如何同时展现不同粒度的度量？

20060712
这个问题一开始并不知道是指什么，后来渐渐明白。它可以表述成为——"如何同时展现不同粒度的度量？"

粒度是由事实表的维度确定的，例如在Nina提到的两个表中，资料表的粒度由ID确立的，指的是"一批检验的"。而具体不良信息表的粒度是由ID和不良描述两者确立的，含义是"一批检验中不同不良情况的"。后者的粒度要比前者更细一些，因为多了一个"不良情况"。

展现的时候，却希望同时将两种不同粒度的度量展现出来，假设汇总一个数据表为（ID、不良描述、不良量、总不良量），不良量是依附ID和不良描述，而总不良量却只是依附ID。如此，总不良量肯定是有冗余信息的，例如对于ID=1的情况，总不良量=5，根据3种不良情况的不同，就会出现3次。

这不是一个符合第三范式的表，但如果是为了做展现，到可以姑且一试。并且还得注意那个总不良量是不能做sum操作的。

这样的分析结果，计算每种不良情况的数量占总不良数的占比，当然很方便。不过其实还有另外的方法得到这种占比。

因为注意到sum(不良量)=总不良量，如果是这样的话，其实不必将总不良量在底层数据表（或视图）中计算出来，而是让报表工具来代替这种计算，大多成熟的报表工具都有此功能。譬如在excel的旋转透视图中，如下图：

列上第二个字段"不良数占比"就是通过右键菜单的"字段属性>数据显示方式"下拉框中选择"占同列数据总合的百分比"。而至于总计值，5，只在总计栏中出现一次而已。

当然，这种方法只适合于sum(不良量)=总不良量的情况，如果那个同时需要展现的粗粒度的度量为"抽样量"，这个值跟不良量没有计算关系，可能还是得在底层数据表中将这两种不同粒度的度量整合在一起。只是不知道，将不同不良情况的不良量跟抽样量相比有没有业务上的意义。

Nina 20060712

對，你說的沒錯，比我自己說都要清楚，事實上我自己都不知道怎麼去說，專家就是專家，因為我對術語還不是很明白呢

抽樣量是什麼意義的，在不良看來，只是業務系統紀錄的一個值而已。

Goldenfish 20060713

这个问题是指标并非与所有维度关联的情况。在本例中，是总不良量与“不良描述”这个维度没有关系，或者说事实表中没有关于总不良量针对不良描述维度的取值（或，在同一ID下，无论不良描述维度取值是什么，总不良量总是一个固定值）。

Cognos对这种情况有Allocation机制加以解决。

Allocation Description Transformer automatically allocates a measure to an entire dimension when the source of the measure does not reference that dimension. By default, Transformer allocates the measure value as a constant throughout the dimension. You can change the default to N/A (do not allocate) or to By Measure (proportionally allocate, based on values in another measure).

如果有“抽样量”这种指标与“不良描述”维度无关，则可以缺省使用常量，即无论该维度是什么，都取同样的在ID下规定的抽样量的值；也可以使用N/A（我没试过，猜测显示结果是N/A）；也可以指定按另一个指标进行分配，例如“抽样量”按“不良量”同比例分配。

同道理，Cognos还提供针对维度层次的Allocation。例如计划值只是到年，实际销售额是按月，则在时间维度上，在月的粒度上查看计划值，也能以常量（看到的是年计划的值）、N/A、同比分配的方式查看。

goldenfish举出cognos的例子，我想大多工具都已经有处理这些问题的方法。深入探讨，发现还可以得到更多的结论。

还是粒度的问题。将两个不同粒度的事实表关联起来分析，怎样的分析才有效，才不会展示无意义或错误的数据？

一开始我有些认为这是个"度量对维度的依赖"问题，参见（ http://happysboy.blogchina.com/104598.html ），原来还是有些不同。

要明确这"不同粒度"，为了表示方便，用D表示作为逻辑主键的维度字段，称为"主键维度"，用A表示非逻辑主键的维度字段（一般称为"属性"，依赖于主键，称为"属性维度"），用M表示度量字段。考虑两个表：

T1(D1, D2, M1)
T2(D1, A2, M2, M3)

T1的粒度由D1,D2,D3确定，T2的粒度由D1确定，T2的粒度比T1粗。那Nina的例子来说，借用实际的例子。T1是一个不良信息表，保存每次检验中，不同不良原因的数量。D1为检验的批号，D2为不良原因；T2是检验表，保存每次检验的信息，诸如抽样数、不良数、厂商、客户等。D1为检验的批号，A2为厂商，M2为抽样数，M3为检验中的不良数量。

（这样的设计多少有些奇怪，一次检验必定是针对厂商的，但在T2中，却只给出这个厂商总的不良数量，至于不同不良原因的数量，却在T1中，那里却无法区分到厂商。这是设计的问题，有时候会不得不出现这样的情况，这里姑且不论，还是来看看这两个不同粒度的表如何关联起来做分析。）

假使将这两个表用D1关联起来，做成一个视图，结构为V(D1,D2,A2,M1,M2,M3)，这是一个按照细粒度表T1为准的视图，那么M2, M3针对不同的D2值（可以理解为不良原因），是重复冗余的。如图0所示，基于这个数据，来看看不同的展现结果。为了称呼方面，此处将出现在界面上的维度或者作为过滤条件的维度叫做"分析维度"。

[图0:附件-gran0.jpg]

第一种情况，将D1、D2、A2都作为分析维度，参见图1，这样的结果能说得过去。但要注意由不良原因"多漆"，I002，以及抽样数确定的单元格中那个200指的是I002检验时的200，虽然这本身不是非常合逻辑，但至少这个200是能够解释的，下面都有同样的问题。所以，这张表可以视为正确。

[图1:附件-gran1.jpg]

第二种情况，将D1、D2作为分析维度，参见图2。这个结果也不错，从不同检验批次，看不同不良原因的数量，并且可以看这些数量在每批检验的抽样和总不良数的对比。后两者针对不同不良原因是固定相同的。

[图2:附件-gran2.jpg]

第三种情况，将D2、A2作为分析维度，参见图3。这个报表展现不同厂商、不同原因的不良数、抽样数和检验不良总数。看不良数，没问题，但看这个抽样数和检验不良总量数，就有些奇怪了，它们对应的维度值是"不圆"和"神奇"，这是什么意思？其实它是依赖检验批次的，是指I003次检验，抽样了20，其中不良的6个。但"不圆"原因只出现在一次检验中，那次的抽样数为20而已。因此在这个报表中，没有将检验批次作为分析度量，让数字有些难以理解。

[图3:附件-gran3.jpg]

第四种情况，仅将D2作为分析维度，参见图4。表示不同原因的不良数、抽样数等。同样，因为"不圆"原因只在I003次检验中出现，因此不圆那一行的抽样数20，检验不良总量6也是不好理解的 。其实，如果论抽样，也应该是320个（100＋200＋20）。

[图4:附件-gran4.jpg]

第五种情况，仅将A2作为分析维度，参见图5。表示不同厂商的不良数，抽样数。显然，抽样数、检验不良总量是重复汇总了。

[图5:附件-gran5.jpg]

第六种情况，将D1、A2作为分析维度，参见图6。因为A2是唯一依赖D1的，所以和单独以D1作为分析维度没什么区别。但明显，其中的抽样数和检验不良总量，也是因为忽略了不良原因，造成重复汇总。

[图6:附件-gran6.jpg]

从上面六种情况可以看到，第一、二种情况的报表是可以理解的。第三、四种情况，出现在粗粒度表种的度量数字不能理解。第五、六种情况呢，干脆就是数据重复汇总，更加不能容忍的。

为此，可以基本得出一些结论，当粗粒度表T2和细粒度表T1关联起来做分析展现时：
1、粗粒度表中作为主键的维度需要作为分析维度，否则依赖次维度的度量虽然不会重复汇总，但会变得不能理解。第三、四中情况既是如此。

2、细粒度表中作为主键的维度，但并非粗粒度表中主键维度的，需要作为分析维度。因为少这种维度，就会发生汇总，而这个汇总对于粗粒度的度量值来说，就存在重复汇总的错误。第五、六种情况就是如此。）

如此看来，最终的结论是为了让报表数字能够理解，并且不会发生重复汇总。细粒度表T1中所有主键维度都必须作为分析维度。属性维度则是可选的。