


处理cubes出现报错HierarchyError(\'Die Cut-Hierarchie %s für die Dimension %s unterscheidet sich von der Drilldown-Hierarchie %s. \'\'Die implizite nächste Ebene kann nicht ermittelt werden.\'% (hier, dim, cut_
Der Grund für den Fehler
Diese Fehlermeldung weist darauf hin, dass bei Verwendung der Cubes-Bibliothek die Bohrebene in der Dimension nicht mit der Abschnittsebene übereinstimmt, sodass die implizite Ebene der nächsten Ebene nicht bestimmt werden kann.
So lösen Sie das Problem
Um dieses Problem zu lösen, sollten Sie prüfen, ob die Drill-Ebene und die Abschnittsebene bei Verwendung der Cubes-Bibliothek konsistent sind. Möglicherweise müssen Sie die Drill- oder Slice-Ebene in Ihrem Code ändern oder weitere Informationen hinzufügen, um die nächste implizite Ebene zu bestimmen. Wenn Sie nicht sicher sind, wie das geht, konsultieren Sie die Dokumentation der Bibliothek oder die Community-Diskussionen.
Verwendungsbeispiel
Das Folgende ist ein Beispiel, das zeigt, wie die Würfelbibliothek zum Bohren und Schneiden verwendet wird. In diesem Beispiel haben wir einen „Umsatz“-Cube mit einer „Datum“-Dimension und einer „Produkt“-Dimension.
from cubes import Workspace # Create a workspace workspace = Workspace() # ReGISter the "sales" cube workspace.register_cube("sales") # Create a new browser browser = workspace.browser("sales") # Drill down on the "date" dimension browser.drilldown("date", ["year", "month"]) # Cut on the "product" dimension browser.cut("product", "product_name", "Product A") # PerfORM the query result = browser.aggregate()
Wenn in diesem Beispiel die Drill-Ebene und die Abschnittsebene der Dimension „Datum“ inkonsistent sind, wie zum Beispiel:
browser.drilldown("date", ["year"]) browser.cut("date", "month", "January")
Dann erhalten Sie die obige Fehlermeldung. Denn die Drill-Ebene ist „Jahr“ und die Slice-Ebene ist „Monat“. Wenn Sie die Daten eines bestimmten Monats aufteilen müssen, müssen Sie zunächst einen Drilldown auf die Monatsebene durchführen.
Das obige ist der detaillierte Inhalt von处理cubes出现报错HierarchyError(\'Die Cut-Hierarchie %s für die Dimension %s unterscheidet sich von der Drilldown-Hierarchie %s. \'\'Die implizite nächste Ebene kann nicht ermittelt werden.\'% (hier, dim, cut_. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Lösung für Erlaubnisprobleme beim Betrachten der Python -Version in Linux Terminal Wenn Sie versuchen, die Python -Version in Linux Terminal anzuzeigen, geben Sie Python ein ...

In diesem Artikel wird erklärt, wie man schöne Suppe, eine Python -Bibliothek, verwendet, um HTML zu analysieren. Es beschreibt gemeinsame Methoden wie find (), find_all (), select () und get_text () für die Datenextraktion, die Behandlung verschiedener HTML -Strukturen und -Anternativen (SEL)

Das Statistikmodul von Python bietet leistungsstarke Datenstatistikanalysefunktionen, mit denen wir die allgemeinen Merkmale von Daten wie Biostatistik und Geschäftsanalyse schnell verstehen können. Anstatt Datenpunkte nacheinander zu betrachten, schauen Sie sich nur Statistiken wie Mittelwert oder Varianz an, um Trends und Merkmale in den ursprünglichen Daten zu ermitteln, die möglicherweise ignoriert werden, und vergleichen Sie große Datensätze einfacher und effektiv. In diesem Tutorial wird erläutert, wie der Mittelwert berechnet und den Grad der Dispersion des Datensatzes gemessen wird. Sofern nicht anders angegeben, unterstützen alle Funktionen in diesem Modul die Berechnung der Mittelwert () -Funktion, anstatt einfach den Durchschnitt zu summieren. Es können auch schwimmende Punktzahlen verwendet werden. zufällig importieren Statistiken importieren Aus Fracti

Dieser Artikel vergleicht TensorFlow und Pytorch für Deep Learning. Es beschreibt die beteiligten Schritte: Datenvorbereitung, Modellbildung, Schulung, Bewertung und Bereitstellung. Wichtige Unterschiede zwischen den Frameworks, insbesondere bezüglich des rechnerischen Graps

Bei der Verwendung von Pythons Pandas -Bibliothek ist das Kopieren von ganzen Spalten zwischen zwei Datenrahmen mit unterschiedlichen Strukturen ein häufiges Problem. Angenommen, wir haben zwei Daten ...

Dieser Artikel führt die Python-Entwickler in den Bauen von CLIS-Zeilen-Schnittstellen (CLIS). Es werden mit Bibliotheken wie Typer, Click und ArgParse beschrieben, die Eingabe-/Ausgabemedelung betonen und benutzerfreundliche Designmuster für eine verbesserte CLI-Usabilität fördern.

In dem Artikel werden beliebte Python-Bibliotheken wie Numpy, Pandas, Matplotlib, Scikit-Learn, TensorFlow, Django, Flask und Anfragen erörtert, die ihre Verwendung in wissenschaftlichen Computing, Datenanalyse, Visualisierung, maschinellem Lernen, Webentwicklung und h beschreiben

Der Artikel erörtert die Rolle virtueller Umgebungen in Python und konzentriert sich auf die Verwaltung von Projektabhängigkeiten und die Vermeidung von Konflikten. Es beschreibt ihre Erstellung, Aktivierung und Vorteile bei der Verbesserung des Projektmanagements und zur Verringerung der Abhängigkeitsprobleme.
