优化 DAX 计算

10 分钟

当性能分析器识别慢速 DAX 查询时，下一步是优化 DAX 本身。低效 DAX 是语义模型性能不佳的最常见原因之一。对度量值定义的小更改可能会显著减少查询时间。

使用变量消除重复计算

最有效的 DAX 优化技术之一是使用变量（VAR / RETURN）。当公式多次计算同一表达式时，引擎每次都会重新计算它。变量只需存储一次表达式的结果并重复使用，这可以使包含重复子表达式公式的查询时间大约减半。

请考虑这个同比增长指标：

Sales YoY Growth % =
DIVIDE(
    ([Sales] - CALCULATE([Sales], PARALLELPERIOD('Date'[Date], -12, MONTH))),
    CALCULATE([Sales], PARALLELPERIOD('Date'[Date], -12, MONTH))
)

PARALLELPERIOD 表达式会被计算两次：一次在分子中，一次在分母中。使用变量重写可消除冗余：

Sales YoY Growth % =
VAR SalesPriorYear =
    CALCULATE([Sales], PARALLELPERIOD('Date'[Date], -12, MONTH))
RETURN
    DIVIDE(([Sales] - SalesPriorYear), SalesPriorYear)

结果相同，但引擎只计算 SalesPriorYear 一次。变量还可以提高可读性：描述性变量名称使复杂公式更易于理解和维护。

小窍门

变量还简化了调试。可以暂时更改 RETURN 表达式以仅输出变量值，这样就可以在不重写整个公式的情况下检查中间结果。

了解 FILTER 与 KEEPFILTERS

如何在 DAX 中应用筛选器修改直接影响性能。该 FILTER 函数逐行遍历表以检查条件。应用于大型表时，此迭代可能很昂贵。

-- Expensive: FILTER iterates the entire Sales table
High Value Sales =
CALCULATE(
    [Total Sales],
    FILTER(Sales, Sales[Amount] > 1000)
)

FILTER在具有数百万行的表上使用时，引擎会创建逐行迭代上下文。如果筛选器逻辑仅涉及单个列，则通常可以替换为 FILTER 更简单的布尔表达式：

-- More efficient: column filter
High Value Sales =
CALCULATE(
    [Total Sales],
    Sales[Amount] > 1000
)

KEEPFILTERS 提供不同的用途。它保留现有的筛选器上下文，而不是替换它。当你希望添加一个筛选条件，但又不想覆盖由切片器或其他视觉对象已施加的筛选时，请使用 KEEPFILTERS：

Online Sales =
CALCULATE(
    [Total Sales],
    KEEPFILTERS(Sales[Channel] = "Online")
)

大型表中 FILTER 和直接列谓词之间的性能差异最明显。一般而言，当列级别的谓词能够达到相同效果时，应避免对整个表使用 FILTER。

管理迭代器函数成本

迭代器函数（例如SUMX，AVERAGEXMAXX）计算COUNTX表中每一行的表达式，然后聚合结果。它们功能强大，有时也是必需的，但也会带来成本，尤其是在处理大型表时。

-- Iterates every row in the Sales table
Weighted Average Price =
SUMX(
    Sales,
    Sales[Quantity] * Sales[UnitPrice]
) / SUM(Sales[Quantity])

此公式正常工作，但如果 Sales 表有 5000 万行， SUMX 则计算每一行的乘法。如果存在等效的非迭代器表达式，请使用它：

-- Non-iterator equivalent (if LineTotal is a column)
Total Revenue = SUM(Sales[LineTotal])

迭代器函数本身并不糟糕。当你需要行级计算逻辑时，它们是正确的选择，这些逻辑不能用简单的聚合表示。关键是了解成本：迭代器性能随表大小缩放，因此迭代器超过 1,000 行是正常的，但超过 1 亿行的迭代器可能会成为瓶颈。

避免成本高昂的模式

已知某些 DAX 模式会导致性能问题。识别它们有助于从一开始就编写更好的公式。

在处理大型表时使用 COUNTROWS(FILTER(...))。 此模式遍历整个表以计数符合条件的行。将其替换为 CALCULATE，并使用 COUNTROWS 作为筛选器参数：

-- Expensive
Large Orders = COUNTROWS(FILTER(Sales, Sales[Amount] > 1000))

-- Better
Large Orders = CALCULATE(COUNTROWS(Sales), Sales[Amount] > 1000)

包含复杂筛选器的嵌套 CALCULATE。 每个嵌套 CALCULATE 都会创建一个新的筛选器上下文转换。具有多个上下文更改的深度嵌套公式难以优化。通过将复杂度量分解为较小的组件度量，每个组件只处理一个筛选器修改，以实现简化。

混合聚合颗粒。 合并不同粒度级别的数据的度量值（例如，将单行的值与表级总计进行比较）需要上下文转换，这些转换可能很昂贵。使用变量计算总计一次并重复使用它：

Pct of Total =
VAR TotalSales = CALCULATE([Total Sales], REMOVEFILTERS())
RETURN
    DIVIDE([Total Sales], TotalSales)

将计算移动到数据层

如果 DAX 度量在每次查询刷新时计算相同的结果，并且基础数据在刷新之间不会更改，请考虑改为在数据层中具体化该计算。

例如，一个计算列在数据刷新期间运行，将名字和姓氏连接并存储结果。但用于度量的相同逻辑将运行在每个查询上。对于如下所示的静态转换，有两个选项：

Power Query 计算列：在数据加载期间，定义 M 中的转换过程。这些列比 DAX 计算列更高效地进行压缩，因为 VertiPaq 引擎可以在加载过程中优化存储。
源级计算：如果数据源是 SQL 数据库，请将计算添加到 SQL 视图或查询。这使用数据库引擎的优化功能。

仅在需要使用 DAX 特有函数的场景中才使用 DAX 计算列，例如对度量值进行计算，或者使用依赖于语义模型关系的时间智能函数。

重要

在上游执行计算不仅改善了查询性能，还减少了数据刷新时间，因为 DAX 计算列是在所有 Power Query 表加载完成后才进行计算的。

考虑人工智能的用户体验

DAX 性能直接影响 AI 驱动的体验。在 Microsoft Fabric 中，IQ 数据代理和 Copilot 聊天通过在后台生成 DAX 查询来查询您的语义模型。对人类用户需要五秒钟才能完成的度量值，Copilot 同样也需要五秒钟；而 AI 交互的超时阈值通常比交互式报表更为严格。

优化 DAX 不仅仅是为了生成更快的报表。它旨在使数据具有足够的响应能力，以支持自然语言查询、自动化代理和实时分析。

反馈

此页面是否有帮助？