Amazon Forecast 不再提供給新客戶。Amazon Forecast 的現有客戶可以繼續正常使用服務。[進一步了解」](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 假設分析
<a name="what-if"></a>

 假設分析是一種工具，可協助調查和說明不同案例如何影響 Amazon Forecast 建立的基準預測。基準預測是 Amazon Forecast 根據您提供的原始相關時間序列建立的預測。

假設分析會根據您選擇修改相關時間序列的方式，建立一系列假設預測。這些假設預測會與基準預測進行比較和形成對比，以協助您了解特定變更如何影響您的模型。

建立修改後相關時間序列的方法有兩種。您可以在 Amazon S3 路徑中提供修改過的相關時間序列，或指定一組轉換至現有的相關時間序列。當您指定一組轉換時，會建立原始相關時間序列的副本，以包含這些變更。

轉換可讓您建立相關時間序列的子集，並修改相關時間序列的特定屬性。如需詳細資訊，請參閱 [替換資料集](replacement-series.md) 和 [轉換函數](data-transformations.md)。

**Topics**
+ [建立假設分析](#how-what-if-works)
+ [轉換函數](data-transformations.md)
+ [替換資料集](replacement-series.md)

## 建立假設分析
<a name="how-what-if-works"></a>

假設分析會探索基準相關時間序列的變更如何影響預測。您只能從使用 AutoPredictor 的預測建立假設分析。建立假設分析之後，您會建立一或多個假設預測。比較假設預測和基準預測，然後匯出一或多個假設預測。

**注意**  
您的資料必須是逗號分隔值 (CSV) 格式，才能建立假設分析。

**Topics**
+ [建立假設分析](#create-analysis)
+ [建立假設預測](#create-forecast)
+ [比較您的假設預測](#compare-forecasts)
+ [匯出假設預測](#export-forecasts)
+ [查詢您的假設預測](#query-wi-forecasts)

### 建立假設分析
<a name="create-analysis"></a>

您可以使用預測主控台或預測軟體開發套件 (SDK) 建立假設分析。

------
#### [ Console ]

若要建立假設分析，請完成下列步驟：

1. 建立使用 AutoPredictor 訓練的預測。

1. 開啟資料集群組儀表板，其中包含您感興趣的預測。

1. 選擇**探索假設分析**。

1. 在 Insights 頁面的**假設分析**索引標籤上，選擇**建立**。

1. 在**假設分析名稱欄位中提供唯一的名稱**，然後選擇此分析的基準預測。

1. 在**項目選取**區域中，選取您是否要自動包含分析中的所有項目，或指定要包含檔案的項目。

   如果您選擇**使用 檔案選取項目**，則必須提供資料集，其中僅包含要在假設預測中修改的項目。如需詳細資訊，請參閱[指定時間序列](forecast-explainability.md#forecast-explainability-time-series)。

1. 選擇**建立假設分析**。假設分析頁面頂端的橫幅會顯示假設分析建立任務的狀態。

------
#### [ SDK ]

使用 [CreateWhatIfAnalysis](API_CreateWhatIfAnalysis.md)操作，提供 WhatIfAnalysisName 的唯一名稱，並提供 ForecastArn 基準預測的預測 ARN。以下範例顯示使用「item\$1id」和「store\$1location」維度組合的時間序列結構描述。如需詳細資訊，請參閱[指定時間序列](forecast-explainability.md#forecast-explainability-time-series)。

```
{
  "ForecastArn": "arn:aws:forecast:region:acctNumber:forecast/baselineForecast",
  "WhatIfAnalysisName": "unique_name",
  "TimeSeriesSelector": {
    "TimeSeriesIdentifiers": {
      "DataSource": {
        "S3Config": {
          "Path": "s3://bucket/example-path",
          "RoleArn": "arn:aws:iam::000000000000:role/ExampleRole"
        }
      },
      "Schema": {
        "Attributes": [
          {
            "AttributeName": "item_id",
            "AttributeType": "string"
          }
          { 
            "AttributeName": "store_location",
            "AttributeType": "string"
          }
        ]
      }
    }
  }
}
```

------

### 建立假設預測
<a name="create-forecast"></a>

您可以使用預測主控台或預測軟體開發套件 (SDK) 建立假設預測。

------
#### [ Console ]

若要建立假設預測，請完成下列步驟：

1. 在 Insights 頁面的**假設分析**索引標籤上，選擇您感興趣的假設分析。

1. 在**假設預測**區段中，選擇**建立**。

1. 在建立假設預測頁面上，提供唯一的**假設預測名稱**，然後選擇**使用轉換函數**或**定義替代資料集的假設預測**。如需詳細資訊，請參閱 [替換資料集](replacement-series.md) 和 [轉換函數](data-transformations.md)。

   1. 如果您選擇**使用轉換函數**，則必須使用**轉換函數建置器**來選取和修改包含在假設預測中的資料列。所有轉換都會按照指定的順序套用。條件會依指定的順序套用，並與 AND 操作聯結。只有在符合所有條件時，才會套用轉換。

   1. 如果您選擇**使用替換資料集定義假設預測**，則必須提供替換資料集，其中僅包含您要變更的預測資料列。

1. 選擇 **Create** (建立)。

------
#### [ SDK - Transformation Function ]

使用 [CreateWhatIfForecast](API_CreateWhatIfForecast.md)操作，提供 WhatIfAnalysisName 的唯一名稱，並提供 ForecastArn 的預測 ARN。以下範例顯示當 "store\$1location" 不是 "tacoma" 時，轉換為 "price" 的結構描述。

```
{
  "WhatIfAnalysisArn": "arn:aws:forecast:us-west-2:666488130463:what-if-analysis/jan2020forecast/PromotionAnalysis_01G8MB3PZM89J9V1VEXCC0BS63",
  "WhatIfForecastName": "unique_name",
  "TimeSeriesTransformations": [
    {
      "Action": {
        "AttributeName": "price",
        "Operation": "MULTIPLY",
        "Value": 0.85
      },
      "TimeSeriesConditions": [
        {
          "AttributeName": "store_location",
          "AttributeValue": "tacoma",
          "Condition": "NOT_EQUALS"
        }
      ]
    }
  ]
}
```

在此範例中， `jan2020forecast` 是基準預測，而 `PromotionAnalysis_01G8MB3PZM89J9V1VEXCC0BS63`是假設分析名稱。

您也可以使用 [TimeSeriesReplacementsDataSource](API_TimeSeriesReplacementsDataSource.md)操作指定替換資料集。

------
#### [ SDK - Replacement Dataset ]

使用 [CreateWhatIfForecast](API_CreateWhatIfForecast.md)操作，提供 WhatIfAnalysisName 的唯一名稱，並提供 ForecastArn 的預測 ARN。以下範例顯示替代資料來源的結構描述。

```
{
  "WhatIfAnalysisArn": "arn:aws:forecast:us-west-2:666488130463:what-if-analysis/jan2020forecast/PromotionAnalysis_01G8MB3PZM89J9V1VEXCC0BS63",
  "WhatIfForecastName": "unique_name",
  "TimeSeriesReplacementsDataSource": {
    "S3config": {
      "Path" : "s3://bucket-name/replacementDatasource.csv",
      "RoleArn": "arn:aws:iam::acct-id:role/Role"
    },
    "Schema": {
      Attributes" : [
        {
          "AttributeName": "item_id",
          "AttributeType": "string"
        },
        {
          "AttributeName": "timestamp",
          "AttributeType": "timestamp"
        },
        {
          "AttributeName": "price",
          "AttributeType": "float"
        },
        {
          "AttributeName": "stock_count",
          "AttributeType": "integer"
        },
      ]
    }
  }
}
```

您也可以使用 [TimeSeriesTransformation](API_TimeSeriesTransformation.md)操作指定相關時間序列的變更。

------

### 比較您的假設預測
<a name="compare-forecasts"></a>

若要比較假設預測，請完成預測主控台中的下列步驟：

1. 在 Insights 頁面的**假設分析**索引標籤上，選擇您感興趣的假設分析。

1. 在**比較假設預測**區段中，指定要分析的項目、一或多個**假設預測**，以及至少一個**預測類型**。  
![\[Interface for comparing what-if forecasts with baseline forecast, showing input fields and graph.\]](http://docs.aws.amazon.com/zh_tw/forecast/latest/dg/images/compareWhatIfForecasts.png)

   在此範例中，在 、 `priceCut10pct`和 預測類型中比較兩個假設`p90`預測 `priceIncrease20pct``p50``p10`和 `item_105`。圖形可讓您查看這些預測與基準時間序列的比較。

1. 將滑鼠暫留在圖表上，以調查假設預測與基準預測的比較。

### 匯出假設預測
<a name="export-forecasts"></a>

您可以使用預測主控台或預測軟體開發套件 (SDK) 匯出假設預測。

------
#### [ Console ]

若要匯出假設預測，請完成下列步驟：

1. 在 Insights 頁面的**假設分析**索引標籤上，選擇您感興趣的假設分析。

1. 在**假設預測匯出**區段中，選擇**建立匯出**。

1. 在建立假設預測匯出頁面上，提供唯一的**假設預測匯出名稱**，指定要包含**的假設預測**，選擇**匯出位置**，並提供 **IAM 角色**。

1. 選擇**建立匯出**。

------
#### [ SDK ]

使用 [CreateWhatIfForecastExport](API_CreateWhatIfForecastExport.md)操作，將「目的地」設定為指向將包含匯出的 Amazon S3 儲存貯體。指定要匯出的假設預測，並提供匯出的唯一名稱。

```
{
  "WhatIfForecastArns": [ "arn:aws:forecast:region:acctNumber:what-if-forecast/id1" , "arn:aws:forecast:region:acctNumber:what-if-forecast/id2" ],
  "WhatIfForecastExportName": "unique_export_name",
  "Destination": {
    "S3Config": {
      "Path": "s3://bucket/example-path",
      "RoleArn": "arn:aws:iam::000000000000:role/ExampleRole"
    }
  },
}
```

------

### 查詢您的假設預測
<a name="query-wi-forecasts"></a>

您可以使用 [QueryWhatIfForecast](API_forecastquery_QueryWhatIfForecast.md)操作查詢假設預測。根據預設，會傳回預測的完整範圍。您可以在完整預測中請求特定的日期範圍。

當您查詢假設預測時，您必須指定篩選條件。篩選條件是索引鍵/值組。索引鍵是來自建立預測的資料集之一的結構描述屬性名稱 (包括預測維度)。值是所指定索引鍵的有效值。您可以指定多個索引鍵/值組。傳回的假設預測只會包含符合所有條件的項目。

例如，使用此程式碼來取得 的假設預測`product_42`。

```
{
          "Filters": { 
          "item_id" : "product_42"
          },
          "WhatIfForecastArn": "arn:aws:forecast:region:acctNumber:what-if-forecast/id1"
}
```

# 轉換函數
<a name="data-transformations"></a>

轉換函數是一組操作，可選取和修改相關時間序列中的資料列。您可以使用條件操作選取您想要的資料列。然後，您可以使用轉換操作修改資料列。所有條件都與 AND 操作聯結，這表示所有條件都必須為 true，才能套用轉換。轉換會依列出的順序套用。

當您建立假設預測時，請使用**轉換函數建置器**來指定您要套用的條件和轉換。下圖說明此功能。

![\[Transformation function builder interface with options to modify price and stock count.\]](http://docs.aws.amazon.com/zh_tw/forecast/latest/dg/images/transformationFunctionsMod.png)


在反白區段中，`price`欄位在 （即 Tacoma、Washington) 的商店中乘以 0.90 `tacoma`（即 10% 的折扣），表示項目為彩色 `blue`。若要這樣做，Amazon Forecast 首先會建立基準相關時間序列的子集，以僅包含`store`等於 的資料列`tacoma`。

該子集會進一步剖析，只包含`color`等於 的資料列`blue`。最後，資料`price`欄中的所有值都會乘以 0.90，以建立新的相關時間序列，用於假設預測。

Amazon Forecast 支援下列條件：
+ `EQUALS` - 欄中的值與條件中提供的值相同。
+ `NOT_EQUALS` - 欄中的值與條件中提供的值不同。
+ `LESS_THAN` - 欄中的值小於條件中提供的值。
+ `GREATER_THAN` - 欄中的值大於條件中提供的值。

Amazon Forecast 支援下列動作：
+ `ADD` - 將提供的值新增至資料欄中的所有資料列。
+ `SUBTRACT` - 從資料欄中的所有資料列減去提供的值。
+ `MULTIPLY` - 將資料欄中的所有資料列乘以提供的值。
+ `DIVIDE` - 將資料欄中的所有資料列除以提供的值。

以下是如何使用 SDK 指定時間序列轉換的範例。

------
#### [ Example 1 ]

此範例會將 10% 的折扣套用至西雅圖商店中的所有項目。請注意，「城市」是預測維度。

```
TimeSeriesTransformations=[
  {
    "Action": {
      "AttributeName": "price",
      "Operation": "MULTIPLY",
      "Value": 0.90
      },
    "TimeSeriesConditions": [
      {
        "AttributeName": "city",
        "AttributeValue": "seattle",
        "Condition": "EQUALS"
      }
    ]
  }
]
```

------
#### [ Example 2 ]

此範例會針對「電子」類別中的所有項目套用 10% 的折扣。請注意，「product\$1category」是項目中繼資料。

```
TimeSeriesTransformations=[
  {
    "Action": {
      "AttributeName": "price",
      "Operation": "MULTIPLY",
      "Value": 0.90
      },
    "TimeSeriesConditions": [
      {
        "AttributeName": "product_category",
        "AttributeValue": "electronics",
        "Condition": "EQUALS"
      }
    ] 
  }
]
```

------
#### [ Example 3 ]

此範例會在特定 item\$1id BOA21314K 上套用 20% 標記。

```
TimeSeriesTransformations=[
  {
    "Action": {
      "AttributeName": "price",
      "Operation": "MULTIPLY",
      "Value": 1.20
      },
    "TimeSeriesConditions": [
      {
        "AttributeName": "item_id",
        "AttributeValue": "BOA21314K",
        "Condition": "EQUALS"
      }
    ] 
  }
]
```

------
#### [ Example 4 ]

此範例會將 \$11 新增至 Seattle 和 Bellevue 存放區中的所有項目。

```
TimeSeriesTransformations=[
  {
    "Action": {
      "AttributeName": "price",
      "Operation": "ADD",
      "Value": 1.0
      },
    "TimeSeriesConditions": [
      {
        "AttributeName": "city",
        "AttributeValue": "seattle",
        "Condition": "EQUALS"
      }
    ] 
  },
  {
    "Action": {
      "AttributeName": "price",
      "Operation": "ADD",
      "Value": 1.0
      },
    "TimeSeriesConditions": [
      {
        "AttributeName": "city",
        "AttributeValue": "bellevue",
        "Condition": "EQUALS"
      }
    ] 
  }
]
```

------
#### [ Example 5 ]

此範例從 2022 年 9 月西雅圖的所有項目中減去 1 美元。

```
TimeSeriesTransformations=[
  {
    "Action": {
      "AttributeName": "price",
      "Operation": "SUBTRACT",
      "Value": 1.0
      },
    "TimeSeriesConditions": [
      {
        "AttributeName": "city",
        "AttributeValue": "seattle",
        "Condition": "EQUALS"
      },
      {
        "AttributeName": "timestamp",
        "AttributeValue": "2022-08-31 00:00:00",
        "Condition": "GREATER_THAN"
      },
      {
        "AttributeName": "timestamp",
        "AttributeValue": "2022-10-01 00:00:00",
        "Condition": "LESS_THAN"
      }
    ] 
  }
]
```

------
#### [ Example 6 ]

在此範例中，價格會先乘以 10，然後從價格中減去 5 美元。請注意，動作會依照宣告順序套用。

```
TimeSeriesTransformations=[
  {
    "Action": {
      "AttributeName": "price",
      "Operation": "MULTIPLY",
      "Value": 10.0
      },
    "TimeSeriesConditions": [
      {
        "AttributeName": "city",
        "AttributeValue": "seattle",
        "Condition": "EQUALS"
      }
    ]
    },
    {
    "Action": {
      "AttributeName": "price",
      "Operation": "SUBTRACT",
      "Value": 5.0
      },
    "TimeSeriesConditions": [
      {
        "AttributeName": "city",
        "AttributeValue": "seattle",
        "Condition": "EQUALS"
      }
    ] 
   }
]
```

------
#### [ Example 7 ]

此範例會建立空集，因此動作不會套用至任何時間序列。此程式碼會嘗試修改西雅圖和貝爾維尤的商店中所有項目的價格。由於條件會與 AND 操作聯結，且一個存放區只能存在於一個城市，因此結果為空集。因此，不會套用 動作。

```
TimeSeriesTransformations=[
  {
    "Action": {
      "AttributeName": "price",
      "Operation": "MULTIPLY",
      "Value": 10.0
      },
    "TimeSeriesConditions": [
      {
        "AttributeName": "city",
        "AttributeValue": "seattle",
        "Condition": "EQUALS"
      },
      {
        "AttributeName": "city",
        "AttributeValue": "bellevue",
        "Condition": "EQUALS"
      },
    ] 
  }
]
```

如需如何將條件套用至多個屬性的範例，請參閱範例 4。

------
#### [ Example 8 ]

使用時間戳記的轉換條件適用於邊界對齊的資料，而不是原始資料。例如，您每小時輸入資料並每天預測。在此情況下，預測會將時間戳記與日期對齊，因此 `2020-12-31 01:00:00` 會與 對齊`2020-12-31 00:00:00`。此程式碼會建立空集，因為它未在邊界對齊的時間戳記指定時間戳記。

```
TimeSeriesTransformations=[
  {
    "Action": {
      "AttributeName": "price",
      "Operation": "MULTIPLY",
      "Value": 10.0
      },
    "TimeSeriesConditions": [
      {
        "AttributeName": "timestamp",
        "AttributeValue": "2020-12-31 01:00:00",
        "Condition": "EQUALS"
      },
    ] 
  }
]
```

------

# 替換資料集
<a name="replacement-series"></a>

替換資料集是基準相關時間序列的修改版本，只包含您想要在假設預測中變更的值。取代資料集必須包含基準相關時間序列中的預測維度、項目識別符和時間戳記，以及至少 1 個已變更的時間序列。此資料集會與基準相關時間序列合併，以建立用於假設預測的轉換資料集。替換資料集必須是 CSV 格式。

此資料集不應包含相同時間序列的重複時間戳記。

以下幾個範例說明如何指定替代時間序列，以及如何解譯這些規格。考慮您每天預測的情況，預測期間是 2022-08-01 到 2022-08-03。下表提供所有範例的基準相關時間序列。


| item\$1id | timestamp | 價格 | stock\$1count | 
| --- | --- | --- | --- | 
| item\$11 | 2022-08-01 | 100 | 50 | 
| item\$11 | 2022-08-02 | 100 | 50 | 
| item\$11 | 2022-08-03 | 100 | 50 | 
| item\$12 | 2022-08-01 | 75 | 500 | 
| item\$12 | 2022-08-02 | 75 | 500 | 
| item\$12 | 2022-08-03 | 75 | 500 | 

------
#### [ Unchanged values ]

若要對適用於 2022-08-02 和 的 item\$11 套用 10% 折扣2022-08-03，請為替換資料集指定下列項目：


**替換資料集**  

| item\$1id | timestamp | 價格 | 
| --- | --- | --- | 
| item\$11 | 2022-08-02 | 90 | 
| item\$11 | 2022-08-03 | 90 | 

不過，在取代資料集中指定未變更的值也是有效的。用作替換資料集時，以下三個資料表中的每個資料表都會產生與先前提供的資料表相同的結果。


**具有未變更資料欄的替換資料集**  

| item\$1id | timestamp | 價格 | stock\$1count | 
| --- | --- | --- | --- | 
| item\$11 | 2022-08-02 | 90 | 50 | 
| item\$11 | 2022-08-03 | 90 | 50 | 


**具有未變更資料列的替換資料集**  

| item\$1id | timestamp | 價格 | 
| --- | --- | --- | 
| item\$11 | 2022-08-01 | 100 | 
| item\$11 | 2022-08-02 | 90 | 
| item\$11 | 2022-08-03 | 90 | 
| item\$12 | 2022-08-01 | 75 | 
| item\$12 | 2022-08-02 | 75 | 
| item\$12 | 2022-08-03 | 75 | 


**具有未變更資料列和資料欄的替換資料集**  

| item\$1id | timestamp | 價格 | stock\$1count | 
| --- | --- | --- | --- | 
| item\$11 | 2022-08-01 | 100 | 50 | 
| item\$11 | 2022-08-02 | 90 | 50 | 
| item\$11 | 2022-08-03 | 90 | 50 | 
| item\$12 | 2022-08-01 | 75 | 500 | 
| item\$12 | 2022-08-02 | 75 | 500 | 
| item\$12 | 2022-08-03 | 75 | 500 | 

------
#### [ Missing values ]

替換時間序列中的遺失值會取代為基準相關時間序列的值。請考慮您在 2022-08-02 和 中對 item\$11 套用 10% 折扣的情況，2022-08-03並在 2022-08-01 增加 item\$12 的庫存。此替換資料集已足夠：


**遺失值的替換資料集**  

| item\$1id | timestamp | 價格 | stock\$1count | 
| --- |--- |--- |--- |
| item\$11 | 2022-08-02 | 90 |  | 
| --- |--- |--- |--- |
| item\$11 | 2022-08-03 | 90 |  | 
| --- |--- |--- |--- |
| item\$12 | 2022-08-01 |  | 5000 | 
| --- |--- |--- |--- |

此資料表中缺少的值會從基準相關時間序列中插補。

------
#### [ Extraneous values ]

建立假設預測時，替換時間序列中的額外值會被忽略。也就是說，取代資料集中的值與基準相關時間序列中的值不對應，則不會建模。請考慮此替換資料集：


**使用外部值取代資料集**  

| item\$1id | timestamp | 價格 | stock\$1count | 
| --- |--- |--- |--- |
| item\$11 | 2022-08-01 | 100 | 50 | 
| item\$11 | 2022-08-02 | 100 | 50 | 
| item\$11 | 2022-08-03 | 100 | 50 | 
| item\$12 | 2022-08-01 | 75 | 500 | 
| item\$12 | 2022-08-02 | 75 | 500 | 
| item\$12 | 2022-08-03 | 75 | 500 | 
| item\$13 | 2022-08-01 | 50 | 125 | 
| --- |--- |--- |--- |
| item\$13 | 2022-08-02 | 50 | 125 | 
| --- |--- |--- |--- |
| item\$13 | 2022-08-03 | 50 | 125 | 
| --- |--- |--- |--- |

包含 item\$13 的資料列會被忽略，而且不屬於假設分析的一部分。

------
#### [ Historical changes ]

取代資料集中超出預測時間範圍的變更會被忽略。請考慮此替換資料集：


**具有預測時間範圍外值的替換資料集**  

| item\$1id | timestamp | 價格 | stock\$1count | 
| --- |--- |--- |--- |
| item\$11 | 2022-07-31 | 100 | 50 | 
| --- |--- |--- |--- |
| item\$11 | 2022-08-01 | 100 | 50 | 
| item\$11 | 2022-08-02 | 100 | 50 | 
| item\$11 | 2022-08-03 | 100 | 50 | 
| item\$11 | 2022-08-04 | 100 | 50 | 
| --- |--- |--- |--- |
| item\$12 | 2022-07-31 | 75 | 500 | 
| --- |--- |--- |--- |
| item\$12 | 2022-08-01 | 75 | 500 | 
| item\$12 | 2022-08-02 | 75 | 500 | 
| item\$12 | 2022-08-03 | 75 | 500 | 
| item\$13 | 2022-08-04 | 75 | 500 | 
| --- |--- |--- |--- |

包含 2022-07-31 和 2022-08-04 的資料列會被忽略，而且不屬於假設分析的一部分。

------

## 預測維度
<a name="forecast-dimensions"></a>

如果您在資料集中包含預測維度，則必須在替換資料集中包含預測維度。考慮此基準相關時間序列：


| item\$1id | store\$1id | timestamp | 價格 | stock\$1count | 
| --- | --- | --- | --- | --- | 
| item\$11 | store\$11 | 2022-08-01 | 100 | 50 | 
| item\$11 | store\$11 | 2022-08-02 | 100 | 50 | 
| item\$11 | store\$11 | 2022-08-03 | 100 | 50 | 
| item\$11 | store\$12 | 2022-08-01 | 75 | 500 | 
| item\$11 | store\$12 | 2022-08-02 | 75 | 500 | 
| item\$11 | store\$12 | 2022-08-03 | 75 | 500 | 

因此， 所有商店中 10% 折扣的替換資料集2022-08-02如下：


| item\$1id | store\$1id | timestamp | 價格 | 
| --- | --- | --- | --- | 
| item\$11 | store\$11 | 2022-08-02 | 90 | 
| item\$11 | store\$12 | 2022-08-02 | 67.5 |