高级函数

使用计算量度生成器可以应用统计和数学函数。本文记录了按字母顺序排列的高级函数及其定义列表。

在组件面板中的 函数 ​列表下方选择​ 显示全部，即可访问这些函数。向下滚动查看​ 高级函数 ​列表。

表函数与行函数

在 table 函数中，输出对于表中的每一行都是相同的。在 row 函数中，输出对于表中的每一行都是不同的。

在适用且相关的情况下，函数具有函数类型注释：[表]{class="badge neutral"}或[行]{class="badge neutral"}

Include-Zeros 参数的含义是什么？

它可告知计算中是否包含零。零有时表示​ 无，有时又十分重要。

例如，如果您有收入量度，然后又将页面查看次数量度添加到报告中，则您的收入会突然多出一些全部为零的行。您可能不希望该附加量度影响收入栏中的任何​ 平均值、行最小值、四分位数 ​以及其他计算。在这种情况下，您需要检查 include-zeros 参数。

另一种情况是，您有两个感兴趣的量度，其中一个量度的平均值或最小值较高，因为其中有些行为零。在这种情况下，您可以选择不检查参数，以包含零。

与 and

AND(logical_test)

连词。不等于零被认为是真，等于零被认为是假。输出为 0（假）或 1（真）。

非重复近似计数 approximate_count_distinct

APPROXIMATE COUNT DISTINCT(dimension)

返回适用于所选维度的维度项的非重复近似计数。

示例

此函数的一个常见用例是当您想要获取客户的近似数量时。

反余弦 arc-cosine

ARC COSINE(metric)

[行]{class="badge neutral"} 返回某量度的反余弦。反余弦是一个其余弦为数字的角度。返回的角度为范围在 0（零）到 pi 之间的弧度。如果要将结果从弧度转换为角度，请将其乘以 180/PI()。

反正弦 arc-sine

ARC SINE(metric)

[行]{class="badge neutral"} 返回一个数值的反正弦。反正弦是一个其正弦为数值的角度。返回的角度为范围在 -pi/2 到 pi/2 之间的弧度。要以角度表示反正弦，请将结果乘以 180/PI()。

反正切 arc-tangent

ARC TANGENT(metric)

[行]{class="badge neutral"} 返回一个数值的反正切。反正切是一个其正切为数值的角度。返回的角度为范围在 -pi/2 到 pi/2 之间的弧度。要以角度表示反正切，请将结果乘以 180/PI( )。

Cdf-T cdf-t

CDF-T(metric, number)

返回自由度为 n 的学生 t 分布中，随机变量 z 分数小于列值的概率。

示例

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)

返回正态分布中随机变量 z 分数小于列值的概率。

示例

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

上限 ceiling

CEILING(metric)

[行]{class="badge neutral"} 返回不小于给定值的最小整数。例如，如果您要避免在报告收入时出现货币小数位数，而某产品的收入为 $569.34，则使用公式 CEILING(Revenue) 可将收入向上舍入为最接近的美元数 $570。

置信度 confidence

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

使用时间统一中心极限定理和渐近置信序列中所述的 WASKR 方法计算任意时间有效的置信度。

置信度是一种概率度量，可表明有多少证据能够表明给定变量与控制变量相同。置信度越高，表明支持控制变量和非控制变量具有相同性能的假设的证据越少。

置信度（下限） confidence-lower

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

使用时间统一中心极限定理和渐近置信序列中所述的 WASKR 方法计算任意时间有效的置信度（下限）。

置信度是一种概率度量，可表明有多少证据能够表明给定变量与控制变量相同。置信度越高，表明支持控制变量和非控制变量具有相同性能的假设的证据越少。

置信度（上限） confidence-upper

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

使用时间统一中心极限定理和渐近置信序列中所述的 WASKR 方法计算任意时间有效的置信度（上限）。

置信度是一种概率度量，可表明有多少证据能够表明给定变量与控制变量相同。置信度越高，表明支持控制变量和非控制变量具有相同性能的假设的证据越少。

余弦 cosine

COSINE(metric)

[行]{class="badge neutral"} 返回给定角度的余弦。如果角以角度表示，则将该角乘以 PI( )/180。

立方根 cube-root

CUBE ROOT(metric)

返回某数字的正立方根。某数字的立方根是该数字三分之一次幂的值。

累积 cumulative

CUMULATIVE(number, metric)

返回 x 列最后 n 个元素的和。如果 n > 0，则对最后 n 个元素或 x 求和。如果 n < 0，则对前面的元素求和。

示例

累积（平均） cumulative-average

CUMULATIVE AVERAGE(number, metric)

返回 x 列最后 n 个元素的平均值。如果 n > 0，则对最后 n 个元素或 x 求和。如果 n < 0，则对前面的元素求和。

NOTE

此函数不适用于人均收入等比率量度。该函数对比率求平均值，而不是对最后 N 行的收入求和，对最后 N 行的人数求和，然后再除以它们。
相反，使用 CUMULATIVE(revenue) CUMULATIVE(person)。

等于 equal

EQUAL()

等于。输出为 0（假）或 1（真）。

示例

Metric 1 = Metric 2

指数回归：相关系数 exponential-regression-correlation-coefficient

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

[表]{class="badge neutral"} 指数回归：Y = a exp(X) + b。返回相关系数。

指数回归：预测的 Y exponential-regression-predicted-y

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

[行]{class="badge neutral"} 指数回归：Y = a exp(X) + b。返回 Y。

指数回归：截距 exponential-regression-intercept

EXPONENTIAL REGRESSION: INTERCEPT(metric_X, metric_Y, include_zeros)

[表]{class="badge neutral"} 指数回归：Y = a exp(X) + b。返回 b。

指数回归：斜率 exponential-regression-slope

EXPONENTIAL REGRESSION: SLOPE(metric_X, metric_Y, include_zeros)

[表]{class="badge neutral"} 指数回归：Y = a exp(X) + b。返回 a。

Floor floor

FLOOR(metric_X, metric_Y, include_zeros)

[行]{class="badge neutral"} 返回不大于给定值的最大整数。例如，如果您要避免在报告收入时出现货币小数位数，而某产品的收入为 $569.34，则使用公式 FLOOR(Revenue) 可将收入向下舍入为最接近的美元数 $569。

大于 greather-than

GREATER THAN()

输出为 0（假）或 1（真）。

示例

Metric 1 > Metric 2

大于或等于 greater-than-or-equal

GREATER THAN OR EQUAL()

大于或等于输出为 0（假）或 1（真）。

示例

Metric 1 >= Metric 2

双曲余弦 hyperbolic-cosine

HYPERBOLIC COSINE(metric)

[行]{class="badge neutral"} 返回某数字的双曲余弦。

双曲正弦 hyperbolic-sine

HYPERBOLIC SINE(metric)

[行]{class="badge neutral"} 返回某数字的双曲正弦。

双曲正切 hyperbolic-tangent

HYPERBOLIC TANGENT(metric)

[行]{class="badge neutral"} 返回某数字的双曲正切。

如果 if

IF(logical_test, value_if_true, value_if_false)

[行]{class="badge neutral"} 如果条件参数的值非零（真），则结果为 value_if_true 参数的值。否则，它会是 value_if_false 参数的值。

小于 less-than

LESS THAN()

输出为 0（假）或 1（真）。

示例

Metric 1 < Metric 2

小于或等于 less-than-or-equal

LESS THAN OR EQUAL()

小于或等于。输出为 0（假）或 1（真）。

示例

Metric 1 <= Metric 2

提升 lift

LIFT（标准化容器、成功量度、控制）

与控制值相比，比率的提升。

线性回归：相关系数 linear-regression-correlation-coefficient

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

[表]{class="badge neutral"} 线性回归：Y = a X + b。返回相关系数。

线性回归：截距 linear-regression-intercept

LINEAR REGRESSION: INTERCEPT(metric_X, metric_Y, include_zeros)

[表]{class="badge neutral"} 线性回归：Y = a X + b。返回 b。

线性回归：预测的 Y linear-regression-predicted-y

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

[行]{class="badge neutral"} 线性回归：Y = a X + b。返回 Y。

线性回归：斜率 linear-regression-slope

LINEAR REGRESSION: SLOPE(metric_X, metric_Y, include_zeros)

[表]{class="badge neutral"} 线性回归：Y = a X + b。返回 a。

常用对数 log-base-ten

LOG BASE 10(metric)

[行]{class="badge neutral"} 返回某数字的以 10 为底的对数。

对数回归：相关系数 log-regression-correlation-coefficient

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

[表]{class="badge neutral"} 对数回归：Y = a ln(X) + b。返回相关系数。

对数回归：截距 log-regression-intercept

LOG REGRESSION: INTERCEPT(metric_X, metric_Y, include_zeros)

[表]{class="badge neutral"} 对数回归：Y = a ln(X) + b。返回 b。

对数回归：预测的 Y log-regression-predicted-y

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

[行]{class="badge neutral"} 对数回归：Y = a ln(X) + b。返回 Y。

对数回归：斜率 log-regression-slope

LOG REGRESSION: SLOPE(metric_X, metric_Y, include_zeros)

[表]{class="badge neutral"} 对数回归：Y = a ln(X) + b。返回 a。

自然对数 natural-log

NATURAL LOG(metric)

返回某数字的自然对数。自然对数以常数 e (2.71828182845904) 为底数。LN 是 EXP 函数的反函数。

不为 not

NOT(logical)

作为布尔值的取反。输出为 0（假）或 1（真）。

不等于 not-equal

NOT EQUAL()

不等于。输出为 0（假）或 1（真）。

示例

Metric 1 != Metric 2

或 or

OR(logical_test)

[行]{class="badge neutral"} 析取。不等于零被认为是真，等于零被认为是假。输出为 0（假）或 1（真）。

Pi pi

PI()

返回 Pi: 3.14159…

幂回归：相关系数 power-regression-correlation-coefficient

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

[表]{class="badge neutral"} 幂回归：Y = b X ^ a。返回相关系数。

幂回归：截距 power-regression-intercept

POWER REGRESSION: INTERCEPT(metric_X, metric_Y, include_zeros)

[表]{class="badge neutral"} 幂回归：Y = b X ^ a。返回 b。

幂回归：预测的 Y power-regression-predicted-y

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

[行]{class="badge neutral"} 幂回归：Y = b X ^ a。返回 Y。

幂回归：斜率 power-regression-slope

POWER REGRESSION: SLOPE(metric_X, metric_Y, include_zeros)

[表]{class="badge neutral"} 幂回归：Y = b X ^ a。返回 a。

二次回归：相关系数 quadratic-regression-correlation-coefficient

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

[表]{class="badge neutral"} 二次回归：Y = (a + bX) ^ 2，返回相关系数。

二次回归：截距 quadratic-regression-intercept

QUADRATIC REGRESSION: INTERCEPT(metric_X, metric_Y, include_zeros)

[表]{class="badge neutral"} 二次回归：Y = (a + bX) ^ 2，返回 a。

二次回归：预测的 Y quadratic-regression-predicted-y

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

[行]{class="badge neutral"} 二次回归：Y = (a + bX) ^ 2，返回 Y。

二次回归：斜率 quadratic-regression-slope

QUADRATIC REGRESSION: SLOPE(metric_X, metric_Y, include_zeros)

[表]{class="badge neutral"} 二次回归：Y = (a + bX) ^ 2，返回 b。

倒数回归：相关系数 reciprocal-regression-correlation-coefficient

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

[表]{class="badge neutral"} 倒数回归：Y = a + b X ^ -1。返回相关系数。

倒数回归：截距 reciprocal-regression-intercept

RECIPROCAL REGRESSION: INTERCEPT(metric_X, metric_Y, include_zeros)

[表]{class="badge neutral"} 倒数回归：Y = a + b X ^ -1。返回 a。

倒数回归：预测的 Y reciprocal-regression-predicted-y

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

[行]{class="badge neutral"} 倒数回归：Y = a + b X ^ -1。返回 Y。

倒数回归：斜率 reciprocal-regression-slope

RECIPROCAL REGRESSION: SLOPE(metric_X, metric_Y, include_zeros)

[表]{class="badge neutral"} 倒数回归：Y = a + b X ^ -1。返回结果 b。

样本方差

样本方差（标准化容器、成功量度）

计算样本方差的估计值。

正弦 sine

SINE(metric)

[行]{class="badge neutral"} 返回给定角度的正弦。如果角以角度表示，则将该角乘以 PI( )/180。

T 分数 t-score

T-SCORE(metric, include_zeros)

与平均值的偏差除以标准差。Z-Score 的别名。

T 测试 t-test

T-TEST(metric, degrees, tails)

执行尾长为 m 的 t 检验，其中 x 为 t 分数，n 为自由度。

详细信息

签名为 T-TEST(metric, degrees, tails)。在下面，只需调用 m CDF-T(-ABSOLUTE VALUE(tails), degrees)。此函数类似于 Z-TEST 函数，该函数运行 m CDF-Z(-ABSOLUTE VALUE(tails))。

返回值是指在给定自由度和尾数的情况下，获得测试统计数据 x 的几率。

示例

正切 tangent

TANGENT(metric)

返回给定角的正切。如果角以角度表示，则将该角乘以 PI( )/180。

Z-Score z-score

Z-SCORE(metric, include_zeros)

[行]{class="badge neutral"} 与平均值的离差除以标准差。

Z 分数为 0（零）表示分数与平均值相同。Z 分数可以为正数或负数，用于指示该分数在平均值之上还是之下，以及依据多少个标准偏差。

Z 分数的方程式为：

其中，x 为原始分数，μ 为群体平均值，σ 为群体标准偏差。

Z 测试 z-test

Z-TEST(metric_tails)

通过 x 的 z 分数，执行以 n 结尾的 z-test。