Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
In SQL und damit auch in Looker können Sie eine Abfrage in der Regel nicht nach den Ergebnissen einer Aggregatfunktion gruppieren (in Looker als Messwerte dargestellt).
Sie können nur nach nicht aggregierten Feldern gruppieren, die in Looker als Dimensionen dargestellt werden.
Wenn Sie versuchen, ein Messwert in Looker zu aggregieren, wird der folgende Fehler angezeigt:
Measures with Looker aggregations (sum, average, min, max, list types) may not reference other measures.
Was ist, wenn Sie einen Messwert (ZÄHLE, SUMME, MITTELWERT, MAX. usw.) in eine Dimension umwandeln möchten, damit Sie nach ihm gruppieren und aggregieren können (z. B. SUMME einer ZÄHLE oder MITTELWERT einer SUMME), nach ihm filtern (in der WHERE-Klausel anstelle einer HAVING-Klausel) oder in einer explorativen Datenanalyse Pivot-Analysen erstellen können?
Abgeleitete Tabellen für die Dimensionierung eines Messwerts verwenden
Intern bei Looker wird diese Lösung als Dimensionierung eines Messwerts bezeichnet. Das liegt daran, dass Sie einen Messwert als Dimension neu definieren. Dazu erstellen Sie eine abgeleitete Tabelle, die das Maß enthält, das Sie in der SQL-Definition dimensionieren möchten.
Der Prozess
Das folgende Beispiel basiert auf einem Beispiel-E-Commerce-Dataset. In diesem Beispiel soll ein Messwert vom Typ type: average erstellt werden, der auf dem vorhandenen Messwert Gesamtumsatztype: sum basiert.
In den folgenden Schritten wird beschrieben, wie Sie eine SQL-basierte abgeleitete Tabelle generieren. Sie können eine LookML-basierte abgeleitete Tabelle, auch native abgeleitete Tabelle (NDT) genannt, als Alternative zu SQL erstellen.
Erstellen Sie zuerst eine Explore-Abfrage.
Wählen Sie die entsprechenden Felder aus, einschließlich des Messwerts, den Sie dimensionieren möchten.
Im Beispielfall enthält die Tabelle Daten im explorativen Analysetool den Gesamtumsatz, gruppiert nach Nutzerstatus und Nutzer-ID:
Wählen Sie in der Tabelle Daten auf dem Tab SQL die Option In SQL-Runner öffnen aus, um die Abfrage in SQL-Runner zu öffnen:
Nachdem Sie die Abfrage in SQL Runner ausgeführt (auf die Schaltfläche Ausführen geklickt) und die Ergebnisse bestätigt haben, wählen Sie im Zahnradmenü von SQL Runner die Option Add to Project (Zum Projekt hinzufügen) aus, um das Pop-up-Fenster Add to Project (Zum Projekt hinzufügen) zu öffnen. Entfernen Sie jetzt alle Zeilenbeschränkungsklauseln aus der SQL-Abfrage der abgeleiteten Tabelle, damit alle gewünschten Ergebnisse in die Abfrage aufgenommen werden.
Sie können auch LookML für abgeleitete Tabelle abrufen aus dem Menü auswählen, um die generierte LookML manuell in Ihr Projekt zu kopieren und einzufügen.
Wählen Sie im Pop-up-Fenster Zum Projekt hinzufügen im Drop-down-Menü Projekt einen Projektnamen aus, geben Sie einen Namen für die Datei der abgeleiteten Tabellenansicht ein und wählen Sie Hinzufügen aus.
Da sich die abgeleitete Tabelle jetzt in einer Ansichtsdatei befindet, können Sie ein Messwert erstellen, mit dem das dimensionierte Maß aggregiert wird. So können Sie beispielsweise jetzt einen type: average-Messwert für die neue Dimension „Gesamtumsatz“ (order_items_total_revenue) erstellen:
Wenn Sie Messwerte mit abgeleiteten Looker-Tabellen dimensionieren, stehen Ihnen neue Funktionen zur Verfügung und Sie können mit Ihren Daten weitere Statistiken erstellen. Da Sie jetzt nach einem dimensionalisierten Messwert gruppieren , in einer WHERE-Klausel (anstelle von HAVING) nach ihm filtern, Pivot-Analysen erstellen und andere Dimensionen basierend darauf erstellen können, können Sie Ihre explorativen Datenanalysen und Inhalte auf die nächste Dimension ausweiten.
Auf der Dokumentationsseite Abgeleitete Tabellen finden Sie weitere Informationen zum Erstellen und Verwenden abgeleiteter Tabellen sowie Hinweise und Tipps zur Leistungsoptimierung.
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Schwer verständlich","hardToUnderstand","thumb-down"],["Informationen oder Beispielcode falsch","incorrectInformationOrSampleCode","thumb-down"],["Benötigte Informationen/Beispiele nicht gefunden","missingTheInformationSamplesINeed","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 2025-07-30 (UTC)."],[],[],null,["# How to dimensionalize a measure in Looker\n\nAs a general rule in SQL --- and, by extension, Looker --- you cannot group a query by\nthe results of an aggregate function\n(represented in Looker as [measures](/looker/docs/reference/param-field-measure)).\nYou can only group by unaggregated fields (represented in Looker as [dimensions](/looker/docs/reference/param-field-dimension)).\nIf you try to aggregate a measure in Looker, you will see the following\n[error](/looker/docs/best-practices/error-measures-with-looker-aggregations-reference-other-aggregations): \n\n```\nMeasures with Looker aggregations (sum, average, min, max, list types) may not reference other measures.\n```\n\n\nWhat if you need a way to change a measure (COUNT, SUM, AVG, MAX, etc.) into\na dimension, so that you can group by it to aggregate it (like a SUM of a COUNT or an AVG of a SUM),\n[filter](/looker/docs/filtering-and-limiting) by it (in the WHERE clause rather than a\n[HAVING](/looker/docs/filtering-and-limiting#filtering_measures:_calculates_first,_then_restricts_the_results) clause), or\n[pivot](/looker/docs/creating-and-editing-explores#pivoting_dimensions) on it in an Explore?\n\nUsing derived tables to dimensionalize a measure\n------------------------------------------------\n\n\nInternally at Looker the solution is called *dimensionalizing a measure* . This\nis because you redefine a measure as a*dimension* . This\nis accomplished by creating a\n[derived table](/looker/docs/derived-tables)\nthat includes the measure you want to dimensionalize in its SQL\ndefinition.\n\n### The process\n\n\nThe following example is based on a sample e-commerce dataset. The goal for this example is\nto create an [`type: average`](/looker/docs/reference/param-measure-types#average) measure that is based on an existing **Total Revenue** [`type: sum`](/looker/docs/reference/param-measure-types#sum) measure.\n\u003e *The following steps outline how to generate a SQL-based derived table. You can elect to create a LookML-based derived table, also known as a [native derived table (NDT)](/looker/docs/creating-ndts), as an alternative to SQL.*\n\n1. Start by setting up an [Explore query](/looker/docs/creating-and-editing-explores). Choose the appropriate fields, including the measure you want to dimensionalize.\n\n \u003cbr /\u003e\n\n In the example use case, the Explore **Data** table features **Total Revenue** grouped by **Users State** and **Users ID** :\n\n \u003cbr /\u003e\n\n2. Choose **Open in SQL Runner** from the **SQL** tab in the **Data** table to open the query in [SQL Runner](/looker/docs/sql-runner-basics):\n\n \u003cbr /\u003e\n\n3. After running the query in SQL Runner (by clicking the **Run** button) and confirming the results, choose the [**Add to Project**](/looker/docs/sql-runner-create-derived-tables#adding_to_a_lookml_project) option from the SQL Runner gear menu to open the **Add to Project** pop-up. *At this point you need to remove any row limit clause in the derived\n table SQL to ensure that all desired results are included in the query.*\n\n \u003cbr /\u003e\n\n \u003e *You can also choose [**Get Derived Table LookML**](/looker/docs/sql-runner-create-derived-tables#getting_the_lookml_for_a_derived_table) from the menu to copy and paste the generated LookML into your project manually.*\n4. From the **Add to Project** pop-up, select a project name from the **Project** drop-down, enter a name for your derived table view file, and select **Add**.\n5. Now that the derived table is in a view file, you can create a measure that aggregates the dimensionalized measure. For example, you can now create a `type: average` measure for the new total revenue dimension, `order_items_total_revenue`: \n\n ```\n dimension: order_items_total_revenue {\n type: number\n sql: ${TABLE}.order_items.total_revenue ;;\n value_format_name: usd\n }\n\n measure: average_revenue {\n type: average\n sql: ${order_items_total_revenue} ;;\n value_format_name: usd\n }\n \n ```\n6. Double-check that a [primary key](/looker/docs/reference/param-field-primary-key) is defined in the derived table.\n7. [Join](/looker/docs/reference/param-explore-join) the new view into the original Explore (or create a new Explore) to be able to create queries and content with the new fields.\n\nConclusion\n----------\n\n\nDimensionalizing measures with Looker derived tables unlocks new capabilities\nand provides the power to make further insights with your data. With the ability\nto **group by**a dimensionalized measure, filter by it\nin a WHERE clause (instead of HAVING), pivot on it, and create other dimensions\nbased on it, you can take your Explore queries, and content, to the next dimension.\n\n\nVisit the [Derived tables](/looker/docs/derived-tables) documentation page for more information about creating and using derived tables, along with considerations and performance optimization tips."]]
