【Tableau】详细级别表达式LOD_语法与逻辑 (2)

---

详细级别表达式（LOD）是学习Tableau的难点，起初感觉容易，但是随着越来越多的高级分析应用到LOD表达式，你会发现它有各种变化无穷的用法，又容易受外部筛选器、计算影响。上一篇我们介绍了LOD的基础概念、背景知识以及常见用法，这一篇更深一层介绍语法和逻辑——特别是Fixed LOD的三种情形。

理解LOD的关键有三个：

• 什么是LOD？（详细级别）区分 行级别与视图级别；
• 理解LOD表达式的功能，与维度、度量的关系；
• 理解不同类型LOD表达式语法的应用场景

一、LOD表达式与视图详细级别

1、何为详细级别（LOD）

首先回顾一下上一篇的重点，什么是LOD？LOD=level of detail，代表数据的详细级别，不同的详细级别，对应不同的数据聚合度和颗粒度。最高的数据颗粒度就是行级别的数据，最低的颗粒度则对应着一个完全聚合的数值；中间的数据颗粒度就是常用的视图可视化详细级别（Viz LOD）。

一般来说，在Tableau中，一个视图对应着一个视图详细级别，比如我们把year、area、profits三个字段加入视图，year和area（维度）决定了详细级别的层次，profits即详细级别上的内容。在主视图详细级别（year*area）之外，我们可以使用LOD表达式，引入另一个详细级别的数据。

关键词：详细级别……增加维度……标记数量增加

在 Tableau 中，我们将主可视化聚合级别称为其“详细级别”……向视图中添加维度来增加标记数量的过程称为设置详细级别。……某些情况下，向视图中添加度量可能会增加视图中标记的数量。但这与更改视图的详细级别不同。

说到这里，我们说一下官方文档中的一句话：“放在（下图方框中）任何位置中的维度和集字段组成视图详细级别。”因为维度和集字段会形成可视化聚合视图。

更改详细级别，需要增加维度（维度或集字段）；而不是度量。

2、LOD的意义与语法逻辑

理解LOD，就要深刻理解官方的介绍，“借助详细级别表达式，无需实际将这些维度拖入可视化内容中， 您即可确定在计算中使用的详细级别(即维度)。 您可以独立于可视化详细级别， 定义应以什么详细级别来执行计算。”——不拖拽字段影响视图，又通过LOD表达式背后引用数据。视图是用户看的见的，计算则是隐藏其后的逻辑。

具体而言，三个LOD表达式的使用场景和语法分别如下：

{ [FIXED | INCLUDE | EXCLUDE]  <维度声明>  :  <聚合表达式>}

• FIXED | INCLUDE | EXCLUDE 是定界关键字，制定了LOD的范围；
• <维度声明>，指定聚合表达式要联接到的一个或多个维度。使用逗号分隔各个维度。
• ： 冒号用于分隔维度声明与聚合表达式。
• <聚合表达式>，聚合表达式是所执行的计算，用于定义目标维度。

在分析中，大括号通常代表数组（表示多个数据），冒号通常用于保存键值对。如果有一定的技术背景，可以把 lod 结果理解为 python 中的字典类型（dictionary） 

需要特别强调的是，需要特别强调的是，需要特别强调的是：

LOD表达式最后包含的，其实是数组概念中的多个数据，而不是一个结果，比如说，

{ fixed ……： ……}这个表达式，结果是 {1,2,35,499,99}这样的一组数据，而不是我们以为的一个静态结果，比如5.

明白了这一点，你就明白了为什么经常报错：无法将聚合和非聚合混合。

• 所有的include和exclude表达式在置入视图中都会用作度量，或聚合度量。
• fixed表达式在视图中可以用作度量，或者维度（如上图），根据数量类型而定。

既然LOD表达式最后的结果是一个数组，而不是一个数字，那么LOD参与的所有计算，都要服从公式或者函数的需求。

比如，聚合类计算，加减乘除，都要先把LOD数组聚合，所以下面的公式是对的：

SUM([商品总额])/SUM({FIXED [商品中类 (组)]]:sum([商品总额]])})

二、LOD的语法逻辑

理解 LOD 需要先理解几个关键：

• 所有的聚合都必须指定分组依据，即“详细级别”；如同 SQL 中的 sum 要对应 group by
• 视图中默认聚合的详细级别是“视图详细级别”，简称 viz LOD
• LOD 表达式是指定于视图详细级别不同的 另一个详细级别，fixed another LOD to aggregate
• INCLUDE 和 Exclude 是相对指定，fixed LOD 是绝对指定

1、include与exclude LOD：参照视图维度指定聚合的详细级别

include和exclude LOD，是在当前视图的维度基础上，增加一个新维度（include把不在视图中的维度引用到OD 计算中，但不改变视图已有的详细级别和聚合），或者排除一个已有的视图维度（exclude把视图中的维度排除后确定聚合对应的详细级别，但不改变视图本身的维度引用）。

因此Include和exclude LOD是依赖于视图详细级别的增减。我们用下面的图形形象地表示可以看见，从当前视图出发（深绿色箭头），最终的结果又返回到视图显示出来（红色箭头）。

！【增补】最新的图片上，增加了两个词：复制和聚合。使用exclude LOD，我们获得的结果标记数量明显会少于视图的颗粒度，因此同一个数据会在多个地方“重复出现”，我们称之为“复制”；而使用 include LOD，我们获得数据标记数量会高于视图颗粒度，也就是视图中只有三行，include LOD可能返回一个10个数据的数组，此时结果默认会聚合，按照视图的详细级别分组、聚合。

2、fixed LOD 完全指定聚合对应的详细级别

Fixed LOD稍微复杂一些，fixed是按照语法中指定的维度（如果不指定维度，则为表范围所有数据，比如{ MIN([profits])}  ），在可视化之前执行数据的聚合，而不引用视图中的任何其他维度。因此，它又分为两种情况，一种是指定的维度生成的详细级别比当前视图详细级别聚合度更高，另一种则是更低。

比如说，我们要看超市中每个细分下各类别的利润，同时希望对比相对于每个细分的差异，这就涉及到两个详细级别：细分*类别，和细分。确定好视图详细级别的维度后，另外的一个详细级别就要用LOD来提供。我们可以使用fixed 指定细分来返回数据，在没有筛选器情况下，它的结果和exclude排除类别是相同的，计算比率也一样，我们可以用上面的图解释原理，下图看效果：

具体来说，fixed的具体场景有几种：

• 聚合对应的详细级别比视图级别要高；
• 聚合对应的详细级别与视图级别要低；
• 聚合对应的详细级别与视图级别无关——典型的应用是客户的 RFM 分析 ， 【Tableau】会员主题分析之RFM_L模型。
• 聚合对应的详细级别与视图级别相同——此时通常是为了解决优先级问题，参考案例::​【Tableau高级】LOD实例：基于订单的购物篮分析(下)。

比如说上面的 {fixed [细分]: sum[利润]} ,由于视图的详细级别是 “细分 * 类别”，因此“ fixed 细分 ” 确定的详细级别的聚合度就高于视图详细级别；而如果在视图两个维度的基础上，增加指定新的维度，则聚合对应的详细级别级别要比视图详细级别要低，比如 {fixed [细分], [分类],[商品] : sum[利润]}  。

还有一种常见的情况，比如我要在上面的基础上，增加每个细分中每个客户贡献利润的平均值，我就需要引用在视图中没有的新维度：客户名称。客户层面的详细级别，与视图维度的详细级别（细分*分类）其实是没有关系的。

上面的三种情况，如果要用一个图来表示，可以参考如下图：

【增补】这里的“复制”和“聚合”含义与include/exclude LOD一致，不过这里需要注意fixed LOD的第三种情形，比如在没有客户的视图中引用了客户字段——一个与视图完全无关的新的详细级别出现了。fixed LOD返回的数组颗粒度，一般都会高于视图详细级别，结果最后会被默认聚合，以便恰当地出现在视图的详细级别上。

 

3、LOD的区别

其一，与视图详细级别的关系

结果就是，fixed LOD返回的聚合结果，聚合度可以比当前视图高，也可以低；而exclude返回的结果聚合度必然比当前视图的详细级别高，include则相反。

LOD表达式并不是一种详细级别，而是在当前视图详细级别增加另外的详细级别聚合的计算语法。它和表计算不同的是，LOD计算是基于数据源的，因此每一个LOD表达式都会从数据源引用一次并计算；而且LOD计算的优先级比表计算要高。

其二，与筛选器的顺序

在之前的数据中，我们都没有做筛选器，下面，我们看一下筛选器对LOD计算的影响。

初学者不能充分的领会LOD表达式，特别是fixed 和 include/ exclude的区别，一个重要的原因是没有清楚它们在整个操作顺序中的位置（ the Order of Operations）。关于操作顺序，不妨看一下下图，我用浅色代表筛选器，深色表示维度和表达式等。

这个筛选器和操作顺序里，关键是LOD表达式的相对位置——Fixed LOD表达式在维度筛选器之前，而include /exclude LOD在维度筛选器之后。

其三，结果作为维度还是度量

Fixed因为不依赖于视图的维度，因此可以作为维度使用，也可以被二次聚合作为度量使用；而include和exclude只能作为度量使用——因为它们依赖于视图详细级别，不能成为维度破坏视图详细级别，否则就是循环引用。

 

三、如何更好的辨别使用场景

1、筛选器影响LOD计算结果，所以要考虑筛选器影响。

• 如果使用了维度筛选器，又不想让筛选影响LOD的结果，那就必须使用fixed表达式；
• 如果希望LOD结果随着维度筛选器而变化，只计算当前可见视图的数据，那么就用include/exclude表达式；

2、视图的聚合度与期待的结果

• 如果想要的聚合结果比当前视图级别更加精细（聚合度要低、细度要高），那么推荐使用include表达式，执行计算前，指定的维度会先添加到可视化详细级别中（虽然这个维度在视图中不可见）；
• 如果想要的的结果比当前视图级别更加粗（聚合度更高、细度更低），那么就要排除掉一些维度，就用exclude表达式；Tableau exclude表达式会先从可视化详细级别中删除排除的维度并执行计算，假设该维度完全不存在——虽然在视图中显示了这个维度，然后展现结果。赤裸裸的视而不见的粗糙聚合
• 如果想要指定维度，不管这个维度在不在可视化视图中，那就用fixed表达式吧，但要注意它的优先级别高于维度筛选器，会自动排除维度筛选器的影响。

四、案例和参考

最好的练习方法是案例，其中零售是最佳的起点，可以参考这篇文章和其中的视频（视频车已经更新三年三遍）

【Tableau高级分析系列】零售分析应用·视频

为了理解 LOD，还可以参考 SQL 的“通用表表达式”，可以参考 使用 SQL CTE表表达式理解 Tableau LOD 表达式。

产品分析高级专题：购物篮分析的多个角度 （上）

 

2017年8月21日 修改V2.0
2017年8月23日 修改V2.2
8 May 2018 小修小补 V2.3
21 Oct 2018 修订
May 1, 2019 修改include/exclude/fixed图片
2024/10/06 更新