Un tableau croisé dynamique (TCD) (en anglais pivot table) est un tableau de valeurs groupées qui regroupe les éléments individuels d'un tableau plus étendu (provenant par exemple d'une base de données, d'un tableur ou d'un système d'informatique décisionnelle) dans une ou plusieurs catégories distinctes. Ce résumé peut inclure des sommes, des moyennes ou d'autres statistiques, que le tableau croisé dynamique regroupe à l'aide d'une fonction d'agrégation choisie appliquée aux valeurs groupées. Le « TCD » est l'outil des « tris croisés », de l'analyse corrélative ou inférentielle, et sert à construire un tableau de contingence.
Dans leur livre Pivot Table Data Crunching, Bill Jelen et Mike Alexander considèrent Pito Salas comme le « père des tableaux croisés dynamiques ». Alors qu'il travaillait sur un concept pour un nouveau programme qui allait devenir Lotus Improv, Salas a remarqué que les feuilles de calcul comportaient des structures de données. Un outil qui pourrait aider l'utilisateur à reconnaître ces structures permettrait de construire rapidement des modèles de données avancés. Avec Improv, les utilisateurs pouvaient définir et stocker des ensembles de catégories, puis changer de vue en faisant glisser les noms des catégories avec la souris. Cette fonctionnalité de base fournirait le modèle des tableaux croisés dynamiques.
La base de départ est une plage de cellules où chaque ligne correspond à un enregistrement (cf. tableau du haut, où la plage « A1:E16 » regroupe 15 enregistrements et 1 ligne d'en-tête). La première ligne de la plage est constituée des titres des champs (en-tête des colonnes en gras).
À l'aide de ces titres de champ, on crée le tableau croisé dynamique (tableau du bas). Dans une fenêtre spécifique, on déplace les étiquettes de champ soit sur une colonne soit sur une ligne. L'ordre des champs dans les lignes et les colonnes permet des regroupements de données variés. Les valeurs correspondantes sont généralement totalisées logiquement, ou transformées en moyennes ou en nombre de valeurs.
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
In database management, an aggregate function or aggregation function is a function where the values of multiple rows are processed together to form a single summary value. Common aggregate functions include: Average (i.e., arithmetic mean) Count Maximum Median Minimum Mode Range Sum Others include: Nanmean (mean ignoring NaN values, also known as "nil" or "null") Stddev Formally, an aggregate function takes as input a set, a multiset (bag), or a list from some input domain I and outputs an element of an output domain O.
An OLAP cube is a multi-dimensional array of data. Online analytical processing (OLAP) is a computer-based technique of analyzing data to look for insights. The term cube here refers to a multi-dimensional dataset, which is also sometimes called a hypercube if the number of dimensions is greater than three. A cube can be considered a multi-dimensional generalization of a two- or three-dimensional spreadsheet. For example, a company might wish to summarize financial data by product, by time-period, and by city to compare actual and budget expenses.
En informatique, et plus particulièrement dans le domaine des bases de données, le traitement analytique en ligne (anglais online analytical processing, OLAP) est un type d'application informatique orienté vers l'analyse sur-le-champ d'informations selon plusieurs axes, dans le but d'obtenir des rapports de synthèse tels que ceux utilisés en analyse financière. Les applications de type OLAP sont couramment utilisées en informatique décisionnelle, dans le but d'aider la direction à avoir une vue transversale de l'activité d'une entreprise.
Organisé en deux parties, ce cours présente les bases théoriques et pratiques des systèmes d’information géographique, ne nécessitant pas de connaissances préalables en informatique. En suivant cette
Organisé en deux parties, ce cours présente les bases théoriques et pratiques des systèmes d’information géographique, ne nécessitant pas de connaissances préalables en informatique. En suivant cette
Organisé en deux parties, ce cours présente les bases théoriques et pratiques des systèmes d’information géographique, ne nécessitant pas de connaissances préalables en informatique. En suivant cette
This hands-on course teaches the tools & methods used by data scientists, from researching solutions to scaling up
prototypes to Spark clusters. It exposes the students to the entire data science pipe
This course is intended for students who want to understand modern large-scale data analysis systems and database systems. It covers a wide range of topics and technologies, and will prepare students
This article approaches the incremental view maintenance problem from an algebraic perspective. The algebraic structure of a ring of databases is constructed and extended to form a powerful aggregate query calculus. The query calculus inherits the key prop ...
Database workloads have significantly evolved in the past twenty years. Traditional database systems that are mainly used to serve Online Transactional Processing (OLTP) workloads evolved into specialized database systems that are optimized for particular ...
EPFL2021
,
Techniques and solutions are provided for performing adaptive database table placement in a non-uniform memory access (NUMA) architecture. The adaptive table placement can occur in response to changing workloads on the NUMA nodes. For example, if a particu ...