Identifikace výkonnostních problémů

Intermediate Data Modeling in Power BI

Sara Billen

Curriculum Manager at DataCamp

Řešení výkonnostních problémů

Žena sedí za počítačem, na jehož obrazovce se pomalu načítá dashboard.

Kresba přesýpacích hodin.

Kde může docházet k problémům:

Odstraňte nepotřebné řádky a sloupce
Zvolte správné datové typy
- Číselná data zabírají méně místa
- Přetypování a agregace dat jsou pomalejší
Seskupujte a sumarizujte data
- Méně dat uložených na disku
- Rychlejší dosažení agregovaných výsledků

Diagram různých způsobů importu dat v Power BI: Excel, CSV a databáze.

Dva způsoby připojení k datům:
- Import model: ukládá data v Power BI
- Direct Query: dotazuje databázi přímo

Omezte paralelní dotazy
Doporučení pro relační databáze
- Pište efektivní SQL dotazy
- Používejte vhodné indexy
- Načítejte pouze potřebné sloupce a řádky

Diagram způsobů načítání dat v Power BI: Import na jedné straně a Direct Query (připojené k databázi) na druhé.

Vytvoření vlastních sloupců:

Vypočítané sloupce (DAX)	Computed sloupce (Power Query)
DAX	Power Query (M)
Rychlé pro jednoduché výpočty	Rychlé pro jednoduché výpočty
Pomalé pro složité výpočty	Rychlé pro složité výpočty
Generovány za běhu pro každý vizuál	Generovány jednorázově při importu

Případ použití obousměrného filtrování
- Nalezení relevantních položek průřezu mezi dimenzemi
Pomocí filtrů míry lze pro třetí případ obousměrné vztahy nahradit!

Datový model v Power BI s jednosměrnými filtry a mírou Slicer_MyFactTable.

1) Vytvořte míru filtru v DAX:

Slicer_MyFactTable = INT(NOT ISEMPTY('My Fact Table'))

2) Přidejte vizuální filtr do průřezu a nastavte podmínku Slicer_MyFactTable = 1

Obrazovka počítače s reportem v aplikaci Power BI.

Intermediate Data Modeling in Power BI