首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

查询M语言计算

在Power BI中,M语言(也称为Power Query Formula Language)用于数据查询和转换。以下是一些基本的M语言计算示例:

1. 基本计算

1.1 加法

代码语言:javascript
复制
= 1 + 2

1.2 减法

代码语言:javascript
复制
= 5 - 3

1.3 乘法

代码语言:javascript
复制
= 4 * 6

1.4 除法

代码语言:javascript
复制
= 10 / 2

2. 字符串操作

2.1 字符串连接

代码语言:javascript
复制
= "Hello, " & "World!"

2.2 字符串长度

代码语言:javascript
复制
= Text.Length("Hello, World!")

2.3 字符串截取

代码语言:javascript
复制
= Text.Middle("Hello, World!", 7, 5)

3. 日期和时间操作

3.1 获取当前日期

代码语言:javascript
复制
= DateTime.LocalNow()

3.2 日期加减

代码语言:javascript
复制
= DateTime.AddMonths(DateTime.LocalNow(), 1)

3.3 日期格式化

代码语言:javascript
复制
= DateTime.ToText(DateTime.LocalNow(), "yyyy-MM-dd")

4. 数据转换

4.1 转换为小写

代码语言:javascript
复制
= Text.Lower("Hello, World!")

4.2 转换为大写

代码语言:javascript
复制
= Text.Upper("Hello, World!")

4.3 替换字符串

代码语言:javascript
复制
= Text.Replace("Hello, World!", "World", "Power BI")

5. 条件判断

5.1 如果条件

代码语言:javascript
复制
= if 1 > 2 then "True" else "False"

5.2 多条件判断

代码语言:javascript
复制
= if 1 > 2 then "A" else if 2 > 1 then "B" else "C"

6. 数据聚合

6.1 求和

代码语言:javascript
复制
= List.Sum({1, 2, 3, 4, 5})

6.2 平均值

代码语言:javascript
复制
= List.Average({1, 2, 3, 4, 5})

6.3 最大值

代码语言:javascript
复制
= List.Max({1, 2, 3, 4, 5})

6.4 最小值

代码语言:javascript
复制
= List.Min({1, 2, 3, 4, 5})

7. 数据过滤

7.1 过滤列表

代码语言:javascript
复制
= List.Select({1, 2, 3, 4, 5}, each _ > 2)

7.2 过滤表

代码语言:javascript
复制
= Table.SelectRows(Table.FromRecords({[Name = "Alice", Age = 30], [Name = "Bob", Age = 25]}), each [Age] > 25)

这些示例展示了M语言在Power BI中进行基本计算、字符串操作、日期和时间操作、数据转换、条件判断、数据聚合和数据过滤的一些常见用法。你可以根据具体需求进行更复杂的计算和转换。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

  • 保姆级别的 PromQL 教程

    这篇文章介绍如何使用 PromQL 查询 Prometheus 里面的数据。包括如何使用函数,理解这些函数,Metrics 的逻辑等等,因为看了很多教程试图学习 PromQL,发现这些教程都直说有哪些函数、语法是什么,看完之后还是很难理解。比如 [1m] 是什么意思?为什么有的函数需要有的函数不需要?它对 Grafana 上面展示的数据有什么影响?rate 和 irate 的区别是什么?sum 和 rate 要先用哪个后用哪个?经过照葫芦画瓢地写了很多 PromQL 来设置监控和告警规则,我渐渐对 PromQL 的逻辑有了一些理解。这篇文章从头开始,通过介绍 PromQL 里面的逻辑,来理解这些函数的作用。本文不会一一回答上面这些问题,但是我的这些问题都是由于之前对 PromQL 里面的逻辑和概念不了解,相信读完本文之后,这些问题的答案就显得不言而喻了。

    05

    Prompt提示工程上手指南:基础原理及实践(四)-检索增强生成(RAG)策略下的Prompt

    此篇文章已经是本系列的第四篇文章,意味着我们已经进入了Prompt工程的深水区,掌握的知识和技术都在不断提高,对于Prompt的技巧策略也不能只局限于局部运用而要适应LLM大模型的整体框架去进行改进休整。较为主流的LLM模型框架设计可以基于链式思考(CoT)、思维树 (ToT)和检索增强生成 (RAG)。其中RAG框架可以算得上是AI平台研发的老生常谈之一了,因为无论是个人还是企业,都想要培养出一个属于自己领域专业的AI。但伴随而来的问题,不限于产生幻觉、缺乏对生成文本的可解释性、专业领域知识理解差,以及对最新知识的了解有限。

    06
    领券