Avancerade funktioner

Med verktyget Beräknade mätvärden kan du använda statistiska och matematiska funktioner. I den här artikeln visas en alfabetisk lista över de avancerade funktionerna och deras definitioner.

Du får åtkomst till de här funktionerna genom att välja Show all under listan Functions på panelen Komponenter. Bläddra ned för att se listan med Advanced functions.

Tabellfunktioner jämfört med radfunktioner

En tabellfunktion är en funktion där utdata är desamma för alla rader i tabellen. En radfunktion är en funktion där utdata är olika för alla rader i tabellen.

I tillämpliga fall och när det är relevant kommenteras en funktion med funktionstypen: [Tabell]{class="badge neutral"}[Rad]{class="badge neutral"}

Vad betyder parametern include-zeros?

Den anger om nollor ska inkluderas i beräkningen. Ibland betyder noll ingenting, men ibland är det viktigt.

Om du till exempel har ett intäktsmått och sedan lägger till ett sidvymått i rapporten finns det plötsligt fler rader för dina intäkter, som alla är noll. Du vill förmodligen inte att det ytterligare måttet ska påverka några MEAN, ROW MINIMUM, QUARTILE och fler beräkningar som du har i intäktskolumnen. I det här fallet kontrollerar du parametern include-zeros.

Ett alternativt scenario är att du har två intressanta mätvärden och ett har ett högre genomsnitt eller minimum eftersom några av raderna är nollor. I så fall kan du välja att inte kontrollera parametern så att den innehåller nollor.

Och and

AND(logical_test)

Förening. Inte lika med noll anses vara sant och lika med noll anses vara falskt. Utdata är antingen 0 (false) eller 1 (true).

Distinkt antal approximate_count_distinct

APPROXIMATE COUNT DISTINCT(dimension)

Returnerar det ungefärliga distinkta antalet dimensionsobjekt för den valda dimensionen.

Exempel

Ett vanligt användningsexempel för den här funktionen är när du vill få ett ungefärligt antal kunder.

Arc Cosine arc-cosine

ARC COSINE(metric)

[Rad]{class="badge neutral"}

Båge sinus arc-sine

ARC SINE(metric)

[Rad]{class="badge neutral"}

Bågtangent arc-tangent

ARC TANGENT(metric)

[Rad]{class="badge neutral"}

Cdf-T cdf-t

CDF-T(metric, number)

Returnerar sannolikheten för att en slumpmässig variabel med studentfördelning med n frihetsgrader har ett z-score mindre än kol.

Exempel

CDF-T(-∞, n) = 0
CDF-T(∞, n) = 1
CDF-T(3, 5) ? 0.99865
CDF-T(-2, 7) ? 0.0227501
CDF-T(x, ∞) ? cdf_z(x)

Cdf-Z cdf-z

CDF-Z(metric, number)

Returnerar sannolikheten för att en slumpvariabel med en normal fördelning har ett z-score som är mindre än col.

Exempel

CDF-Z(-∞) = 0
CDF-Z(∞) = 1
CDF-Z(0) = 0.5
CDF-Z(2) ? 0.97725
CDF-Z(-3) ? 0.0013499

Tak ceiling

CEILING(metric)

[Rad]{class="badge neutral"}

Förtroende confidence

CONFIDENCE(normalizing-container, success-metric, control, significance-treshold)

Beräkna det tidssäkra förtroendet med WASKR-metoden enligt beskrivningen i Tidsenhetlig central gränsteori och asymptotiska konfidenssekvenser.

Förtroende är ett sannolikhetsmått på hur mycket det finns belägg för att en viss variant är densamma som kontrollvarianten. Ett högre förtroende tyder inte på att kontrollvarianten och icke-kontrollvarianten har samma prestanda.

Förtroende (lägre) confidence-lower

CONFIDENCE(normalizing-container, success-metric, control, significance-treshold)

Beräkna valfri giltig konfidensgrad lower med WASKR-metoden enligt beskrivningen i Tidsenhetlig central gränsteori och asymptotiska konfidenssekvenser.

Förtroende är ett sannolikhetsmått på hur mycket det finns belägg för att en viss variant är densamma som kontrollvarianten. Ett högre förtroende tyder inte på att kontrollvarianten och icke-kontrollvarianten har samma prestanda.

Förtroende (övre) confidence-upper

CONFIDENCE(normalizing-container, success-metric, control, significance-treshold)

Beräkna det valfria tidsgiltiga förtroendet upper med WASKR-metoden enligt beskrivningen i Tidsenhetlig central gränsteori och asymptotiska konfidenssekvenser.

Förtroende är ett sannolikhetsmått på hur mycket det finns belägg för att en viss variant är densamma som kontrollvarianten. Ett högre förtroende tyder inte på att kontrollvarianten och icke-kontrollvarianten har samma prestanda.

Cosine cosine

COSINE(metric)

[Rad]{class="badge neutral"}

Kubrot cube-root

CUBE ROOT(metric)

Returnerar den positiva kubroten för ett tal. Kubroten för ett tal är värdet för det talet upphöjt till upphöjt till upphöjt till 1/3.

Kumulativ cumulative

CUMULATIVE(number, metric)

Returnerar summan av de sista n elementen i kolumn x. Om n > 0 är summan av de sista n elementen eller x. Om n < 0, summera föregående element.

Exempel

Kumulativ (medel) cumulative-average

CUMULATIVE AVERAGE(number, metric)

Returnerar medelvärdet för de sista n elementen i kolumn x. Om n > 0 är summan av de sista n elementen eller x. Om n < 0, summera föregående element.

NOTE

Den här funktionen fungerar inte med tariffvärden som intäkter per person. Funktionen beräknar genomsnittsnivån i stället för att summera intäkterna för de senaste N:en och summerar personer under de senaste N:en och delar sedan upp dem.
Använd CUMULATIVE(revenue) CUMULATIVE(person) i stället.

Jämn equal

EQUAL()

Lika. Utdata är antingen 0 (false) eller 1 (true).

Exempel

Metric 1 = Metric 2

Exponentiell regression: Korrelationskoefficient exponential-regression-correlation-coefficient

EXPONENTIAL REGRESSION: CORRELATION COEFFICIENT(metric_X, metric_Y, include_zeros)

[Tabell]{class="badge neutral"}

Exponentiell regression: Förväntat Y exponential-regression-predicted-y

EXPONENTIAL REGRESSION: PREDICTED Y(metric_X, metric_Y, include_zeros)

[Rad]{class="badge neutral"}

Exponentiell regression: Intercept exponential-regression-intercept

EXPONENTIAL REGRESSION: INTERCEPT(metric_X, metric_Y, include_zeros)

[Tabell]{class="badge neutral"}

Exponentiell regression: Lutning exponential-regression-slope

EXPONENTIAL REGRESSION: SLOPE(metric_X, metric_Y, include_zeros)

[Tabell]{class="badge neutral"}

Floor floor

FLOOR(metric_X, metric_Y, include_zeros)

[Rad]{class="badge neutral"}

Större än greather-than

GREATER THAN()

Utdata är antingen 0 (false) eller 1 (true).

Exempel

Metric 1 > Metric 2

Större än eller lika med greater-than-or-equal

GREATER THAN OR EQUAL()

Större än eller lika med. Utdata är antingen 0 (false) eller 1 (true).

Exempel

Metric 1 >= Metric 2

Hyperbolisk cosinus hyperbolic-cosine

HYPERBOLIC COSINE(metric)

[Rad]{class="badge neutral"}

Hyperbolisk sinus hyperbolic-sine

HYPERBOLIC SINE(metric)

[Rad]{class="badge neutral"}

Hyperbolisk tangens hyperbolic-tangent

HYPERBOLIC TANGENT(metric)

[Rad]{class="badge neutral"}

If if

IF(logical_test, value_if_true, value_if_false)

[Rad]{class="badge neutral"}

Mindre än less-than

LESS THAN()

Utdata är antingen 0 (false) eller 1 (true).

Exempel

Metric 1 < Metric 2

Mindre än eller lika med less-than-or-equal

LESS THAN OR EQUAL()

Mindre än eller lika med. Utdata är antingen 0 (false) eller 1 (true).

Exempel

Metric 1 <= Metric 2

Lyft lift

LIFT(normalizing-container, success-metric, control)

Höjden på kvoten jämfört med kontrollvärdet.

Linjär regression: Korrelationskoefficient linear-regression-correlation-coefficient

LINEAR REGRESSION: CORRELATION COEFFICIENT(metric_X, metric_Y, include_zeros)

[Tabell]{class="badge neutral"}

Linear Regression: Intercept linear-regression-intercept

LINEAR REGRESSION: INTERCEPT(metric_X, metric_Y, include_zeros)

[Tabell]{class="badge neutral"}

Linear Regression: Predicated Y linear-regression-predicted-y

LINEAR REGRESSION: PREDICTED Y(metric_X, metric_Y, include_zeros)

[Rad]{class="badge neutral"}

Linjär regression: Lutning linear-regression-slope

LINEAR REGRESSION: SLOPE(metric_X, metric_Y, include_zeros)

[Tabell]{class="badge neutral"}

Loggbas 10 log-base-ten

LOG BASE 10(metric)

[Rad]{class="badge neutral"}

Loggregression: Korrelationskoefficient log-regression-correlation-coefficient

LOG REGRESSION: CORRELATION COEFFICIENT(metric_X, metric_Y, include_zeros)

[Tabell]{class="badge neutral"}

Loggregression: Skärpning log-regression-intercept

LOG REGRESSION: INTERCEPT(metric_X, metric_Y, include_zeros)

[Tabell]{class="badge neutral"}

Loggregression: Förväntat Y log-regression-predicted-y

LOG REGRESSION: PREDICTED Y(metric_X, metric_Y, include_zeros)

[Rad]{class="badge neutral"}

Loggregression: Långsam log-regression-slope

LOG REGRESSION: SLOPE(metric_X, metric_Y, include_zeros)

[Tabell]{class="badge neutral"}

Naturlig logg natural-log

NATURAL LOG(metric)

Returnerar den naturliga logaritmen för ett tal. Naturliga logaritmer baseras på konstanten e (2.71828182845904). LN är inversen till EXP-funktionen.

Inte not

NOT(logical)

Negation som boolesk. Utdata är antingen 0 (false) eller 1 (true).

Inte lika med not-equal

NOT EQUAL()

Inte lika med. Utdata är antingen 0 (false) eller 1 (true).

Exempel

Metric 1 != Metric 2

eller or

OR(logical_test)

[Rad]{class="badge neutral"}

Pi pi

PI()

Returnerar Pi: 3,14159…

Effektregression: Korrelationskoefficient power-regression-correlation-coefficient

POWER REGRESSION: CORRELATION COEFFICIENT(metric_X, metric_Y, include_zeros)

[Tabell]{class="badge neutral"}

Strömregression: Skärpning power-regression-intercept

POWER REGRESSION: INTERCEPT(metric_X, metric_Y, include_zeros)

[Tabell]{class="badge neutral"}

Strömregression: Förväntat Y power-regression-predicted-y

POWER REGRESSION: PREDICTED Y(metric_X, metric_Y, include_zeros)

[Rad]{class="badge neutral"}

Strömregression: Långsam power-regression-slope

POWER REGRESSION: SLOPE(metric_X, metric_Y, include_zeros)

[Tabell]{class="badge neutral"}

Kvadratisk regression: Korrelationskoefficient quadratic-regression-correlation-coefficient

QUADRATIC REGRESSION: CORRELATION COEFFICIENT(metric_X, metric_Y, include_zeros)

[Tabell]{class="badge neutral"}

Kvadratisk regression: Intercept quadratic-regression-intercept

QUADRATIC REGRESSION: INTERCEPT(metric_X, metric_Y, include_zeros)

[Tabell]{class="badge neutral"}

Kvadratisk regression: Förväntat Y quadratic-regression-predicted-y

QUADRATIC REGRESSION: PREDICTED Y(metric_X, metric_Y, include_zeros)

[Rad]{class="badge neutral"}

Kvadratisk regression: Långsam quadratic-regression-slope

QUADRATIC REGRESSION: SLOPE(metric_X, metric_Y, include_zeros)

[Tabell]{class="badge neutral"}

Ömsesidig regression: Korrelationskoefficient reciprocal-regression-correlation-coefficient

RECIPROCAL REGRESSION: CORRELATION COEFFICIENT(metric_X, metric_Y, include_zeros)

[Tabell]{class="badge neutral"}

Ömsesidig regression: Korsning reciprocal-regression-intercept

RECIPROCAL REGRESSION: INTERCEPT(metric_X, metric_Y, include_zeros)

[Tabell]{class="badge neutral"}

Ömsesidig regression: Förutsedd Y reciprocal-regression-predicted-y

RECIPROCAL REGRESSION: PREDICTED Y(metric_X, metric_Y, include_zeros)

[Rad]{class="badge neutral"}

Ömsesidig regression: Lutning reciprocal-regression-slope

RECIPROCAL REGRESSION: SLOPE(metric_X, metric_Y, include_zeros)

[Tabell]{class="badge neutral"}

Provvarians

SAMPLE VARIANCE(normalizing-container, success-metric)

Beräknar en uppskattning av provavvikelsen.

Sinus sine

SINE(metric)

[Rad]{class="badge neutral"}

T-poäng t-score

T-SCORE(metric, include_zeros)

Avvikelsen från MEAN, dividerad med standardavvikelsen. Alias för Z-bakgrundsmusik.

T-test t-test

T-TEST(metric, degrees, tails)

Utför ett m-tailed t-test med t-score på x och n frihetsgrader.

Information

Underskriften är T-TEST(metrisk, grader, svans). Under anropet anropas bara m CDF-T(-ABSOLUTE VALUE(tails), degrees). Den här funktionen liknar funktionen Z-TEST som kör m CDF-Z(-ABSOLUTE VALUE(tails)).

Returvärdet är sannolikheten att se provningsvärdet x med hänsyn till antalet frihetsgrader och antalet svansar.

Exempel

Tangent tangent

TANGENT(metric)

Returnerar tangenten för den angivna vinkeln. Om vinkeln är i grader multiplicerar du vinkeln med PI()/180.

Z-poäng z-score

Z-SCORE(metric, include_zeros)

[Rad]{class="badge neutral"}

Ett Z-värde på 0 (noll) innebär att poängen är samma som medelvärdet. Ett Z-värde kan vara positivt eller negativt, vilket anger om det ligger över eller under medelvärdet och hur många standardavvikelser.

Ekvationen för Z-score är:

x är råpoängen, μ är medelvärdet för populationen och σ är standardavvikelsen för populationen.

Z-test z-test

Z-TEST(metric_tails)

Utför ett n-tailed z-test med z-score x.