过滤层级是什么

适合人群：过滤器进阶用户
建议在完成 过滤器入门 的学习后，继续本课程。本教程将在入门基础上，探讨更高级的过滤器应用技巧，解决更复杂的过滤问题。

计算天生存在先后顺序，所以过滤也有层级，在不同的计算位置去添加过滤条件，它们的计算逻辑和影响的效果自然也不同。

学习过滤层级，可以帮助你在数据分析的大山上更进一层！

同样的计算，我们把过滤换下顺序，就会得到不一样的结果。

有一组数据，需要进行两个步骤：

①首先，我们过滤出销售额大于100的数据；

②然后，我们计算每个省份的销售额。最后得到的结果是：我们筛选出了销售额大于100的分店后，计算了每个区域的总销售额。

现在，我们改变一下过滤和计算的顺序，即：

①先计算每个省份的销售额；

②然后再过滤出销售额大于100的数据。最终呈现的结果是：显示了总销售额大于100的区域以及这些区域的销售额。

在 FineBI 里面，过滤有四个层级，将过滤放在不同的层级会影响最终的计算结果。接下来我们来一起学习 BI 里面的过滤层级吧

计算是有顺序的， FineBI 中逻辑上的计算顺序大致如下。当然在实际分析中，以下下面四个计算不一定会用全。

通过下方的流线图，可以形象的了解到，越在左侧的过滤，影响的计算越多。比如说：

• 若进行了「明细过滤」，def字段计算值、组件聚合、快速计算的计算结果都会因此产生影响；

• 若进行了「聚合计算过滤」，则对聚合计算的结果值没有影响；

背景：你作为商场运营总管，想了解2021年复购用户最偏好的产品，以便确定哪些产品能够吸引并留住顾客。

示例数据：办公用品数据.xlsx

新建分析主题，上传示例数据，并进入到组件中。

4.1 明细过滤

将「签约时间」拖入到过滤器中，过滤出 2021 年的数据，如下图所示：

4.2 新增列过滤

1）使用 def 函数计算出 2021 年每个客户购买的订单数，如下图所示：

2）过滤出「客户购买的订单数」≥2 的订单数据，如此便筛选出复购用户购买的订单数据。如下图所示：

4.3 组件计算

1）新建计算字段「客户数」，如下图所示：

2）制作分组表，拖入「产品名称、销售额、客户数」。查看每个产品的复购人数、及对应销售额。如下图所示：

4.4 聚合计算过滤

用户复购率高可能有以下两个原因：

①产品价格低；

②产品本身优秀，对用户有吸引力

在这里我们想找出的是本身对用户有吸引力的产品，需要排除掉降价因素，即筛除掉利润率过低的产品。

1）新建计算字段「利润率」，如下图所示：

2）过滤出利润率大于 0.1 的产品，如下图所示：

过滤后的结果如下图所示。我们可以看到，聚合过滤不影响聚合计算的结果数值，例如：办公椅聚合过滤前与过滤后的销售额和客户数的值都没有变动。

4.5 快速计算过滤

对客户数进行排名，并过滤出前 5 名产品。

1）使用快速计算，对「客户数」进行排名，如下图所示：

2）过滤出排名前五的产品，如下图所示：

4.6 效果查看

最终筛选出：2021年，排除掉低价促销影响后，复购人数最多的 5 个产品。如下图所示：

回忆一下我们整个过程做的计算和过滤，如下图所示：

在本文课程中，我们已经详细探讨了“过滤层级”这一概念，为了进一步加深理解并掌握应用技巧，你可以通过以下内容对四个过滤层级的具体操作和应用场景进行学习：