彩票走势图

PivotCube VCL的主要特点：

树状（层次）维度
它不但可以处理线性维度，还可以处理层次维度。我们把它们称为树状，是因为它们的构造就像标准的层次结构—树一样，对于树，所有Windows用户应该都很熟悉（目录的结构就像树）。因此，你可以很容易地建立结构类似于Windows目录的维度树，它可以具有无数的叶子和节点。叶子和节点可以层层嵌套，最多可以有255层。
　
可扩展的统计功能
要使用这个功能，你需要建立过度饱和立方体。但在此之前，你需要把PivotCube.ExtendedMode这个属性设为True。如果一个立方体单元容纳了很多事实表中的数据，那么统计计算就会变的很复杂。尽管如此，PivotCube仍然提供了基于没有经过简化处理的完整数据集的计算。这个特点使你可以计算关于当前过滤集的准确函数值。这个特点的独特之处在于精确的计算而不是基于简化的统计公式的计算。因此，使用PivotCube，你总是可以得到准确的计算结果。

PivotCube扩展模式支持的统计功能如下：

• 最小值
• 最大值
• 中间值
• 四分之一
• 四分之三
• 四分点之和
• 四分点之差
• 四分点偏差系数
• 偏斜度
• 峰度
• 均方差
• 方差
• 偏差系数
• 平均误差
• 平均绝对值差

    如果你不需要这个特殊功能，你可以使用PivotCube的标准模式来最小化立方体大小，内存占用和提高速度。但在此之前，你需要把PivotCube.ExtendedMode属性设为False。

PivotCube标准模式下的功能：

• 总和
• 计数
• 平均数

    可以很简单地从任何TDataSet的派生类装载数据
    使用TDataSet的派生类作为数据源使你可以轻松地通过以下方式装载数据：

• Borland数据库引擎（BDE）
• ActiveX数据对象（ADO）
• Direct Oracle Access(DOA)
• IBObjects

    虽然你没有必要使用“Group by”或者MDX语句对数据进行预处理，但是如果你希望从SQL-Server装入PivotCube的数据记录数最少，你就可以使用“Group by”语句

• 可以很容易地使用新数据更新已有的立方体（不需要重新构造整个立方体）
• 就像在一个大型的OLAP服务器中，通过在已有的立方体中添加新的数据，而不是重新构建整个立方体，你可以一步一步地构造自己的立方体。对于那些需要处理经常变化的数据的用户来说，这是非常重要的特色。

自定义的维包装（dimension wrapping）

　　例如，“日期”可以被切分为季节、季度、白天/夜晚等等，或者，“地址”可以被切分为街道、邮政编码、城市、村等。“姓” [比如smith]，“名” [比如John]和“部门”[比如managers]可以被综合成单个字符串“Employer”[比如 John Smith Mgrs.]
　

可通过维度和度量值筛选

    OLAP最强大的功能之一是能帮助用户进行深刻和详细地分析，从而得出正确的商业决策。PivotCube提供了强大的通过维度和度量值进行筛选的功能。

• 通过维度进行筛选以下面两种方式进行:
  
• 常规筛选（通常过滤掉不必要的数据）
• 增量式的筛选（只筛选出所选择的一个必要的维度元素；但仍然可以分析无数的维度）。当你只需要提供一个客户的分析或者是一年的分析时，这种方式是非常方便的。
• 通过维度进行筛选：对于活动和不活动的维来说，都是可行的。例如，你不需要将一个维嵌入到一个活动的片段中进行分析。

PivotCube VCL key features

Tree-like (Hierarchical) dimensions

This feature allows working with not only linear dimensions, but with hierarchical dimensions as well. We call them “ Tree-like” because they are built like standard hierarchical structures – trees, good known to all Windows users (structure of directories is built like trees). So you can easily build dimensions which structure is branched like Windows directories and the quantity of nodes and leafs of the tree is unlimited. Both nodes and leafs can be embedded into nodes without any limitations up to 255 nested levels.

Extended set of statistical functions support.

To use this feature you need to build supersaturated cube. But before start building you need to set PivotCube.ExtendedMode to True. If one cube cell holds many values from the fact table - calculations of statistical functions get complicated. But nevertheless PivotCube provides calculations based on full data set without simplifying transformation of data. This allows calculating True function values regarding current filter sets. Unique thing of this feature is exact PivotCube calculations in contrary to calculations based on simplifying statistical formulas. So with PivotCube you always get True calculations as a result.

Statistical functions supported by PivotCube Extended Mode are as following:

• Min
• Max
• Median
• 1stQuartile
• 3rdQuartile
• InterQuartile
• Quartile Deviation
• Coeff of. Quartile Deviation
• Skewness
• Kurtosis
• Standard Deviation
• Variance
• Coeff. of Deviation
• Mean St. Error
• Mean Abs. Deviation

If you don’t need this special function you are able to minimize cube size, memory occupation and increase building speed using PivotCube Standard Mode. But before start building you need to set PivotCube.ExtendedMode to False.

List of aggregation functions allowed by PivotCube in Standard Mode:

• Summa
• Count
• Average

Simple load data from any TDataSet descendant.

Using TDataSet successors as datasource allows you easy load Data from:

• Borland database engine (BDE)
• ActiveX data objects (ADO)
• Direct Oracle Access (DOA)
• IBObjects
• Etc…

You don’t need to prepare you data with “Group by” or MDX clauses, but you may use “Group by” only if you wish to minimize loading data records into PivotCube from your SQL-server.
Easily upgrade saved cube with new data (without rebuilding total cube).
You can build your own cubes like in a 'large' OLAP servers – step-by-step, without rebuilding total cube, just adding new records into saved cube. It’s a very important feature especially for those users who work with often changing data.

Custom dimension wrapping

For example “Date” field can be splitted to Seasons, Quarters, Day/Night etc, or “Address” field can be splitted to street, zip-codes, city, village etc, fields “LastName” [e.g. Smith] “FirstName” [e.g. John] and “Department” [e.g. managers] can be combined to single string field “Employer” [e.g. John Smith mgrs.]

Filtering by dimensions and measures

• One of the most powerful OLAP features that helps to execute deep and detailed analysis to make business decisions is filtering. PivotCube provides powerful filtering by dimensions and filtering by measures.
  Filtering by dimensions is presented in 2 ways:
  • Custom filtering (ordinary filtering with the excluding of unnecessary data)
  • Incremental filtering (filtering with choosing one necessary dimension element only; quantity of analyzing dimensions is still unlimited). This is very convenient if you want for instance to provide analysis by one customer only or/and for only one year etc.
• Filtering by dimensions is available both in active and inactive dimensions. I.e. you don’t need to imbed a dimension into active slice to drill.