随着数据复杂度的提升，传统聚合函数已难以满足高级分析需求。近期，Power BI 社区中关于“度量值点积运算”（Measure Dot Product）的讨论热度攀升——这一线性代数中的基础运算，正被引入数据分析工具，为交叉分析、推荐系统、文本挖掘等场景提供全新解法。

什么是点积？

点积（Dot Product）是向量代数中的核心运算：对于两个等长向量 a 和 b，其点积定义为对应元素乘积之和。例如，向量 (1,2,3) 与 (4,5,6) 的点积为 1×4+2×5+3×6=32。

在 Power BI 中，点积允许用户在行级别或聚合级别对两个数值序列进行“加权求和”，从而量化向量间的相似度、计算加权总和或构建矩阵乘法。

为什么要在 Power BI 中使用点积？

传统 DAX 度量值通常对单列进行 SUM、AVERAGE 等操作。但点积可处理跨列关系——例如同时分析“用户评分向量”与“产品属性向量”，计算个性化推荐得分；或对多维数据进行降维前的内积计算。具体场景包括：

  • 推荐系统：将用户偏好向量与项目特征向量点积，生成推荐得分。
  • 文本分析：计算词频向量与 TF-IDF 权重的点积，评估文档相关性。
  • 财务分析：对不同投资组合的收益向量与风险权重向量进行点积，得出加权回报率。

在 Power BI 中实现点积的两种方法

方法一：DAX 度量值（适用于行级计算）

若数据模型已将向量元素存储为不同列，可使用 DAX 的 SUMX 函数逐行计算。

假设：表“Factors”包含列 [Factor1]、[Factor2]、[Factor3] 作为向量 A，另一表“Weights”包含对应权重列 [W1]、[W2]、[W3] 作为向量 B。要计算点积度量值：

DotProduct = 
VAR A1 = SUM(Factors[Factor1])
VAR A2 = SUM(Factors[Factor2])
VAR A3 = SUM(Factors[Factor3])
VAR B1 = SUM(Weights[W1])
VAR B2 = SUM(Weights[W2])
VAR B3 = SUM(Weights[W3])
RETURN
A1 * B1 + A2 * B2 + A3 * B3

更通用的形式（假设两表通过 ID 关联）：

DotProduct_Cross = 
SUMX(
    Factors,
    Factors[Factor1] * RELATED(Weights[W1]) +
    Factors[Factor2] * RELATED(Weights[W2]) +
    Factors[Factor3] * RELATED(Weights[W3])
)

方法二：Power Query（M 语言）——适合列数不定或动态向量

若向量维度可变化（如用户自定义属性），建议在 Power Query 中将数据逆透视后，用 List.Product 或 List.Sum 计算点积。

步骤： 1. 将原始宽表逆透视为“维度-值”长表。 2. 按 ID 分组，合并两个向量的值列表。 3. 使用自定义函数：List.Sum(List.Zip({List1, List2})各子列表的乘积)

let
    Source = ...,
    Grouped = Table.Group(Source, {"ID"}, {
        {"DotProduct", each 
            let
                v1 = List.Sort([维度1的值]),
                v2 = List.Sort([维度2的值]),
                product = List.Transform(List.Zip({v1, v2}), each _{0} * _{1})
            in
                List.Sum(product)
        }
    })
in
    Grouped

实际案例：电商商品推荐

某电商平台将用户对“价格敏感度、质量偏好、品牌忠诚度”三个维度的评分构建为向量 U，每件商品对应属性向量 P。通过点积度量值计算用户-商品匹配得分：

Score = 
SUMX(
    'UserProfile',
    'UserProfile'[PriceSense] * RELATED('Products'[PriceWeight]) +
    'UserProfile'[Quality] * RELATED('Products'[QualityWeight]) +
    'UserProfile'[BrandLoyalty] * RELATED('Products'[BrandWeight])
)

将度量值放入矩阵视觉对象，行用户、列商品，即可快速输出推荐排序。

注意事项与性能优化

  1. 数据模型设计：点积运算要求向量维度对齐，建议用桥接表管理多对多关系。
  2. 性能瓶颈：逐行计算大量乘积会消耗内存，对于百万级数据，优先在 Power Query 中预计算。
  3. 动态维度：若列数不固定，考虑使用“列转行”后的长表结构，以支持灵活的维度扩展。
  4. 聚合上下文：注意度量值在筛选器下的计算逻辑，必要时使用 CALCULATE 调整上下文。

未来展望

随着 Power BI 对 Python 和 R 脚本的深度集成，点积运算可进一步与 NumPy、scikit-learn 等库结合，实现向量化计算甚至机器学习模型部署。而原生 DAX 的点积优化也将让更多分析师无需编码就能完成矩阵运算。

点积数学的引入，标志着 Power BI 从“聚合统计”向“向量化分析”的跨越。无论是推荐、相似度匹配还是权重计算，这一基础运算都将成为数据分析师工具箱中的利器。掌握它的应用，意味着能以更低成本解锁数据中的隐含关系。