魔鬼就在细节中：通过独特思维成为Power BI冠军
魔鬼就在细节中：成为Power BI冠军的独特思维
Power Bi充满了“默默无闻的英雄”！其中之一，分析面板与更改可视类型的结合，帮助我显著提高了Power BI报告的性能
几周前，我为我的一个客户进行了Power BI报告的性能调优工作。报告页面的渲染速度非常慢（超过15秒）。为了给你一些背景：该报告使用了与SSAS Tabular 2016中托管的表格模型的实时连接。
如果我告诉你，我成功地将报告页面的性能提高了两倍以上，而且没有改变后面计算的任何一行DAX代码，你会怎么想？！
继续阅读，你将看到为什么很多时候细节决定成败，以及如何开拓思维，帮助你成为真正的Power BI高手：）
让我快速解释一下上面的插图。有一个线性和分组柱状图可视化，四条线代表左侧切片器（报告阈值和三个层次）的用户选择，而柱状图则是总销售额。数据按年份和产品进行细分。每条线都是使用DAX计算的（顺便说一下，SSAS 2016中没有AVAILABLE函数）。
我打开了Performance Analyzer，获取了DAX查询，并在DAX Studio中执行了它：
正如你所看到的，查询执行需要13.5秒（在运行之前清除缓存），而大部分时间都花在了公式引擎上（76%）。这一点很重要，因为我们将把这个结果与改进后的报告页面进行比较。
那么，有经验的Power BI开发人员会如何优化这种情况？重新编写DAX代码？错误！
让我们看看在不改变DAX逻辑的情况下可以做些什么！
如果你不知道，Power BI提供了一个被低估的功能，或者我们可以将其视为“默默无闻的英雄”，那就是分析面板。
我们中的大多数人显然在其他两个面板（数据和格式）中花费了大部分Power BI开发时间。因此，你会惊讶于有多少Power BI开发人员甚至不知道这第三个面板的存在，即使知道，也很少使用。
不深入细节，该面板可让你向可视化图表添加其他分析元素，如最小值、最大值、平均值、中位数线、误差线等。根据可视类型，不是所有选项都可用！而这在我的用例中非常重要。
一旦我打开了分析面板，只有误差线可用：
基本上，这里的想法是，由于这四行不会根据可视化本身的数字而变化（它们具有基于切片选择的常量值），我们可以利用分析面板中的常数线功能。由于线性和聚类柱形图可视化中没有可用的常数线，让我们复制我们的可视化并将其类型更改为常规聚类柱形图。
如您所见，“数字”在这里，但我们丢失了我们的线条。让我们切换到分析面板并创建4条常数线，每条线都基于切片选择生成的DAX度量：
第一步是添加一条常数线。接下来，展开线性属性，并选择“fX”按钮作为值，该按钮使您能够根据表达式设置常数线的值（在我们的情况下，这是由DAX度量生成的表达式）。为所有四条线重复此过程。
我再次提醒您，请注意我根本没有修改DAX代码！
一旦关闭Y轴，这就是我的“孪生”可视化效果：
几乎一样，对吧？
好的，现在让我们来检查一下这个可视化的性能：
它比原始可视化快了5秒以上！如果您仔细比较之前的DAX Studio截图，您会注意到存储引擎查询的数量与之前的情况完全相同（SE时间几乎相同），这意味着存储引擎需要完成完全相同的工作以检索数据。
关键的区别在于公式引擎时间——与原始可视化不同，原始可视化中总查询时间的75%花在了FE上，而这一次它减少到了60%以下！
我很好奇为什么会发生这种情况，以及公式引擎生成的两个查询计划之间的主要区别。
两个查询计划之间的“唯一”区别在于较慢版本创建了两个虚拟表：一个用于计算可视化中“列”的值（_ScopedCoreI0），另一个用于计算相同可视化中线条的值（_ScopedCoreDM0）。最后，使用NATURALLEFTOUTERJOIN函数将这两个表连接起来。
在较快的版本中，没有计算线条值的第二个表。此外，计算线条值的度量被包装在IGNORE函数中，该函数将SUMMARIZECOLUMNS表达式中的度量标记为在非空行的评估中被省略。
结论
正如您所见，改变可视化类型，结合使用“不为人知的英雄”分析面板，在这种情况下确保了显著的性能提升。正如人们常说的：“魔鬼就在细节中” — 因此，思考超越常规会导致一些创造性的解决方案。
谢谢阅读！
