比较几种条件求和的方法——推荐PowerBI

比较几种条件求和的方法：

1) Excel鼠标框选，配合使用筛选功能，界面右下角显示求和结果。

优点：可以快速、直观地满足一次简单的业务需求。

缺点：只能快速地满足一次比较简单的查询需求，且求和结果无法被记录。

2) Excel公式：sum、sumif、subtotal(9,)等。

优点：可以记录求和结果；能够进行复杂一点的条件求和；在原始表上操作，比较直观。

缺点：在原始表上操作，可能在统计的过程中手误改动原始数据。

3) Excel智能表格的汇总行，配合使用筛选功能。

优点：可以同时汇总多个字段，同时因为是在原始表上操作的，也比较直观。

缺点：需将整个原始数据表设置为智能表格，数据量巨大，数据处理效率低。

4) Excel插入数据透视表。

优点：能够进行更复杂一点的条件汇总，且不改动原始数据表，插入一个数据透视表单独进行操作，筛选条件、汇总计算等。

缺点：尽管能够叠加不同的筛选条件，但如果涉及到并表关联查询的需求，或是数据不规范的情况，处理能力有限。

5) 在Power BI Desktop里建立关系型数据库，使用DAX语言编写查询。 Power BI跟Excel一样，都是微软的产品，与Excel有诸多相似之处，又能实现更复杂一些的功能。

优点：可以得到 有迹可循 的、能根据上下文 动态计算 的统计结果；可以并表查询；在数据不规范的情况下可以通过一些方法来进行模糊匹配。

缺点：需要在Excel以外的另一个软件进行操作；直观性不如Excel；仍然是以一个个分散的度量值来构建统计模型的，代码的可读性相对SQL可能较弱。

6) 在SQL Server Management Studio里建立关系型数据库，使用SQL语言编写查询。 这个也是微软的产品。

优点：跟Power BI一样是通过建立关系型数据库、或通过关联表来实现统计分析的，而非多次人工应用筛选器后再进行汇总。

SQL的独特优势是，能够以一段代码作为实现某个需求的完整过程，而不是将该需求划分为多个子任务，通过一个个分散的度量值实现需求。

这里的某个需求为“统计10月的销售情况”，子任务为“统计10月销售额”、“统计1-10月本年累计销售额”、“统计渠道A的销售额”等。在PowerBI中，这些子任务是通过一个个度量值来计算的，最终将多个度量值放到面板中，以实现完整的统计需求。而在SQL中，这些子任务可以作为一段代码中的章节，共同构成这篇代码，以实现完整的统计需求。

从这点上看，用SQL语言编写查询的一大优势是代码的 完整性和可读性 。

缺点：需要在Excel以外的另一个软件进行操作；直观性不如Excel，且比Power BI更加抽象了。

推荐Power BI进行条件求和 。它的使用门槛较SQL更低，又能实现比Excel更复杂一点的功能；跟Excel有诸多相似之处，又比Excel有着更规范的操作路径，即通过建立数据库模型来进行统计。

1、业务需求：

按各字段进行【条件筛选】，并对某一指标进行【求和运算】。

希望可以满足：

（1）统计过程有迹可循。

目前，在用的系统可以满足筛选、求和、显示结果的需求。但一个个查询没有操作行为的记录，难以核对统计过程是否存在失误。

考虑将销售情况明细表整体导出，这样至少有一份原始数据表作为统计依据。同时，尽量减少在筛选器中人工勾选部分条件的动作，因为这也是难以被记录的。另外，最好能将统计结果集中显示，而不是经过多次筛选、求和的操作后，再人工汇总结果。

（2）筛选条件能较复杂。

除了简单地按照项目或按日期统计以外，还能区分不同产品业态类别、来访渠道等；按业务进度，区分意向认购、正式签约和实际回款；按不同阶段的时间，区分本期销售本期回款、往期销售往期回款；等等。另外，同一字段内，可能因为文本格式不规范，多个值可能代表一类统计单位，因而需要分组汇总后再进行相应的统计。

之所以要分得这么细，是因为业务模式比较复杂，同一笔成交，涉及到多方、多层面的参与，为此需要统计不同筛选条件下的成交额。尽管筛选条件复杂，这类统计分析业务的本质是 条件求和 ，根据不同的筛选条件，对某一指标或某些指标进行求和运算。

另外，在条件求和的基础上还可以有更复杂和深入的统计分析操作，例如比较同期增长率、价格的稳定性和波动性、产品与客户的相关性或匹配程度等。

（3）尽量不动原数据表。

尊重原始数据结果，不人工改动原始数据，并防止操作过程中不小心改动原始数据。为此，不在原始数据表上进行操作，而是将原始数据表作为 查询链接 ，只提取需要的字段/内容进行操作。

另外，原始数据表的格式须比较规范，符合数据库的三范式（列的原子性、主键的唯一性且不存在传递依赖）。关于什么是“一张格式规范的表”，可以参考一些词条“关系型数据库”、“数据库三范式”等。一个基本的特点是没有合并单元格。通常合并单元格用于阅读型表格，优点是表格的统计结果能够更加直观地呈现，界面简洁便于查阅，但它不便于数据统计的操作。

2、操作方法：

（1）建立关系型数据库： 在PowerBI中导入原始数据表，以及各维度表，通过唯一的主键将各表联系起来。

首先， 导入数据 Excel表。数据导入PowerBI之前可以选择先在 PowerQuery 中进行基本的数据处理。这是非常重要的，因为这个操作可以帮助减少数据处理量。数据处理操作包括选择需要用到的列、插入合并列、删除头几行、删除重复行等，还可以通过合并查询、追加查询来关联其他表，类似Excel中的Vlookup查询。

现在数据已经导入PowerBI中了。然后，可以在 关系模型 中先检查各表是否已经自动建立了主键之间的关系。这个也是非常重要的，否则设计的度量值将无法实现想要的统计。比较好用的关系模型有星型模型。

（2）建立度量值： 根据统计需求建立度量值，使用DAX语言编写度量值公式。这类似在Excel中插入某个计算列或者某个求和公式，但有本质的区别。

引用Power BI极客对度量值的解释：

度量值（Measure） 使用的表达式通常利用 聚合函数 （如 SUM、MIN、MAX、AVERAGE 等）生成 标量结果 ，并且结果永远不会存储在模型中。 度量值的使用非常广泛，从简单的列聚合到更复杂的公式（覆盖筛选上下文和/或关系传播的公式）应有尽有。

度量值是PowerBI进行条件求和、数据统计的重要工具，也是PowerBI中的独特的概念。它不占数据内存，只有在需要的时候、被拖到面板里的时候才进行计算，且是根据不同的条件（这里有个概念是“上下文”Context，即不同的条件）进行 动态计算 。

虽然这个概念比较抽象，但编写度量值公式所用到的DAX语言，跟编写Excel公式是类似的，像SUM求和等。还有很多Excel中不涉及到的函数，它们使PowerBI能在数据统计中实现强大的功能。

（3）在面板中呈现统计结果

将需要统计的各度量值/字段/列拖动到面板中，应用不同的筛选器，呈现整体的统计结果。这样，条件求和的统计结果就可以集中显示在面板上，也可以选择导出数据结果。

参考文献：

1、Power BI极客的DAX圣经。

2、微软的DAX Reference。

3、SQLBI的DAX Guide。

4、网易云课堂的“用Excel学习PowerBI”。

5、最后是PowerBI的官网，可前往下载免费的Power BI Desktop。