Quick BI使用案例05: 跳转后切换查询条件导致图表无数据?这样避免!

简介: 本文详解仪表板跳转后查询条件切换导致数据为空的解决方案。关键在于正确设置被跳转页面的全局参数,仅关联查询控件,避免与图表绑定,确保数据正常展示。

栏目说明

Quick BI使用案例」系列短文都来源于用户遇到的真实问题

文章聚焦使用过程中的高频误区与使用技巧,希望能帮助您充分地发挥产品价值。

问题背景

用户经常会遇到在仪表板A中对交叉表维度字段“区域”设置跳转,点击维度值“华北”跳转到仪表板B,被跳转仪表板B中图表可以正常展示数据。当被跳转仪表板B中查询条件由“华北”切换为“西南”,图表提示“数据返回为空”(见下图)。

在实际应用中,用户希望被跳转页面B中查询条件“华北”是跳转后的初始值,当被跳转仪表板中查询条件由“华北”切换为“西南”时,被跳转仪表板展示“西南”区域的数据。


解决方案

出现该问题是由于被跳转页面中,全局参数关联错误导致的,可以通过被跳转页面全局参数正确设置解决该问题。需要注意的是被跳转页面的全局参数只和被跳转页面中的查询控件关联,不要和被跳转页面中的图表关联。具体步骤描述如下:

Step1.新建仪表板A,添加交叉表,字段配置如下:

Step2.新建被跳转仪表板B,依次添加交叉表,查询控件和全局参数。

新建仪表板B,添加交叉表和查询控件,查询控件和交叉表绑定,设置完成后点击“确定”,如下图所示:

点击编辑页面上方“全局参数”按钮添加全局参数“area”,全局参数仅和查询控件绑定,全局参数不和被跳转页面交叉表绑定,全局参数设置完成后点击“确定”,发布仪表板B。

Step3.在仪表板A中,对交叉表维度字段“区域”设置跳转。

在仪表板A编辑页面中选择交叉表,依次点击“分析-跳转-图表跳转配置”,跳转规则中选择字段“区域”,跳转内容选择被跳转仪表板B。全局参数设置中,当前图表字段“区域”和被跳转仪表板B中的全局参数area关联。跳转设置完成后,点击右下角“确定”。如下图所示:

Step4.在仪表板A中点击“华北”跳转到仪表板B,仪表板B中交叉表正常展示“华北”区域的数据。在被跳转仪表板B中,将查询条件由“华北”切换为“西南”,交叉表正常展示“西南”区域的数据。

常见误区

  1. 被跳转仪表板中,全局参数和图表绑定。

被跳转仪表板中,全局参数和图表绑定(如下图)导致被跳转页面查询条件切换后查询无数据。

如果全局参数同时绑定查询控件和图表,当被跳转页面查询控件切换查询条件时,图表展示数据逻辑是“区域”同时满足跳转条件和新的查询条件的数据,存在逻辑矛盾,会导致数据为空。

在Chrome浏览器通过快捷键Ctrl+Shift+I打开开发者工具,选择“Network-Fetch/XHR”,被跳转页面Ctrl+R重新加载数据,在query接口中查看具体的SQL,可以看到查询逻辑,进行问题初步排查。

从下图可以看出,当被跳转仪表板B中全局参数“area”和交叉表关联时,在仪表板A中点击“华北”跳转到仪表板B后,在仪表板B中将查询条件“区域”由“华北”切换为“西南”,生成的SQL中查询的是“区域”为“华北”并且为“西南”的数据,所以无法查询到数据。

如阅读后有任何问题,您可以点击Quick BI产品内右下角【帮助与反馈】按钮与我们取得联系。

相关文章
|
9天前
|
数据采集 人工智能 安全
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
299 164
|
3天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
312 155
|
12天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
865 6
|
5天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
252 113