Verbessern einer Modellaktualisierung und -funktion
Bevor Sie sich näher mit der Verbesserung einer Modellaktualisierung und -funktion befassen, sollten Sie wissen, wie Daten in Power BI gespeichert werden. Ähnlich wie bei den Hyper-Dateien von Tableau werden Power BI-Daten als einspaltige Datenbank gespeichert.
Hinweis
Bei einer einspaltigen Datenbank wird jede Spalte als eigene Datei gespeichert, anstatt die Daten Zeile für Zeile (als zeilenbasierte Datenbank) zu speichern.
Das Speichern von Daten als einspaltige Datenbank ist ideal für lange Tabellen, bei denen das Abrufen von Zeilen für eine Spalte viel schneller geht. Die Daten in einer Einzelspalte sind immer vom selben Typ, z. B. eine Zeichenfolge oder eine ganze Zahl. Da alle Einträge eines Typs in einer Gruppe zusammengefasst werden, können sie effizienter komprimiert werden. Dies führt bei der Analyse großer Datenmengen zu einer besseren Leistung.
Hinweis
Power BI versucht auch, diese Spalten optimal zu speichern, indem sie wie Elemente in einer Gruppe zusammengefasst werden. Nachdem die Spalten gruppiert wurden, wird ein Wörterbuch mit zugeordneten verschiedenen Werten erstellt.
Verbessern eines Modells
Berücksichtigen Sie die folgenden Faktoren, wenn Sie die Leistung eines Modells verbessern möchten:
Kardinalität
Ändern von LEEREN Werten in Werte
Entfernen redundanter und unnötiger Felder
Sternschemas
Autom. Datum/Uhrzeit
Ganze Zahlen im Vergleich zu Zeichenfolgen
Entfernen von Feldern mit hoher Kardinalität
Der Begriff „Kardinalität“ bezieht sich auf die Anzahl eindeutiger Werte, die in einer Spalte oder einem Feld einer Datenbank enthalten sind. Werte mit hoher Kardinalität sind in der Regel Identifikationsnummern, E-Mail-Adressen oder Benutzernamen.
Ihre erste Überlegung sollte das Entfernen von Feldern mit hoher Kardinalität sein. Wenn Sie über eine eindeutige ID für jede Zeile verfügen, entfernen Sie dieses Feld. Je höher die Kardinalität, desto kostspieliger ist die Speicherung. Verschiedene Werte entsprechen hohen Kosten.
Ein häufiges Problem ist ein Datum/Uhrzeit-Feld, bei dem die Kombination aus Datum und Uhrzeit die Kardinalität des Felds erhöht. Sie sollten das Feld in separate Felder für Datum und Uhrzeit aufteilen, um dieses Problem zu beheben.
Ändern von LEEREN Werten in Werte
Beim Schreiben von Measures können Szenarios auftreten, in denen kein sinnvoller Wert zurückgegeben werden kann. In diesen Fällen sind Sie möglicherweise versucht, stattdessen einen Wert wie 0 (null) zurückzugeben. Aus Leistungsgründen sollten Sie dieser Versuchung widerstehen.
Bei den meisten Berechnungen werden LEERE Werte (BLANK) ignoriert, Nullwerte jedoch nicht. Durch die Konvertierung LEERER Werte in 0 (null) wird erzwungen, dass bei der Berechnung mehr Zeilen ausgewertet und große Abfrageresultsets zurückgegeben werden. Dies führt häufig dazu, dass Berichte langsam gerendert werden. Anders ausgedrückt: Durch die Konvertierung LEERER Werte in 0 (null) werden die Berechnungskosten erhöht.
Entfernen redundanter und unnötiger Felder
Das Entfernen redundanter und unnötiger Felder ist wichtig, da Sie versuchen, die Breite der Tabellen einzuschränken, wodurch die Aktualisierungsleistung verbessert wird. In der Regel können redundante Felder entfernt werden, da Sie ein Sternschema erstellt haben und nicht mehrmals dasselbe Feld angezeigt werden muss. Mit unnötigen Feldern identifizieren Sie, welche Felder beim Import verwendet werden. Es empfiehlt sich, klein anzufangen und die Datenmenge zu vergrößern, anstatt alle Daten in einem riesigen Dataset zusammenzufassen.
Erstellen von leistungsfähigen Modellen mithilfe von Sternschemas
Das Sternschemadesign ist ein wichtiger Baustein für die Entwicklung leistungsfähiger und zweckmäßiger Power BI-Modelle. Von jedem Power BI-Bericht wird eine Abfrage erstellt, die an das Power BI-Modell gesendet wird. Diese Abfragen werden dazu verwendet, die Modelldaten zu filtern, zu gruppieren und zusammenzufassen. Mit einem gut konzipierten Modell lassen sich Tabellen zum Filtern, Gruppieren und Zusammenfassen bereitstellen.
Hinweis
Das Sternschema ist ein Datenmodellierungsschema, bei dem eine Faktentabelle im Zentrum steht und verschiedene Dimensionstabellen um diese Faktentabelle herum angeordnet werden. Sternschemas sind für Abfragen großer Datasets optimiert.
Dieses gut konzipierte Modell wird den Anforderungen von Sternschemas hervorragend gerecht:
Die Dimensionstabellen unterstützen die Filterung und Gruppierung.
Die Faktentabelle unterstützt die Zusammenfassung.
Mit einem Sternschema wird die Berechnung und Verarbeitung zusätzlicher Joins verhindert, die bei einem Schneeflockenschema auftreten würden. Das Sternschema bietet aber dennoch den Vorteil komprimierter Daten, die mit einer flachen Tabelle nicht bereitgestellt werden könnten.
Deaktivieren von „Autom. Datum/Uhrzeit“
Autom. Datum/Uhrzeit ist eine Option zum Laden von Daten, die in Power BI Desktop verfügbar ist und das Erstellen nützlicher Zeitintelligenzberichte basierend auf Datumsspalten unterstützt, die in ein Modell geladen werden. Wenn diese Option aktiviert ist, werden von Power BI Desktop hinter jedem Datumsfeld des Datasets ausgeblendete Datums-/Uhrzeittabellen erstellt.
Mit all diesen ausgeblendeten Datums-/Uhrzeittabellen und Datumsfeldern wächst die Modellgröße erheblich. Durch das Reduzieren der Modellgröße wird die Leistung optimiert, insbesondere bei größeren Datasets. Optimalerweise erstellen Sie eine Datumstabelle und verlinken diese. Sie können auch andere Datumsdimensionen mit einer eigenen Datumstabelle hinzufügen, mit der mehr Funktionalitäten als mit der ausgeblendeten Tabelle für autom. Datum/Uhrzeit bereitgestellt werden können.
Verwenden Sie das folgende Verfahren, um die Option Autom. Datum/Uhrzeit in Power BI zu deaktivieren.
Wählen Sie Datei > Optionen und Einstellungen aus.
Klicken Sie auf Optionen.
Wählen Sie im Abschnitt Global oder Aktuelle Datei die Option Daten laden aus.
Deaktivieren Sie im Abschnitt Zeitintelligenz die Option Autom. Datum/Uhrzeit für neue Dateien.
Verwenden von ganzen Zahlen statt von Zeichenfolgen
Ganze Zahlen sind aus zwei Gründen besser als Zeichenfolgen:
Das Abgleichen einer ganzen Zahl mit einer anderen ganzen Zahl geht schneller als das Abgleichen einer Zeichenfolge mit einer Zeichenfolge.
Zeichenfolgen müssen so gespeichert werden, dass zuerst nach dem Index gesucht werden muss und dann der Wert ermittelt wird.
Auf Zeichenfolgen wird zweimal verwiesen, während auf ganze Zahlen nur einmal verwiesen wird.
Weitere Informationen finden Sie im Artikel Informationen zum Sternschema und der Wichtigkeit für Power BI.