


处理cubes出现报错HierarchyError(\'Hierarki potong %s untuk dimensi %s adalah \'\'berbeza daripada hierarki gerudi %s. \'\'Tidak dapat menentukan tahap seterusnya yang tersirat.\'% (hier, malap, potong_
Sebab ralat
Mesej ralat ini menunjukkan bahawa apabila menggunakan perpustakaan kiub, tahap penggerudian dalam dimensi tidak konsisten dengan tahap keratan, jadi tahap tersirat tahap seterusnya tidak dapat ditentukan.
Cara menyelesaikan
Untuk menyelesaikan masalah ini, anda harus menyemak sama ada tahap gerudi dan tahap bahagian semasa menggunakan perpustakaan kiub adalah konsisten. Anda mungkin perlu mengubah suai tahap gerudi atau potong dalam kod anda atau tambahkan lebih banyak maklumat untuk menentukan tahap tersirat seterusnya. Jika anda tidak pasti cara melakukannya, rujuk dokumentasi perpustakaan atau perbincangan komuniti.
Contoh Penggunaan
Berikut ialah contoh yang menunjukkan cara menggunakan perpustakaan kiub untuk penggerudian dan keratan. Dalam contoh ini, kami mempunyai kiub "jualan" dengan dimensi "tarikh" dan dimensi "produk".
rreeeeJika dalam contoh ini, aras gerudi dan aras bahagian pada dimensi "tarikh" adalah tidak konsisten, seperti:
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()
Kemudian anda akan mendapat mesej ralat di atas. Kerana aras gerudi ialah "tahun" dan aras hirisan ialah "bulan". Jika anda perlu memotong data bulan tertentu, anda perlu menelusuri ke peringkat bulan terlebih dahulu.
Atas ialah kandungan terperinci 处理cubes出现报错HierarchyError(\'Hierarki potong %s untuk dimensi %s adalah \'\'berbeza daripada hierarki gerudi %s. \'\'Tidak dapat menentukan tahap seterusnya yang tersirat.\'% (hier, malap, potong_. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas











Python sesuai untuk sains data, pembangunan web dan tugas automasi, manakala C sesuai untuk pengaturcaraan sistem, pembangunan permainan dan sistem tertanam. Python terkenal dengan kesederhanaan dan ekosistem yang kuat, manakala C dikenali dengan keupayaan kawalan dan keupayaan kawalan yang mendasari.

Anda boleh mempelajari konsep pengaturcaraan asas dan kemahiran Python dalam masa 2 jam. 1. Belajar Pembolehubah dan Jenis Data, 2.

Python cemerlang dalam permainan dan pembangunan GUI. 1) Pembangunan permainan menggunakan pygame, menyediakan lukisan, audio dan fungsi lain, yang sesuai untuk membuat permainan 2D. 2) Pembangunan GUI boleh memilih tkinter atau pyqt. TKInter adalah mudah dan mudah digunakan, PYQT mempunyai fungsi yang kaya dan sesuai untuk pembangunan profesional.

Python lebih mudah dipelajari dan digunakan, manakala C lebih kuat tetapi kompleks. 1. Sintaks Python adalah ringkas dan sesuai untuk pemula. Penaipan dinamik dan pengurusan memori automatik menjadikannya mudah digunakan, tetapi boleh menyebabkan kesilapan runtime. 2.C menyediakan kawalan peringkat rendah dan ciri-ciri canggih, sesuai untuk aplikasi berprestasi tinggi, tetapi mempunyai ambang pembelajaran yang tinggi dan memerlukan memori manual dan pengurusan keselamatan jenis.

Untuk memaksimumkan kecekapan pembelajaran Python dalam masa yang terhad, anda boleh menggunakan modul, masa, dan modul Python. 1. Modul DateTime digunakan untuk merakam dan merancang masa pembelajaran. 2. Modul Masa membantu menetapkan kajian dan masa rehat. 3. Modul Jadual secara automatik mengatur tugas pembelajaran mingguan.

Python lebih baik daripada C dalam kecekapan pembangunan, tetapi C lebih tinggi dalam prestasi pelaksanaan. 1. Sintaks ringkas Python dan perpustakaan yang kaya meningkatkan kecekapan pembangunan. 2. Ciri-ciri jenis kompilasi dan kawalan perkakasan meningkatkan prestasi pelaksanaan. Apabila membuat pilihan, anda perlu menimbang kelajuan pembangunan dan kecekapan pelaksanaan berdasarkan keperluan projek.

Python cemerlang dalam automasi, skrip, dan pengurusan tugas. 1) Automasi: Sandaran fail direalisasikan melalui perpustakaan standard seperti OS dan Shutil. 2) Penulisan Skrip: Gunakan Perpustakaan Psutil untuk memantau sumber sistem. 3) Pengurusan Tugas: Gunakan perpustakaan jadual untuk menjadualkan tugas. Kemudahan penggunaan Python dan sokongan perpustakaan yang kaya menjadikannya alat pilihan di kawasan ini.

Pythonlistsarepartofthestandardlibrary, sementara
