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

本文涉及的产品
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
智能商业分析 Quick BI,专业版 50license 1个月
简介: 【实验】阿里云大数据助理工程师认证(ACA)- QuickBI数据分析

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

202007111429574.png

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

20200711143015210.png

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


20200711143034494.png

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


20200711143059895.png


修改完成之后,我们可以看到交叉表的表名已经变成了Sales_Amount


20200711143120142.png

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

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


20200711143149637.png


点击销售额前方的聚合类型的标签SUM,将聚合类型修改为平均值(AVG)

20200711143212989.png


然后点击更新按钮即可得到相应的交叉表

20200711143232638.png

月度平均销售额交叉表如下图所示:


2020071114325090.png

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


20200711143307911.png


修改完成之后,我们可以看到交叉表的表名已经变成了Avg_Sale

6. 点击页面右上角的保存按钮

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

8. 保存完成之后我们就可以在仪表板页面查看我们刚才保存的仪表板


第 3 章:思考与讨论


3.1 思考与讨论


阿里云Quick BI产品相对于普通桌面Excel等电子表格有什么优势?

参考答案


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


由于云计算的天生优势,使用Quick BI处理和分析海量数据成本很低。


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

相关实践学习
助力游戏运营数据分析
本体验通过多产品组合构建了游戏数据运营分析平台,提供全面的游戏运营指标分析功能,并有效的分析渠道效果。更加有效地掌握游戏运营状态,也可充分利用数据分析的结果改进产品体验,提高游戏收益。
Quick BI在业务数据分析中的实战应用
Quick BI 是一款专为云上用户和企业量身打造的新一代自助式智能BI服务平台,其简单易用的可视化操作和灵活高效的多维分析能力,让精细化数据洞察为商业决策保驾护航。为了帮助您更快的学习和上手产品,同时更好地感受QuickBI在业务数据分析实践中的高效价值,下面将以一个真实的数据分析案例为场景带您开启QuickBI产品之旅。场景:假设您是一家大型互联网新零售企业的数据分析师,您的经理刚刚拿到8月份的月度运营分析数据,他发现近期企业运营状况不佳,8月份毛利额环比前几个月下滑较大,三季度存在达标风险。因此将这个任务交给了您,根据订单信息和流量渠道信息等相关数据,分析企业8月份毛利额下滑的关键要素,并将其分享给团队,以便指导相关业务部门采取决策和行动,提高企业整体毛利额。  
目录
相关文章
|
29天前
|
SQL 数据可视化 大数据
从数据小白到大数据达人:一步步成为数据分析专家
从数据小白到大数据达人:一步步成为数据分析专家
217 92
|
6月前
|
机器学习/深度学习 算法 数据挖掘
2023 年第二届钉钉杯大学生大数据挑战赛初赛 初赛 A:智能手机用户监测数据分析 问题二分类与回归问题Python代码分析
本文介绍了2023年第二届钉钉杯大学生大数据挑战赛初赛A题的Python代码分析,涉及智能手机用户监测数据分析中的聚类分析和APP使用情况的分类与回归问题。
122 0
2023 年第二届钉钉杯大学生大数据挑战赛初赛 初赛 A:智能手机用户监测数据分析 问题二分类与回归问题Python代码分析
|
9月前
|
存储 数据采集 数据挖掘
Python数据分析实验一:Python数据采集与存储
Python数据分析实验一:Python数据采集与存储
268 1
|
4月前
|
数据采集 数据可视化 数据挖掘
阿里云 Quick BI使用介绍
阿里云 Quick BI使用介绍
660 3
|
3月前
|
并行计算 数据挖掘 大数据
Python数据分析实战:利用Pandas处理大数据集
Python数据分析实战:利用Pandas处理大数据集
|
5月前
|
机器学习/深度学习 数据挖掘 大数据
大数据时代的“淘金术”:Python数据分析+深度学习框架实战指南
在大数据时代,数据被视为新财富源泉,而从海量信息中提取价值成为企业竞争的核心。本文通过对比方式探讨如何运用Python数据分析与深度学习框架实现这一目标。Python凭借其强大的数据处理能力及丰富库支持,已成为数据科学家首选工具;而TensorFlow和PyTorch等深度学习框架则为复杂模型构建提供强有力的技术支撑。通过融合Python数据分析与深度学习技术,我们能在各领域中发掘数据的无限潜力。无论是商业分析还是医疗健康,掌握这些技能都将为企业和社会带来巨大价值。
225 6
|
6月前
|
存储 数据可视化 数据挖掘
大数据环境下的房地产数据分析与预测研究的设计与实现
本文介绍了一个基于Python大数据环境下的昆明房地产市场分析与预测系统,通过数据采集、清洗、分析、机器学习建模和数据可视化技术,为房地产行业提供决策支持和市场洞察,探讨了模型的可行性、功能需求、数据库设计及实现过程,并展望了未来研究方向。
289 4
大数据环境下的房地产数据分析与预测研究的设计与实现
|
6月前
|
存储 数据可视化 大数据
基于Python Django的大数据招聘数据分析系统,包括数据大屏和后台管理
本文介绍了一个基于Python Django框架开发的大数据招聘数据分析系统,该系统具备后台管理功能和数据大屏展示,利用大数据技术收集和分析招聘市场趋势,帮助企业和招聘机构提高招聘效率和质量。
203 3
|
6月前
|
机器学习/深度学习 算法 数据挖掘
【2023 年第二届钉钉杯大学生大数据挑战赛初赛】 初赛 A:智能手机用户监测数据分析 问题一Python代码分析
本文提供了2023年第二届钉钉杯大学生大数据挑战赛初赛A题"智能手机用户监测数据分析"的Python代码分析,包括数据预处理、特征工程、聚类分析等步骤,以及如何使用不同聚类算法进行用户行为分析。
96 0
【2023 年第二届钉钉杯大学生大数据挑战赛初赛】 初赛 A:智能手机用户监测数据分析 问题一Python代码分析
|
7月前
|
机器学习/深度学习 数据挖掘 大数据
大数据时代的“淘金术”:Python数据分析+深度学习框架实战指南
【7月更文挑战第30天】大数据时代视数据为新石油,Python因强大处理能力成为首选工具。通过NumPy、Pandas等库,Python构建了高效数据分析生态。深度学习框架如TensorFlow和PyTorch支持复杂模型构建。Python与深度学习结合,实现数据清洗、特征工程到模型训练全流程,为企业决策提供强有力支持。掌握这些技能如同掌握“淘金术”,开启无限可能。
191 5