1. 概述

数据表格中支持多种日期类型，不同的日期类型通常代表的不同的粒度，可通过表计算功能实现跨视图粒度计算。

2. 日期类型

(1) 产品入口

• 编辑态 --> 鼠标右键单击日期型字符串 --> 日期类型。

(2) 快速入门

• 日期截断：将日期阶段至选中的粒度，包括精确时间、年、年-季度、年月、年-周（跨年）、年-周（不跨年）、年-月-日、年-月-日-小时、年-月-日-小时-分、年-月-日-小时-分-秒。
• 日期部分：只保留选中的日期部分，包括年、季度、月、周、日期（星期）、日、小时、分钟、秒。
• 特定日期：包括年底、年-季度底、年-月底、年-周底

2. 粒度

本节要介绍的就是本产品提供的众多数据分析功能之一——跨视图粒度计算（其实就是简单的3个函数，但能实现复杂的分析需求：比如新客贡献分析、留存分析、复购分析、RFM分析等等）。

既然要跨视图粒度计算，那我们先来理解两个概念：粒度、视图。

1、粒度：什么是数据粒度呢，它指的是一份数据的细化程度，这么解释有些抽象，可以看下一幅漫画（原漫画来自日和动漫）

漫画中，老板的“粗略”、“明细”描述的就是数据的粒度，越明细的数据包含的信息越多，同时也越难解读，所以一般根据需求不同会挑选不同粒度的数据来分析。

2、视图：数据库技术里有对视图的定义，本文中，可以先简单地把视图理解为一个表格，如下图所示就是两个不同粒度的视图，视图1 细化到省，视图2细化到城市，视图2的细化程度更高，数据更明细，包含的信息也更多：

好了，现在我们已经理解了粒度、视图两个概念，每个视图有自己的粒度，一个视图里只能有一个粒度。

那什么时候需要用到跨视图粒度计算呢，当我们在一个视图里需要用到来自其他视图粒度的数据时，就需要用到跨视图粒度计算了。举个例子：

例1：还是上文的视图1跟视图2，当我们需要在视图2里加一列数据，显示每个城市销售额在该省的占比，比如计算杭州的销售额占浙江省的比例，这时候我们需要“杭州的销售额/浙江的销售额”，但杭州的销售额数据在视图2里，而浙江的销售额数据在视图1里。没法拿到一起计算：

这时候我们可能需要用SQL去取两个不同粒度视图的数据，然后放在一个视图里进行分析，SQL语句如下所示，如果不了解SQL可以忽略，不影响理解跨视图粒度计算。

如果在视图2中，需要用到视图1的数据，只需要借助一个简单的函数就可以实现

创建一个计算字段：

{ FIXED [省] : sum([销售额]) }

它的意思是以“省”的粒度计算销售额的和，也就得到每个省的总销售额。

得到每个省的总销售额之后，我们可以用城市的销售额除以省的总销售额来计算占比啦，如下：

sum([销售额]))/sum([各省的销售额]))

如此，我们便实现了目的，在视图2中增加一列展示每个城市的销售额在该省的占比：

通过一个函数，就实现了本需要写那么长一串SQL语句才能办到的事，是不是很高效，不懂SQL的小伙伴也可以掌握。

例2：再举一个跨视图粒度计算的例子来帮大家理解，假设我们有这样一个视图，记录客户每个订单发生的时间，粒度细化到每个订单：

这时候，如果我想给每个订单打个标签，标记这个订单是否是新客户的首单（一个新客户下的第一单就被认为是首单），如图中标出的几个订单：

直观上理解，要判断订单是否是首单，只要把订单的时间跟客户第一次下单的时间进行对比，如果相等，说明这个订单是用户的首单，那么我们可以再建一个客户粒度的视图，对每个客户所有的下单日期取最小值，即可得到每个客户的首单日期：

得到每个客户的首单日期后，我们只要把每个订单的日期去跟首单日期比较，如果相等就是首单，但现在遇到了难题，要比较的两个数据来自不同粒度的视图：

这时候，又可以借助跨视图粒度计算来实现目的啦。

创建一个计算字段：

{ FIXED [客户名称] : min([下单日期]) }

它的意思是以“客户名称”的粒度来计算最小的下单日期，也就是每个客户首单的日期，然后我们可以通过比较来给每个订单打标签啦。（我们的测试数据里，每个用户每天至多下一单，这样只要两个日期是同一天，就判定为首单，如果一天多单则还需要比较两个日期的时分秒是否一致）

if DATEDIFF("day", [下单日期],[首单日期]) = 0 then "首单"
else "非首单"

结果如图所示：

打完标签后，我们就可以在图表中直观地区别出销售额中哪些是由新客贡献的，可以看到新客贡献了大部分销售额，说明我们的老客复购效果可能不理想啊。