下面的圖是目前的資料模型，跟上一篇最後的資料模型相比，只改變了表格名稱 (e.g. dbt dim_company → company)。

Power BI 關聯性 對圖表的影響。

在介紹 Power BI 的「關聯性」有哪些種類前，想先介紹一下「關聯性」對圖表 (Visualization)的影響。這邊先簡單定義一個 DAX: Sales Revenue = SUM(orders[sales_amount])。接著做出一個月份跟產品種類的樞紐分析表，如下圖：

這張樞紐分表欄用的是 product 這張表的 product_category_name ，列用的是 date 的 month_name ，因此可以把它想成，表格中的每個數字，都是透過資料模型的關聯性做篩選計算出來，如下圖所示：

所以可以把 Power BI 語意模型的關聯性想像成爪子，維度表會利用這個爪子從事實表抓出適當的列作運算。

這其實也代表 DAX 的計算規則，事實上會被關聯性影響。比方說，我將 date 這張表格跟 order 這張表格的關聯性刪除， SUM(orders[sales_amount]) 的計算方式就會跟之前不同，得到的樞紐分析表也不同，下面是移除關聯性後的資料模型以及樞紐分析表：

所以要讓 DAX 計算後的結果跟預期是一樣的，如何在資料模型中建立清晰的關聯性就相當重要。

關聯性有哪些

Power BI 的關聯性大慨從幾個角度去分類：表格與表格間的對應關係、方向性以及是否為預設關聯

表格與表格間的對應關係：

• 一對多、多對一：最常使用的類型。
• 多對多：請盡量避免使用，因為他經常是造成數字錯誤的元兇。當然還是會有無法避免的時候，但多數時候只是用來增加效能。
• 一對一：請盡量避免使用。連 Power BI 官方都 說應該盡可能先將有一對一關係的兩張表合成ㄧ張，再開始建立關聯性。

方向性：

• 單向：

  • 必然從「一」指向「多」。
  • 從「多」指向「多」時，可以設定方向。

• 雙向：

  • 在一對多以及多對多關係中可以使用。但就像前面說的，DAX 的計算規則，事實上會被關聯性影響。因此 DAX 其實也提供在計算時再打開雙向的功能，不如等雙向時再使用 （i.e. CROSSFILTER()函數）。

建立 Power BI 的資料模型時，應該盡可能讓方向性只能從一指向多。

是否為預設關聯

多數關聯性為預設關聯，但當兩張表格間可以有兩種關聯時，也是在 Day 12 中談到的角色維度表。可以看到下圖從 date 到 order 有兩個關聯性 （因為有訂單日跟到貨日），其中虛線代表非預設關聯。

DAX在計算時除非使用 USERELATIONSHIP 這個函數，否則非預設關聯會被忽略，只使用預設關聯。

其他應用

因為關聯性具有篩選的性質，也可以透過新增 RLS (Row Level Security）用職員表去保障資料安全。比方說 某一 Product Category 的產品應該就只有該 Category Manager 以及其下屬 可以看到業績。一樣可以在資料倉儲建立好一張 RLS 用的表格後，匯入 Power BI 。欄位大概如下，其中 employee_email 可以用來被 Power BI 作為身份驗證的工具：

之後這張表要跟 product 建立關聯。這時這張表跟 product 就無法避免多對多關係，但因為他只有篩選的功能，也只跟 product 有關聯，因此可以將指標算錯的風險降到最低。