之前，白茶研究了一下帕累托中的关键性DAX代码——累计求和。明白了累计求和的原理，就可以动手在PowerBI中进行制作帕累托图了。

数据如下图：

编写如下代码，求出每个客户销售额的占比：

客户占比 =
DIVIDE ( SUM ( '示例'[总金额] ), CALCULATE ( SUM ( '示例'[总金额] ), ALL ( '示例' ) ) )

结果如图：

接下来就是利用之前提到过累计求和的代码，求累计占比，可是这里就存在疑问了，这里用什么来进行筛选呢？没有时间维度，该如何进行？

这里有两种方法：

一、上期提到过的参数索引：

在PQ编辑界面选择添加参数。

之后编写如下代码：

参数占比 =
CALCULATE([客户占比],FILTER(ALL('示例'),'示例'[索引]<=MAX('示例'[索引])))

结果如图：

二、使用VAR定义常量，再用MAX筛选。代码如下：

VAR累计求和 =
VAR HQ = [客户占比]
RETURN
    CALCULATE ( [客户占比], FILTER ( ALL ( '示例' ), [客户占比] >= HQ ) )

结果如图：

可以看得出来，两种办法求得的数值有很明显的区别，而且，细心观察，不难发现第二种方法有点小问题：

就是在实际情况中，不可能没有相同项的数据，这样的话虽然实际效果差别不是特别多，但是特别不严谨。这个问题我们稍后再说，先继续对比两种方法：

在PowerBI中并没有专门的帕累托图，但是我们回想一下，不就是折线图与柱形图的组合么？

选择这俩个中的任意一个都可以。

我们将[客户]共享轴，[总金额]作为列值，分别将[参数占比]与[VAR累计求和]放入行值中进行对比。

很清楚的就发现了，方法一做的图不符合帕累托曲线图，这是因为什么呢？因为[参数占比]是根据白茶添加的参数索引计算的，不是按照纯累计帕累托的思想进行的。

而方法二，是按照对比[占比]情况进行聚合的，所以第二种办法更符合帕累托的思路。

可是记得白茶在上面说过的么？就是实际情况中，肯定有数据是相同的，虽然不影响我们的分析结果，但是会显得不严谨。而且，@韭菜大神说的一句话，白茶深有感触，两个数据都是一样的，你凭啥判定这个是1，那个是2呢？

这句话让我无以言对。确实，岂能尽如人意，但求无愧于心吧。

这里可以补充一下，就是第二种的方法，可以对两个数据进行判定，代码如下：

优化VAR累计 =
VAR HQ = [客户占比]
VAR NA =
    SELECTEDVALUE ( '示例'[客户] )
RETURN
    CALCULATE (
        [客户占比],
        FILTER (
            ALL ( '示例' ),
            IF ( [客户占比] <> HQ, [客户占比] >= HQ, [客户占比] >= HQ && '示例'[客户] <= NA )
        )
    )

结果如图：

能看的出来，对两个相同的数据进行了排序。各位小伙伴，请自行判断，根据实际需求选择适合自己的代码。

解释一下代码含义：

VAR HQ=[客户占比]—这里是将客户占比定义为常量

VAR NA=SELECTEDVALUE(‘示例’[客户])—同上，只不过定义的是客户

RETURN—结果输出

CALCULATE([客户占比],—这里是根据后面的筛选，然后进行聚合

FILTER(ALL(‘示例’),—选择整个表，清除外部筛选

IF( [客户占比]<>HQ,—假如两个客户占比不同

[客户占比]>=HQ,—结果1，按照大于等于的顺序筛选

[客户占比]>=HQ&&‘示例’[客户]<=NA)))—否则2，按照客户名的排序方法进行大于等于的顺序筛选。

小伙伴们，看懂了没，相对于上面，这个结果看似严谨了很多，但实际上也是有问题的，你凭啥根据相同的数值给他俩排序？这就是白茶说的，帕累托分析法的BUG，两难啊。

小伙伴们❤GET了么？

白茶会不定期的分享一些函数卡片

（文件在知识星球[PowerBI丨需求圈]）

这里是白茶，一个PowerBI的初学者。

下面这个知识星球是针对有实际需求的小伙伴，有需要的请加入下面的知识星球。