MDX语句执行中的错误:公式错误-无法绑定:未知的维度或者级别

bokesoft 2003-07-30 05:31:04
有一个维度:时间,分为4个级别 :年,季度,月,日
年成员有 2001,2002,2003等等,季度的成员有1,2,3,4。月的成员是1月,2月等等。日的成员是1,2,3。
我想把时间这个维度放到Column轴上。报错如上:公式错误-无法绑定:未知的维度或者级别。
语句如下:"Select ({[国家].[国内],[国家].[国外]}) On Columns," & _
"([时间].[2002].members) On Rows " & _
"from XXX where ([measures].[Yst Amount])"
但是如果我把其它维度放到column上却没有问题。我想是不是因为时间维度的成员是数字的原因?(btw:成员对应的值在oracle数据库中,类型也是number)。
把时间维度放到where子句中就没有问题(切片器维度)
请教各位大虾如果解决?

PS:一般在执行mdx的时候,报错公式错误-无法绑定:在当前的上下文中不可绑定。有是什么原因啊?

谢谢。。。
...全文
146 11 打赏 收藏 转发到动态 举报
写回复
用AI写文章
11 条回复
切换为时间正序
请发表友善的回复…
发表回复
bokesoft 2003-08-14
  • 打赏
  • 举报
回复
好的,谢谢.我这么问主要是帮助中的函数太多了,而且有些函数例子讲得不是很清楚:)
再次谢谢各位的帮忙 :)
chump 2003-08-13
  • 打赏
  • 举报
回复
我使用过的一些,不一定常用:
1:WITH SET [xx] AS
2: WITH MEMBER as
3:iif、avg/BottomCount/topcount/children/Current/count/Descendants/Dimension/filter/
order/等,自己看帮助吧!!

bokesoft 2003-08-13
  • 打赏
  • 举报
回复
谢谢macz和chump的详细解答,测试了一下果然如此,谢谢.

在一般的使用中还会用到哪些常用的函数啊,我好象基本上就用过Members,Children而且,很想知道还有哪些常用的,否则用其它办法来实现内置函数的功能也太傻了点哦 :(



chump 2003-08-13
  • 打赏
  • 举报
回复
这是语法错误!!
1:在每个级别上,如年,可用如下语法:[时间].[年].members,检索年下的所有成员;
2:具体到某个成员,如2001,用[时间].[2001].children检索该年下的所有成员。
级别下用MEMBERS,具体成员下用CHILDREN。
macz 2003-08-12
  • 打赏
  • 举报
回复
如果一个维度的定义中选用了"All Levels"项,在[所有 time]后面用members

会出错,可用children代替,检索直接下级;

另,可直接使用[time].members是没有问题的
bokesoft 2003-08-12
  • 打赏
  • 举报
回复
谢谢大家,特别是macz,我的问题就是因为用了members函数导致的,我已经发现,前几次回贴都没有成功,来晚了.但是如果我要取的这个维度级别下面的"所有"怎么办啊?难道要写成 {[time].[所有 ...],[time].children}?

我也是刚刚用analysis services,对于其中的一些mdx函数也不是很熟悉,看help也只是一知半解,否则也不会出去上述问题了.哪位大侠可以帮忙解释一下常用的几个函数的意义啊,谢谢!

macz 2003-08-07
  • 打赏
  • 举报
回复

这种写法没问题,可能是语法问题;MDX比较别扭,没有SQL容易写;

另可试以下方案:

1、将members换为children

2、加入[所有 ...]项试一下
tchatcha 2003-08-07
  • 打赏
  • 举报
回复
"公式错误-无法绑定:在当前的上下文中不可绑定"一般是维度成员写的不对。再检查一下你的语法吧!
bokesoft 2003-08-07
  • 打赏
  • 举报
回复
这个好象和虚拟维度有关系,我把原来的虚拟维度改成普通维度就没有报错了,具体还要再看看,不明 :(
ckp 2003-08-01
  • 打赏
  • 举报
回复
我也是碰到类似的问题,我照着analysis的帮助文件,建立了一个数据立方体的例子。可是在最后出现"公式错误-无法绑定:在当前的上下文中不可绑定"
lcx_csdn 2003-08-01
  • 打赏
  • 举报
回复
"公式错误-无法绑定:在当前的上下文中不可绑定"一般是维度成员写的不对。再检查一下你的语法吧!
内容概要:本文聚焦风电出力的不确定性问题,采用拉丁超立方抽样(Latin Hypercube Sampling, LHS)方法生成具有统计代表性的风电出力初始场景集,有效克服传统蒙特卡洛抽样存在的样本冗余与收敛速度慢的缺陷。为进一步降低场景数量以提升电力系统优化调度的计算效率,研究结合K-means聚类、快速前向选择等场景缩减技术,对生成的高维场景进行聚合与概率修正,保留最具代表性的典型场景及其对应概率分布。整个建模流程在Matlab平台上编程实现,形成一套完整的“抽样—生成—缩减—验证”的不确定性建模框架,为含高比例风电的电力系统提供高质量、低冗余的输入场景集,显著增强随机优化、鲁棒优化等模型的求解效率与工程实用性。; 适合人群:具备电力系统分析、概率统计基础及Matlab编程能力,从事新能源并网、电力系统优化调度、不确定性建模与风险评估等方向的科研人员、工程技术人员及研究生。; 使用场景及目标:①应用于风电主导的电力系统随机优化调度、机会约束规划、鲁棒经济调度等场景,提升模型对不确定性的刻画能力;②帮助研究者深入掌握拉丁超立方抽样与场景缩减的核心原理与实现方法,构建高精度的不确定性输入模型;③为复杂电力系统仿真提供经过科学约简的典型场景集,平衡计算精度与效率,支撑实际工程决策。; 阅读建议:建议读者结合提供的Matlab代码逐模块调试与运行,重点理解LHS在多维空间的分层抽样机制、场景距离度量方式及聚类缩减过程的概率守恒原则,关注缩减前后场景集的分布保真性与计算效率提升效果,以全面掌握风电不确定性建模的关键技术路径。

7,394

社区成员

发帖
与我相关
我的任务
社区描述
其他数据库开发 数据仓库
社区管理员
  • 数据仓库
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧