aperçu des lignes échantillonnées apparaît en bas à droite lorsque l’éditeur de configuration de jointure n’est pas utilisé.
+ ****Éditeur de configuration de jointure**** – L’éditeur de jointure s’ouvre lorsque vous avez plusieurs objets de données dans l’espace de travail des données. Pour modifier une jointure, sélectionnez l’icône de jointure entre deux tables (ou fichiers). Choisissez un type de jointure et les champs à joindre, à l’aide du panneau de configuration de jointure situé en bas de l’écran. Choisissez ensuite **Appliquer** pour créer la jointure. Vous devez terminer toutes les jointures pour pouvoir enregistrer votre travail.
Pour ajouter d’autres requêtes, tables ou fichiers, utilisez l’option **Ajouter des données** au-dessus de l’espace de travail.
## Création d’une requête SQL de base
Utilisez la procédure suivante pour vous connecter à une source de données à l’aide d’une requête SQL personnalisée.
**Pour créer une requête SQL de base**
1. Créez une nouvelle source de données et validez la connexion.
1. Renseignez les options nécessaires à la connexion. Par contre, vous n’avez pas besoin de sélectionner un schéma ou une table.
1. Choisissez **Utiliser un SQL personnalisé**.
1. (Facultatif) Vous pouvez entrer votre requête dans l’éditeur SQL ou passer à l’étape suivante pour utiliser la version plein écran. Pour l’entrer immédiatement, créez un nom pour la requête. Ensuite, tapez ou collez une requête SQL dans l’éditeur. L’éditeur SQL offre la mise en surbrillance syntaxique, la saisie semi-automatique de base, l’indentation automatique et la numérotation des lignes.
(Facultatif) Choisissez **Confirmer la requête** pour la valider et afficher les paramètres de requête directe, de SPICE mémoire et d' SageMaker intelligence artificielle.
1. Choisissez **Modifier/Apercevoir des données**. L’éditeur de requête complet s’affiche avec l’éditeur SQL affiché. La requête est traitée et un exemple de ses résultats s’affiche dans le volet de visualisation des données. Vous pouvez apporter des modifications au code SQL et les confirmer en choisissant **Appliquer**. Lorsque vous avez terminé le code SQL, choisissez **Fermer** pour continuer.
1. En haut, entrez un nom pour le jeu de données. Choisissez **Enregistrer et visualiser**.
### Modification des requêtes existantes
**Pour mettre à jour une requête SQL**
1. Ouvrez l’jeu de données avec lequel vous souhaitez travailler.
1. Dans l’espace de travail avec la grille, localisez l’objet en forme de boîte qui représente la requête existante.
1. Ouvrez le menu d’options de l’objet de requête et choisissez **Modifier la requête SQL**. Si cette option n’apparaît pas dans la liste, l’objet de requête n’est pas basé sur SQL.
Pour afficher les versions précédentes des requêtes, ouvrez l’**Archive de requête** à gauche.
# Ajout de données géospatiales
Vous pouvez marquer des champs géographiques dans vos données afin qu'Amazon Quick Sight puisse les afficher sur une carte. Amazon Quick Sight peut cartographier les coordonnées de latitude et de longitude. Elles reconnaissent également les composants géographiques, tels que les pays, les états ou les régions, les comtés ou les districts, les villes et les codes zip ou codes postaux. Vous pouvez également créer des hiérarchies géographiques qui peuvent mieux distinguer des entités similaires, par exemple le même nom de ville dans deux états.
**Note**
Les cartes géospatiales d'Amazon Quick Sight ne sont actuellement pas prises en charge dans certains Régions AWS pays, notamment en Chine. Nous œuvrons actuellement à l’ajout de régions supplémentaires.
Utilisez la procédure suivante pour ajouter des types de données et hiérarchies géospatiales à votre jeu de données.
**Pour ajouter des types de données et hiérarchies géospatiales à votre jeu de données**
1. Sur la page de préparation des données, étiquetez les composants géographiques avec le bon type de données.
Il existe plusieurs méthodes pour le faire. La première méthode consiste à choisir le champ sous **Fields** et à utiliser l’icône représentant des points de suspension (**...**) pour ouvrir le menu contextuel.
Ensuite, choisissez le bon type de données géospatiales.
Vous pouvez également modifier le type de données dans la zone de travail avec l’échantillon de données. Pour ce faire, sélectionnez le type de données figurant dans le nom de champ. Ensuite, choisissez le type de données que vous souhaitez attribuer.
1. Vérifiez que tous les champs géospatiaux nécessaires pour le mappage sont étiquetés en tant que types de données géographiques. Vous pouvez contrôler cela en vérifiant l’icône de marqueur de place. Cette icône apparaît sous les noms de champs en haut de la page et également dans le volet **Fields** de gauche.
Vérifiez également le nom du type de données, par exemple la latitude ou le pays.
1. (Facultatif) Vous pouvez configurer une hiérarchie ou un regroupement de composants géographiques (état, ville), ou de coordonnées (latitude et longitude). Pour les coordonnées, vous devez ajouter la latitude et la longitude aux sélecteurs de champs géospatiaux.
Pour créer une hiérarchie ou un regroupement, vous devez d’abord choisir un de ces champs dans le volet **Fields**. Chaque champ ne peut appartenir qu’à une seule hiérarchie. Le fait de choisir d’abord un certain champ ou d’ajouter des champs dans un certain ordre n’a pas d’importance.
Sélectionnez l’icône de trois points de suspension (**…**) à côté du nom de champ. Ensuite, sélectionnez **Add to hierarchy**.
1. Dans l’écran **Add field to hierarchy**, choisissez l’une des actions suivantes:
+ Choisissez **Create a new geospatial hierarchy** pour créer un nouveau regroupement.
+ Cliquez sur **Add to existing geospatial hierarchy** pour ajouter un champ à un groupement existant. Les hiérarchies existantes affichées comprennent uniquement celles relevant des types géolocalisés correspondants.
Cliquez sur **Add** pour confirmer votre choix.
1. Dans l’écran **Create hierarchy**, nommez votre hiérarchie.
Si vous créez un groupe de latitude et de longitude, l'écran **Créer une hiérarchie** apparaît. Selon le choix de latitude ou de longitude au cours des précédentes étapes, l’une ou l’autre de ces coordonnées s’affichera sur cet écran. Assurez-vous que votre champ de latitude s’affiche sous **Champ à utiliser pour la latitude**. Assurez-vous également que votre longitude s’affiche sous **Champ à utiliser pour la longitude**.
Pour les composants géographiques, l’écran **Create hierarchy** possède deux options:
+ Sélectionnez **This hierarchy is for a single country** si vos données ne contiennent qu’un pays. Choisissez le pays dans la liste. Vos données ne sont pas tenues de contenir tous les niveaux de la hiérarchie. Vous pouvez ajouter des champs à la hiérarchie dans n’importe quel ordre.
+ Sélectionnez **This hierarchy is for multiple countries** si vos données contiennent plus d’un pays. Choisissez le champ qui contient les noms de pays.
Pour chaque type de hiérarchie, choisissez **Update** pour continuer.
1. Continuez en ajoutant autant de champs à la hiérarchie que vous voulez.
Vos regroupements géospatiaux apparaissent dans le volet **Fields**.
# Modification d’un regroupement géospatial
Vous pouvez modifier une hiérarchie ou un regroupement géospatial qui se trouve dans un jeu de données.
Utilisez la procédure suivante pour modifier ou démanteler une hiérarchie géospatiale.
**Pour modifier ou démanteler une hiérarchie géospatiale**
1. Ouvrez le jeu de données. Dans le volet **Fields**, choisissez le nom de hiérarchie.
1. Choisissez l’icône de trois points de suspension (**...**), puis sélectionnez l’une des options suivantes.
Sélectionnez **Dissoudre la hiérarchie** pour supprimer la hiérarchie de le jeu de données. Vous ne pouvez pas annuler cette opération. Cependant, vous pouvez recréer votre hiérarchie ou regroupement en repartant de l’étape 1. La dissolution de hiérarchie ne supprime pas tous les champs d’un jeu de données.
Cliquez sur **Edit hierarchy** pour apporter des modifications à la hiérarchie. Cette opération rouvre les écrans de création, vous permettant de faire d’autres choix dans la reconstruction de votre hiérarchie.
# Résolution des problèmes concernant les données géospatiales
Utilisez cette section pour découvrir les exigences d'Amazon Quick Sight pour traiter correctement les données géospatiales. Si Amazon Quick Sight ne reconnaît pas vos données géospatiales comme étant géospatiales, consultez cette section pour résoudre le problème. Pour obtenir des représentations géospatiales fonctionnelles, vérifiez que vos données respectent les indications données.
**Note**
Les cartes géospatiales d'Amazon Quick Sight ne sont actuellement pas prises en charge dans certains Régions AWS pays, notamment en Chine. Nous œuvrons actuellement à l’ajout de régions supplémentaires.
Si votre zone géographique suit toutes les directives répertoriées ici et qu'elle génère toujours des erreurs, contactez l'équipe Amazon Quick Sight depuis la console Amazon Quick Sight.
**Topics**
+ [Problèmes de géocodage](#geocoding)
+ [Problèmes de latitude et de longitude](#latitude-and-longitude)
+ [Régions administratives et codes postaux pris en charge par pays](#supported-admin-areas-postal-codes)
## Problèmes de géocodage
Amazon Quick Sight géocode les noms de lieux en coordonnées de latitude et de longitude. Le service utilise ensuite ces coordonnées pour afficher les noms de lieu sur la carte. Amazon Quick Sight ignore tous les endroits qu'il ne peut pas géocoder.
Pour que ce processus fonctionne correctement, vos données doivent mentionner au moins le pays. En outre, il ne peut pas y avoir de noms de lieux en double à l’intérieur d’un nom de lieu parent.
Certains problèmes peuvent empêcher l’affichage des noms de lieux sur une carte graphique. Ils concernent notamment les lieux non pris en charge, ambigus ou incorrects, tels que décrits ci-après.
**Topics**
+ [Problèmes de zones non prises en charge](#geospatial-unsupported-areas)
+ [Problèmes d’emplacements ambigus](#geospatial-ambiguous-locations)
+ [Problèmes de données géospatiales incorrectes](#geospatial-invalid-data)
+ [Problèmes de pays par défaut lors du géocodage](#geospatial-default-country)
### Problèmes de zones non prises en charge
Pour mapper des emplacements non pris en charge, incluez les coordonnées de latitude et de longitude dans vos données. Utilisez ces coordonnées dans le sélecteur de champ géospatial pour que ces endroits s’affichent sur la carte graphique.
### Problèmes d’emplacements ambigus
Les données géospatiales ne peuvent inclure des lieux ambigus. Par exemple, supposons que les données incluent une ville nommée **Springfield**, mais que le niveau suivant dans la hiérarchie soit le pays. Dans la mesure où plusieurs états ont une ville nommée **Springfield**, il n’est pas possible d’appliquer un code géographique à l’emplacement précis sur une carte.
Pour éviter ce problème, vous pouvez ajouter suffisamment de données géographiques pour préciser le lieu à indiquer sur une carte. Par exemple, vous pouvez ajouter un niveau État dans vos données et votre hiérarchie. Vous avez également la possibilité d’ajouter la latitude et la longitude.
### Problèmes de données géospatiales incorrectes
On parle de données géospatiales incorrectes lorsqu’un nom de lieu (une ville, par exemple) est répertorié sous un parent incorrect (un État, par exemple). Ce problème peut être une simple coquille, ou résulter d’une erreur lors de la saisie des données.
**Note**
Amazon Quick Sight ne prend pas en charge les régions (par exemple, côte ouest ou sud) en tant que données géospatiales. Cependant, vous pouvez utiliser une région comme un filtre dans une représentation visuelle.
### Problèmes de pays par défaut lors du géocodage
Assurez-vous d’utiliser le bon pays par défaut.
La valeur par défaut pour chaque hiérarchie est basée sur le pays ou le champ de pays que vous choisissez lorsque vous créez la hiérarchie.
Pour modifier cette valeur par défaut, vous pouvez revenir à l’écran **Create hierarchy**. Vous pouvez alors modifier ou créer une hiérarchie et choisir un autre pays.
Si vous ne créez pas de hiérarchie, votre pays par défaut est basé sur votre Région AWS. Consultez le tableau suivant pour plus d’informations.
| Région | Pays par défaut |
| --- | --- |
| Région USA Ouest (Oregon) Région US East (Ohio) Région US East (N. Virginia) | ETATS-UNIS |
| Asie-Pacifique (Singapour) | Singapour |
| Asie-Pacifique (Sydney) | Australie |
| Région Europe (Irlande) | Irlande |
## Problèmes de latitude et de longitude
Amazon Quick Sight utilise les coordonnées de latitude et de longitude en arrière-plan pour trouver les noms de lieux sur une carte. Toutefois, vous pouvez également utiliser les coordonnées pour créer une carte sans utiliser de noms de lieux. Cette approche fonctionne également avec des noms de lieux non pris en charge.
Les valeurs de latitude et de longitude doivent être numériques. Par exemple, le point de carte indiqué par **28.5383355 -81.3792365** est compatible avec Amazon Quick Sight. En revanche, **28° 32' 18.0096'' N 81° 22' 45.2424'' W** ne l’est pas.
**Topics**
+ [Plages valides pour les coordonnées de latitude et de longitude](#valid-ranges-for-coordinates)
+ [Utilisation de coordonnées au format degrés, minutes et secondes (DMS)](#using-coordinates-in-dms-format)
### Plages valides pour les coordonnées de latitude et de longitude
Amazon Quick Sight prend en charge les coordonnées de latitude et de longitude dans des plages spécifiques.
| Coordonnée | Plage valide |
| --- | --- |
| Latitude | Entre -90 et 90 |
| Longitude | Entre -180 et 180 |
Amazon Quick Sight ignore toutes les données situées en dehors de ces plages. Out-of-rangeles points ne peuvent pas être mappés sur un graphique cartographique.
### Utilisation de coordonnées au format degrés, minutes et secondes (DMS)
Vous pouvez utiliser un champ calculé avec une formule pour créer la latitude et la longitude numérique à partir de chaînes de caractères. Utilisez cette section pour découvrir différentes manières de créer des champs calculés dans Amazon Quick Sight, afin d'analyser la latitude et la longitude du GPS en latitude et longitude numériques.
L’exemple suivant convertit la latitude et la longitude vers un format numérique à partir des champs séparés. Par exemple, supposons que vous analysiez **51° 30' 26.4636'' N 0° 7' 39.9288'' W** en utilisant l’espace comme délimiteur. Dans ce cas, vous pouvez utiliser quelque chose comme l’exemple suivant pour convertir les champs numériques de la latitude et de la longitude.
Dans cet exemple, les secondes sont suivies par deux apostrophes simples. Si vos données utilisent une double apostrophe au lieu de deux apostrophes simples, vous pouvez utiliser `strlen(LatSec)-1)` au lieu de `strlen(LatSec)-2)`.
```
/*Latitude*/
ifelse(
LatDir = "N",
parseInt(split(LatDeg, "°", 1)) +
(parseDecimal(split(LatMin, "'", 1) ) /60) +
(parseDecimal((substring(LatSec, 1, strlen(LatSec)-2) ) ) /3600),
(parseInt(split(LatDeg, "°", 1)) +
(parseDecimal(split(LatMin, "'", 1) ) /60) +
(parseDecimal((substring(LatSec, 1, strlen(LatSec)-2) ) ) /3600)) * -1
)
/*Longitude*/
ifelse(
LongDir = "E",
parseInt(split(LongDeg, "°", 1)) +
(parseDecimal(split(LongMin, "'", 1) ) /60) +
(parseDecimal((substring(LongSec, 1, strlen(LongSec)-2) ) ) /3600),
(parseInt(split(LongDeg, "°", 1)) +
(parseDecimal(split(LongMin, "'", 1) ) /60) +
(parseDecimal((substring(LongSec, 1, strlen(LongSec)-2) ) ) /3600)) * -1
)
```
Si vos données ne comprennent pas de symboles pour les degrés, minutes et secondes, la formule ressemble à ce qui suit.
```
/*Latitude*/
ifelse(
LatDir = "N",
(LatDeg + (LatMin / 60) + (LatSec / 3600)),
(LatDeg + (LatMin / 60) + (LatSec / 3600)) * -1
)
/*Longitude*/
ifelse(
LongDir = "E",
(LongDeg + (LongMin / 60) + (LongSec / 3600)),
(LongDeg + (LongMin / 60) + (LongSec / 3600)) * -1
)
```
L’exemple suivant convertit **53°21'N 06°15'W** au format numérique. Cependant, sans les secondes, ce lieu ne sera pas cartographié de manière aussi précise.
```
/*Latitude*/
ifelse(
right(Latitude, 1) = "N",
(parseInt(split(Latitude, '°', 1)) +
parseDecimal(substring(Latitude, (locate(Latitude, '°',3)+1), 2) ) / 60) ,
(parseInt(split(Latitude, '°', 1)) +
parseDecimal(substring(Latitude, (locate(Latitude, '°',3)+1), 2) ) / 60) * -1
)
/*Longitude*/
ifelse(
right(Longitude, 1) = "E",
(parseInt(split(Longitude, '°', 1)) +
parseDecimal(substring(Longitude, (locate(Longitude, '°',3)+1), 2) ) / 60) ,
(parseInt(split(Longitude, '°', 1)) +
parseDecimal(substring(Longitude, (locate(Longitude, '°',3)+1), 2) ) / 60) * -1
)
```
Les formats de latitude et longitude GPS peuvent varier, afin de pouvoir personnaliser vos formules pour correspondre à vos données. Pour plus d’informations, consultez les ressources suivantes :
+ [Degrés, minutes, secondes en degrés décimaux](https://www.latlong.net/degrees-minutes-seconds-to-decimal-degrees) sur .net LatLong
+ [Conversion en décimales Degrees/Minutes/Seconds à l'aide de SQL](https://stackoverflow.com/questions/12186110/converts-degrees-minutes-seconds-to-decimals-using-sql) sur Stack Overflow
+ [Geographic Coordinate Conversion](https://en.wikipedia.org/wiki/Geographic_coordinate_conversion) sur Wikipédia
## Régions administratives et codes postaux pris en charge par pays
Vous trouverez ci-dessous une liste des zones administratives prises en charge par pays.
**Domaines administratifs pris en charge**
| Nom du pays | Code pays | Pays | State | County | City |
| --- | --- | --- | --- | --- | --- |
| Aruba | ABW | Country | Régions | Zones | |
| Afghanistan | AFG | Country | Wilayat | Wuleswali | Localités/zones urbaines |
| Angola | AGO | Country | Provinces/Províncias | Municipios | Localités/zones urbaines |
| Anguilla | AIA | Country | Paroisses | | |
| Albanie | ALB | Country | Qarqe/Qark | Communes/Bashki | Régions de Një si/Localities/Urban |
| Andorre | AND | Country | Paroises/Parròquies | Localités/zones urbaines | |
| Emirats arabes unis | ARE | Country | Émirats | Municipalités | Cities/Localities/UrbanZones |
| Argentine | ARG | Country | Provinces/Provincias | Departamentos/Départements | Communes/Quartiers |
| Arménie | ARM | Country | Provinces/Marzpet | | Localités/zones urbaines |
| Samoa américaines | ASM | Country | Districts | Comtés | Villages |
| Antarctique | ATA | Country | | | |
| Terres australes et antarctiques françaises | ATF | Country | Districts | | |
| Antigua et Barbuda | ATG | Country | Paroisses | | Localités/zones urbaines |
| Australie | AUS | Country | States | Zones gouvernementales locales | Banlieues/centres urbains |
| Autriche | AUT | Country | États/Bundesländer | Districts/Bezirke | Municipalities/Gemeinden/Urban Areas/Stadtteil |
| Azerbaïdjan | AZE | Country | Régions/Rayonlar d’Iqtisadi | Districts/Rayonlar | Localités/zones urbaines |
| Burundi | BDI | Country | Provinces | Communes | Localités/zones urbaines |
| Belgique | BEL | Country | Régions/Gewest | État/province | Districts/Arrondissements/Municipalities/Communes |
| Bénin | BEN | Country | Départments | Communes | Localités/zones urbaines |
| Bonaire, Saint-Eustase et Saba | BES | Country | Municipalités | | Localités/zones urbaines |
| Burkina Faso | BFA | Country | Régions | Provinces | Communes/Localities/UrbanZones |
| Bangladesh | BGD | Country | Divisions/Bibhag | Districts/Zila | Subdistricts/Upzila/Localities/UrbanZones |
| Bulgarie | BGR | Country | Oblasts | Obshtina | Localités/zones urbaines |
| Bahreïn | BHR | Country | Gouvernorats | Circonscriptions | Localités |
| Bahamas | BHS | Country | Groupes d’îles | Districts | Villes |
| Bosnie-Herzégovine | BIH | Country | Fédération/Republika | Canton | Régions d'Opš tina/Localities/Urban |
| Saint-Barthélemy | BLM | Country | | | Localités/zones urbaines |
| Biélorussie | BLR | Country | Voblastes | Rayon | Selsoviet/Localities/UrbanZones |
| Belize | BLZ | Country | Districts | Circonscriptions | Localités/zones urbaines |
| Bermudes | BMU | Country | Paroisses | | Localités/zones urbaines |
| Bolivie | BOL | Country | Provinces/Provincias | Departamentos/Départements | Municipalities/Municipios/Localities/UrbanZones |
| Brésil | BRA | Country | Provinces/States/Unidades | Municipalités/Municipios | Localités/zones urbaines |
| Barbade | BRB | Country | Paroisses | | Localités/zones urbaines |
| Brunei | BRN | Country | Districts/Dawaïr | Sous-districts/Mukim | Villages/Kampung/Localities/UrbanZones |
| Bhoutan | BTN | Country | Districts/Dzongkhag | | Localités/zones urbaines |
| Île Bouvet | BVT | Country | | | |
| Botswana | BWA | Country | Districts | Sous-districts | Localités/zones urbaines |
| République centrafricaine | CAF | Country | Régions | Préfectures | Sous-préfectures/communes |
| Canada | CAN | Country | Provinces/Territoires | Divisions de recensement | Subdivisions/Localities/UrbanRégions de recensement |
| Suisse | CHE | Country | Cantons/Kanton/Cantone/Chantun | District/Bezirk/Distretto/Circul | « Commune/Gemeinde/Comune/Cumün/Localities/Urban Zones » |
| Chili | CHL | Country | Régions/Regiones | Provinces/Provincias | Communes/Comunas/Localities/UrbanZones |
| Chine, République populaire de | CHN | Country | Provinces | Préfectures | Villes/Comtés |
| Côte d’Ivoire | CIV | Country | Districts | Régions | Départements/sous-préfectures |
| Cameroun | CMR | Country | Provinces/Régions | Départments | Arrondissements/Villes |
| République démocratique du Congo | COD | Country | Provinces | Districts | Localités/zones urbaines |
| République du Congo | COG | Country | Départments | | Communes/arrondissements |
| Iles Cook | COK | Country | Conseils d’île | | |
| Colombie | COL | Country | Departmentos | Municipios | Localités/zones urbaines |
| Comores | COM | Country | Autonomous Islands/îles Autonomes | | Villes/Villages |
| Île Clipperton | CPT | Country | | | |
| Cap-Vert | CPV | Country | Ilhas | Concelhos | Localités/zones urbaines |
| Costa Rica | CRI | Country | Provincias | Cantons | Distritos/Localities/UrbanZones |
| Cuba | CUB | Country | Provincias | Municipios | Localités/zones urbaines |
| Curaçoa | CUW | Country | | | Localités/zones urbaines |
| Iles Caïmans | CYM | Country | Districts | | |
| Chypre | CYP | Country | Districts/Eparchies | Municipalités/Dimos | Localities/Urban Areas/Sinikia |
| République tchèque | CZE | Country | Régions/Kraj | Municipalités/Orp | Obec/Ville |
| Allemagne | DEU | Country | Bundesland/États | Kreis/Districts | Gemeinde/Municipalities/Stadtteil/Localities/UrbanZones |
| Djibouti | DJI | Country | Régions | | Localités/zones urbaines |
| Dominique | DMA | Country | Paroisses | | Localités/zones urbaines |
| Danemark | DNK | Country | Régions | Provinces | Municipalities/Localities/UrbanZones |
| République Dominicaine | DOM | Country | Régions/Regiones | Provinces/Provincias | Municipalities/Municipios/Localities/UrbanZones |
| Algérie | DZA | Country | Provinces/Wilayas | Districts | Municipalities/Baladiyas/Localities/UrbanZones |
| Equateur | ECU | Country | Provinces | Cantons | Parishes/Localities/UrbanZones |
| Egypte | EGY | Country | Gouvernorats/Muhafazat | Divisions municipales/Markaz | Towns/Cities/SubDivisions municipales |
| Érythrée | ERI | Country | Régions/Zoba | Districts/Subzobas | Localités/zones urbaines |
| Espagne | ESP | Country | Communities/Comunidados Autonomes | Provincias | Municipios/Localities/UrbanZones |
| Estonie | EST | Country | Maakond | Omavalitsus/Linn/Vald | Régions de Kü la/Localities/Urban |
| Ethiopie | ETH | Country | Régions/Kililoch | Étapes et zones | Localités/zones urbaines |
| Finlande | FIN | Country | Régions/Maakunta | Sous-régions/Seutukunta | Municipalities/Kunta/Localities/UrbanZones |
| Fidji | FJI | Country | Divisions | Provinces | Districts/Villages |
| Îles Malouines | FLK | Country | | | |
| France | FRA | Country | Régions | Départements | Arrondissements/Cantons |
| Iles Féroé | FRO | Country | Régions/Syslur | Municipalités/Kommunur | Localités/zones urbaines |
| États fédérés de Micronésie | FSM | Country | States | | |
| Gabon | GAB | Country | Provinces | Départments | Localités/zones urbaines |
| Royaume-Uni | GBR | Country | Nations | Comtés | Districts/Localities/UrbanZones |
| Géorgie | GEO | Country | Régions/Mkhare | Municipalités/Munitsipaliteti | Localités/zones urbaines |
| Ghana | GHA | Country | Régions | Districts | Localités/zones urbaines |
| Gibraltar | GIB | Country | | | Localités/zones urbaines |
| Guinée | GIN | Country | Régions | Préfectures | Prefectures/Localities/UrbanSous-zones |
| Guadeloupe | GLP | Country | Arrondissements | Communes | Localités/zones urbaines |
| Gambie | GMB | Country | Régions | Districts | Localités/zones urbaines |
| Guinée-Bissau | GNB | Country | Régions | Secteurs | Localités/zones urbaines |
| Guinée équatoriale | GNQ | Country | Régions | Provincias | Distritos/Localities/UrbanZones |
| Grèce | GRC | Country | Régions/Périphénies | Unités régionales \$1 Peri Enotities | Municipalities/Domoi/Localities/UrbanZones |
| Grenade | GRD | Country | States | Paroises/Dépendances | Localités/zones urbaines |
| Groenland | FILLE | Country | Municipalités/Kommunia | | |
| Guatemala | GTM | Country | Départements/Departamentos | Municipalités/Municipios | Localités/zones urbaines |
| Guyane française | GUF | Country | Arrondissements | Communes | Localités/zones urbaines |
| Guam | | Pays = USA | States | Districts | |
| Guyane | GUY | Country | Régions | Conseils de quartier | Localités/zones urbaines |
| Hong Kong | HKG | Country | Districts | Sous-districts | Localités/zones urbaines |
| Heard et McDonald les îles | HMD | Country | | | |
| Honduras | HND | Country | Départements/Departamentos | Municipalités/Municipios | Localités/zones urbaines |
| Croatie | HRV | Country | Comtés | Municipalités | Localités/zones urbaines |
| Haïti | HTI | Country | Departments/Départements | Districts/Arrondissements | Communes/Localities/UrbanZones |
| Hongrie | HUN | Country | Regiok | Megyek | Jarasok/Városok |
| Indonésie | IDN | Country | Provinces/Provinsi | Regency/Kabupaten | Districts/Kecamatan/Localities/UrbanZones |
| Inde | IND | Country | État/Territoires | Districts | Subdistricts/Towns/ Localities/UrbanZones |
| Territoire Britannique de l’Océan Indien | IOT | Country | | | |
| Irlande | IRL | Country | Régions | Comtés | Divisions/Localities/UrbanZones électorales |
| Iran | IRN | Country | Provinces/Ostanha | Comtés/Shahrestan | Localités/Dehestân |
| Irak | IRQ | Country | Gouvernorats/Muhafazat | Districts/Qadaa/Kaza | Zones urbaines/Localités |
| Islande | ISL | Country | Régions/Landsvaedi | Municipalités/Sveitarfelog | Localités/zones urbaines |
| Israël | ISR | Country | Districts | Villes/conseils locaux | Localités/zones urbaines |
| Italie | ITA | Country | Régions | Provincias | Communes/Localities/UrbanZones |
| Jamaïque | JAM | Country | Comtés | Paroisses | Constituencies/Localities/UrbanZones |
| Jordanie | JOR | Country | Gouvernorats | Districts | Sous-Districts/Villes |
| Japon | JPN | Country | Préfectures | | Cities/Districts/Municipalities |
| Kazakhstan | KAZ | Country | Régions/Oblystar | Districts/Audandar | Towns/Kent/Localities/UrbanZones |
| Kenya | KEN | Country | Comtés | Circonscriptions | Localities/Urban Areas/Suburbs |
| Kirghizstan | KGZ | Country | Régions/Oblastar | Districts/Raions | Localités/zones urbaines |
| Cambodge | KHM | Country | Provinces/Khaet | Districts/Srŏk | Communes/Khum/Localities/UrbanZones |
| Kiribati | KIR | Country | Districts | Conseils d’île | |
| Saint Kitts et Nevis | KNA | Country | Paroisses | States | Localités/zones urbaines |
| Corée du Sud | KOR | Country | Provinces/Do | Districts/Si/Gun | Localités/zones urbaines |
| Koweït | KWT | Country | Gouvernorats/Muhafazah | Zones/Mintaqah | Villes/communautés |
| Laos | LAO | Country | Provinces/Khoueng | Districts/Muang | Localités/zones urbaines |
| Liban | LBN | Country | Gouvernorats/Muhafazat | Districts/Qadaa | Municipalities/Localities/UrbanZones |
| Liberia | LBR | Country | Comtés | Districts | Clans/Localities/UrbanZones |
| Libye | LBY | Country | Districts/Shabiya | | Cities/Localities/UrbanZones |
| Sainte-Lucie | LCA | Country | Districts/Quartiers | | Localités/zones urbaines |
| Liechtenstein | LIE | Country | Districts/Bezirk | Municipalités/Gemeinden | Localités/zones urbaines |
| Sri Lanka | LKA | Country | Provinces | Districts | Zones divisionnaires Secretariats/Localities/Urban |
| Lesotho | LSO | Country | Districts | Circonscriptions | Conseils communautaires/localités |
| Lituanie | LTU | Country | Apskritis | Savivaldybé | Seniūnija |
| Luxembourg | LUX | Country | Cantons/Kantounen/Kantone | Communes/Gemengen/Gemeinden | Localities/Ortschaft/Uertschaft/Cities |
| Lettonie | LVA | Country | Régions | Municipalités/Novadi | Zones de Pils tas/Pagasti/Localities/Urban |
| Macao | MAC | Country | Paroisses | Districts | |
| Saint-Martin | MAF | Country | | | Localités/Zones urbaines |
| Maroc | MAR | Country | Régions | Provinces/Préfectures | Communes/Localities/UrbanZones |
| Monaco | MCO | Country | Communes | Circonscriptions/Quartiers | |
| Moldavie | MDA | Country | Raion | Comuna | Localités/zones urbaines |
| Madagascar | MDG | Country | Régions/Faritra | Districts | Communes/Localities/UrbanZones |
| Maldives | MDV | Country | Atolls/Villes | Îles | |
| Mexique | MEX | Country | Estados | Municipios/Delegaciones | Colonias/Localities/UrbanZones |
| Îles Marshall | MHL | Country | Municipalités | | |
| Macédoine | MKD | Country | Régions statistiques | Opstina | Localités/zones urbaines |
| Mali | MLI | Country | Régions | Communes | Localités/zones urbaines |
| Malte | MLT | Country | Districts | Local Councils/Kunsilli local | Localités/zones urbaines |
| Birmanie | MMR | Country | States/Regions/UnionTerritoires | Districts | Townships/Localities/UrbanZones |
| Monténégro | MNE | Country | Opštine/Municipalités | | Localités/zones urbaines |
| Mongolie | MNG | Country | Régions | Provinces/Aimags | Districts/Sums/Localities/UrbanZones |
| Îles Mariannes du Nord | MNP | Country | Municipalités | | |
| Mozambique | MOZ | Country | Provinces | Districts/Distritos | Localités/zones urbaines |
| Mauritanie | MRT | Country | Régions | Départements | Localités/zones urbaines |
| Montserrat | MSR | Country | Paroisses | Régions | Localités/zones urbaines |
| Martinique | MTQ | Country | Arrondissements | Communes | Localités/zones urbaines |
| Maurice | MUS | Country | Îles | Districts | Wards/Localities/UrbanZones |
| Malawi | MWI | Country | Régions | Districts | Localités/zones urbaines |
| Malaisie | MYS | Country | États/Negeri | Districts/Daïra/Daerah | Subdistricts/Mukim/Localities/Urban Area/BahagianKecil |
| Mayotte | MYT | Country | Communes | | Villages |
| Namibie | NAM | Country | Provinces | Circonscriptions | Banlieurs/Localités |
| Nouvelle-Calédonie | NCL | Country | Provinces | Communes | |
| Niger | NER | Country | Régions | Départments | Localités/zones urbaines |
| Nigeria | NGA | Country | States | Zones gouvernementales locales | Villes/Cities |
| Nicaragua | NIC | Country | Départements/Departamentos | Municipalités/Municipios | Localités/zones urbaines |
| Niué | NIU | Country | Villages | | Villes |
| Pays-Bas | NLD | Country | Comtés/Fylker | Districts/Okonomisk | Municipalités, communes, localités ou zones urbaines |
| Norvège | NOR | Country | Comtés/Fylker | Districts/Okonomisk | Municipalités, communes, localités ou zones urbaines |
| Népal | NPL | Country | Provinces/Pradeshaharu | Districts/Jilla | Municipalities/Localities/UrbanZones |
| Nauru | NRU | Country | Districts | | |
| Nouvelle-Zélande | NZL | Country | Régions | Autorités territoriales | Areas/Localities/UrbanDomaines statistiques |
| Oman | OMN | Country | Gouvernorats/Muhafazah | Étapes et Wilayat | Cities/Urban Areas/Communities |
| Pakistan | PAK | Country | Provinces | Districts | Localités/Tehsils |
| Panama | PAN | Country | Provinces/Provincias | Districts/Distrito | Corregimientos/Localities/UrbanZones |
| Îles Pitcairn | PCN | Country | Îles | | |
| Pérou | PER | Country | Régions | Districts | Distritos/Localities/UrbanZones |
| Philippines | PHL | Country | Régions/Rehiyon | Provinces/Lalawigan | Municipalities/Munisipiyos/Cities/Lungsod |
| Palaos | PLW | Country | States | | |
| Papouasie-Nouvelle-Guinée | PNG | Country | Régions | Provinces | Districts/Localities/UrbanZones |
| Pologne | POL | Country | Provinces/Voivodeships | Comtés/Powiats | Communes/Gminas/Towns/Dzielnicas |
| Corée du Nord | PRK | Country | Provinces | | Localités/zones urbaines |
| Portugal | PRT | Country | Districts/Distritos | Municipalités/Concelhos | Parish/Freguesias/Localities/UrbanZones civiles |
| Paraguay | PRY | Country | Départments | Distritos | Localités/zones urbaines |
| Palestine | PSE | Country | Territoires | Gouvernorats/Muhafazat | Localités/zones urbaines |
| Polynésie française | PYF | Country | Subdivisions/Îles | Communes | |
| Qatar | QAT | Country | Municipalités/Baladiyat | Zones | Localités/zones urbaines |
| La Réunion | REU | Country | Arrondissements | Communes | Localités/zones urbaines |
| Roumanie | ROU | Country | Régions/Judete | Communes | Villes/Oraș |
| Russie | RUS | Country | District fédéral/Federal’nyy Okrug | Oblast’ | Rayon/Raion/Urban Area/Gorod |
| Rwanda | RWA | Country | Provinces | Districts | Sectors/Secteurs/Localities/UrbanZones |
| Arabie saoudite | SAU | Country | Régions/Manatiq | Gouvernorats/Muhafazat | Municipalités/Amanah |
| Soudan | SDN | Country | États/Wilaya’at | | Localités/zones urbaines |
| Sénégal | SEN | Country | Régions | Départments | Arrondissements/Localities/UrbanZones |
| Singapour | SGP | Country | Districts | Circonscriptions | Circonscriptions |
| Sainte-Hélène | SHN | Country | Îles | Districts | Localités/zones urbaines |
| Iles Salomon | SLB | Country | Provinces | Circonscriptions | Circonscriptions |
| Sierra Leone | SLE | Country | Provinces | Districts | Chiefdoms/Localities/UrbanZones |
| El Salvador | SLV | Country | Départements/Departamentos | Municipalités/Municipios | Localités/zones urbaines |
| Saint-Marin | SMR | Country | Municipalités/Castelli | Localités/zones urbaines | |
| Somalie | SOM | Country | Régions/Gobolada | | Localités/zones urbaines |
| Saint-Pierre-et-Miquelon | SPM | Country | Communes | | |
| Serbie | SRB | Country | Autonomna Pokrajina/Regions | Okrug/Districts | Opstina/Municipalities/Localities/UrbanZones |
| Soudan du Sud | SSD | Country | États/Wilayat | Comtés | Localités/zones urbaines |
| Sao Tomé-et-Principe | STP | Country | Provinces | Districts | Localités/zones urbaines |
| Suriname | SUR | Country | Districts/Distrikt | Complexes | Localités/zones urbaines |
| Slovaquie | SVK | Country | Régions/Kraje | Districts/Okresy | Municipalities/Obec/Mestskau casting |
| Slovénie | SVN | Country | Régions/Regi | Upravne Enote | Municipalities/Obcine/Localities/UrbanZones |
| Suède | SWE | Country | Comtés | Municipalités | Localités/zones urbaines |
| Eswatini | SWZ | Country | Régions | Tinkhundla | Towns/Suburbs/Localities |
| Sint Maarten | SXM | Country | Colonies | | |
| Seychelles | SYC | Country | Districts | | Localités/zones urbaines |
| Syrie | SYR | Country | Gouvernorats | Districts/Muhafazah | Cities/Localities/UrbanZones |
| Iles Turks et Caicos | TCA | Country | Districts | Localités | |
| Tchad | TCD | Country | Régions | Départements | Arrondissements/Localities/UrbanZones |
| Togo | TGO | Country | Régions/Provinces | Préfectures | Localités/zones urbaines |
| Thaïlande | THA | Country | Provinces/Changwat | Districts/Amphoe | Subdistricts/Tambon/Localities/UrbanZones |
| Tadjikistan | TJK | Country | Provinces/Régions | Districts/Raion/Rayon | Localités/zones urbaines |
| Tokélaou | TKL | Country | Atolls | | |
| Turkménistan | TKM | Country | Provinces/Welayat | Districts/Etraplar | Villes |
| Timor oriental (Timor-Leste) | TLS | Country | Municipalités | Poste administratif | Localités/zones urbaines |
| Tonga | TON | Country | Subdivisions | | |
| Trinidad et Tobago | TTO | Country | Municipalités | | Localités/zones urbaines |
| Tunisie | TUN | Country | Gouvernorats/Wilayahs | Délégations/Mutamadiyats | Municipalities/Shaykhats/Localities/UrbanZones |
| Turquie | TUR | Country | Provinces/Il | Districts/Ilce | Urbain Areas/Belde/Subdistricts/Bucak/Neighborhoods/Mahalle |
| Tuvalu | TUV | Country | Îles | | |
| Taïwan | TWN | Country | Provinces | Comtés | Cantons/quartiers locaux |
| Tanzanie | TZA | Country | Provinces/Mkoa | Districts/Wilaya | Localités/zones urbaines |
| Ouganda | UGA | Country | Régions | Districts | Counties/Localities/UrbanZones |
| Ukraine | UKR | Country | Oblast/Mista/AvtonomnaRespublika | Raions | Councils/Rural Councils/Localities/UrbanZones de peuplement |
| Îles mineures éloignées des États-Unis | UMI | Country | Iles/Atolls | | |
| Uruguay | URY | Country | Départements/Departamentos | Municipios/Municipalities/Secciones | Segmentos/Localities/UrbanZones |
| États-Unis | USA | Country | État/Territoires | Comtés | MCD/CCD/Post Localities/Municipalities |
| Ouzbékistan | UZB | Country | Régions/Viloyatlar | Districts/Tumanlar | Localités/zones urbaines |
| Cité du Vatican | VAT | Country | | | Localités/zones urbaines |
| Saint-Vincent-et-les-Grenadines | VCT | Country | Paroisses | Divisions | Localités/zones urbaines |
| Venezuela | VEN | Country | États/Estados | Municipalités/Municipios | Localities/Urban Areas/Parish/Parroquias |
| Îles Vierges Britanniques | VGB | Country | Districts | | |
| Vietnam | VNM | Country | Provinces/Villes | Districts | Wards/Localities/UrbanZones |
| Vanuatu | VUT | Country | Provinces | | |
| Îles Wallis et Futuna | WLF | Country | Districts/Rayaumes | | |
| Samoa | WSM | Country | Districts/Itūmālō | Villes | Localités/zones urbaines |
| Kosovo | XKS | Country | Districts | Municipalités | Localités/zones urbaines |
| Yémen | YEM | Country | Gouvernorats/Muhafazat | Districts/Muderiah | Localités/zones urbaines |
| Afrique du Sud | ZAF | Country | Provinces | Districts | Municipalités/Circonscriptions |
| Zambie | ZMB | Country | Provinces | Districts | Banlieurs/Localités |
| Zimbabwe | ZWE | Country | Provinces | Districts/Muderiah | Localités/zones urbaines |
Vous trouverez ci-dessous une liste des formats de code postal pris en charge par pays, y compris le nombre de chiffres et un exemple de code postal.
**Note**
Les codes postaux PO BOX ne sont pas compatibles avec les formats de code postal. Les codes postaux du territoire de l’Union utilisés en Inde ne sont pas non plus pris en charge.
**Codes postaux pris en charge**
| Country | Format postal | Exemple |
| --- | --- | --- |
| Afghanistan | Quatre chiffres | 1001 |
| Albanie | Quatre chiffres | 1001 |
| Algérie | Cinq chiffres | 01000 |
| Samoa américaines | Cinq chiffres | 96799 |
| Andorre | Cinq chiffres | AD100 |
| Anguilla | Six chiffres | AI-2640 |
| Argentine | Cinq chiffres | A4126 |
| Arménie | Deux chiffres | 00 |
| Australie | Quatre chiffres | 0800 |
| Autriche | Quatre chiffres | 1010 |
| Azerbaïdjan | Deux chiffres | 01 |
| Brunéi Darussalam | Six chiffres | BA1111 |
| Bahreïn | Quatre chiffres | 0101 |
| Bangladesh | Deux chiffres | 10 |
| Biélorussie | Six chiffres | 202115 |
| Belgique | Quatre chiffres | 1 000 |
| Bermudes | Quatre chiffres | CR 01 |
| Bhoutan | Deux chiffres | 11 |
| Bosnie-Herzégovine | Cinq chiffres | 70101 |
| Brésil | Cinq chiffres | 01001 |
| Territoire Britannique de l’Océan Indien | Alphanumérique ‐ Cinq chiffres | BBND 1 |
| Îles Vierges Britanniques | Quatre chiffres | 1110 |
| Bulgarie | Quatre chiffres | 1 000 |
| Cap-Vert | Quatre chiffres | 1101 |
| Cambodge | Deux chiffres | 01 |
| Canada | Trois chiffres | A0A |
| Iles Caïmans | Alphanumérique - Sept chiffres | KY1-1000 |
| Chili | Trois chiffres | 100 |
| Chine | Quatre chiffres | 0100 |
| Colombie | Quatre chiffres | 0500 |
| Costa Rica | Cinq chiffres | 10101 |
| Croatie | Cinq chiffres | 10 000 |
| Cuba | Un chiffre | 1 |
| Chypre | Quatre chiffres | 1010 |
| Tchéquie | Cinq chiffres | 100 00 |
| République démocratique du Congo | Quatre chiffres | 1001 |
| Danemark | Quatre chiffres | 1050 |
| République Dominicaine | Cinq chiffres | 10101 |
| Equateur | Six chiffres | 010101 |
| Egypte | Deux chiffres | 11 |
| El Salvador | Quatre chiffres | 1101 |
| Estonie | Cinq chiffres | 10001 |
| Îles Malouines | Alphanumérique - Cinq chiffres | FIQQ 1 |
| Iles Féroé | Trois chiffres | 100 |
| Finlande | Cinq chiffres | 00100 |
| France | Cinq chiffres | 01000 |
| Guyane française | Cinq chiffres | 97300 |
| Polynésie française | Cinq chiffres | 98701 |
| Géorgie | Deux chiffres | 01 |
| Allemagne | Cinq chiffres | 01067 |
| Ghana | Deux chiffres | A2 |
| Gibraltar | Alphanumérique - Cinq chiffres | GX11 1 |
| Grèce | Cinq chiffres | 104 31 |
| Groenland | Quatre chiffres | 3900 |
| Guadeloupe | Cinq chiffres | 97100 |
| Guam | Cinq chiffres | 96910 |
| Guatemala | Cinq chiffres | 01001 |
| Guernesey | Alphanumérique - Quatre chiffres, Cinq chiffres | GY1 1, GY10 1 |
| Guinée-Bissau | Quatre chiffres | 1 000 |
| Haïti | Quatre chiffres | 1110 |
| Saint-Siège | Cinq chiffres | 00120 |
| Honduras | Deux chiffres | 11 |
| Hongrie | Quatre chiffres | 1007 |
| Islande | Trois chiffres | 101 |
| Inde | Six chiffres | 110001 |
| Indonésie | Cinq chiffres | 10110 |
| Iran | Deux chiffres | 11 |
| Irak | Deux chiffres | 10 |
| Irlande | Trois chiffres | A41 |
| Île de Man | Alphanumérique - Quatre chiffres | IM1 1 |
| Israël | Cinq chiffres | 10292 |
| Italie | Cinq chiffres | 00010 |
| Japon | Sept chiffres | 001-0010 |
| Jersey | Alphanumérique - Quatre chiffres | JE2 3 |
| Jordanie | Cinq chiffres | 11100 |
| Kazakhstan | Quatre chiffres | 0100 |
| Kenya | Un chiffre | 0 |
| Kiribati | Six chiffres | KI0101 |
| Kosovo | Cinq chiffres | 10 000 |
| Koweït | Deux chiffres | 00 |
| Kirghizstan | Quatre chiffres | 7200 |
| Laos | Deux chiffres | 01 |
| Lettonie | Quatre chiffres | 1001 |
| Lesotho | Un chiffre | 1 |
| Liberia | Deux chiffres | 10 |
| Liechtenstein | Quatre chiffres | 9485 |
| Lituanie | Cinq chiffres | 00100 |
| Luxembourg | Quatre chiffres | 1110 |
| Macédoine | Quatre chiffres | 1 000 |
| Madagascar | Trois chiffres | 101 |
| Malawi | Trois chiffres | 101 |
| Malaisie | Cinq chiffres | 01000 |
| Maldives | Deux chiffres | 00 |
| Malte | Trois chiffres | ATD |
| Îles Marshall | Trois chiffres | 969 |
| Martinique | Cinq chiffres | 97200 |
| Maurice | Trois chiffres | 111 |
| Mayotte | Cinq chiffres | 97600 |
| Mexique | Cinq chiffres | 01000 |
| Micronésie | Cinq chiffres | 96941 |
| Moldavie | Quatre chiffres | 2001 |
| Monaco | Cinq chiffres | 98000 |
| Mongolie | Quatre chiffres | 1200 |
| Monténégro | Cinq chiffres | 81000 |
| Montserrat | Quatre chiffres | 1120 |
| Maroc | Cinq chiffres | 10 000 |
| Mozambique | Quatre chiffres | 1100 |
| Birmanie | Deux chiffres | 01 |
| Namibie | Trois chiffres | 100 |
| Népal | Trois chiffres | 101 |
| Pays-Bas | Quatre chiffres | 1011 |
| Nouvelle-Calédonie | Cinq chiffres | 98800 |
| Nouvelle-Zélande | Quatre chiffres | 0110 |
| Nicaragua | Trois chiffres | 110 |
| Niger | Quatre chiffres | 1 000 |
| Nigeria | Quatre chiffres | 1 002 |
| Niué | Quatre chiffres | 9974 |
| Île Norfolk | Quatre chiffres | 2899 |
| Îles Mariannes du Nord | Cinq chiffres | 96950 |
| Norvège | Quatre chiffres | 0010 |
| Oman | Un chiffre | 1 |
| Pakistan | Deux chiffres | 10 |
| Palaos | Cinq chiffres | 96939 |
| Palestine | Quatre chiffres | P104 |
| Papouasie-Nouvelle-Guinée | Trois chiffres | 111 |
| Paraguay | Six chiffres | 001001 |
| Pérou | Cinq chiffres | 01000 |
| Philippines | Quatre chiffres | 1 000 |
| Pitcairn | Alphanumérique - Cinq chiffres | PCRN 1 |
| Pologne | Cinq chiffres | 00-002 |
| Portugal | Quatre chiffres | 1 000 |
| Porto Rico | Cinq chiffres | 00601 |
| Roumanie | Six chiffres | 010011 |
| Russie | Six chiffres | 101 000 |
| La Réunion | Cinq chiffres | 97400 |
| Saint-Barthélemy | Cinq chiffres | 97133 |
| Sainte-Hélène, Ascension et Tristan da Cunha | Alphanumérique - Cinq chiffres | ASCN 1 |
| Sainte-Lucie | Sept chiffres | LC01 101 |
| Saint-Martin | Cinq chiffres | 97150 |
| Saint-Pierre-et-Miquelon | Cinq chiffres | 97500 |
| Saint-Vincent-et-les-Grenadines | Quatre chiffres | VC01 |
| Samoa | Deux chiffres | 11 |
| Saint-Marin | Cinq chiffres | 47890 |
| Arabie saoudite | Deux chiffres | 12 |
| Sénégal | Cinq chiffres | 10 000 |
| Serbie | Cinq chiffres | 11 000 |
| Singapour | Six chiffres | 018906 |
| Slovaquie | Cinq chiffres | 010 01 |
| Slovénie | Quatre chiffres | 1 000 |
| Afrique du Sud | Quatre chiffres | 0001 |
| Géorgie du Sud et îles Sandwich du Sud | Alphanumérique - Cinq chiffres | SIQQ 1 |
| Corée du Sud | Cinq chiffres | 01000 |
| Espagne | Cinq chiffres | 01001 |
| Sri Lanka | Deux chiffres | 00 |
| Soudan | Deux chiffres | 11 |
| Svalbard et Île Jan Mayen | Quatre chiffres | 8099 |
| Swaziland | Un chiffre | H |
| Suède | Cinq chiffres | 111 15 |
| Suisse | Quatre chiffres | 1 000 |
| Taïwan | Trois chiffres | 100 |
| Tadjikistan | Quatre chiffres | 7340 |
| Tanzanie, République-Unie de | Trois chiffres | 111 |
| Thaïlande | Cinq chiffres | 10100 |
| Timor-Leste | Quatre chiffres | TL10 |
| Trinidad et Tobago | Deux chiffres | 10 |
| Tunisie | Quatre chiffres | 1 000 |
| Turquie | Cinq chiffres | 01010 |
| Turkménistan | Trois chiffres | 744 |
| Iles Turks et Caicos | Alphanumérique - Cinq chiffres | TKCA 1 |
| Iles Vierges américaines | Cinq chiffres | 00802 |
| Ukraine | Trois chiffres, Cinq chiffres | 070, 01001 |
| Royaume-Uni | Alphanumérique - Deux à cinq chiffres | B1 AL1, AB10, AB10 1 |
| États-Unis | Cinq chiffres | 00001 |
| Uruguay | Cinq chiffres | 11 000 |
| Ouzbékistan | Quatre chiffres | 1 000 |
| Venezuela | Quatre chiffres | 0000 |
| Vietnam | Cinq chiffres | 01106 |
| Wallis et Futuna | Cinq chiffres | 98600 |
| Zambie | Cinq chiffres | 10100 |
# Utilisation de dates personnalisées ou non prises en charge
Amazon Quick Sight prend en charge nativement un nombre limité de formats de date. Or, vous ne pouvez pas toujours contrôler le format des données qui vous sont fournies. Lorsque vos données contiennent une date dans un format non pris en charge, vous pouvez indiquer à Amazon Quick Sight comment l'interpréter.
Pour ce faire, vous pouvez modifier le jeu de données et faire passer le format texte ou numérique d’une colonne au format date. Un écran s’affiche après cette modification pour vous permettre d’entrer le format. Par exemple, si vous utilisez une source de données relationnelle, vous pouvez spécifier MM-dd-yyyy un champ de texte contenant « 09-19-2017 », afin qu'il soit interprété comme 2017-09-19T 00:00:00.000 Z. Si vous utilisez une source de données non relationnelle, vous pouvez faire la même chose en commençant par un champ numérique ou un champ de texte.
Amazon Quick Sight prend uniquement en charge le texte actuel pour les sources relationnelles (SQL).
Pour en savoir plus sur les formats de date pris en charge, consultez [Formats de date pris en charge](supported-data-types-and-values.md#supported-date-formats).
Utilisez cette procédure pour aider Amazon Quick Sight à comprendre les dates dans différents formats.
1. Pour un jeu de données contenant des formats de date non pris en charge, modifiez les données comme suit. Pour la colonne contenant vos données datetime, faites passer le type de données de texte à date. Pour ce faire, choisissez l’icône de type de données de couleur en dessous du nom de la colonne sous le nom de colonne dans l’aperçu des données.
**Note**
Les dates de type entier différentes du type datetimes d’époque Unix ne fonctionnent pas en l’état. Par exemple, les formats suivants ne sont pas pris en charge en tant qu’entiers : `MMddyy`, `MMddyyyy`, `ddMMyy`, `ddMMyyyy` et `yyMMdd`. La solution de contournement consiste d’abord à les faire passer au format texte. Veillez à ce que toutes vos lignes contiennent six chiffres (pas cinq). Ensuite, faites passer le type de données texte à datetime.
Pour en savoir plus sur le type datetimes d’époque Unix, consultez [epochDate](epochDate-function.md).
Lorsque vous faites passer le type de données à date, l’écran **Edit date format** s’affiche.
1. Entrez votre format de date en indiquant les parties qui correspondent au mois, au jour, à l’année et à l’heure. Les formats sont sensibles à la casse.
1. Choisissez **Valider** pour vous assurer qu'Amazon Quick Sight peut désormais interpréter vos données de date/heure au format que vous avez spécifié. Les lignes non validées sont ignorées et omises dans le jeu de données.
1. Lorsque vous êtes satisfait des résultats, choisissez **Update**. Sinon, choisissez **Close**.
# Ajouter une clé unique à un ensemble de données Amazon Quick Sight
Les auteurs de Quick Sight peuvent configurer une colonne clé unique pour un ensemble de données Quick Sight pendant la préparation des données. Cette clé unique agit comme une clé de tri globale pour le jeu de données et optimise la génération de requêtes pour les visuels des tableaux. Lorsqu'un utilisateur crée un visuel de tableau dans Quick Sight et ajoute la colonne clé unique au champ de valeur, les données sont triées de gauche à droite jusqu'à la colonne clé unique. Toutes les colonnes situées à droite de la colonne clé unique sont ignorées dans l’ordre de tri. Les tables qui ne contiennent pas de clé unique sont triées en fonction de l'ordre dans lequel les colonnes apparaissent dans le jeu de données.
Les limites suivantes s’appliquent aux clés uniques :
+ Les clés uniques ne sont prises en charge que pour les tables non agrégées.
+ Si une colonne de jeu de données est utilisée pour la sécurité au niveau des colonnes (CLS), elle ne peut pas également être utilisée comme clé unique.
Utilisez la procédure suivante pour désigner une clé unique pour un ensemble de données dans Amazon Quick Sight.
**Pour configurer une clé unique**
1. Ouvrez la [console Quick](https://quicksight.aws.amazon.com/).
1. Choisissez **Données**.
1. Effectuez l’une des opérations suivantes :
1. Accédez au jeu de données auquel vous souhaitez ajouter une clé unique, choisissez l’ellipse (trois points) en regard du jeu de données, puis choisissez **Modifier**.
1. Choisissez **Nouveau**, puis **Dataset**. Choisissez le jeu de données que vous souhaitez ajouter, puis sélectionnez **Modifier la source de données**. Pour plus d'informations sur la création de nouveaux ensembles de données dans Amazon Quick Sight, consultez[Création de jeux de données](creating-data-sets.md).
1. La page de préparation des données pour les jeux de données s’ouvre. Accédez au volet **Champs** et recherchez le champ que vous souhaitez définir comme clé unique.
1. Cliquez sur l’ellipse (trois points) en regard du nom du champ, puis choisissez **Définir comme clé unique**.
Une fois que vous avez créé une clé unique, une icône de clé apparaît à côté du champ pour indiquer que le champ est désormais la clé unique du jeu de données. Lorsque vous enregistrez et publiez le jeu de données, la configuration clé unique est appliquée au jeu de données ainsi qu’à tous les tableaux de bord et analyses créés avec ce jeu de données. Pour supprimer une clé unique d’un jeu de données, accédez à la page de préparation des données du jeu de données, choisissez les points de suspension à côté du champ clé unique, puis choisissez **Supprimer en tant que clé unique**. Après avoir supprimé une clé unique d’un jeu de données, vous pouvez désigner un autre champ comme clé unique.
# Intégration des modèles Amazon SageMaker AI à Amazon Quick Sight
**Note**
Vous n'avez pas besoin d'expérience technique en apprentissage automatique (ML) pour créer des analyses et des tableaux de bord utilisant les fonctionnalités basées sur le machine learning d'Amazon Quick Sight.
Vous pouvez augmenter les données de votre édition Amazon Quick Enterprise grâce aux modèles d'apprentissage automatique Amazon SageMaker AI. Vous pouvez effectuer des inférences sur les données stockées ou SPICE importées à partir de n'importe quelle source de données prise en charge par Quick. Pour obtenir la liste complète des sources de données prises en charge, consultez [Sources de données prises en charge](supported-data-sources.md).
L'utilisation de Quick avec des modèles d' SageMaker IA peut vous faire gagner le temps que vous pourriez autrement passer à gérer le mouvement des données et à écrire du code. Les résultats sont utiles à la fois pour évaluer le modèle et pour le partager avec les décideurs lorsque vous êtes satisfait des résultats. Vous pouvez commencer immédiatement après la création du modèle. Cette opération révèle les modèles prédéfinis de vos spécialistes des données et vous permet d’appliquer la science des données à vos jeux de données. Vous pouvez ensuite partager ces informations dans vos tableaux de bord prédictifs. Grâce à l'approche Quick sans serveur, le processus évolue de manière fluide, de sorte que vous n'avez pas à vous soucier de la capacité d'inférence ou de requête.
Amazon Quick prend en charge les modèles d' SageMaker IA qui utilisent des algorithmes de régression et de classification. Vous pouvez appliquer cette fonctionnalité pour obtenir des prévisions pour presque n’importe quel cas d’utilisation professionnelle. Parmi les exemples, on peut citer les prévisions concernant la probabilité de désaffectation des clients, le taux de départ des employés, la notation des clients potentiels et l’évaluation des risques de crédit. Pour utiliser Quick pour fournir des prédictions, les données du modèle d' SageMaker IA en entrée et en sortie doivent être au format tabulaire. Dans les cas d’utilisation de la classification avec plusieurs classes ou étiquettes, chaque colonne de sortie doit contenir une valeur unique. Quick ne prend pas en charge plusieurs valeurs dans une seule colonne.
**Topics**
+ [Comment fonctionne SageMaker l'intégration de l'IA](#sagemaker-how-it-works)
+ [Coûts engagés (pas de coûts supplémentaires avec l’intégration elle-même)](#sagemaker-cost-of-use)
+ [Directives d’utilisation](#sagemaker-usage-guidelines)
+ [Définition du fichier de schéma](#sagemaker-schema-file)
+ [Ajouter un modèle d' SageMaker IA à votre jeu de données Quick Sight](#sagemaker-using)
+ [Créez des modèles prédictifs avec SageMaker AI Canvas](sagemaker-canvas-integration.md)
## Comment fonctionne SageMaker l'intégration de l'IA
En général, le processus fonctionne comme ceci :
1. Un administrateur Amazon Quick ajoute des autorisations permettant à Quick d'accéder à l' SageMaker IA. Pour ce faire, ouvrez les paramètres **de sécurité et d'autorisations** depuis la page **Gérer rapidement**. Accédez à **Accès rapide aux AWS services** et ajoutez l' SageMaker IA.
Lorsque vous ajoutez ces autorisations, Quick est ajouté à un rôle Gestion des identités et des accès AWS (IAM) qui permet de répertorier tous les modèles d' SageMaker IA de votre AWS compte. Il fournit également des autorisations pour exécuter des tâches d' SageMaker IA dont le nom est préfixé par`quicksight-auto-generated-`.
1. Nous vous recommandons de vous connecter à un modèle d' SageMaker IA doté d'un pipeline d'inférence, car celui-ci effectue automatiquement le prétraitement des données. Pour plus d'informations, voir [Déployer un pipeline d'inférence](https://docs.aws.amazon.com/sagemaker/latest/dg/inference-pipelines.html) dans le *Guide du développeur d'SageMaker IA*.
1. Après avoir identifié les données et le modèle préformé que vous souhaitez utiliser ensemble, le propriétaire du modèle crée et fournit un fichier de schéma. Ce fichier JSON est un contrat avec SageMaker AI. Il fournit des métadonnées sur les champs, les types de données, l’ordre des colonnes, la sortie et les paramètres que le modèle attend. Le composant de paramètres facultatifs fournit la taille de l’instance et le nombre d’instances de calcul à utiliser pour la tâche.
Si vous êtes le spécialiste des données qui a créé le modèle, créez ce fichier de schéma en utilisant le format décrit ci-dessous. Si vous êtes un consommateur du modèle, récupérez le fichier de schéma auprès du propriétaire du modèle.
1. Dans Quick, vous commencez par créer un nouveau jeu de données contenant les données sur lesquelles vous souhaitez faire des prédictions. Si vous téléchargez un fichier, vous pouvez ajouter le modèle SageMaker AI sur l'écran des paramètres de téléchargement. Sinon, ajoutez le modèle sur la page de préparation des données.
Avant de continuer, vérifiez les mappages entre le jeu de données et le modèle.
1. Une fois les données importées dans l'ensemble de données, les champs de sortie contiennent les données renvoyées par l' SageMaker IA. Ces champs peuvent être utilisés comme vous utilisez d’autres champs, conformément aux directives décrites à la section [Directives d’utilisation](#sagemaker-usage-guidelines).
Lorsque vous exécutez l'intégration de l' SageMaker IA, Quick transmet une demande à SageMaker AI pour exécuter des tâches de transformation par lots avec des pipelines d'inférence. Démarrage rapide, mise à disposition et déploiement des instances nécessaires à votre AWS compte. Une fois le traitement terminé, ces instances sont arrêtées et mises hors service. La capacité de calcul entraîne des coûts uniquement lorsqu’elle traite des modèles.
Pour vous permettre de les identifier plus facilement, Quick nomme toutes ses tâches d' SageMaker IA par le préfixe`quicksight-auto-generated-`.
1. La sortie de l’inférence est stockée dans SPICE et ajoutée au jeu de données. Dès que l’inférence est terminée, vous pouvez utiliser le jeu de données pour créer des visualisations et des tableaux de bord à l’aide des données de prédictions.
1. L’actualisation des données démarre chaque fois que vous enregistrez le jeu de données. Vous pouvez démarrer manuellement le processus d’actualisation des données en actualisant le jeu de données SPICE, ou vous pouvez le programmer pour qu’il s’exécute à intervalles réguliers. À chaque actualisation des données, le système appelle automatiquement SageMaker AI Batch Transform pour mettre à jour les champs de sortie avec de nouvelles données.
Vous pouvez utiliser les opérations de l'API d'SPICEingestion Amazon Quick Sight pour contrôler le processus d'actualisation des données. Pour plus d'informations sur l'utilisation de ces opérations d'API, consultez le manuel [Amazon Quick Sight API Reference](https://docs.aws.amazon.com/quicksight/latest/APIReference/qs-api-overview.html).
## Coûts engagés (pas de coûts supplémentaires avec l’intégration elle-même)
L’utilisation de cette fonctionnalité ne nécessite pas de frais supplémentaires en soi. Vos coûts incluent entre autres :
+ Le coût du déploiement du modèle via l' SageMaker IA, qui n'est encouru que lorsque le modèle est en cours d'exécution. L’enregistrement d’un jeu de données (après sa création ou sa modification) ou l’actualisation de ses données démarre le processus d’ingestion de données. Ce processus inclut l'appel à l' SageMaker IA si l'ensemble de données contient des champs déduits. Les frais sont encourus sur le même AWS compte que celui utilisé pour votre abonnement Quick.
+ Les coûts de votre abonnement Quick sont les suivants :
+ Le coût du stockage de vos données dans le moteur de calcul en mémoire de Quick (SPICE). Si vous ajoutez de nouvelles données à SPICE, vous devrez peut-être acheter suffisamment de capacité SPICE pour les prendre en charge.
+ Abonnements rapides pour les auteurs ou les administrateurs qui créent les ensembles de données.
+ Pay-per-session frais pour les spectateurs (lecteurs) pour accéder aux tableaux de bord interactifs.
## Directives d’utilisation
Dans Amazon Quick, les directives d'utilisation suivantes s'appliquent à cette fonctionnalité de l'édition Enterprise :
+ Le traitement du modèle se produit dans SPICE. Par conséquent, il ne peut s’appliquer qu’aux jeux de données stockés dans SPICE. Le processus prend actuellement en charge jusqu’à 500 millions de lignes par jeu de données.
+ Seuls les administrateurs ou les auteurs de Quick peuvent enrichir les ensembles de données avec des modèles ML. Les lecteurs ne peuvent afficher les résultats que lorsqu’ils font partie d’un tableau de bord.
+ Chaque jeu de données peut fonctionner avec un seul modèle d’apprentissage-machine.
+ Les champs de sortie ne peuvent pas être utilisés pour calculer de nouveaux champs.
+ Les jeux de données ne peuvent pas être filtrés sur des champs intégrés au modèle. En d’autres termes, si votre champ de jeu de données est actuellement mappé au modèle de machine learning, vous ne pouvez pas appliquer de filtre sur ce champ.
Dans SageMaker AI, les directives d'utilisation suivantes s'appliquent à un modèle préentraîné que vous utilisez avec Amazon Quick Sight :
+ Lorsque vous créez le modèle, associez-le au Amazon Resource Name (ARN) du rôle IAM approprié. Le rôle IAM du modèle d' SageMaker IA doit avoir accès au compartiment Amazon S3 utilisé par Amazon Quick Sight.
+ Assurez-vous que votre modèle prend en charge les fichiers .csv pour l’entrée et la sortie. Assurez-vous que vos données sont sous forme de tableau.
+ Fournissez un fichier de schéma contenant des métadonnées sur le modèle, y compris la liste des champs d’entrée et de sortie. Actuellement, vous devez créer ce fichier de schéma manuellement.
+ Considérez le temps qu’il faut pour compléter votre inférence, qui dépend d’un certain nombre de facteurs. Ceux-ci incluent notamment la complexité du modèle, la quantité de données et la capacité de calcul définie. La réalisation de l’inférence peut prendre de plusieurs minutes à plusieurs heures. Amazon Quick Sight limite toutes les tâches d'ingestion de données et d'inférence à un maximum de 10 heures. Pour réduire le temps nécessaire à l’exécution d’une inférence, envisagez d’augmenter la taille de l’instance ou le nombre d’instances.
+ Actuellement, vous ne pouvez utiliser que des transformations par lots pour l'intégration à l' SageMaker IA, et non des données en temps réel. Vous ne pouvez pas utiliser un point de terminaison SageMaker basé sur l'IA.
## Définition du fichier de schéma
Avant d'utiliser un modèle d' SageMaker IA avec des données Quick Sight, créez le fichier de schéma JSON qui contient les métadonnées dont Amazon Quick Sight a besoin pour traiter le modèle. L'auteur ou l'administrateur d'Amazon Quick télécharge le fichier de schéma lors de la configuration de l'ensemble de données.
Les champs de schéma sont définis comme suit. Tous les champs sont obligatoires, sauf indication contraire dans la description suivante. Les attributs sont sensibles à la casse.
*inputContentType*
Type de contenu attendu par ce modèle d' SageMaker IA pour les données d'entrée. La seule valeur prise en charge pour ce type de contenu est `"text/csv"`. Quick Sight n'inclut aucun des noms d'en-tête que vous ajoutez au fichier d'entrée.
*outputContentType*
Type de contenu de la sortie produite par le modèle d' SageMaker IA que vous souhaitez utiliser. La seule valeur prise en charge pour ce type de contenu est `"text/csv"`.
*input*
Liste des fonctionnalités attendues par le modèle dans les données d’entrée. Quick Sight produit les données d'entrée exactement dans le même ordre. La liste contient les attributs suivants :
+ *name* : nom de la colonne. Si possible, identifiez-le au nom de la colonne correspondante dans le QuickSight jeu de données. Cet attribut est limité à 100 caractères.
+ *type* : le type de données de cette colonne. Cet attribut prend les valeurs `"INTEGER"`, `"STRING"` et `"DECIMAL"`.
+ *nullable* : (Facultatif) possibilité de valeur NULL pour le champ. La valeur par défaut est `true`. Si vous définissez cette `nullable` option`false`, Quick Sight supprime les lignes qui ne contiennent pas cette valeur avant d'appeler SageMaker AI. Cela permet d'éviter l'échec de l' SageMaker IA en cas de manque de données requises.
*output*
Liste des colonnes de sortie produites par le modèle d' SageMaker IA. Quick Sight attend ces champs exactement dans le même ordre. La liste contient les attributs suivants :
+ *nom* — Ce nom devient le nom par défaut de la nouvelle colonne correspondante créée dans Quick Sight. Vous pouvez remplacer le nom spécifié ici dans Quick Sight. Cet attribut est limité à 100 caractères.
+ *type* : le type de données de cette colonne. Cet attribut prend les valeurs `"INTEGER"`, `"STRING"` et `"DECIMAL"`.
*instanceTypes*
Liste des types d'instances ML que l' SageMaker IA peut fournir pour exécuter la tâche de transformation. La liste est fournie à l'utilisateur d'Amazon Quick pour qu'il puisse choisir. Cette liste est limitée aux types pris en charge par l' SageMaker IA. Pour plus d'informations sur les types pris [TransformResources](https://docs.aws.amazon.com/sagemaker/latest/dg/API_TransformResources.html)en charge, consultez le *Guide du développeur SageMaker AI.*
*defaultInstanceType*
(Facultatif) Type d'instance présenté comme option par défaut dans l'assistant SageMaker AI de Quick Sight. Incluez ce type d’instance dans `instanceTypes`.
*instanceCount*
(Facultatif) Le nombre d'instances définit le nombre d'instances sélectionnées que l' SageMaker IA doit provisionner pour exécuter la tâche de transformation. Cette valeur doit être un nombre entier positif.
*description*
Ce champ permet à la personne propriétaire du modèle d' SageMaker IA de communiquer avec la personne qui utilise ce modèle dans Quick Sight. Utilisez ce champ afin de fournir des conseils pour une utilisation efficace de ce modèle. Par exemple, ce champ peut contenir des informations sur la sélection d’un type d’instance effectif à choisir dans la liste `instanceTypes`, en fonction de la taille du jeu de données. Ce champ est limité à 1 000 caractères.
*Version*
Version du schéma, par exemple "`1.0"`.
L’exemple suivant montre la structure du JSON dans le fichier de schéma.
```
{
"inputContentType": "CSV",
"outputContentType": "CSV",
"input": [
{
"name": "buying",
"type": "STRING"
},
{
"name": "maint",
"type": "STRING"
},
{
"name": "doors",
"type": "INTEGER"
},
{
"name": "persons",
"type": "INTEGER"
},
{
"name": "lug_boot",
"type": "STRING"
},
{
"name": "safety",
"type": "STRING"
}
],
"output": [
{
"name": "Acceptability",
"type": "STRING"
}
],
"description": "Use ml.m4.xlarge instance for small datasets, and ml.m4.4xlarge for datasets over 10 GB",
"version": "1.0",
"instanceCount": 1,
"instanceTypes": [
"ml.m4.xlarge",
"ml.m4.4xlarge"
],
"defaultInstanceType": "ml.m4.xlarge"
}
```
La structure du fichier de schéma est liée au type de modèle utilisé dans les exemples fournis par l' SageMaker IA.
## Ajouter un modèle d' SageMaker IA à votre jeu de données Quick Sight
À l'aide de la procédure suivante, vous pouvez ajouter un modèle d' SageMaker IA préentraîné à votre ensemble de données, afin de pouvoir utiliser des données prédictives dans les analyses et les tableaux de bord.
Avant de commencer, préparez les éléments suivants :
+ Données que vous souhaitez utiliser pour créer le jeu de données.
+ Nom du modèle d' SageMaker IA que vous souhaitez utiliser pour augmenter le jeu de données.
+ Schéma du modèle. Ce schéma inclut les mappages de noms de champs et les types de données. Il est utile s’il contient également des paramètres recommandés pour le type d’instance et le nombre d’instances à utiliser.
**Pour enrichir votre ensemble de données Amazon Quick Sight grâce SageMaker à l'IA**
1. Créez un nouveau jeu de données à partir de la page d’accueil en choisissant **Jeux de données**, puis sélectionnez **Nouveau jeu de données**.
Vous pouvez également modifier un jeu de données existant.
1. Choisissez **Augmenter avec SageMaker** sur l'écran de préparation des données.
1. Dans **Select your model (Sélectionnez votre modèle)**, choisissez les paramètres suivants :
+ **Modèle** — Choisissez le modèle d' SageMaker IA à utiliser pour déduire des champs.
+ **Nom** : fournissez un nom descriptif pour le modèle.
+ **Schéma** : chargez le fichier de schéma JSON fourni pour le modèle.
+ **Paramètres avancés** : QuickSight recommande les valeurs par défaut sélectionnées en fonction de votre ensemble de données. Vous pouvez utiliser des paramètres d’exécution spécifiques pour équilibrer la vitesse et le coût de votre tâche. Pour ce faire, entrez les types d'instances SageMaker AI ML pour le **type d'instance** et le nombre d'instances pour **Count**.
Choisissez **Next (Suivant)** pour continuer.
1. Dans **Review inputs (Revoir les entrées)**, passez en revue les champs qui sont mappés à votre jeu de données. Quick Sight tente de mapper automatiquement les champs de votre schéma aux champs de votre jeu de données. Vous pouvez apporter des modifications ici si le mappage a besoin d’être ajusté.
Choisissez **Next (Suivant)** pour continuer.
1. Dans **Revoir les sorties**, passez en revue les champs ajoutés à votre jeu de données.
Choisissez **Save and prepare data (Enregistrer et préparer les données)** pour confirmer vos choix.
1. Pour actualiser les données, choisissez le jeu de données pour en afficher les détails. Choisissez ensuite **Refresh Now (Actualiser maintenant)** pour actualiser manuellement les données, ou choisissez **Schedule refresh (Programmer l’actualisation)** pour définir un intervalle d’actualisation régulier. À chaque actualisation des données, le système exécute automatiquement la tâche de transformation par lots SageMaker AI pour mettre à jour les champs de sortie avec de nouvelles données.
# Créez des modèles prédictifs avec SageMaker AI Canvas
Les auteurs d'Amazon Quick peuvent exporter des données vers SageMaker AI Canvas pour créer des modèles de machine learning qui peuvent être renvoyés à Quick. Les auteurs peuvent utiliser ces modèles de machine learning pour enrichir leurs jeux de données avec des analyses prédictives qui peuvent être utilisées pour créer des analyses et des tableaux de bord.
**Conditions préalables**
+ Un compte Quick intégré à IAM Identity Center. Si votre compte Quick n'est pas intégré à IAM Identity Center, créez un nouveau compte Quick et choisissez **Utiliser l'application compatible IAM Identity Center** comme fournisseur d'identité.
+ Pour plus d’informations sur IAM Identity Center, consultez la rubrique [Démarrer](https://docs.aws.amazon.com/singlesignon/latest/userguide/getting-started.html) (français non garanti).
+ Pour en savoir plus sur l'intégration de votre Quick à IAM Identity Center, consultez[Configurez votre compte Amazon Quick avec IAM Identity Center](setting-up-sso.md#sec-identity-management-identity-center).
+ Pour importer des actifs d'un compte Quick existant vers un nouveau compte Quick intégré à IAM Identity Center, consultez la section [Opérations du bundle d'actifs](https://docs.aws.amazon.com/quicksight/latest/developerguide/asset-bundle-ops.html).
+ Un nouveau domaine d' SageMaker IA intégré à IAM Identity Center. Pour plus d'informations sur l'intégration à SageMaker AI Domain avec IAM Identity Center, voir Intégration [à SageMaker AI Domain à l'aide d'IAM](https://docs.aws.amazon.com/sagemaker/latest/dg/onboard-sso-users.html) Identity Center.
**Topics**
+ [Créez un modèle prédictif dans SageMaker AI Canvas à partir d'Amazon Quick Sight](#sagemaker-canvas-integration-create-model)
+ [Création d'un jeu de données avec un modèle SageMaker AI Canvas](#sagemaker-canvas-integration-create-dataset)
+ [Considérations](#sagemaker-canvas-integration-considerations)
## Créez un modèle prédictif dans SageMaker AI Canvas à partir d'Amazon Quick Sight
**Pour créer un modèle prédictif dans SageMaker AI Canvas**
1. Connectez-vous à Amazon Quick et accédez au tableau tabulaire ou au tableau croisé dynamique pour lequel vous souhaitez créer un modèle prédictif.
1. Ouvrez le menu des représentations visuelles et choisissez **Créer un modèle prédictif**.
1. Dans la fenêtre **contextuelle Créer un modèle prédictif dans SageMaker AI Canvas** qui apparaît, passez en revue les informations présentées, puis choisissez **EXPORTER LES DONNÉES VERS SAGEMAKER CANVAS**.
1. Dans le volet **Exportations** qui apparaît, choisissez **GO TO SAGEMAKER CANVAS** lorsque l'exportation est terminée pour accéder à la console SageMaker AI Canvas.
1. Dans SageMaker AI Canvas, créez un modèle prédictif avec les données que vous avez exportées depuis Quick Sight. Vous pouvez choisir de suivre une visite guidée qui vous aidera à créer le modèle prédictif, ou vous pouvez ignorer la visite et travailler à votre rythme. Pour plus d'informations sur la création d'un modèle prédictif dans SageMaker AI Canvas, voir [Création d'un modèle](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model-how-to.html#canvas-build-model-numeric-categorical).
1. Renvoyez le modèle prédictif à Quick Sight. Pour plus d'informations sur l'envoi d'un modèle depuis SageMaker AI Canvas vers Amazon Quick Sight, consultez [Envoyer votre modèle vers Amazon Quick Sight](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-send-model-to-quicksight.html).
## Création d'un jeu de données avec un modèle SageMaker AI Canvas
Après avoir créé un modèle prédictif dans SageMaker AI Canvas et l'avoir renvoyé à Quick Sight, utilisez le nouveau modèle pour créer un nouveau jeu de données ou appliquez-le à un ensemble de données existant.
**Pour ajouter un champ prédictif à un jeu de données**
1. Ouvrez la console Quick, choisissez **Data** sur la gauche, puis choisissez l'onglet **Datasets**.
1. Téléchargez un nouveau jeu de données ou choisissez un jeu de données existant.
1. Choisissez **Modifier**.
1. Sur la page de préparation des données de l'ensemble de données, choisissez **AJOUTER**, puis sélectionnez **Ajouter un champ prédictif** pour ouvrir le modal **Augment** with AI. SageMaker
1. Pour **Modèle**, choisissez le modèle que vous avez envoyé à Quick Sight depuis SageMaker AI Canvas. Le fichier de schéma est automatiquement renseigné dans le volet **Paramètres avancés**. Vérifiez les entrées, puis cliquez sur **Suivant**.
1. Dans le volet **Examiner les résultats**, entrez le nom du champ et la description d'une colonne à cibler par le modèle que vous avez créé dans SageMaker AI Canvas.
1. Lorsque vous avez terminé, cliquez sur **Préparer les données**.
1. Après avoir cliqué sur **Préparer les données**, vous êtes redirigé vers la page du jeu de données. Pour publier le nouveau jeu de données, choisissez **Publier et visualiser.**
Lorsque vous publiez un nouveau jeu de données qui utilise un modèle d' SageMaker AI Canvas, les données sont importées dans SPICE et une tâche d'inférence par lots commence dans SageMaker AI. L’ensemble du processus dure jusqu’à 10 minutes.
## Considérations
Les limitations suivantes s'appliquent à la création de modèles SageMaker AI Canvas avec des données Quick Sight.
+ L'option **Créer un modèle prédictif** utilisée pour envoyer des données à SageMaker AI Canvas n'est disponible que sur les visuels des tableaux et des tableaux croisés dynamiques tabulaires. La représentation visuelle du tableau ou du tableau croisé dynamique doit comporter entre 2 et 1 000 champs et au moins 500 lignes.
+ Les jeux de données contenant des nombres entiers ou des types de données géographiques peuvent rencontrer des erreurs de mappage de schéma lorsque vous ajoutez un champ prédictif au jeu de données. Pour résoudre ce problème, supprimez les types de données géographiques ou les nombres entiers du jeu de données ou convertissez-les en un nouveau type de données.
# Exemples de jeux de données préparés
Vous pouvez préparer les données de tout jeu de données afin qu’il soit plus approprié pour l’analyse, par exemple en changeant un nom de champ ou en ajoutant un champ calculé. Pour les jeux de données de base de données, vous pouvez également déterminer les données utilisées en spécifiant une requête SQL ou en joignant deux ou plusieurs tables.
Consultez les rubriques suivantes pour apprendre à préparer des jeux de données.
**Topics**
+ [Préparation d’un jeu de données basé sur les données d’un fichier](prepare-file-data.md)
+ [Préparation d’un jeu de données basé sur des données Salesforce](prepare-salesforce-data.md)
+ [Préparation d’un jeu de données basé sur des données de base de données](prepare-database-data.md)
# Préparation d’un jeu de données basé sur les données d’un fichier
Utilisez la procédure suivante pour préparer un jeu de données basé sur un fichier texte ou Microsoft Excel à partir de votre réseau local ou d’Amazon S3.
**Pour préparer un jeu de données basé sur des fichiers texte ou Microsoft Excel à partir d’un réseau local ou de S3**
1. Ouvrez un jeu de données de fichier pour la préparation des données en choisissant l’une des options suivantes :
+ Créez un jeu de données de fichier local, puis choisissez **Modifier/Prévisualiser les données**. Pour plus d'informations sur la création d'un nouveau jeu de données à partir d'un fichier texte local, consultez la section [Création d'un ensemble de données à l'aide d'un fichier texte local](https://docs.aws.amazon.com/quicksight/latest/user/create-a-data-set-file.html). Pour plus d'informations sur la création d'un nouveau jeu de données à partir d'un fichier Microsoft Excel, voir [Création d'un jeu de données à l'aide d'un fichier Microsoft Excel](https://docs.aws.amazon.com/quicksight/latest/user/create-a-data-set-excel.html).
+ Créez un nouveau jeu de données Amazon S3, puis choisissez **Modifier/apercevoir des données**. Pour plus d'informations sur la création d'un nouvel ensemble de données Amazon S3 à l'aide d'une nouvelle source de données Amazon S3, consultez [Création d'un ensemble de données à l'aide de fichiers Amazon S3](https://docs.aws.amazon.com/quicksight/latest/user/create-a-data-set-s3.html). Pour plus d'informations sur la création d'un nouvel ensemble de données Amazon S3 à l'aide d'une source de données Amazon S3 existante, consultez [Création d'un ensemble de données à l'aide d'une source de données Amazon S3 existante](https://docs.aws.amazon.com/quicksight/latest/user/create-a-data-set-existing-s3.html).
+ Ouvrez un jeu de données Amazon S3, de fichier texte ou Microsoft Excel existant pour le modifier à partir de la page d’analyse ou de la page **Vos jeux de données**. Pour plus d'informations sur l'ouverture d'un jeu de données existant pour la préparation des données, consultez la section [Modification de jeux de données.](https://docs.aws.amazon.com/quicksight/latest/user/edit-a-data-set.html)
1. (Facultatif) Sur la page de préparation des données, dans la barre d’application, entrez un nouveau nom dans la zone du nom du jeu de données.
Par défaut, ce nom correspond au nom de fichier des fichiers locaux. Par exemple, le nom par défaut est **Group 1** pour les fichiers Amazon S3.
1. Passez en revue les paramètres de chargement des fichiers et corrigez-les le cas échéant. Pour plus d'informations sur les paramètres de téléchargement de fichiers, consultez la section [Choix des paramètres de téléchargement de fichiers](https://docs.aws.amazon.com/quicksight/latest/user/choosing-file-upload-settings.html).
**Important**
Si vous souhaitez modifier les paramètres de chargement, faites-le avant d’apporter toute autre modification au jeu de données. Les nouveaux paramètres de téléchargement obligent Amazon Quick Sight à réimporter le fichier. Ce processus remplace toutes les autres modifications que vous avez apportées.
1. Préparer les données en procédant à une ou plusieurs des opérations suivantes :
+ [Sélection de champs](https://docs.aws.amazon.com/quicksight/latest/user/selecting-fields.html)
+ [Modification des noms et des descriptions de champs](https://docs.aws.amazon.com/quicksight/latest/user/changing-a-field-name.html)
+ [Modification du type de données d'un champ](https://docs.aws.amazon.com/quicksight/latest/user/changing-a-field-data-type.html)
+ [Ajouter des champs calculés](https://docs.aws.amazon.com/quicksight/latest/user/adding-a-calculated-field-analysis.html)
+ [Filtrer les données dans Amazon Quick Sight](https://docs.aws.amazon.com/quicksight/latest/user/adding-a-filter.html)
1. Vérifiez l’indicateur [SPICE](spice.md) afin de voir si vous disposez de suffisamment de capacité pour importer le jeu de données. Les jeux de données de fichier se chargent automatiquement dans SPICE. L’importation se produit lorsque vous choisissez **Save & visualize** ou **Save**.
Si vous n’avez pas accès à une capacité SPICE suffisante, vous pouvez réduire la taille de le jeu de données de l’une des façons suivantes :
+ Appliquez un filtre pour limiter le nombre de lignes.
+ Sélectionnez les champs à supprimer de le jeu de données.
**Note**
L’indicateur SPICE ne se met pas à jour pour indiquer l’espace que vous pouvez gagner en supprimant des champs ou en filtrant les données. Il continue de refléter l’utilisation de SPICE depuis la dernière importation.
1. Choisissez **Save** pour enregistrer votre travail ou **Cancel** pour l’annuler.
Il se peut que vous voyiez également **Save & visualize**. Cette option s’affiche en fonction de votre écran de départ. Si cette option n’est pas présente, vous pouvez créer une visualisation à partir de l’écran du jeu de données.
## Préparation d’un jeu de données basé sur un fichier Microsoft Excel
Utilisez la procédure suivante pour préparer un jeu de données Microsoft Excel.
**Pour préparer un jeu de données Microsoft Excel**
1. Ouvrez un jeu de données de fichier texte pour la préparation en procédant de l’une des façons suivantes :
+ Créez un jeu de données Microsoft Excel, puis choisissez **Modifier/Prévisualiser les données**. Pour plus d'informations sur la création d'un nouveau jeu de données Excel, voir [Création d'un jeu de données à l'aide d'un fichier Microsoft Excel](https://docs.aws.amazon.com/quicksight/latest/user/create-a-data-set-excel.html).
+ Ouvrez un jeu de données Excel existant en vue de sa modification. Vous pouvez le faire à partir de la page d’analyse ou de la page **Vos jeux de données**. Pour plus d'informations sur l'ouverture d'un jeu de données existant pour la préparation des données, consultez la section [Modification de jeux de données.](https://docs.aws.amazon.com/quicksight/latest/user/edit-a-data-set.html)
1. (Facultatif) Sur la page de préparation des données, dans la barre d’application, entrez un nom dans la zone du nom du jeu de données. Si vous ne renommez pas le jeu de données, il prend par défaut le nom du fichier Excel.
1. Passez en revue les paramètres de chargement des fichiers et corrigez-les le cas échéant. Pour plus d'informations sur les paramètres de téléchargement de fichiers, consultez la section [Choix des paramètres de téléchargement de fichiers](https://docs.aws.amazon.com/quicksight/latest/user/choosing-file-upload-settings.html).
**Important**
S’il est nécessaire de modifier les paramètres de chargement, faites-le avant d’apporter toute autre modification au jeu de données. La modification des paramètres de téléchargement entraîne la réimportation du fichier par Amazon Quick Sight. Ce processus remplace toutes les modifications que vous avez apportées jusque là.
1. (Facultatif) Modifiez la sélection de feuilles de calcul.
1. (Facultatif) Modifiez la sélection de la plage. Pour ce faire, ouvrez **Paramètres de chargement** dans le menu du jeu de données situé sous le nom de connexion en haut à droite.
1. Préparer les données en procédant à une ou plusieurs des opérations suivantes :
+ [Sélection de champs](https://docs.aws.amazon.com/quicksight/latest/user/selecting-fields.html)
+ [Modification des noms et des descriptions de champs](https://docs.aws.amazon.com/quicksight/latest/user/changing-a-field-name.html)
+ [Modification du type de données d'un champ](https://docs.aws.amazon.com/quicksight/latest/user/changing-a-field-data-type.html)
+ [Ajouter des champs calculés](https://docs.aws.amazon.com/quicksight/latest/user/adding-a-calculated-field-analysis.html)
+ [Filtrer les données dans Quick Sight](https://docs.aws.amazon.com/quicksight/latest/user/adding-a-filter.html)
1. Vérifiez l’indicateur [SPICE](spice.md) afin de voir si vous disposez de suffisamment d’espace pour importer le jeu de données. Amazon Quick Sight doit importer des ensembles de données Excel dans. SPICE Cette importation se produit lorsque vous choisissez **Save & visualize** ou **Save**.
Si vous ne disposez pas d’une capacité SPICE suffisante, vous pouvez choisir de réduire la taille de le jeu de données en employant l’une des méthodes suivantes :
+ Appliquez un filtre pour limiter le nombre de lignes.
+ Sélectionnez les champs à supprimer du jeu de données.
+ Définissez une plage de données à importer plus petite.
**Note**
L’indicateur SPICE ne se met pas à jour pour refléter vos modifications tant que vous ne les avez pas chargées. Il indique l’utilisation de SPICE depuis la dernière importation.
1. Choisissez **Save** pour enregistrer votre travail ou **Cancel** pour l’annuler.
Il se peut que vous voyiez également **Save & visualize**. Cette option s’affiche en fonction de votre écran de départ. Si cette option n’est pas présente, vous pouvez créer une visualisation à partir de l’écran du jeu de données.
# Préparation d’un jeu de données basé sur des données Salesforce
Utilisez la procédure suivante pour préparer un jeu de données Salesforce.
**Pour préparer un jeu de données Salesforce**
1. Ouvrez un jeu de données Salesforce pour la préparation en choisissant l’une des options suivantes :
+ Créez un nouveau jeu de données Salesforce et choisissez **Modifier/Prévisualiser les données**. Pour plus d'informations sur la création d'un nouvel ensemble de données Salesforce à l'aide d'une nouvelle source de données Salesforce, voir [Création d'un ensemble de données depuis Salesforce](https://docs.aws.amazon.com/quicksight/latest/user/create-a-data-set-salesforce.html). Pour plus d'informations sur la création d'un nouvel ensemble de données Salesforce à l'aide d'une source de données Salesforce existante, voir [Création d'un ensemble de données à l'aide d'une source de données Salesforce existante](https://docs.aws.amazon.com/quicksight/latest/user/create-a-data-set-existing-salesforce.html).
+ Ouvrez un jeu de données Salesforce existant pour le modifier à partir de la page d’analyse ou de la page **Vos jeux de données**. Pour plus d'informations sur l'ouverture d'un jeu de données existant pour la préparation des données, consultez la section [Modification de jeux de données.](https://docs.aws.amazon.com/quicksight/latest/user/edit-a-data-set.html)
1. (Facultatif) Sur la page de préparation des données, dans la barre d’application, entrez un nom dans la zone du nom du jeu de données si vous souhaitez modifier le nom du jeu de données. Le nom correspond par défaut au nom de l’état ou de l’objet.
1. (Facultatif) Modifiez la sélection d’éléments de données pour voir les rapports ou les objets.
1. (Facultatif) Modifiez la sélection de données pour choisir un rapport ou un objet différent.
Si vous disposez d’une longue liste dans le volet **Données**, vous pouvez effectuer une recherche pour localiser un élément spécifique en saisissant un terme de recherche dans la zone **Tableaux de recherche**. Tout élément dont le nom contient le terme recherché est affiché. La recherche n’est pas sensible à la casse et ne prend pas en charge les caractères génériques. Utilisez l’icône d’annulation (**X**) à droite de la zone de recherche pour retourner à l’affichage de tous les éléments.
1. Préparer les données en procédant à une ou plusieurs des opérations suivantes :
+ [Sélection de champs](https://docs.aws.amazon.com/quicksight/latest/user/selecting-fields.html)
+ [Modification des noms et des descriptions de champs](https://docs.aws.amazon.com/quicksight/latest/user/changing-a-field-name.html)
+ [Modification du type de données d'un champ](https://docs.aws.amazon.com/quicksight/latest/user/changing-a-field-data-type.html)
+ [Ajouter des champs calculés](https://docs.aws.amazon.com/quicksight/latest/user/adding-a-calculated-field-analysis.html)
+ [Filtrer les données dans Quick Sight](https://docs.aws.amazon.com/quicksight/latest/user/adding-a-filter.html)
1. Vérifiez l’indicateur [SPICE](spice.md) afin de voir si vous disposez de suffisamment d’espace pour importer le jeu de données. L’importation des données dans SPICE est obligatoire pour les jeux de données Salesforce. L’importation se produit lorsque vous choisissez **Save & visualize** ou **Save**.
Si vous n’avez pas suffisamment de capacité SPICE, vous pouvez supprimer des champs de le jeu de données ou appliquer un filtre afin de diminuer sa taille. Pour plus d'informations sur l'ajout et la suppression de champs dans un ensemble de données, consultez la section [Sélection de champs](https://docs.aws.amazon.com/quicksight/latest/user/selecting-fields.html).
**Note**
L’indicateur SPICE ne se met pas à jour pour refléter les économies potentielles liées à la suppression de champs ou au filtrage des données. Il continue de refléter la taille du jeu de données récupéré de la source de données.
1. Choisissez **Save** pour enregistrer votre travail ou **Cancel** pour l’annuler.
Il se peut que vous voyiez également **Save & visualize**. Cette option s’affiche en fonction de votre écran de départ. Si cette option n’est pas présente, vous pouvez créer une visualisation à partir de l’écran du jeu de données.
# Préparation d’un jeu de données basé sur des données de base de données
Utilisez la procédure suivante pour préparer un nouveau jeu de données basé sur une requête à une base de données. Les données de cet ensemble de données peuvent provenir d'une source de AWS données telle qu'Amazon Athena, Amazon RDS ou Amazon Redshift, ou d'une instance de base de données externe. Vous pouvez choisir d’importer une copie de vos données dans [SPICE](spice.md)ou d’interroger les données directement.
**Pour préparer un jeu de données basé sur une requête à une base de données**
1. Ouvrez un jeu de données de base de données pour la préparation en choisissant l’une des options suivantes :
+ Créez un jeu de données de base de données et choisissez **Modifier/Prévisualiser les données**. Pour plus d'informations sur la création d'un nouveau jeu de données à l'aide d'une nouvelle source de données de base de données, voir [Création d'un ensemble de données à partir d'une base de données](https://docs.aws.amazon.com/quicksight/latest/user/create-a-database-data-set.html). Pour plus d'informations sur la création d'un nouveau jeu de données à l'aide d'une source de données de base de données existante, voir [Création d'un ensemble de données à l'aide d'une source de données de base de données existante](https://docs.aws.amazon.com/quicksight/latest/user/create-a-data-set-existing-database.html).
+ Ouvrez un jeu de données de base de données existant pour le modifier à partir de la page d’analyse ou de la page **Vos jeux de données**. Pour plus d'informations sur l'ouverture d'un jeu de données existant pour la préparation des données, consultez la section [Modification de jeux de données.](https://docs.aws.amazon.com/quicksight/latest/user/edit-a-data-set.html)
1. (Facultatif) Sur la page de préparation des données, dans la barre d’application, entrez un nom dans la zone du nom du jeu de données.
Ce nom devient le nom de table par défaut si vous en avez sélectionné avant la préparation des données. Sinon, la valeur est définie comme **Untitled data source**.
1. Déterminez la façon dont vos données sont sélectionnées en choisissant l’une des actions suivantes :
+ Pour utiliser une seule table pour fournir des données, sélectionnez une table ou modifiez la sélection du tableau.
Si vous avez une longue liste de tables dans le volet **Tables**, vous pouvez effectuer une recherche pour trouver une table en saisissant un terme à rechercher dans la zone **Search tables**.
Toute table dont le nom contient le terme recherché est affichée. La recherche n’est pas sensible à la casse et ne prend pas en charge les caractères génériques. Utilisez l’icône d’annulation (**X**) à droite de la zone de recherche pour retourner à l’affichage de toutes les tables.
+ Pour utiliser deux ou plusieurs des tables jointes pour fournir des données, choisissez deux tables et joignez-les à l’aide du volet de jointure. Vous devez importer des données dans Quick Sight si vous choisissez d'utiliser des tables jointes. Pour plus d'informations sur la jointure de données à l'aide de l'interface Amazon Quick Sight, consultez [Joindre des données](https://docs.aws.amazon.com/quicksight/latest/user/joining-data.html).
+ Pour utiliser une requête SQL personnalisée afin de fournir des données dans un nouveau jeu de données, choisissez l’outil **Passer au SQL personnalisé** sur le volet **Tables**. Pour plus d'informations, consultez la section [Utilisation de SQL pour personnaliser les données](https://docs.aws.amazon.com/quicksight/latest/user/adding-a-SQL-query.html).
Pour modifier la requête SQL dans un jeu de données existant, choisissez **Modifier le SQL** dans le volet **Champs** afin d’ouvrir le volet SQL et de modifier la requête.
1. Préparer les données en procédant à une ou plusieurs des opérations suivantes :
+ [Sélection de champs](https://docs.aws.amazon.com/quicksight/latest/user/selecting-fields.html)
+ [Modification des noms et des descriptions de champs](https://docs.aws.amazon.com/quicksight/latest/user/changing-a-field-name.html)
+ [Modification du type de données d'un champ](https://docs.aws.amazon.com/quicksight/latest/user/changing-a-field-data-type.html)
+ [Ajouter des champs calculés](https://docs.aws.amazon.com/quicksight/latest/user/adding-a-calculated-field-analysis.html)
+ [Filtrer les données dans Quick Sight](https://docs.aws.amazon.com/quicksight/latest/user/adding-a-filter.html)
1. Si vous ne joignez pas de tables, choisissez d’interroger la base de données directement ou d’importer les données dans SPICE en sélectionnant le bouton radio **Requête** ou **SPICE**. Nous vous conseillons d’utiliser SPICE pour de meilleures performances.
Si vous souhaitez utiliser SPICE, vérifiez l’indicateur SPICE pour voir si vous avez suffisamment d’espace pour importer le jeu de données. L’importation se produit lorsque vous choisissez **Save & visualize** ou **Save**.
Si tel n’est pas le cas, vous pouvez supprimer des champs du jeu de données ou appliquer un filtre afin de diminuer sa taille.
**Note**
L’indicateur SPICE ne se met pas à jour pour refléter les économies potentielles liées à la suppression de champs ou au filtrage des données. Il continue de refléter la taille du jeu de données récupéré de la source de données.
1. Choisissez **Save** pour enregistrer votre travail ou **Cancel** pour l’annuler.
Il se peut que vous ayez également accès à l’option **Save & visualize**. Cette option s’affiche en fonction de votre écran de départ. Si cette option n’est pas présente, vous pouvez créer une visualisation à partir de l’écran du jeu de données.