Author: Sira Ekabut

สอนใช้ Python ใน Excel ตอนที่ 2 : List, Loop, Condition
หลังจากในตอนที่แล้วผมได้มีการแนะนำแนวทางการใช้ Python ใน Excel เบื้องต้นไปแล้ว ในตอนนี้หลักๆ แล้ว ผมจะมาแนะนำวิธีเขียน Code เพื่อสร้าง Loop ใน Python ให้เพื่อนๆ ได้รู้จักกันครับ

Loop คือการสั่งให้โปรแกรมคอมพิวเตอร์ทำงานซ้ำๆ ตามที่เรากำหนด ซึ่งใน python มี Loop แบบนึงที่นิยมมาก คือ for loop ซึ่งค่อนข้างทรงพลังมาก

วิธีการคือ for loop จะวนพิจารณาทำงานซ้ำโดยอ่านค่า Item ใน Object ที่มี item ย่อยๆ อยู่ข้างใน ที่ใช้บ่อยมากคือ List Range กับ String (ข้อความ) เป็นต้น ซึ่งเป็นเรื่องที่ผมจะอธิบายในบทความนี้

แต่ก่อนที่ผมจะอธิบายเรื่อง Loop เพื่อให้เห็นภาพมากขึ้น เรามาทำความรู้จัก List ให้ดีขึ้นกันอีกนิดนึงดีกว่าครับ

เรื่องของ List ใน Python

List คือประเภทข้อมูลแบบนึงของ Python ที่สามารถเก็บข้อมูลไว้ในตัวมันได้หลายตัว โดยที่ข้อมูลแต่ละตัวจะเป็นข้อมูลประเภทอะไรก็ได้ (ใน List มี List ซ้อนอีกก็ได้) เก็บซ้ำกันก็ได้ และลำดับการเก็บข้อมูลมีความหมาย (เราอ้างอิงตำแหน่งของมันได้)

สมมติว่า List ต้นฉบับคือแบบนี้
```
colorList=["red","green","blue","yellow"]
```
อ้างอิงถึง item ใน List

หากเราต้องการอ้างอิงถึง item ใน List สามารถใช้
```
ListName[เลขindex]
```
โดยที่เราสามารถอ้างอิงเลข index ได้ 2 แบบ คือ
- เลข index เป็นบวก โดยเริ่มจาก item แรก คือ index 0 คือ แล้ว item 2 คือ index 1
- เลข index ติดลบ ไล่ย้อนหลับนับ item สุดท้ายเป็น -1, รองสุดท้ายคือ -2
เช่น
- colorList[1] จะได้ item ที่ 2 คือ string ว่า green
- colorList[-3] คือ item ลำดับที่ 3 จากท้าย ซึ่งในที่นี้ก็คือ green เช่นกัน
Slice หั่นเลือกเอาช่วง item ใน List

เราสามารถ slice เลือกบางส่วนของ List ได้ด้วยวิธีแบบนี้
```
ListName[ indexเริ่ม : แต่ไม่ถึง indexจบ ]
```
```
colorList[1:3]
# เอาตั้งแต่ index1 (เริ่มตัวที่2) แต่ไม่ถึง index3 (ไม่ถึง 4 คือเอาถึงตัวที่3)
```
สรุปแล้ว [1:3] แปลว่าเอาตั้งแต่ ตัวที่2 ถึงตัวที่ 3

ถ้าจะเริ่มเอาแต่แรก สามารถใส่ colorList[0:3] หรือจะเว้นไปเลย เหลือแค่ colorList[:3] ก็ได้
```
colorList[:3]
# เอาตั้งแต่แรก แต่ไม่ถึง index3 (ไม่ถึง 4 คือเอาถึงตัวที่3)
```
สรุปแล้ว [:3] แปลว่าเอาตั้งแต่ ตัวแรก ถึงตัวที่ 3

ถ้าจะเอาถึงตัวสุดท้าย ก็เว้นการใส่ตัวสุดท้ายไปเลยก็ได้ เช่น
```
colorList[1:]
# เอาตั้งแต่ index1 (เริ่มตัวที่2) จนถึงตัวสุดท้าย
```
สรุปแล้ว [1:] แปลว่าเอาตั้งแต่ตัวที่2 ถึง ตัวสุดท้าย

แล้วก็สามารถใส่ index ติดลบได้เช่นเดิม
```
colorList[1:-1]
# เอาตั้งแต่ index1 (เริ่มตัวที่2) แต่ไม่ถึง index -1 (ไม่ถึงตัวสุดท้าย คือเอาถึงตัวรองสุดท้าย)
```
สรุปแล้ว [1:-1] แปลว่าเอาตั้งแต่ตัวที่2 ถึง ตัวรองสุดท้าย

การรวม List เข้าด้วยกัน

เราสามารถรวม Item ใน List เข้าด้วยกันได้ด้วยเครื่องหมาย + ธรรมดาเลย simple สุดๆ เช่น
```
MyList1=["red","green","blue"]
MyList2=[55,20,200]
combinedList=MyList1+MyList2
```
แต่ถ้าจะมัดรวมเป็นคู่อันดับ ให้ใช้ zip มาช่วย เช่น
```
MyList1=["red","green","blue"]
MyList2=[55,20,200]
zipObject=zip(MyList1,MyList2)
zipList=list (zipObject)
print(zipList)
```
เริ่มทำการวน Loop

พอเราเริ่มรู้จัก List ที่เป็น Object ประเภทนึงที่สามารถเก็บข้อมูลหลาย item ในตัวมันเองแล้ว เราลองมาเริ่มดูวิธีวน Loop กันบ้าง

โดยโครงสร้างของ for loop ใน Python เป็นแบบนี้
```
for item in Objectที่มีSequence:       # ต้องมี : ด้วย
    คำสั่งใน loop ที่จะให้ทำซ้ำ   #ต้องมี tab เพื่อย่อหน้าเข้ามา 1 ทีด้วย
    คำสั่งใน loop ที่จะให้ทำซ้ำ   #ต้องมี tab เพื่อย่อหน้าเข้ามา 1 ทีด้วย
คำสั่งที่ไม่เกี่ยวกับ loop          #ถ้าไม่มีย่อหน้าคือไม่อยู่ใน loop
```
วน Loop ใน List

สมมติถ้าอยากจะวน Loop ใน colorList ที่สร้างไว้ แล้วพยายาม print เอาข้อมูลสีออกมาในแบบตัวพิมพ์ใหญ่

โดยผมลองเขียนให้ดู เพื่อทำความเข้าใจแบบละเอียด ดังนี้

เราสามารถจะตั้งชื่อตัวแปรที่เอาไว้วน Loop (ตัวที่อยู่หลัง for) ว่าอะไรก็ได้ เช่น i, x, num, char, color, blahblah หรืออะไรก็ได้

ซึ่งในที่นี้เราตั้งว่า color โดยการวน loop แต่ละรอบ ตัวแปร color นี้ก็จะเปลี่ยนไปเรื่อยๆ โดยรับค่าที่เป็นข้อความ “red” “green” “blue” “yellow” เปลี่ยนไปเรื่อยๆ ทีละตัว

การที่เราจะทำให้เป็นตัวพิมพ์ใหญ่ เราสามารถใช้ method ที่ชื่อว่า .upper() มาช่วยได้

เพราะมันคือ Method ที่ถูกฝังไว้ใน object ประเภท String หรือข้อความนั่นเอง ซึ่งชื่อสีของเราเป็นข้อความก็ต้องใช้คำสั่งนี้ได้
```
for color in colorList:
    UpColor=color.upper()    #สร้างตัวแปร UpColor มาเก็บตัวพิมพ์ใหญ่
    print(UpColor)        #print UpColor ออกมาใน Console
print("นี่คือนอก loop")
```
ผลที่ได้ คือ จะมีการ print ชื่อสีแต่ละอันเป็นตัวพิมพ์ใหญ่ ออกมาใน console ซึ่งใน Excel มันจะถือว่า Console อยู่ในส่วนของ Diagnostics ด้านขวา (ลากออกมาได้นะ)

เราจะพบว่า มีการ Print สีจำนวน 4 ครั้ง (เพราะเรามีทั้งหมด 4 สี มันไล่วน Loop Print แต่ละสี สีละ 1 ครั้ง) แต่มีการ Print คำว่า “นี่คือนอก loop” แค่ 1 ครั้ง เพราะเราใส่ไว้โดยไม่มีการย่อหน้า แสดงว่าไม่อยู่ใน loop แล้ว

เอาจริงๆ การวน loop print เราเขียนแค่นี้ก็พอ ไม่ต้องประกาศอะไรเยอะแยะ
```
for color in colorList:
    print(color.upper())
```
แต่ถ้าเราอยากให้มันออกมาใน Cell เป็น Dynamic Array เราต้องทำให้ผลลัพธ์เป็น List ก่อน Excel จึงจะเข้าใจ ถ้าปล่อยเป็น NoneType จะเอาออกมาไม่ได้

วิธีการแบบนึงที่ทำได้คือ สร้าง List ว่างเปล่าขึ้นมาก่อน แล้ววน Loop เอา item แต่ละอันใส่ เข้าไปใน List ด้วย .append() แล้วค่อยเรียก List นั้นออกมาอีกที ดังนี้ (แล้วอย่าลืมแก้ Output ให้เป็น Excel Value ด้วย)
```
UpperColorList=[]        #สร้าง UpperColorList ว่างเปล่า
for color in colorList:
    UpperColorList.append(color.upper()) #ใส่ item เพิ่มใน List
UpperColorList         #แสดง UpperColorList ออกมา
```
List Comprehension

อย่างไรก็ตาม เราสามารถสร้าง List ใหม่ได้ง่ายๆ กว่าที่เขียนข้างบน ด้วยเทคนิคที่เรียกว่า List Comprehension ซึ่งเหมือนการเขียน for loop แบบย่อสุดๆ ที่ให้ผลเป็น List ใหม่ได้เลย โดยไม่ต้องมานั่งเขียน code ยาวๆ เช่น

ในรูปแบบของ
```
[itemผลลัพธ์ for item in Objectที่มีSequence]
```
เช่น
```
[color.upper() for color in colorList]
```
เดี๋ยวเราลองไปดูการวน Loop ใน item อื่นที่ไม่ใช่ List โดยตรงบ้าง

วน Loop ใน Range

ถ้าเราอยากจะวน Loop กับ ตัวเลข 6 ตัว ที่เริ่มจากเลข 0 เราสามารถใช้ฟังก์ชัน range(6) ได้ ซึ่งมันคือ Object ที่คล้าย List ที่ประกอบไปด้วย item 0,1,2,3,4,5 อยู่ข้างในนั่นเอง

ลองให้มันสั่ง print เลข 0-5 ออกมาใน console โดยที่ตั้งตัวแปร i ขึ้นมาแทนแต่ละเลขขณะวน Loop
```
for i in range(6):
    print(i)
```
แต่ถ้าเราอยากให้มันออกมาใน Cell เป็น Dynamic Array ก็ใช้ List Compreshension ก็ได้ ง่ายดี
```
[i for i in range(6)]
```
เราจะได้ผลลัพธ์เป็น List ใหม่ทันที ง่ายๆ แบบนี้เลย

หรือถ้าอยากได้เลขที่ไม่ได้เริ่มจาก 0 ก็สามารถทำแบบนี้ได้ ในรูปแบบของ
```
range(เลขเริ่ม,แต่ไม่ถึงเลขจบ)
```
เช่น
```
[i for i in range(3,10)]
```
แบบนี้คือ 3 ถึง 9 (เลขจะไม่รวม 10)

และถ้าอยากจะเพิ่ม step มากกว่า 1
```
range(เลขเริ่ม,แต่ไม่ถึงเลขจบ,step)
```
เช่น เพิ่มทีละ 2 ก็ทำแบบนี้ได้ คือใส่ ,2 ต่อไปอีก
```
[i for i in range(3,9,2)]
```
กลับมาที่ range(6) คือ เลข 0-5 อีกที…

ถ้าผลลัพธ์ที่เราต้องการไม่ได้เป็นการสร้าง List ใหม่ ก็อาจจะไม่ต้องใช้ List Comprehension ก็ได้

เช่น ลองสร้างเลขบวกสะสมกันไปเรื่อยๆ ตั้งแต่ 0-5
```
x=0
for i in range(6):
    x=x+i
x
```
หรือเอาจริงๆ จะทำ List Comprehension เพื่อสร้าง List ผลลัพธ์ก่อน (ในทีนี้ผมเก็บไว้ในตัวแปร MyList) แล้วค่อย Sum ค่าใน List ทั้งหมดก็ได้ เช่น
```
MyList=[i for i in range(6)]
x = sum(MyList)
```
วน Loop ใน String

นอกเหนือจากการวน Loop ใน List และใน Range แล้ว เรายังสามารถวน Loop ใน String หรือข้อความได้ด้วย ซึ่งมันคือ การวนพิจารณาทีละอักขระของข้อความได้เลย ซึ่งทรงพลังมากๆ
```
MyList=[]    #สร้าง List ว่างเปล่า
for char in "thepexcel":
    MyList.append(char)    #ใส่แต่ละอักขระเพิ่มเข้าไปใน List
MyList        #แสดง MyList ออกมา
```
ซึ่งใช้ List Comprehension ง่ายกว่าเยอะ
```
MyList=[char for char in "thepexcel"]
```
การใส่ Condition

เราสามารถจะใช้ if เพื่อสร้าง condition บางอย่างได้

กรณีถ้าเงื่อนไขจริงแล้วให้ทำอะไรบางอย่าง (ถ้าไม่ตรงก็ไม่ทำอะไร)
```
if condition:
    #action1 if true
    #action2 if true
```
เช่น

ผมทำให้ดู 2 เคสเลย ว่ากรณีเงื่อนไขเป็นจริง ก็จะทำตาม action ที่กำหนด แต่ถ้าไม่ตรงตามเงื่อนไขก็จะไม่มีอะไรเกิดขึ้น
```
result1="original1"
score=45
if score>10:
    result1="score1 มากกว่า 10"

result2="original2"
score=5
if score>10:
    result2="score2 มากกว่า 10"
    
[result1,result2]
```
การเขียน if แบบนี้ ซึ่งถ้าผลลัพธ์มีแค่ 1 action เราสามารถย่อได้ จะได้ไม่ต้องปวดหัวกับการ indent ย่อหน้าเข้าไป
```
if condition: action_if_true
```
เช่น อันนี้ผมทำเคสจริงให้ดูอย่างเดียว
```
result1="original1"
score=45
if score>10:result1="score1 มากกว่า 10"
    
result1
```
กรณีถ้าเงื่อนไขจริงแล้วให้ทำอะไรบางอย่าง ถ้าไม่จริงให้ทำอีกอย่าง

ก็คือนอกจากจะมี if แล้ว คราวนี้ต้องมี else เพื่อทำกรณีที่ไม่จริงด้วย ซึ่งโครงสร้างคือ
```
if condition:
    #action if true
else:
    #action if false
```
เช่น
```
result="original"
score=5
if score>10:
    result="score มากกว่า 10"
else:
    result="score ไม่ได้มากกว่า 10"
result
```
ซึ่งถ้าแต่ละเงื่อนไขมีแค่ 1 action เราสามารถย่อได้เช่นกัน ในรูปแบบนี้ คือไม่มี : ไม่มีย่อหน้าเลยด้วย แต่จะมีการสลับเอา action กรณีจริงขึ้นมาก่อน
```
action_if_true if condition else action_if_false
```
แต่ action ในรูปแบบนี้จะใช้การ assign ตัวแปรไม่ได้นะ ดังนั้นผมจะใช้การ print เพื่อพิสูจน์ให้ดูแทน
```
score=5
print("score มากกว่า 10") if score>10 else print("score ไม่ได้มากกว่า 10")
```
ลองใช้ condition ใน Loop

เราลองมาดูตัวอย่างการใช้ Condition ใน Loop กัน

สมมติว่า เราจะวน Loop ใน String เพื่อพิจารณาแต่ละอักขระ ถ้าพบว่าอักขระที่กำลังพิจารณา (char) เป็นตัว e เราจะให้ทำเป็นตัวพิมพ์ใหญ่ โดยใช้ method .upper() ภายใน condition ของ if
```
MyList=[]    #สร้าง List ว่างเปล่า
for char in "thepexcel":
    if char =="e":
        char=char.upper()    #ถ้าเป็นตัว e ให้ทำเป็นพิมพ์ใหญ่
    MyList.append(char)    #ใส่แต่ละอักขระเข้าไปใน List
MyList        #แสดง MyList ออกมา
```
แต่ถ้าในกรณีนี้เราทำด้วย List Comprehension แบบทื่อๆ เลย การเขียน condition if แบบย่อแค่ action จริง จะไม่ work ในกรณีนี้
```
MyList=[char.upper() for char in "thepexcel" if char=="e" ]
```
เพราะว่ามันดันเป็นการสร้าง List ใหม่ โดย “คัดเลือกเฉพาะที่ตรงกับเงื่อนไข” ที่กำหนดคือเป็นตัว e เท่านั้น (กลายเป็นได้ E 3 ตัวเฉยเลย นั่นคือ กรณี False จะไม่มีการเอามาใส่ใน List)

ถ้าอยากให้มีทุกตัวเท่าเดิม เราควรกำหนดทั้งกรณีทั้ง True และ False แต่โครงสร้างของ List Comprehension จะเปลี่ยนไปนิดหน่อย กลายเป็น if else ซึ่งจะมีการสลับตำแหน่ง
```
MyList=[char.upper() if char=="e" else char for char in "thepexcel" ]
```
แบบนี้ถึงจะ work ได้ตามต้องการครับ

ลองการประยุกต์

วน Loop เพื่อแก้ชื่อคอลัมน์ของ DataFrame

สมมติผมมี DataFrame อยู่ แล้วอยากจะได้ชื่อคอลัมน์ออกมาเป็น List ผมสามารถทำได้แบบนี้
```
df = xl("IrisDataSet[#All]", headers=True)
dfColList=list(df.columns)
```
ทีนี้ผมอยากจะวน Loop เพื่อทำการแก้ชื่อคอลัมน์เฉพาะที่มีเครื่องหมาย _ ให้เป็นพิมพ์ใหญ่

ผมทำได้ดังนี้
```
NewdfColList=[ col.upper() if "_" in col else col for col in dfColList ]
```
แล้วเราก็เอาชื่อคอลัมน์ใหม่ assign เข้าไปใน df เดิมก็ได้ ดังนี้
```
df.columns = NewdfColList
df
```
จริงๆ ก็คือเขียนรวมกันหมดเลยใน code ของ cell เดียวก็ได้นะ เช่น
```
df=xl("IrisDataSet[#All]", headers=True)
dfColList=list(df.columns)
NewdfColList=[ col.upper() if "_" in col else col for col in dfColList ]
df.columns = NewdfColList
df
```
คัดเลือกให้แสดง DataFrame แค่บางคอลัมน์

ทีนี้ในเมื่อเราจัดการ List เป็นแล้ว อาจใช้มันในการเลือก List ที่ต้องการก็ได้ เช่น ผมต้องการ Columnที่ 1,4,5 เสมอ ผมอาจใช้แบบนี้
```
SelectCol=[NewdfColList[i-1] for i in [1,4,5]]
```
แล้วผมค่อยเอา List รายชื่อคอลัมน์นี้ใส่เข้าไปใน DataFrame เพื่อเป็นการคัดเลือกเอาคอลัมน์ที่ต้องการได้เลย เช่น
```
df[SelectCol]
```
ตอนต่อไป

สำหรับตัวอย่างนี้ก็ค่อนข้างยาวแล้ว ผมขอจบเพียงเท่านี้ ในตอนต่อไปเราจะพูดถึงเรื่อง Regular Expression กันครับ ซึ่งคือเรื่องที่ Python ชนะ Excel แบบขาดลอยของจริงครับ หึหึ
September 10, 2023
สอนใช้ Python ใน Excel ตอนที่ 1 : ลองใช้ครั้งแรก
ในบทความนี้ผมจะสอนใช้ Python ใน Excel ตั้งแต่ต้น แบบที่คนไม่รู้จัก Python มาก่อน ก็พอจะอ่านได้ครับ และแม้ว่าผมจะเพิ่งได้ใช้ Python for Excel เมื่อวานซืนเป็นครั้งแรก (เมื่อ 8 Sep 2023 ) แต่ผมพอจะมีประสบการณ์ในการใช้ Python มาบ้างแล้ว ถึงจะไม่ได้เชี่ยวชาญ แต่ก็น่าจะพอถ่ายทอดในมุมมองของคนที่เคยใช้ทั้ง 2 โปรแกรมมาก่อนได้ครับ

การที่ Microsoft เอา Python มาอยู่ใน Excel โดยตรง สำหรับผมแล้วเป็นเรื่องที่น่าตื่นเต้นมากๆ พอๆ กับตอนใช้ Power Query ครั้งแรกเลย เพราะมันจะเพิ่มความสามารถอย่างมหาศาลในการวิเคราะห์และนำเสนอข้อมูลและมันทำให้ผมรู้สึกกลับมาสนุกกับ “การเรียนรู้ครั้งใหม่” อันนี้ ^^

Tips : เราสามารถให้ AI เช่น ChatGPT ช่วยเขียน Code Python ให้เราได้ เนื่องจาก Python เป็นภาษาคอมพิวเตอร์ที่ ChatGPT ถนัดที่สุด และตอบแม่นกว่าภาษาอื่นมาก (แม่นกว่าสูตร Excel เยอะ)

วิธีการสมัครใช้ Python ใน Excel

ณ ปัจจุบัน คุณต้องมี Excel 365 แล้วต้องกดสมัครเป็น แบบ Excel 365 Insider (กดได้ฟรีเลย ในหน้า Account น่ะ) และเลือกแบบ Beta Channel เท่านั้น จึงจะใช้ Python ใน Excel ได้ และอาจต้องรอนิดหน่อยด้วย บางคนหลังจากสมัครก็ยังใช้ไม่ได้ทันที

หากใช้ได้แล้วจะมีเครื่องมือโผล่มาที่ Ribbon ของ Formula แบบนี้

วิธีการเรียกใช้ Python ใน Excel

ไปใน Cell ไหนก็ได้ แล้วเขียนสูตร =PY แล้วกด Tab โปรแกรมจะเข้าสู่ “โหมดการเขียน Code Python” ทันที (หรือกด Ctrl+Alt+Shift+P ก็ได้นะ แต่ผมชอบ =PY มากกว่า)

การรัน Code Python

เมื่อเขียน code python หากกด Enter เฉยๆ จะเป็นการขึ้นบรรทัดใหม่ (เพราะปกติ Code มักจะเขียนหลายบรรทัด) ถ้าอยากจะให้ Code Run ให้กด Ctrl+Enter แทน

และการเขียน Code Python นั้น ไม่ต้องขึ้นด้วยเครื่องหมายเท่ากับ นะ เราสามารถพิมพ์ Code ที่ต้องการได้เลย เช่น
```
(5+2)*10
```
แล้วกด Ctrl+Enter เพื่อ Run Python ซึ่งมันจะทำการส่งข้อมูลไป Run บน Cloud นะครับ (แปลว่าต้องต่อ Internet!)

ผลลัพธ์ของ Python ใน Excel

ผลลัพธ์ของ Python ใน Excel จะเลือกได้ 2 แบบ คือ Python Object และ Excel Value

โดยที่ค่า Default คือ Python Object ซึ่งจะเกือบข้อมูลหลายค่าอยู่ใน Object เดียวได้

โดยถ้าผลลัพธ์เป็น Value ที่มีค่าเดียวจะแสดงออกมาเลย (เช่น เลข 70)

แต่ถ้าผลลัพธ์เป็นโครงสร้างข้อมูลที่มีหลายค่า อาจยังไม่แสดงออกมา แต่จะเห็นเป็น Object เช่น list, record, DataFrame แทน

เช่น เราสามารถสร้าง list ใน Python ได้ด้วย [ item1 , item2, item3 ]
ป.ล. คล้ายๆ M Code ของ Power Query แต่ Power Query ใช้ { } แทนที่จะเป็น [ ]
```
[5,20,"cat","สาว"]
```
เราสามารถกดเปลี่ยนให้เป็น Excel Value ได้โดยผลลัพธ์จะแสดงออกมาใน Cell ของ Excel ตามปกติ และถ้ามีหลายค่าจะออกมาเป็น Dynamic Array (ใช้ได้กับ list และ DataFrame) ดังรูป

ป.ล. ผมใช้ฟังก์ชัน FORMULATEXT ของ Excel ในการแสดงสูตร Python ออกมา
- ,1 ด้านท้ายคือการบอกว่าผลลัพธ์ออกมาเป็น Python Object
- ,0 ด้านท้ายคือการบอกว่าผลลัพธ์ออกมาเป็น Excel value
การประกาศตัวแปรใน Python

เราสามารถประกาศตัวแปรใน Python ได้ (ประกาศได้หลายตัวไปเรื่อยๆ) ด้วยการเขียนว่า
```
ตัวแปร1 = expression บางอย่าง
ตัวแปร2 = expression บางอย่าง
...
```
ซึ่ง python จะเอาค่าฝั่งขวา มาเก็บในตัวแปรฝั่งซ้าย
```
width=5
height=10
area=width*height
```
และโดยปกติมันจะแสดงค่าบรรทัดสุดท้ายออกมา ทำให้ในตัวอย่างนี้ เราเลยเห็นค่าเป็น 50 ของตัวแปร area นั่นเอง

อ้างอิงตัวแปรที่เคยประกาศแล้วใน Cell อื่น

เราสามารถอ้างอิงตัวแปรที่ประกาศไว้ใน Cell อื่นได้นะ แต่มัน “ต้องเป็น Cell ที่อยู่ก่อนหน้า”

โดย Python จะอ่านค่าจาก Row1 จนครบก่อน จากซ้ายไปขวาทุกคอลัมน์ แล้วค่อยอ่าน Row2 (ทุกคอลัมน์จากซ้ายไปขวาอีกที)

ดังนั้นแบบนี้ ค่าใน B4 มันอ่านหาตัวแปร width ได้ เพราะเคยประกาศไว้ใน B2

แต่แบบนี้ค่าใน A1 มันอ่านหา width ได้ไม่ได้ เพราะว่ามันดันเรียกค่า width ทั้งๆ ที่การประกาศยังมาไม่ถึง เพราะการประกาศทำไว้ใน B2

และถ้าแบบนี้ มันจะอ่านค่าได้ 7 เพราะมีการประกาศตัวแปร width ซ้ำอีกทีใน Cell D2 มันเลยทับค่า width ที่เคยประกาศใน B2 ไปเลย

วิธีการอ้างอิงข้อมูลจาก Excel เข้าไปใน Python

เราสามารถอ้างอิง Cell Reference หรือจะ Defined Name ต่างๆ หรือแม้แต่ชื่อ Query ก็ได้

1.อ้างอิง Cell เดี่ยวๆ

วิธีแรก คือ จิ้มที่ Cell ที่ต้องการ เพื่ออ้างอิงค่าได้เลย มันจะขึ้นฟังก์ชัน xl ขึ้นมาเอง (ซึ่งคือ ฟังก์ชันพิเศษที่เอาไว้อ่านค่าจาก Excel) พร้อมกับ Cell Reference ของสิ่งที่เราจิ้ม เช่น

แล้วเราสามารถ Copy สูตรลงมาเพื่อให้ Cell Reference เลื่อนได้ตามปกติเลย (หรือจะ Lock $ ก็ทำได้ตามปกติเลย)

เรายังสามารถใช้สูตรหรือฟังก์ชัน Excel คำนวณค่าที่มาจาก Python ได้ตามปกติด้วย

แต่เอาจริงๆ การอ้างอิง Cell เดียวดูแล้วไม่ค่อยมีประโยชน์เท่าไหร่ ไม่ค่อยมีใครเค้าทำกันหรอกครับ เราไปดูวิธีที่เข้าท่าขึ้นดีกว่า

2.อ้างอิง Range

Python ใน Excel จะเริ่มมีประโยชน์ขึ้น ถ้าเราอ้างอิงข้อมูลเป็น Range เข้าไปให้มัน

ตัวอย่างเช่น ถ้าเดิมทีผมมีแค่ สินค้า Unit Price และ Qty ผมสามารถอ้างอิง Range ทั้งยวงได้เลย (B2:D5) แบบนี้ (รวมหัวตาราง) มันจะฉลาดพอที่จะใส่ว่าข้อมูลเรามีหัวตารางอยู่ด้วย (headers= True)

ถ้ามีการใส่ข้อมูลเป็นชุดเข้าไปหลายตัว ผลลัพธ์จะออกมาเป็นสิ่งที่เรียกว่า DataFrame (เป็น Object แบบนึงของ Pandas Library ของ Python ซึ่งให้มองว่าคล้ายๆ Array หรือ Table ของ Excel ก็ได้ ซึ่งเป็น Object ที่ดีมากๆ)

3.อ้างอิง Dynamic Array

สมมติเรามี Dynamic Array อยู่ เราก็ใช้วิธีการจิ้มที่ช่องซ้ายบน แล้วใช้เครื่องหมาย # เข้าไปหลัง Cell Reference นั้นๆ ตามปกติได้เลย

4.อ้างอิง Table

เราสามารถเลือก Table ทั้งอันเข้าไปใน DataFrame ก็ได้ เลือกให้ได้หัวตารางด้วยนะ ซึ่งดีกว่า Range ตรงที่ Table มันงอกออกมารองรับข้อมูลใหม่เองได้

สูตรใน Python มันจะออกมาประมาณนี้ แบบนี้จะได้ทั้งตาราง รวมหัวตารางด้วย
```
xl("TableName[#All]", headers=True)
```
5.เอาผลลัพธ์จาก Power Query

กรณีจะเอาข้อมูลจาก Power Query เข้าสู่ Python ณ ตอนนี้ จะต้องเป็นการ Get Data จากแหล่งอื่นที่ไม่ใช่ CurrentWorkbook นะครับ เช่น ผมเอาจาก csv ในเว็บอันนี้

https://raw.githubusercontent.com/ThepExcel/YouTube/main/SampleData.csv

ลอง Get Data from Web แล้วใส่ url เข้าไป แล้วให้ Load to ออกมาเป็น Connection Only

เวลาเราเรียกใช้ใน Python สามารถพิมพ์ว่า xl(” แล้วมันจะมีชื่อ Query ทั้งหมดเด้งขึ้นมาให้เลือกเลย

พอเลือกปุ๊ปเราก็ได้ข้อมูลนั้นเข้า DataFrame จบ

ลองเล่นกับ Python DataFrame

ซึ่งพอสิ่งที่เราได้มันเป็น DataFrame เราสามารถจัดการมันได้หลากหลายมากขึ้นเยอะมาก เช่น

ทำการสรุปเบื้องต้น

DataFrome นั้นมีสิ่งที่เรียกว่า Method (คือฟังก์ชันสำเร็จรูปที่ติดมากับ Object ประเภทนั้นๆ) ที่ชื่อว่า describe ซึ่งสามารถสรุปข้อมูลจากคอลัมน์ที่เป็นตัวเลขทั้งหมดได้แบบอัตโนมัติสบายๆ เลย ซึ่งดีมาก เช่น
```
df=xl("B2") #อ้างอิง Data Frame จากอีกช่องก็ได้นะ
df.describe() #สรุปผล
```
ป.ล. เราสามารถ Comment code ใน python ได้ด้วยเครื่องหมาย # นะครับ

ถ้าอยากให้ผลลัพธ์ออกมาใน Cell ไปเลย เราต้องเปลี่ยนวิธีแสดงผลลัพธ์จาก Python Object เป็น Excel Value

ผลลัพธ์ก็จะแสดงออกมาเป็น Dynamic Array ใน Excel เลย

การดูรายชื่อคอลัมน์ทั้งหมด

ใช้คำสั่งประมาณนี้ก็ได้ เพื่อเอารายชื่อคอลัมน์ออกมาเป็น list
```
list(df.columns)
```
การคัดเลือกเอาเฉพาะบางคอลัมน์

สามารถทำได้โดยการใช้คำสั่ง

DataFrameName[ List Column Name ] เช่น
```
df[["OrderID","สินค้า","ยอดขาย"]]
```
จะได้แบบนี้

ถ้าเราแค่เรียก df[[“OrderID”,”สินค้า”,”ยอดขาย”]] มาดู โดยไม่ได้มีการ assign ค่ากลับเข้าไปในตัวแปร df อันเดิม ก็จะไม่ได้ทำให้ df เดิมมีการเปลี่ยนแปลงแต่อย่างใด

ยกเว้นการเพิ่มคอลัมน์ที่จะเห็นถัดไป ว่ามันเพิ่มเข้าของเดิมจริงๆ

ทำการ Add Column เพิ่ม

ผมสามารถทำการสร้างคอลัมน์เพิ่ม ในรูปแบบของ
```
df["Col Name"] = สูตร
```
ดังนั้นสูตรจะเป็นแบบนี้
```
df["ยอดขายลด10%"]=df["ยอดขาย"]*0.9 #สร้างคอลัมน์ใหม่
df  #เรียกตัวแปร df ที่เก็บ dataframe ออกมาดู
```
ลองดูรายชื่อคอลัมน์อีกที จะเห็นว่าใน df มีคอลัมน์ใหม่เพิ่มมาแล้วจริงๆ นะ

ทำการ Filter DataFrame

การ Filter DataFrame นั้นทำได้หลายแบบมากๆ แต่ผมจะใช้วิธีสร้าง Series True False (หลักการคล้ายฟังก์ชัน FILTER)

ปกติแล้วถ้าเราอ้างอิงคอลัมน์เดียวใน DataFrame มันจะได้สิ่งที่เรียกว่า Series เช่น

ซึ่งจะเป็นชุดข้อมูลที่มี Index อยู่ด้านซ้าย เช่น
```
df["วิธีการชำระเงิน"]
```
ซึ่งเราสามารถใช้ Series มาคำนวณ หรือจะใช้ร่วมกับการเปรียบเทียบ เพื่อสร้าง Series ที่มีค่า True False ได้ เช่น

สมมติว่าผมสนใจเฉพาะข้อมูลที่วิธีการชำระเงินเป็นเงินสด ก็ทำได้ดังนี้
```
df["วิธีการชำระเงิน"]=="เงินสด"
```
(ใน python ใช้ == เป็นการเปรียบเทียบนะ ไม่ใช่แค่ =)

แล้วถ้าผมเอา DataFrame Series True False นี้ไปเรียกใช้กับ df หลัก เช่น
```
df[df["วิธีการชำระเงิน"]=="เงินสด"]
```
ผมก็จะสามารถ Filter ข้อมูลได้ (เห็นมะว่ามียอดขายลด10% อยู่)

ถ้าจะใส่หลายเงื่อนไข ให้ใช้ & หรือ | มาเชื่อม ซึ่งต้องใส่วงเล็บคั่นแต่ละก้อนด้วย เช่น
```
df[(df["วิธีการชำระเงิน"]=="เงินสด") & (df["จำนวนชิ้น"]>3)]
```
ซึ่งเราสามารถเก็บค่าที่ Filter ได้นี้ไว้ในตัวแปรใหม่ หรือจะเก็บทับตัวแปรเดิมก็ได้ แต่ในที่นี่ผมคิดว่าเก็บไว้ในตัวแปรใหม่ดีกว่า เช่น เก็บไว้ใน cashGT3_DF

ป.ล. ในตัวแปร df ก็ยังคงมีครบทุกแถวอยู่นะ
```
cashGT3_DF=df[(df["วิธีการชำระเงิน"]=="เงินสด") & (df["จำนวนชิ้น"]>3)]
```
ผสมผสานกับการใช้ Dropdown List

แน่นอนว่าเรื่องพวกนี้ เราผสมผสานกับการใช้ Dropdown List เพื่อให้ข้อมูลที่ Filter นั้น Dynamic ได้นะ (ถ้าต้องการ)

เลือกเงินสด

เลือกเครดิต

ทำการสรุปเบื้องต้น

ผมสามารถทำการสรุปด้วยการ Group by แล้วหาผลรวม นับจำนวน ค่ามากสุด น้อยสุด ได้เช่นกัน ดังนี้
```
df.groupby(ชื่อคอลัมน์ที่จะ group)
```
ซึ่งจะได้ Object พิเศษคือการ Group ตามคอลัมน์ที่เลือก แต่ว่า Object นี้เราไม่สามารถแสดงผลออกมาดูได้ เราจะต้องทำอย่างอื่นต่อด้วย เช่น
```
df.groupby(ชื่อคอลัมน์ที่จะ group)[คอลัมน์ที่จะสรุป].วิธีสรุป

#หรือ

df.groupby(ชื่อคอลัมน์ที่จะ group)[ list คอลัมน์ที่จะสรุป ].วิธีสรุป
```
เช่น
```
df.groupby("สินค้า")[["จำนวนชิ้น","ยอดขาย"]].sum()
```
วิธีการสรุปอื่นๆ เช่น
- size() = จำนวนแถว
- count() = นับที่ไม่ว่าง
- first() = ตัวแรก
- last() = ตัวสุดท้าย
- sum() = หาผลรวม
- min() = ค่าน้อยสุด
- max() = ค่ามากสุด
- median() = ค่ามัธยฐาน
หรือจะสรุปๆหลายแบบพร้อมกันก็ได้ โดยใช้
```
df.groupby(ชื่อคอลัมน์ที่จะ group)[ list คอลัมน์ที่จะสรุป].aggregate(listวิธีสรุป)
```
เช่น
```
df.groupby("สินค้า")[["จำนวนชิ้น","ยอดขาย"]].aggregate([sum,max])

#หรือ เขียน agg สั้นๆ ก็พอ

df.groupby("สินค้า")[["จำนวนชิ้น","ยอดขาย"]].agg([sum,max])
```
ลองสร้างกราฟดูบ้าง

กราฟพื้นฐาน ที่ไม่ต้องใช้ library พิเศษ

แบบนี้คือใช้ .plot ได้เลย แล้วกำหนดประเภทกราฟที่ต้องการได้อีกที
```
df["ยอดขาย"].plot.hist()
```
แปลว่า ให้เอาคอลัมน์ยอดขายมาทำ histogram

ผลลัพธที่ได้จะเป็นรูปเล็กๆ ใน Cell

วิธีทำให้เห็นรูปใหญ่ มีหลายแบบ
1. ขยาย Cell ให้ใหญ่
2. Merge Cell ให้ใหญ่
3. ให้เราคลิ๊กขวาแล้วเลือก Picture In Cell -> Create Reference (แนะนำ)
จะมีการสร้างภาพใหญ่ขึ้นมาอีกอัน ที่ link ค่าจาก cell ผลลัพธ์อีกที

ประเภทกราฟอื่นๆ เช่น area , bar, barh , box , density , hexbin , hist , kde , line , pie , scatter

สมมติว่าจะ Plot จากตัวที่ Groupby แล้ว เช่น ยอดขายรวมของสินค้าแต่ละตัวเป็นกราฟแท่ง ก็อาจทำประมาณนี้ได้
```
dfProductSales=df.groupby("สินค้า")["ยอดขาย"].sum()
dfProductSales.plot.bar()
```
ผลลัพธ์จะออกมาแบบนี้ คือ ข้อความที่เป็นภาษาไทยนั้นเน่าสนิท…

ปกติแล้ว วิธีแก้คือเราต้องประกาศคำสั่งแก้ตระกูล Font ให้เป็นตัวที่อ่านภาษาไทยออกก่อน มันถึงจะแก้ได้
```
plt.rcParams['font.family']='Sarabun-Regular.ttf'
plt.rcParams['font.size']=18

dfProductSales=df.groupby("สินค้า")["ยอดขาย"].sum()
dfProductSales.plot.bar()
```
และถ้าตัวระบบที่รัน Python อยู่ ไม่มี Font นั้นๆ ก็ต้องหาทาง install ก่อน แต่ปัญหาคือ ผมเองก็ยังหาวิธี install font ไทยเข้าไปใน Python ของ Excel ที่มันรันบน cloud ของ Anaconda ที่ร่วมกับ Microsoft ไม่ได้แฮะ ใครเจอวิธีแล้วบอกด้วยนะครับ…

ตอนนี้ช่างมันเรื่องอ่านภาษาไทยไม่ออกไปก่อนละกันนะ

ทำกราฟขั้นสูงขึ้น ด้วย Seaborn

seaborn คือ Library ของ Python ที่สามารถสร้างกราฟสวยๆ customize ได้ง่าย และสามารถ set theme ต่างๆ ได้ง่ายกว่ากราฟแบบทั่วไป

แต่เราจะต้องมีการ import library เข้ามาก่อน (ทำทีเดียวก็พอ)

ใช้คำว่า
```
import seaborn as sns
```
การใช้ as sns คือการตั้งชื่อเล่นให้กับมัน จะได้ไม่ต้องพิมพ์ยาว

เช่น
```
import seaborn as sns
sns.set_theme(style="dark", palette="pastel")
boxplot = sns.boxplot(x="วิธีการชำระเงิน", y="ยอดขาย", data=df)
```
และยังรองรับกราฟแปลกๆ อีกมากมาย เช่น JointPlot

ใครอยากลองดู Data ที่ Plot แล้วน่าสนใจขึ้น ลองดู Sample Dataset ที่ทาง Microsoft เตรียมมาก็ได้ครับ กดตามรูปได้เลย

โดยมีการใช้ Pairplot เพื่อดู Scatter Plot แบบ Cross กันระหว่างหลายคอลัมน์ด้วย

ถ้ายังไม่จุใจ ลองดูตัวอย่างกราฟอื่นๆ ได้ที่นี่ https://seaborn.pydata.org/examples/index.html

สรุปความเห็นของผม

เท่าที่ทดลองใช้งาน ผมคิดว่า Python สำหรับ Excel นั้นเกิดมาเพื่อช่วยในการวิเคราะห์ข้อมูล เช่น Data Analysis ด้วย Pandas , หรือทำ Machine Learning ด้วย Scikit Learn และทำ Visualization เจ๋งๆ (ถ้าไม่ติดปัญหาภาษาไทย) มากกว่าที่จะทำงานด้านอื่นๆ ที่สามารถทำได้ด้วย Python แบบปกติที่เรา install ลงในเครื่องตัวเอง

ข้อเสีย
- ข้อจำกัดสำคัญคือการที่ Python ตัวนี้มันดัน Run บน Cloud ทำให้เราต้องต่อ Net และรันได้ค่อนข้างช้า และรับข้อมูลมากๆ ไม่ไหว
- จุกจิกเรื่อง Security ที่ให้ไม่สามารถใช้ Library บางอย่าง เช่น Scrape Data จากเว็บไซต์ก็ไม่ได้
- แถมในอนาคตไม่รู้จะมีการเก็บตังเพิ่มเพื่อให้ใช้ Feature นี้ได้เต็มที่อีกรึเปล่าด้วยนะ…
ข้อดี

อย่างไรก็ตาม การใช้ Python ใน Excel มีข้อดีคือ
- สามารถเห็นภาพของข้อมูลได้ง่าย
- ผสมผสานกับเครื่องมือต่างๆ ของ Excel ได้ดี
- เหมาะกับคนที่ใช้ Excel ได้แล้วระดับนึง แล้วอยากลองหัดใช้ Python แต่จะให้ไปเขียนโปรแกรมใน Editor ล้วนๆ หรือเขียนใน Colab เลยอาจจะรู้สึกไม่ชิน ดังนั้นมาหัดใน Excel ที่ถนัดก่อนอาจเป็นวิธีเริ่มที่ดีก็ได้นะครับ
- Python เองก็มีความสามารถหลายอย่างที่ทำได้ยากใน Excel
  - การ Manipulate ข้อความก็เป็นจุดแข็งของ Python เมื่อเทียบกับ Excel
    
    Python นั้นใช้ Regular Expression ได้ แต่ Excel ปกติทำไม่ได้
    
    Python สามารถใช้ Machine Learning ทำความเข้าใจประโยคได้
  - ใน Python เรายังสั่งวน Loop ทำเรื่องต่างๆ ได้ง่ายกว่า Excel มาก (ใน Excel วน Loop ด้วย LAMBDA Helper ยากกว่าเยอะ)
  - การทำ Data Analysis ขั้นสูง เช่น การ Predict ด้วย Machine Learning นั้น Excel สู้ไม่ได้เลย
ตอนต่อไป

ดังนั้นในตอนถัดไป ผมจะพูดถึงเรื่องการวน Loop การจัดการ List และการเขียน Condition ใน Python ครับ ไปอ่านต่อได้เลย

สอนใช้ Python ใน Excel ตอนที่ 2 : List, Loop, Condition
September 8, 2023
สอนใช้ AI ช่วยวิเคราะห์ข้อมูล ด้วย ChatGPT Code Interpreter
ในบทความนี่ผมจะมาแนะนำเครื่องมือ ChatGPT Code Interpreter และเขียนแนวทางการ Prompt และ แนวทางการวิเคราะห์ข้อมูลด้วย AI เพิ่มเติมจากที่ทำไปในคลิป เพราะยังมีอีกหลายประเด็นที่น่าสนใจ แต่เวลารอบแรกหมดซะก่อน ผมเลยจะจะทยอยทำการถามเพิ่มเติมแล้วเอามาสรุปเทคนิคทั้งหมดในบทความนี้ให้ด้วยครับ

อะไรคือ ChatGPT Code Interpreter?

มันคือความสามารถของ AI ที่ชื่อว่า ChatGPT ที่สามารถให้เรา Upload ไฟล์เข้าไปแล้วสั่งทำงานเกี่ยวกับไฟล์นั้นได้

ซึ่งมันจะใช้ Python ในการแก้ปัญหาให้เรา ซึ่งเป็นภาษาที่ใช้ไม่ยาก และมีความสามารถหลากหลายมากๆ โดยเฉพาะมี Library มหาศาลในการแก้ปัญหาต่างๆ และนี่คือตัวอย่าง Library ที่ Code Interpreter ใช้ได้ (อาจมีมากกว่านี้อีก)

https://twitter.com/Gavriel_Cohen/status/1678131137703473153/photo/1

ซึ่งแปลว่าเจ้า Code Interpreter มันทำอะไรได้หลายอย่างมากๆๆ เช่น วิเคราะห์ข้อมูล ช่วยแก้ code แปลงไฟล์ หรือจะอ่านข้อมูลรูปภาพ หรือช่วยทำ Slide รวมเป็น PDF ก็ยังได้

ผมอยากให้มองว่า ChatGPT Code Interpreter เป็นเหมือนลูกน้องของเรา ที่เก่งเรื่อง การเขียนโปรแกรม Python โดยเฉพาะมีความสามารถเรื่อง Data Science เป็นอย่างดี และก็มีความฉลาดในเรื่องทั่วๆ ไปได้ดีพอๆ กับมนุษย์คนนึงเลย

แต่ถึงจะเก่งแค่ไหนก็ตาม ยังไงก็มีความเป็นไปได้ที่ลูกน้องคนนี้จะทำงานผิด… ดังนั้นเราในฐานะของหัวหน้า ก็มีหน้าที่จะต้องตรวจงานและสั่งลูกน้องแก้ไขงาน ให้เป็นไปตามที่เราต้องการก่อนจะนำผลไปใช้จริงได้

ที่เจ๋งคือ ลูกน้องคนนี้เต็มใจที่จะช่วยเราเต็มที่แบบไม่บ่นเลย เราสั่งให้แก้อะไรก็แก้เต็มที่ (จนกว่าจะเต็ม Limit 25 Message ทุกๆ 3 ชั่วโมงของ GPT-4 อ่ะนะ 5555)

ใครที่ยังไม่ได้ดูคลิป ลองไปดูก่อนได้ครับ

คลิปการทดสอบครั้งแรก

การเรียกใช้ Code Interpreter
- ต้องใช้ ChatGPT Plus ถึงจะใช้ฟีเจอร์ใหม่ที่ชื่อว่า Code Interpreter ได้ (ต้องจ่ายเงินเดือนละ 20$ USD ซึ่งคุ้มค่ามากๆ ขอบอก เพราะนอกจากจะใช้ฟีเจอร์นี้ได้ ก็ยังใช้ Plugin อื่นได้อีกมหาศาล และนอกจากนั้นตัว GPT4 ของ ChatGPT Plus ก็ฉลาดกว่าตัว GPT3.5 ของแบบฟรีมากๆ ด้วย)
- ต้องไปเปิด Settings ในส่วนของ Beta features ก่อนด้วย ถึงจะใช้ได้
แล้วต้องเลือก Dropdown ที่เป็นโหมด Code Interpreter ด้วย

การ Upload ไฟล์

ซึ่งจะได้ความสามารถของการ upload ไฟล์ และการจัดการไฟล์นั้นด้วย Python เพิ่มมานั่นเอง

โดยที่เรา Upload ไฟล์ได้ทีละไฟล์ แต่ก็มีเทคนิคหลายอย่างที่ทำให้วิเคราะห์ข้อมูลหลายอันได้ เช่น
- สามารถ Upload ไฟล์ได้หลายรูปแบบนะ จะ Upload รูปให้มันอ่านข้อมูล “จากในรูป” ก็ยังได้เลย ตัวอย่างไฟล์ที่ใช้ได้ เช่น ไฟล์ยอดนิยมอย่าง TXT, CSV, JSON, XML, XLSX, PDF, DOCX, PPTX, ODP, JPEG, PNG, WAV, MP3, MP4, AVI, MOV, PY, HTML, PDF เป็นต้น
- สามารถ Upload ได้หลายรอบ เพื่อเอาข้อมูลแต่ละอันมาวิเคราะห์ร่วมกันได้ด้วย
- สามารถ Zip ไฟล์ก่อนค่อย Upload ได้ (ในคลิปผมสั่งให้มันรวมหลายไฟล์เข้าด้วยกันแล้วค่อยวิเคราะห์)
ปกติเวลา Upload ไฟล์ Data แล้ว มันจะทำการอ่านว่ามี Data ประมาณไหน มีคอลัมน์อะไรบ้าง? ถ้าคอลัมน์เป็นภาษาไทย มันก็แปลเป็น Eng ได้ด้วยอัตโนมัติเลย ฉลาดมากๆ

จากนั้นก็ถึงตาเราที่จะสั่งงานมันต่อแล้ว ซึ่งวิธีสั่งก็คือพิมพ์ภาษามนุษย์เข้าไปได้เลย แต่ผมแนะนำให้สั่งด้วยภาษาอังกฤษ AI มันจะเก่งกว่า และทำงานเร็วกว่าภาษาไทยมาก

สรุปเทคนิคการ Prompt ด้านวิเคราะห์ข้อมูล

ดูภาพรวมของข้อมูลก่อน

ถ้าเราไม่รู้จะวิเคราะห์อะไร ก็สั่งให้มันทำกราฟหลายๆ แบบเพื่อสำรวจข้อมูลก่อนก็ได้

ถ้าสั่งทำกราฟแล้วมีปัญหากับข้อความภาษาไทย (กลายเป็นกล่องเหลี่ยมๆ) ก็สั่งแก้ข้อมูลให้เป็นภาษาอังกฤษก่อนแล้วค่อยทำกราฟก็ได้

ลองสร้างกราฟหลายๆ แบบ เพื่อให้เห็นมุมมองที่หลากหลาย

ถ้าเรามีความต้องการอยากรู้อะไรแบบเจาะจงก็สั่งมันได้เลย

แต่ถ้ามันทำมาไม่ตรงใจ ก็สั่งแก้ แค่นั้นเอง

อยากให้แกน y ของกราฟเริ่มที่ 0 ก็สั่งได้

สั่งทำแกน y 2 ฝั่งก็ได้

พยายามตรวจเช็คความถูกต้องของสิ่งที่มันทำด้วย

ถ้าเราสงสัยหรือไม่แน่ใจว่า มันคำนวณสิ่งต่างๆ ด้วยวิธีไหนกันแน่ ถูกต้องหรือไม่ ก็แค่ถามมันดู

บางครั้งสิ่งที่มันวิเคราะห์ออกมาแล้วดูแปลกๆ เราเองก็ต้อง “เอ๊ะ” ให้เป็น แล้วสั่งแก้ไข เช่นในรูปข้างล่าง ข้อมูลของช่วงเวลา 0 นาฬิกามันเยอะผิดปกติ ทั้งนี้เป็นเพราะมีข้อมูลที่เป็นค่าว่าง ถูกตีความปนเป็น 0 ไปด้วย

ถ้าสั่งแก้ไข ก็จะได้ผลลัพธ์ที่ถูกต้อง

สามารถสั่งให้มันเอาผลลัพธ์ออกมาได้

สั่งให้มัน export ข้อมูลที่รวมไฟล์และเพิ่มคอลัมน์ต่างๆ มาแล้ว ออกมาเป็น csv ก็ได้

สรุป

AI คือลูกน้องที่มีความสามารถสูง ดังนั้น ถ้าเราจะเป็นหัวหน้าของ AI ได้ เราก็ควรจะต้องมีความสามารถสูงพอที่พอจะเข้าใจหรือตรวจสอบสิ่งที่ AI ทำมาให้ด้วยเช่นกัน เพราะสุดท้าย เราเองคือคนที่ต้องรับผิดชอบในผลงานนั้นๆ อยู่ดี

ดังนั้น แม้ว่าในอนาคต AI จะมาช่วยงานเรามากขนาดไหน เราก็ต้องมีทักษะและความรู้ที่เพียงพอด้วยเช่นกัน ยังทิ้งไม่ได้นะครับ และสุดท้าย คนที่มีความรู้ความเข้าใจมากพอ และยังมี AI มาช่วยงานด้วยอีก จะทำผลงานได้ยอดเยี่ยมและรวดเร็ว มากกว่าคนที่ไม่มีความรู้แต่พึ่งพาแค่ AI หรือดีกว่าคนที่มีความรู้แต่ไม่ใช้ AI ด้วยเช่นกัน
July 23, 2023
แนวทางการใช้ DAX Studio ในการตรวจสอบและเรียนรู้ DAX
ปัญหาหนึ่งที่คนที่ใช้ Power BI มาแล้วซักพักจะต้องเจอก็คือการเรียนรู้เรื่องสูตร DAX ซึ่งเป็นภาษาที่มีความสามารถในการสร้างผลลัพธ์ที่ซับซ้อนได้เก่งมากๆ แต่ก็ค่อนข้างยากต่อการเรียนรู้และต่อยอด เนื่องด้วยประเด็นต่างๆ เหล่านี้

เหตุผลที่ทำให้ DAX ยาก

เหตุผล 1 : การเขียน DAX ขึ้นอยู่กับบริบท และ Data Model

DAX นั้นไม่เหมือนภาษาอื่นๆ ตรงที่การทำงานของมันขึ้นกับสิ่งแวดล้อมหรือบริบทที่เรียกว่า Evaluation Context อย่างเข้มข้น (ทั้ง Filter Context และ Row Context) ดังนั้นมันจึงมีความเกี่ยวข้องกับ Data Model อย่างเข้มข้นด้วย

สมมติว่าเราไปถามสูตร DAX คนอื่น ก็จะเป็นการยากที่ผู้รู้หรือแม้แต่ ChatGPT จะตอบให้เราได้ถูกต้องแบบง่ายๆ เพราะว่าเราต้องอธิบายตัวข้อมูลและ Data Model ของเราพอสมควร ผู้รู้ถึงจะตอบคำถามของเราได้

ไม่เหมือนสูตร Excel ที่รู้แค่ที่อยู่ของข้อมูลว่าเก็บอยู่ใน Range ไหนหรือ Table ไหนคอลัมน์ไหนก็เพียงพอแล้ว

Solution ที่แนะนำ

ณ ตอนนี้ ถ้าจะถามคำถามเรื่อง Power BI กับคนอื่น ควรจะให้ข้อมูลที่สำคัญให้ครบ เช่น
- อยากทำอะไรได้ ทำไปทำไม
- หน้าตาค่าของผลลัพธ์ที่อยากได้ วิธีคำนวณสิ่งที่อยากได้ ถ้าทำ Manual เอง
- หน้าตาของข้อมูลที่เกี่ยวข้อง
- หน้าตาของ Data Model
- จะเอาสูตรไปใช้ในไหน ใน Measure หรือ Column หรือ Table
- ถ้าเป็น Measure จะเอาไปใช้ใน Visual อะไร มี Filter อะไรทำงานอยู่ หรือจะเกิดการ Filter อะไรขึ้นได้บ้าง
เห็นมั้ยครับว่ามันยาก เพราะว่า “การที่จะได้คำตอบที่สมบูรณ์ คำถามก็ต้องสมบูรณ์ด้วย”

แต่ในอนาคตอันใกล้นี้ เราจะมีแนวทางใหม่ที่ง่ายขึ้นเยอะ นั่นคือ การสอบถามสูตร DAX ที่น่าจะสะดวกสุด คือ “ถาม AI ที่อยู่ในโปรแกรมเลย” เช่น
- ใน Excel จะมี 365 Copilot ที่อยู่ใน Excel (กำลังมา)
- ใน Power BI จะมี Quick Measure Suggestion (ตอนนี้มีแล้ว แต่ว่าไม่ค่อยฉลาด ทำได้แค่ Measure พื้นๆ)
- และ Power BI Copilot (กำลังมา ไม่แน่ใจว่าจะฉลาดแค่ไหน)
อันนี้คือ Quick Measure Suggestion ซึ่งใช้ช่วยทำ Measure ที่ง่ายๆ ได้

ซึ่งสะดวกที่มันมองเห็น Data เราอยู่แล้วจึงไม่ต้องอธิบายมาก แต่เราอย่าเพิ่งเชื่อมัน 100% ทันที เพราะเราต้องเอาสิ่งที่มันตอบมาทดสอบด้วย และ เราเองก็ต้องเข้าใจสูตรที่ AI จะ Generate ออกมาให้ด้วยเช่นกัน เพราะ สุดท้ายเราเองก็ยังต้องเป็นคนรับผิดชอบในงานนั้นอยู่ดี

นั่นคือ แม้ในอนาคต AI จะเขียนสูตรหรือสร้างรายงานให้เราได้ เราก็ต้องทำเองเป็นอยู่ดี (แค่อาจไม่ต้องทำเองแต่แรก)

เหตุผล 2 : การเขียน DAX นั้นตรวจสอบการทำงานยาก

DAX นั้นเป็นสูตรที่สามารถเขียนแบบซับซ้อนมากๆ ได้ แต่ยิ่งเขียนซับซ้อนมากเท่าไหร่ ก็จะยิ่งตรวจสอบผลลัพธ์ได้ยากขึ้นด้วยเช่นกัน

แม้ว่าเราจะสามารถประกาศตัวแปรด้วยการใช้ VAR และ RETURN มาช่วยแล้ว แต่ผลลัพธ์ในบางขั้นตอนนั้นก็ไม่สามารถเอาออกมาได้ตรงๆ เช่น

สมมติว่าเราเขียน DAX Measure แต่ถ้าผลลัพธ์ใน VAR ขั้นตอนกลางๆ เป็นตาราง ก็เอาออกมาดูตรงๆ ใน Measure ไม่ได้อีก

Solution ที่แนะนำ

วิธีที่ Work ที่สุดในการตรวจสอบการทำงานของสูตร DAX ก็คือ การใช้เครื่องมือเสริมที่เรียกว่า DAX Studio นั่นเอง

นอกจากที่มันช่วย Export ข้อมูลเยอะๆ (เกินล้าน) ออกจาก Data Model ได้แล้ว มันยังช่วยเขียนหรือตรวจสอบสูตร DAX ได้ด้วย

ซึ่งนี่คือเหตุผลหลักที่ผมเขียนบทความนี้ขึ้นมา นั่นก็คือเพื่อ อธิบายแนวทางการใช้ DAX Studio ในการช่วยเขียนและตรวจสอบสูตร DAX นั่นเอง

วิธีการเรียกใช้ DAX Studio

หลังจากที่ Install DAX Studio เรียบร้อยแล้ว ให้เราเปิดไฟล์ PBIX ของเราตามปกติ แล้วไปที่ External Tool แล้วจะมี Icon DAX Studio ใน Ribbon ก็กดเข้าไปได้เลย มันจะเชื่อมกับ Data Model ของไฟล์เราโดยอัตโนมัติ และมองเห็นข้อมูลและ Measure ทั้งหมด

สิ่งที่เราจะต้องทำใน DAX Studio คือ สร้าง DAX Query ขึ้นมา เพื่อให้ได้คำตอบหรือผลลัพธ์ที่เราอยากรู้ ซึ่งมีคู่มือการใช้งานการสร้าง Query หลักๆ ที่นี่ แต่ถ้าขรเดี๋ยวผมจะแนะนำให้เอง

Syntax หลักของ Query ใน DAX Studio

เวลาใช้ DAX Studio โครงสร้างของ Query หลักๆ คือ แบบนี้
```
EVALUATE <table expression>
```
ซึ่ง table expression แปลว่าสูตรอะไรก็ได้ที่ “ให้ผลลัพธ์เป็นตาราง” นั่นคือใส่ชื่อตารางเข้าไปตรงๆ เลยก็ยังได้ เช่น
```
EVALUATE ProductMaster
```
เราจะได้ผลลัพธ์เรียงตาม Data ใน Data Model

หรือเราจะใส่สูตรอะไรก็ได้ ที่ให้ผลเป็นตาราง ซึ่งก็คือพวก Table Function ทั้งหลายนั่นเอง เช่น DISTINCT, ALL, FILTER, CALCULATETABLE, SUMMARIZE, CROSSJOIN, ADDCOLUMNS และอีกมากมาย

เช่น
```
EVALUATE ALL(ProductMaster[Brand],ProductMaster[Color])
```
ใช้ Query Builder ก็ได้

แต่ถ้าเรายังเขียนสูตรไม่เก่ง หรือ ขี้เกียจเขียน เราก็ไม่จำเป็นต้องเขียน Query เอง เพราะมันมี Query Builder ให้ใช้ โดยที่มันจะ Gen Query ให้เราได้

เพียงแค่ ราสามารถลากเข้าไปได้ว่าตาราง Query เรา มีผลลัพธ์เป็นคอลัมน์อะไรบ้าง มีการ Filter ด้วยอะไร และเรียงตามอะไร??
```
/* START QUERY BUILDER */
EVALUATE
SUMMARIZECOLUMNS(
    ProductMaster[Category],
    ProductMaster[Class],
    "Total Revenue", [Total Revenue]
)
ORDER BY 
    ProductMaster[Category] ASC,
    ProductMaster[Class] ASC
/* END QUERY BUILDER */
```
วิธีแสดงค่า Measure ที่เป็น scalar ออกมา

ถ้าเราลองใส่ Measure เข้าไปใน Query Builder เฉยๆ มันจะ Gen ให้ออกมาแบบนี้ ซึ่งเป็นหนึ่งในวิธีได้ผลลัพธ์ออกมาเป็นตารางได้ แม้จะแสดงค่าใน Measure ก็ตาม
```
/* START QUERY BUILDER */
EVALUATE
CALCULATETABLE(
    ROW(
    "Total Revenue", [Total Revenue],
    "Total Qty", [Total Qty]
    )
)
/* END QUERY BUILDER */
```
แต่ถ้าเราต้องการแสดง Measure ตัวเดียว วิธีที่ Simple ที่สุดคือใช้ { } ซึ่งเป็น Table Constructor มาช่วย เช่น
```
EVALUATE {[MeasureName]}
```
เช่น
```
EVALUATE {[Total Revenue]}
```
ดู History ย้อนหลัง

นอกจากนี้เรายังกดดู History ย้อนหลังของ Query ที่เราทำทั้งหมดได้ ไม่ว่าจะพิมพ์เองหรือใช้ Query Builder ก็ตาม โดย Double Click ที่ Query ที่ต้องการเพื่อเอากลับมาใช้ใหม่ได้

แล้วมันใช้ตรวจสอบสูตร DAX ยังไง?

สมมติผมเขียนสูตร DAX ขึ้นมาแล้วผมไม่แน่ใจว่ามันทำงานถูกต้องหรือไม่ ผมสามารถใช้ DAX Studio มาช่วยตรวจสอบได้

ยกตัวอย่างเช่น

ผมต้องการจะคำนวณว่า มีกี่ Brand ที่สามารถขายของได้เกิน 10000 ชิ้นทุกปี แล้ว brand เหล่านั้นสร้างยอดขายได้ทั้งหมดกี่บาท??

โดยแนวคิดคือ ผมจะ
- List รายชื่อ Brand ที่ขายได้เกิน 10000 ชิ้นในแต่ละปีออกมาก่อน เรียกว่า BigBrand
- List รายชื่อ Brand ที่ขายได้ไม่เกิน 10000 ชิ้นในแต่ละปี เรียกว่า NotBigBrand
- เอารายชื่อ BigBrand ตั้งแล้วหักที่มีใน NotBigBrand ออก เราก็จะได้เหลือ Brand ที่ผ่านเกณฑ์เท่านั้น
สมมติว่าแรกสุดผมเขียนสูตร Measure ไปแบบนี้ (ซึ่งผิด)
```
Total Brand buy Gt10000 every year = 
VAR BrandandYear=SUMMARIZE(OrderDetail,dDate[Year],ProductMaster[Brand])
    
VAR BigBrand=CALCULATETABLE(DISTINCT(ProductMaster[Brand]),
FILTER(BrandandYear,[Total Qty]>10000))

VAR NotBigBrand=CALCULATETABLE(DISTINCT(ProductMaster[Brand]),
FILTER(BrandandYear,[Total Qty]<=10000))

VAR BigBrandEveryYear=EXCEPT(BigBrand,NotBigBrand)
VAR CalRev=CALCULATE([Total Revenue],BigBrandEveryYear)
RETURN COUNTROWS(BigBrandEveryYear)
//RETURN CalRev
```
ที่ผิดเพราะมันกลับให้ผลลัพธ์รายชื่อ Brand ในแต่ละปีไม่เท่ากัน (ตามหลักต้องนับได้จำนวนเท่ากัน)

ที่นี้ผมต้องการเอาไปทดสอบใน DAX Studio ผมสามารถทำได้ดังนี้ โดยผมอยากตรวจสอบที่ปี 2022 ด้วยว่าทำไมมันถึงได้ 10

นอกจากนี้ ก็ลองเอา Measure ที่เราทำมาใช้ใน DAX Studio ดูซึ่งมันใช้ KEEPFILTERS มาช่วยจัดการเรื่อง Filter ให้เลย สะดวกดี

ที่นี้หากผมอยากจะลองแก้ไขค่าใน Measure ให้สามารถเห็นตารางผลลัพธ์ในขั้นตอนระหว่างกลางได้ ผมก็สามารถกด edit Measure ได้

ที่นี้มันด่าเรา เนื่องจากว่าเราดันให้ผลลัพธ์ของ Measure เป็นตาราง มันเลยทำไม่ได้

ผมเลยต้องพลิกแพลงเล็กน้อย คือ ให้ Copy สูตรใน Measure ออกมา แล้วเอามาทับในส่วนสูตร ROW ที่มัน Gen ให้ (เพราะสิ่งที่เรา copy มาคือตาราง)
```
/* START QUERY BUILDER */
EVALUATE
CALCULATETABLE(

VAR BrandandYear=SUMMARIZE(OrderDetail,dDate[Year],ProductMaster[Brand])
    
VAR BigBrand=CALCULATETABLE(DISTINCT(ProductMaster[Brand]),
FILTER(BrandandYear,[Total Qty]>10000))

VAR NotBigBrand=CALCULATETABLE(DISTINCT(ProductMaster[Brand]),
FILTER(BrandandYear,[Total Qty]<=10000))

VAR BigBrandEveryYear=EXCEPT(BigBrand,NotBigBrand)
VAR CalRev=CALCULATE([Total Revenue],BigBrandEveryYear)
//RETURN COUNTROWS(BigBrandEveryYear)
//RETURN CalRev
RETURN BigBrandEveryYear
    
    ,
    KEEPFILTERS( TREATAS( {2022}, dDate[Year] ))
)
/* END QUERY BUILDER */
```
คราวนี้มันจะ Run ออกมาดูได้แล้ว และยังมีผลการ Filter ปี 2022 อยู่ด้วย

ทีนี้ผมก็สามารถลองเอา BigBrand และ NotBigBrand ออกมาได้เช่นกัน ซึ่งใน NotBigBrand พบว่ามี Brand เดียวที่ไม่ผ่านเกณฑ์ คือ Northwind Trader

ซึ่งเราลองสร้าง Query อีกอันมาเช็คดูจริงๆ ว่าในแต่ละปี แต่ละ brand ขายได้เท่าไหร่

เราจะพบว่ามีหลาย Brand ที่ไม่ควรผ่าน แต่มันดันเจอแค่ Northwind Trader อันเดียว น่าจะเป็นเพราะมันเป็น Brand เดียวที่ไม่ผ่านในปี 2022

ทีนี้ผมเลยลองเอาส่วนของ BrandandYear ออกมาดูดังนี้
```
/* START QUERY BUILDER */
EVALUATE
CALCULATETABLE(

VAR BrandandYear=SUMMARIZE(OrderDetail,dDate[Year],ProductMaster[Brand])
    
VAR BigBrand=CALCULATETABLE(DISTINCT(ProductMaster[Brand]),
FILTER(BrandandYear,[Total Qty]>10000))

VAR NotBigBrand=CALCULATETABLE(DISTINCT(ProductMaster[Brand]),
FILTER(BrandandYear,[Total Qty]<=10000))

VAR BigBrandEveryYear=EXCEPT(BigBrand,NotBigBrand)
VAR CalRev=CALCULATE([Total Revenue],BigBrandEveryYear)
//RETURN COUNTROWS(BigBrandEveryYear)
//RETURN CalRev
RETURN BrandandYear
    
    ,
    KEEPFILTERS( TREATAS( {2022}, dDate[Year] ))
)
/* END QUERY BUILDER */
```
พบว่า Filter ปี 2022 ส่งผลเข้าไปใน BrandandYear ทำให้เห็นปีไม่ครบนั่นเอง ทั้งนี้เพราะเราใช้ SUMMARIZE ซึ่งจะทำงานภายใต้ Filter Context แบบไม่ได้มีการปลด Filter ออก

ดังนั้นเราจะเปลี่ยนมาเป็นการใช้ CROSSJOIN + ALL เพื่อให้เห็นทุกปีเสมอ ดังนี้

โดยเปลี่ยนจาก

VAR BrandandYear=SUMMARIZE(OrderDetail,dDate[Year],ProductMaster[Brand])

เป็น

VAR BrandandYear=CROSSJOIN(ALL(dDate[Year]),ALL(ProductMaster[Brand]))
```
/* START QUERY BUILDER */
EVALUATE
CALCULATETABLE(

VAR BrandandYear=CROSSJOIN(ALL(dDate[Year]),ALL(ProductMaster[Brand]))
    
VAR BigBrand=CALCULATETABLE(DISTINCT(ProductMaster[Brand]),
FILTER(BrandandYear,[Total Qty]>10000))

VAR NotBigBrand=CALCULATETABLE(DISTINCT(ProductMaster[Brand]),
FILTER(BrandandYear,[Total Qty]<=10000))

VAR BigBrandEveryYear=EXCEPT(BigBrand,NotBigBrand)
VAR CalRev=CALCULATE([Total Revenue],BigBrandEveryYear)
//RETURN COUNTROWS(BigBrandEveryYear)
//RETURN CalRev
RETURN BrandandYear
    
    ,
    KEEPFILTERS( TREATAS( {2022}, dDate[Year] ))
)
/* END QUERY BUILDER */
```
สรุปได้แบบนี้ ซึ่งจะเห็นว่าแม้จะมี Filter ปี 2022 ไว้จาก KEEPFILTERS ก็ตาม แต่ว่าเราก็สามารถสร้างตารางที่เห็นทุกปีได้แล้ว

ซึ่งพอเอาไปใช้ใน Filter แล้วเราใส่ Measure เข้าไปว่า [Total Qty] มันก็จะเกิด Context Transition ขึึ้นทำให้ได้ยอดของ Brand นั้นๆ ในปีนั้นๆ จนครบได้ ผล BigBrandEveryYear ที่ถูกต้องจึงออกมาแบบนี้

และนี่คือ 6 Brand ที่ทำยอด Total Qty ได้มากกว่า 10000 ชิ้นทุกปี

และถ้าเราเอา BigBrandEveryYear นี้ไปเป็น Filter ของ CALCULATE ก็จะหาได้ว่า Brand เหล่านี้สร้าง Total Revenue ได้เท่าไหร่
```
Total Revenue by Brand buy Gt10000 every year = 
VAR BrandandYear=CROSSJOIN(ALL(dDate[Year]),ALL(ProductMaster[Brand]))
    
VAR BigBrand=CALCULATETABLE(DISTINCT(ProductMaster[Brand]),
FILTER(BrandandYear,[Total Qty]>10000))

VAR NotBigBrand=CALCULATETABLE(DISTINCT(ProductMaster[Brand]),
FILTER(BrandandYear,[Total Qty]<=10000))

VAR BigBrandEveryYear=EXCEPT(BigBrand,NotBigBrand)
VAR CalRev=CALCULATE([Total Revenue],BigBrandEveryYear)
//RETURN COUNTROWS(BigBrandEveryYear)
RETURN CalRev
```
รวมถึงถ้าเอาไปใช้ใน CONCATENATEX ก็เอารายชื่อ Brand ออกมาเป็นข้อความเดียวได้
```
Brand List buy Gt10000 every year = 
VAR BrandandYear=CROSSJOIN(ALL(dDate[Year]),ALL(ProductMaster[Brand]))
    
VAR BigBrand=CALCULATETABLE(DISTINCT(ProductMaster[Brand]),
FILTER(BrandandYear,[Total Qty]>10000))

VAR NotBigBrand=CALCULATETABLE(DISTINCT(ProductMaster[Brand]),
FILTER(BrandandYear,[Total Qty]<=10000))

VAR BigBrandEveryYear=EXCEPT(BigBrand,NotBigBrand)
VAR BrandList=CONCATENATEX(BigBrandEveryYear,ProductMaster[Brand],UNICHAR(10),[Total Revenue],DESC)
//RETURN COUNTROWS(BigBrandEveryYear)
RETURN BrandList
```
เอาไปใช้ในรายงาน ได้แบบนี้

สรุป

นี่คือสิ่งที่ DAX Studio ช่วยเราได้ในกรณีที่ต้องเขียนสูตร DAX ที่เริ่มมีความซับซ้อนครับ เรายังไม่รู้ว่าในอนาคต AI จะเก่งพอที่จะเขียน DAX ได้อย่างถูกต้องเลยหรือไม่ ดังนั้นถ้าให้มันช่วยเขียนเราก็ต้องเข้าใจสิ่งที่มันเขียนด้วยอยู่ดี ซึ่ง DAX Studio ก็จะเป็นตัวที่ช่วยได้ในระดับนึงเลย

สุดท้ายนี้หวังว่าเพื่อนๆ จะพอเข้าใจการทำงานของ DAX Studio มากขึ้น และสามารถนำมาช่วยปรับปรุงการเขียนสูตร DAX ของเราได้นะครับ
June 19, 2023
เจาะลึก ControlNet ใน Stable Diffusion [Part8]
จากประสบการณ์ที่ใช้เครื่องมือ AI Gen รูปมาหลายตัว พบว่า สิ่งที่ทำให้ Stable Diffusion โดดเด่นมากเมื่อเทียบกับเครื่องมืออื่นๆ นั่นก็คือสิ่งที่เรียกว่า ControlNet นั่นเอง

แม้ว่าก่อนหน้านี้ผมจะมีการเขียนถึง ControlNet ไปแล้วทีนึง แต่มันก็ผ่านมาหลายเดือนแล้ว (หลายเดือนในโลกของ AI นี่คือนานมากกกก) ตอนนี้ ControlNet เก่งขึ้นกว่าเดิมมากๆ แล้ว จนผมต้องขอกลับมาพูดถึงมันอีกครั้ง โดยที่นอกจากจะอธิบายว่าแต่ละตัวคืออะไรแล้ว จะบอกวิธีการประยุกต์ใช้งานด้วย จะได้สามารถเอาไปใช้ได้ในงานจริงๆ ได้ครับ

ก่อนอื่นให้ทุกคน Update ControlNet เป็น Version ล่าสุดเท่าที่จะทำได้ (ณ ที่ผมเขียนบทความอยู่นี่ ผมใช้ ControlNet v1.1.224 ซึ่งจะมี Model Preprocessor ให้เลือกใช้มากมายเลยล่ะ แต่ในอนาคตก็คงโผล่เพิ่มมาอีกเรื่อยๆ

รวมบทความ Stable Diffusion
Setting ต่างๆ ที่สำคัญของ ControlNet ที่ควรรู้จัก

Mode ของ ControlNet
- Balanced : เป็นโหมดการทำงานมาตรฐาน ซึ่ง ControlNet จะถูกใช้กับทั้งส่วน Conditioned และ Unconditioned (ในขั้นตอนการสุ่มตัวอย่าง
- My prompt is more important: เน้นที่ Prompt ของเรามากกว่า โดยทำให้ผลของ ControlNet จะลดลงอย่างเรื่อย ๆ ตลอดการทำงานของ U-Net
- ControlNet is more important : เน้นความสำคัญของ ControlNet โดย CFG scale จะทำหน้าที่เป็นตัวคูณสำหรับผลของ ControlNet ด้วย
Resize mode

ควบคุมวิธีการจัดการเมื่อขนาดของภาพต้นฉบับมี “อัตราส่วนของรูป” ที่แตกต่างจากขนาดของภาพที่เราจะ Gen ออกมา
- Just Resize : ปรับขนาดความกว้างและความสูงภาพต้นฉบับ (เช่น ภาพมนุษย์ก้าง) เพื่อให้พอดีกับอัตราส่วนภาพที่เราจะ Gen
- Crop and Resize : Crop ภาพต้นฉบับ (เช่น ภาพมนุษย์ก้าง) เพื่อให้พอดีกับอัตราส่วนภาพที่เราจะ Gen
- Resize and fill : ปรับขนาดภาพต้นฉบับ (เช่น ภาพมนุษย์ก้าง) ให้พอดีกับอัตราส่วนโดย”เติมค่าที่ว่างเปล่า” เพื่อให้มีขนาดเท่ากับภาพที่เราจะ Gen
ป.ล. ถ้าติ๊ก Pixel Perfect มีการปรับขนาดให้เหมาะสมโดยอัตโนมัติ ผมนะนำให้ติ๊กด้วย

ความสามารถของแต่ละ Model และ Preprocessor ที่ใช้คู่กัน

ผมจะพยายามเรียง Model ที่คล้ายกันมาอยู่ด้วยกัน (ไม่ได้เรียงตามตัวอักษร) เพื่อนๆ จะได้เทียบความแตกต่างได้ชัดเจนขึ้นนะครับ

หมายเหตุ : ทุก Model อาจจะใช้ Preprocessor เป็น None ได้ หากว่ารูปต้นฉบับผ่านการ Process มาตามที่ Model นั้นๆ ต้องการเรียร้อยแล้ว เช่น Model Openpose ต้องการรูปมนุษย์ก้าง หากรูปที่เราใส่เป็นมนุษย์ก้างอยู่แล้ว ก็ใช้แบบ None ได้เลย

หมายเหตุ 2 : เราสามารถเปิดใช้ ControlNet ได้หลายตัวพร้อมกัน (Multi-ControlNet) โดยไปเปิดใน Setting ได้นะครับ

Prompt ที่ใช้
```
(best quality:1.4), (ultra highres:1.2), (photorealistic:1.4), (8k, RAW photo:1.2), (beautiful woman wearing jeans:1.4)

Negative prompt: paintings, sketches, (worst quality,low quality,normal quality:2), lowres, ((monochrome)), ((grayscale))

Steps: 30, Sampler: DPM++ SDE Karras, CFG scale: 7, Seed: 1352808870, Size: 512x768, Model hash: e4a30e4607, Model: majicmixRealistic_v6, Version: v1.3.0
```
ผลที่ได้ (แบบไม่มีการ Control)

รูปอ้างอิงที่จะใช้ใน ControlNet

วิธีการที่จะได้รูปต้นแบบมาเป็นตัวควบคุมนั้นทำได้หลายอย่าง เช่น
- เอามาจาก internet
- Gen ขึ้นมาด้วย SD เอง
- Gen ขึ้นมาด้วย AI ตัวอื่น เช่น MidJourney
- ใช้เครื่องมือ เช่น Blender3D หรือ https://app.posemy.art/ ในการสร้าง 3D Model ก่อนจะเอาออกมาเป็น Reference ก็ได้
อันนี้ตัวอย่างว่าเราสามารถกำหนดท่าทางใน https://app.posemy.art/ ได้เลย แล้วอาจเอามาใช้เป็นแบบ สำหรับ OpenPose , Depth, Canny, Normal ก็ได้ (เดี๋ยวตอนใน Model จะเห็นว่าแต่ละอันควบคุมอะไร)

รูปปกติ

Canny

depth

normal

openpose

openpose+hand

เอาล่ะ แต่ในตัวอย่างของบทความนี้ ผมจะใช้รูปสมจริงนี้ใน ControlNet โดยใช้ร่วมกับ Prompt ข้างบน

เอาล่ะ เรามาดูกันว่าถ้าใช้รูปอ้างอิงข้างต้นเป็นตัวควบคุมในแต่ละ Model จะให้ผลเป็นยังไงในแต่ละ Preprocessor ด้วย

ควบคุมมนุษย์โดยเฉพาะ

Model: Openpose

OpenPose สามารถตรวจจับจุดสำคัญของร่างกายของมนุษย์ เช่น ตำแหน่งของหัว แขน ขา มือ หรือแม้แต่สีหน้าได้ เราจะใช้ Model นี้เพื่อควบคุมท่าทางของมนุษย์ โดยไม่ต้องลอกเลียนรายละเอียดอื่น ๆ เช่น เสื้อผ้า, ทรงผม และพื้นหลัง
- openpose : = body (ควบคุมร่างกาย) คือ ตา, จมูก, ตา, คอ, ไหล่, ข้อศอก, ข้อมือ, ข้อเข่า, และข้อเท้า
- openpose_face : openpose + รายละเอียดบนใบหน้า
- openpose_faceonly : รายละเอียดใบหน้าอย่างเดียว
- openpose_hand : openpose + มือ (ตำแหน่งนิ้ว)
- openpose_full : openpose + face + hand
Tips: เราสามารถใช้คู่กับ extension https://github.com/huchenlei/sd-webui-openpose-editor เพื่อสามารถกด Edit เพื่อดัดแปลงมนุษย์ก้างที่ Preprocess มาให้ได้ดั่งใจมากขึ้นได้ด้วยนะ (จริงๆ มีหลาย Extension เลย ที่ edit Openpose ได้)

กลุ่มควบคุมด้วยลายเส้น

Model: Canny

ใช้ Canny Edge Detector ในการดึงเอา “เฉพาะเส้นขอบ” ของภาพออกมา ทำให้สามารถสร้างภาพที่มีโครงเหมือนภาพต้นฉบับได้
- Canny
Model: Scribble

ควบคุมภาพแบบใช้ลายเส้นที่ชุ่ยๆ เหมือนวาดด้วยเด็กน้อย หรือคนที่วาดรูปไม่เก่ง
- scribble_hed : Holistically-Nested Edge Detection (HED) เป็นตัวตรวจจับขอบที่ดีในการสร้างเส้นขอบเหมือนคนจริงๆ เหมาะสำหรับการเปลี่ยนสีและการเปลี่ยนรูปแบบภาพ
- scribble_pidinet : ระบบสำหรับตรวจจับเส้นโค้งและเส้นตรงโดยใช้เทคนิคของ Pixel Difference network (Pidinet) ผลลัพธ์คล้ายกับ HED แต่จะได้เส้นที่สะอาดกว่าและมีรายละเอียดน้อยลง (เหมาะสำหรับการคัดลอกเส้นเค้าโครงโดยไม่ต้องคำนึงถึงรายละเอียดละเอียดที่เล็กน้อย)
- scribble_xdog : วิธีการตรวจจับขอบแบบ EXtended Difference of Gaussian (XDoG) เวลาใช้ สามารถปรับค่าเกณฑ์ xDoG เพื่อให้ผลเปลี่ยนไปได้ (เลขเยอะจะทำให้รายละเอียดน้อยลง)
xDog 1

XDog32

Xdog64

Model: Softedge

เป็นเหมือนตัวกึ่งกลางระหว่าง Canny กับ Scribble

มีหลายตัว เช่น
- softedge_hed
- softedge_pidinet
- softedge_hedsafe
- softedge_pidisafe
แนวทางการใช้งาน
- คุณภาพผลลัพธ์ : SoftEdge_HED > SoftEdge_PIDI > SoftEdge_HED_safe > SoftEdge_PIDI_safe
- ความยืดหยุ่น : SoftEdge_PIDI_safe > SoftEdge_HED_safe >> SoftEdge_PIDI > SoftEdge_HED
- ผู้จัดทำแนะนำให้ใช้ : SoftEdge_PIDI
Model: MLSd

MLSD (Mobile Line Segment Detection) เป็นตัวตรวจจับเฉพาะเส้นตรง (โดยไม่สนใจเส้นโค้งหรือเส้นที่ไม่ตรงเป๊ะๆ เลย) มักใช้ในการสกัดเส้นขอบที่มีขอบตรง เช่น การออกแบบอาคาร, ตกแต่งภายใน, ฉากถนน, กรอบรูป, และขอบกระดาษ
- MLSd
Model: Lineart

เป็น Model ที่มาใหม่ แต่ทรงพลังมาก มันสามารถแสดงเส้นขอบของภาพ โดยที่เรากำหนดรูปแบบของเส้นให้เหมาะกับรูปต้นฉบับได้
- lineart_realistic : เส้นสไตล์สมจริง
- lineart_coarse : เส้นสไตล์สมจริงโดยมีความหยาบๆ มากกว่า (จำนวนเส้นจะน้อยลง)
- lineart_standard (from white background and black lines) : ภาพจากเส้นขาวดำอยู่แล้ว (พอเอามาใช้กับภาพปกติ เลยประหลาด เพราะเหมาะกับรูปต้นแบบที่เป็นเส้นอยู่แล้วนั่นเอง)
Model: Lineart Anime

ออกแบบมาเพื่อใช้ควบคุมภาพสไตล์ anime โดยเฉพาะ (พอเอามาใช้กับ Reference ภาพจริงจะแปลกๆ หน่อยนะ)
- lineart_anime : เส้นสไตล์อนิเมะ
- lineart_anime_denoise : เส้นสไตล์อนิเมะแบบลดรายละเอียดการควบคุมลง
กลุ่มควบคุมด้วยความลึก/พื้นที่

Model: Depth

ควบคุมข้อมูลความลึกของรูปจากภาพอ้างอิง ออกมาเป็นภาพ grayscale
- depth_midas : ได้เฉพาะความลึกตัวแบบออกมา
- depth_leres : ได้ความลึกตัวแบบและพื้นหลังออกมาด้วย
- depth_leres++ : ได้ความลึกตัวแบบและพื้นหลังออกมาเยอะที่สุด
- depth_zoe : เน้นควบคุม Object ค้อนข้างคล้ายๆ depth_midas
Model: Normal

ใช้ระบุลักษณะพื้นผิวของ Object คล้ายกับการใช้งาน Depth Map มักใช้ในการถ่ายทอดโครงสร้างสามมิติของภาพต้นแบบ
- normal_bae : มักได้พื้นผิวทั้ง Object และ Background
- normal_midas : มักได้พื้นผิวของ Object หลักอย่างเดียว
Model: Seg

Seg ในที่นี้คือ Segmentation หรือการแบ่งกลุ่ม จะทำการบอกประเภทของวัตถุที่อยู่ในภาพอ้างอิงออกมาได้ด้วยสีที่แตกต่างกัน ใช้เพื่อควบคุมตำแหน่งและรูปร่างของวัตถุที่เราต้องการได้แบบเป๊ะๆ
- seg_ofade20k : การแบ่งกลุ่ม UniFormer (uf) ที่ฝึกสอนด้วยชุดข้อมูล ADE20K
- seg_ofcoco : การแบ่งกลุ่ม OneFormer (of) ที่ฝึกสอนด้วยชุดข้อมูล ADE20K
- seg_ufade20k : การแบ่งกลุ่ม OnFormer ที่ฝึกสอนด้วยชุดข้อมูล COCO
กลุ่มพิเศษ

Model: IP2P สั่งเปลี่ยนรูปตามต้องการ

IP2P หรือ Instruct Pix2Pix ทำให้เราสามารถ “สั่ง” ให้รูปผลลัพธ์เปลี่ยนไปได้ตามต้องการ เป็นตัวที่สนุกมากๆๆ ขอบอกเลยครับ โคตรชอบ

โดยใส่รูปที่ต้องการสั่ง แล้วเลือก Preprocessor เป็น None
```
(best quality:1.4), (ultra highres:1.2), (photorealistic:1.4), (8k, RAW photo:1.2),  make woman very strong and muscular
```
```
(best quality:1.4), (ultra highres:1.2), (photorealistic:1.4), (8k, RAW photo:1.2),  (make room on fire:1.4)
```
Shuffle

ตัวแปรก่อนประมวลผล Shuffle จะทำการ Random หมุนกวนภาพต้นฉบับแบบสุ่ม (ขึ้นกับ seed) สามารถใช้ในการถ่ายทอดแบบสีของภาพอ้างอิงได้

กลุ่ม T2IA
- t2ia_color_grid : จะควบคุมสีของรูปได้ โดยใช้วิธีลดขนาดภาพอ้างอิงลงถึง 64 เท่าแล้วขยายกลับเป็นขนาดเดิม ผลลัพธ์ที่ได้คือ ผลเป็นแบบตารางที่ประกอบด้วยสีเฉลี่ยของพื้นที่เดิม โดยต้องใช้คู่กับ Model t2iadapter_color
- t2ia_sketch_pidi : คล้ายๆ พวก Model ควบคุมโครงภาพ โดยต้องใช้คู่กับ Model t2iadapter_sketch
- t2ia_style_clipvision : ใช้ทำ Style Transfer ได้ โดยแปลงภาพอ้างอิงเป็น CLIP Vision Embedding การฝังภาพนี้ประกอบด้วยข้อมูลเนื้อหาและสไตล์ของภาพเดิม โดยต้องใช้คู่กับ Model t2iadapter_style
nude เฉยเลย

กลุ่ม Reference

ช่วยให้สามารถสร้างภาพที่คล้ายกับภาพอ้างอิงได้
- reference_only : เลียนแบบรูป Reference
- reference_adain : ใช้กับการเลียนแบบ Style จากรูป Reference (Style transfer)
- reference_adain+attn : ทำข้างบนทั้งคู่
กลุ่มที่มักต้องใช้คู่กับเครื่องมืออื่น

Model: Tile

เราใช้อันนี้ใน img2img โดยไม่ต้องใส่รูปใน ControlNet
- tile_resample : ใช้สำหรับเพิ่มรายละเอียดในภาพ “มักใช้ร่วมกับ Upscaler” (เช่น Script Ultimate Upscale + Model 4x-Ultrasharp) เพื่อขยายภาพให้ใหญ่ขึ้นไปโดยที่ภาพจะไม่ค่อยเพี้ยนจากเดิม แม้จะ denoise ค่อนข้างสูงก็ตาม (ถ้าใส่ down sampling rate เยอะ ภาพจะเปลี่ยนจากเดิมได้มากขึ้น)
denoise 0.7 ยังไม่พังเลย
- tile_colorfix : เหมือน tile resample แต่พยายามทำให้สีไม่เพี้ยนจากต้นแบบ (แม้ว่าจะ conflict กับ prompt) ถ้าเป็นรูปสมจริงอาจะไม่ค่อยเห็นผลนัก
- tile_colorfix+sharp : เหมือน tile colorfix แต่พยายามทำให้ภาพคมชัดมาก (ปรับ sharpness ได้)
sharpness 1

Model: Inpaint

เป็น Model ที่ “ใช้ตอน Inpaint” ซึ่งจำทำให้ได้ผลลัพธ์ที่ดีขึ้นมากๆ

วิธีใช้งาน Model นี้มี 2 แบบ คือ
1. ใช้ใน Mode Text to IMG : สามารถใส่รูปต้นฉบับเข้า ControlNet แล้ว Inpaint ในนั้นแล้ว Gen ตามปกติได้เลย รูปจะมีการแก้เฉพาะพื้นที่ที่เรา Inpaint โดยจะไม่มีอิธิพลที่ต้อง denoise จาก img2img มายุ่งด้วยเลย รายละเอียดดูได้ที่คลิปนี้
2. ใช้ในโหมด Inpaint ของ IMG2IMG : อันนี้รูปต้นฉบับให้ใส่ใน Inpaint ไม่ต้องใส่ใน ControlNet ช่วยให้สามารถใช้ Denoising Strength ที่ค่อนข้างเยอะตอน Inpaint ได้โดย ภาพรวมไม่เละ (เช่น ไม่มีหัวงอก แขนขางอก)
สมมติ Prompt ตอน inpaint แบบนี้
```
(best quality:1.4), (ultra highres:1.2), (photorealistic:1.4), (8k, RAW photo:1.2), (jeans:1.4)
```
พื้นที่ Mask

Inpaint แบบ Fill Denoise 0.6 แบบไม่เปิด ControlNet
จะเห็นว่ามีความเพี้ยนเกิดขึ้นพอสมควร
- inpaint_global_harmonious :
- inpaint_only :
- inpaint_only+lama : ตัวนี้ผลลัพธ์ค่อนข้างเจ๋งสุดๆ ไปเลย (LaMa คือ Resolution-robust Large Mask Inpainting with Fourier Convolutions เป็น Model ที่ฉลาดเรื่องการ Inpaint มากๆ)
Outpainting!

ตัว inpaint_only+lama มักใช้เพื่อเลียนแบบการ Outpaint ได้ด้วย แต่จะเจ๋งกว่า Outpaint ปกติมากๆ

prompt คือ
```
(best quality:1.4), (ultra highres:1.2), (photorealistic:1.4), (8k, RAW photo:1.2),( full body shot:1.5), (woman looking at viewer:1.4), casual cloth, ( pants),  in living room, (windows:1.3), (plant and vase:1.2), (lamp :1.4), (cupboard:1.1)
```
เปรียบเทียบให้ดูกับ Script ปกติ

ใช้ Script Outpainting mk2 ในโหมด Img2Img

ผลลัพธ์เกือบจะดีแล้ว แต่มีความเพี้ยนตรงรอยต่อจากภาพเดิม เช่น ขอบโซฟา เป็นต้น

ถ้าจะใช้ inpaint_only+lama

วิธีที่ 1: ใช้ Txt2Img สามารถใช้โหมด Txt2Img แต่ใส่รูปต้นแบบใน ControlNet กำหนดขนาดผลลัพธ์ตามต้องการได้เลย แล้วให้เลือก ControlNet Mode เป็น Resize and Fill และ ControlNet is more important

เราจะพบว่าผลลัพธ์นั้นดูดีกว่าเดิมมาก

วิธีที่ 2 ใช้ img2Img : ทำเหมือนกันเลย แต่ใส่รูปใน Img2Img ด้วย แล้วปรับค่า Denoise เช่นได้ตามใจชอบ (แนะนำ 0.6 ขึ้นไป และ สามารถใส่สูงถึง 1 ได้เลย)

แล้วใน ControlNet ก็ใส่รูปต้นแบบด้วย (ใส่รูปต้นแบบทั้ง 2 ที่) แล้วให้เลือก ControlNet Mode เป็น Resize and Fill และ ControlNet is more important เช่นกัน

ผมลองปรับ Denoise ให้ดูหลายๆ ค่า (ยิ่ง Denoise น้อย จะยิ่งคล้ายๆ พื้นที่เดิม)

denoise 0.6

denoise 0.8

denoise 1

ผลออกมาได้เทพมาก! ผลลัพธ์พอๆ กับใช้ Generative Fill ของ Photoshop Beta ที่เสียตังแพงๆ เลย แต่ใน SD ใช้ฟรี!!

การประยุกต์

จริงๆ พอเรารู้ว่ามันควบคุม Object ด้วยวิธีต่างๆ ที่ผมบอกข้างบนแล้ว จริงๆ เราก็สามารถเอาภาพที่ Preprocess ได้มาดัดแปลง ปรับปรุงให้เข้าทางเราได้มากขึ้น

ตัวอย่าง : Segmentation

เช่น ใน Segmentation เราใช้สีที่แตกต่างกันในการกำหนด Object ได้ แบบนี้เราก็สามารกำหนดได้เลยว่าจะมี Object อะไรอยู่ตรงไหน (แต่ถ้าให้ดีควร Prompt ช่วยด้วย)

เช่น ผมจะเอาพืชไปพันรอบตัวผู้หญิง ผมก็สามารถใช้ Photo Editor อย่าง Photoshop หรือ Photopea ไปวาดรูปเพิ่มให้สีของพืชพันตัวผู้หญิงในตำแหน่งที่ต้องการได้เลย
```
(best quality:1.4), (ultra highres:1.2), (photorealistic:1.4), (8k, RAW photo:1.2), (beautiful woman wearing jeans:1.4), (get tied by plant vine:1.4)
```
ไปวาดรูปเพิ่มใน Photo Editor ให้สีของพืชพันตัวผู้หญิง

เราก็จะควบคุมผลลัพธ์ได้ดีขึ้น

นอกจากนี้เรายังประยุกต์ในการดัดแปลงภาพโครงลายเส้นต่างๆ ให้มีสิ่งที่เราต้องการได้เช่นกันด้วยการวาด หรือตัดต่อเข้าไป

ตัวอย่าง : Scribble

อันนี้ใช้ Scribble แล้วไปดัดแปลงใน Photopea เพื่อเปลี่ยนรูปให้ได้ดั่งใจ

ตัวอย่าง Multi-ControlNet

เราสามารถใช้ ControlNet หลาย Model ร่วมกันได้ ซึ่งเราสามารถเล่นอะไรแปลกๆ ได้ตามใจชอบ ซึ่งในที่นี้ผมขอใช้ตัวที่ไม่ conflict กันมากนัก

OpenPose + Shuffle

OpenPose + TiAdapter Color

MLSD + TiAdapter Color

MLSD+Shuffle

ลอง Mix & Match เล่นๆ : ใช้ Preprocessor ที่ไม่ใช่ของ Model

ใช้ Segment ใน TiColor

ใช้ TiColor ใน Model Segmentation

ใช้ TiColor ใน Tile

ใช้ OpenPoseใน Scribble

ใช้ OpenPoseใน Soft Edges

ความ Creative ไม่มีที่สิ้นสุด!!

Unofficial Model

สร้าง QR Code

ใช้สร้างรูปที่ใช้ QR Code เป็น Reference เพื่อให้สามารถ Scan ในฐานะเป็น QR Code ได้ ซึ่งมี 2 แนวทางที่ใช้ Model ต่างกัน แต่ก่อนอื่นเรามาเตรียมรูป QR ก่อน

อันนี้รูป QR Code ต้นแบบ

(สร้างจากที่นี่ https://dnschecker.org/qr-code-generator.php
โดยให้ย่อ Link ให้สั้นก่อน แล้วค่อยเอาไปทำ QR
โดยเลือก Error Correction เป็น H=High)

วิธีที่ 1 ใช้ Brightness Model

ControlNet Brightness Model (ควบคุมความสว่าง) : ไปโหลดที่นี่

อันนี้ผมใช้ Brightness (ปรับ Weight ให้เหมาะ) และปรับ Model Resize & Fill (ผม Gen ภาพ 512×768) และ Control Start & End ให้ดี

วิธีที่ 2 ใช้ ControlNet QR Code Model

ControlNet QR Code Model : (ใช้ทำ QR โดยเฉพาะ) ต้องไปโหลดเพิ่มที่นี่ (โหลดทั้ง model และ yaml)

อันนี้ผมใช้ Model QR Code ซึ่งเท่าที่ลอง มีประเด็นสำคัญดังนี้
- ต้อง Gen รูปเป็นจตุรัส เช่น 768×768 ถึงจะ Work
- ต้องปรับ Control Weight ให้มากกว่า 1 เช่น 1.6 ขึ้นไปเลย ไม่งั้นจะ Scan ไม่ติด
- เลือก Preprocessor เป็น Invert จะได้ลายสีดำ (ค่าปกติจะได้ลายสีขาว)
นอกจากนี้เรายังสามารถ พลิกแพลงใช้ร่วมกันหลายๆ อย่าง เช่น ผม Gen รูปนี้ออกมาก่อนด้วย Txt2img ปกติ โดยยังไม่ Control อะไรเลย

จากนั้นลองเอารูปที่ได้ไปใช้เป็นตัว Control Model ControlNet อื่นๆ ที่จะใช้ Gen คู่กับ ControlNet QR Code (ในที่นี้ผมใช้ Openpose ช่วยคุมอีกก็ได้)

ผลของผมที่ออกมาได้แบบนี้

ซึ่ง iphone ของผม scan ติดด้วยนะ 5555

สรุป

เห็นรึยังว่า “ControlNet โคตรทรงพลัง!” ดังนั้น.. หัดใช้ให้เป็นเถอะครับ!!
June 17, 2023
วิธีผสม Model สูตรผสมแบบโดนใจใน Stable Diffusion [Part7]
หากเพื่อนๆ ใช้ Stable Diffusion ทำการ Gen รูปขึ้นมาซักพัก คุณคงรู้ว่าสิ่งหนึ่งที่สำคัญมากๆ ที่จะทำให้ภาพผลลัพธ์ออกมาสวยงามก็คือตัว Model ที่เราเลือกใช้ในการ Generate รูปนั่นเองครับ

แม้ว่าในตอนที่ 2 ผมจะได้พูดถึงวิธีการโหลด Model ใหม่ๆ ไปแล้ว แต่มันจะดีกว่ามั้ย ถ้าเราสามารถผสม Model ขึ้นมาใช้เองแบบโดนใจเราสุดๆ ได้? และมันอาจจะสามารถใช้เพื่อที่เราจะได้สร้างรูปที่ดูมีความต่างจากงานของคนอื่นได้ด้วยนะ (อันนี้ดีมากๆ)

ซึ่งในบทความนี้ผมจะมาสอนทุกคนทำการผสม Model Checkpoint ขึ้นมาใช้เองกันครับ

ขอเตือนก่อนว่า บทความนี้ถูกเขียนในสไลต์ที่ไม่เหมือนกับบทความก่อนๆ ของผมเลย เพราะมันไม่ได้เป็นการสอนมากนัก แต่เป็นการทดสอบให้ดูซะมากกว่า และเนื้อหาบางส่วนก็อาจดู Nerd สุดๆ ไปเลย ดังนั้นจะเหมาะกับคนที่อยากลงลึกด้านผสม Model โดยเฉพาะครับ

รวมบทความ Stable Diffusion
การผสมมีแบบไหนบ้าง?

ซึ่งผมจะแนะนำการผสม Model Checkpoint 2 แบบ คือ แบบ Basic ทั่วๆ ไป กับแบบ Merge Block Weight ที่จะเป็นแบบ Advance ครับ ซึ่งบอกไว้ก่อนเลยว่าถ้าใครจะทำตามก็ต้องการพื้นที่ Harddisk พอสมควรเลย เพราะ Checkpoint 1 ไฟล์ก็ประมาณ 5GB แล้ว หึหึ…

โดยผมจะใช้ Model Checkpoint ตัวอย่าง 2 อัน ที่ต่างกันโดยสิ้นเชิงมาผสมกันนั่นคือ
- ChillOutMix (Model สาวสมจริง)
  https://civitai.com/models/6424/chilloutmix
- MeinaMix (Model แนวการ์ตูน) ณ ตอนนี้คือ V9
  https://civitai.com/models/7240/meinamix
หมายเหตุ : จริงๆ คุณจะเอา Checkpoint ไหนมาผสมกันก็ได้ ยิ่งทดลองยิ่งสนุก!

โดยเอาทั้ง 2 Model ไปไว้ใน Folder stable-diffusion-webui\models\Stable-diffusion ให้เรียบร้อยก่อนนะครับ

ผสม Model แบบ Basic

สำหรับการผสมแบบ Basic เราจะใช้เครื่องมือที่เรียกว่า Checkpoint Merger ที่มีมากับ Automatic1111 อยู่แล้วเลยครับ

ผสมแบบ Weighted SUM

โดยที่เราจะเลือกแต่ละ Model ขึ้นมาที่ Model A กับ B แล้ว เลือกอัตราส่วน Multiplier (M) ที่จะผสมซึ่งมีความหมายดังนี้

คือสูตรการผสมคือ A * (1 – M) + B * M
ดังนั้น Multiplier ก็คือ มองได้ว่า คือ อัตราส่วนของ B นะไม่ใช่ A
- ใส่ 0 คือไปทาง A 100%
- ใส่ 0.3 คือ ไปทาง A 70% (อันนี้เห็นชัด)
- ใส่ 0.5 คือ ผสมอย่างละครึ่ง (50%)
- ใส่ 1 คือ B 100%
Interpolation Method ผมเลือกแบบ Weighted Sum ก็คือให้มันเอามารวมแบบเฉลี่ยกัน และบันทึกไฟล์แบบ safetensor

แล้วผมจะตั้งชื่อไฟล์แบบนี้คือ ChillOut75MeinaMix25
แปลว่า มีChillOut75% Meina25%
ซึ่งเกิดจากการตั้ง ChillOut เป็น Model A โดยมี Multiplier เป็น 0.25 นะครับ

พอกด Merge แป๊ปเดียวก็จะเสร็จเลย ไม่นานครับ (ไม่ถึง 1 นาที)

แล้วผมทำอย่างนี้อีก 2 อัตราส่วน คือ
- ChillOut50MeinaMix50 (Multiplier 0.5)
- ChillOut25MeinaMix75 (Multiplier 0.75)
พอได้ไฟล์ครบแล้วเราจะมาทดสอบผลของการ Merge Model กันครับว่าออกมาเป็นยังไง

ทำการทดสอบ

ในการทดสอบ เราจะใช้ x/y/z plot มาช่วย โดยเลือกให้เปลี่ยน checkpoint เป็น 5 ตัว คือ Chillout100%(MeinaMix 0%), 75% 50% 25%, 0%(MeinaMix 100%) ตามลำดับ

หมายเหตุ : ใน x values พยายามอย่ากดขึ้นบรรทัดใหม่นะ ไม่งั้นมันจะเอ๋อ (สร้างรูปเกิน)

เช่น ผมใส่แบบนี้
```
chilloutmix_NiPrunedFp32Fix.safetensors [fc2511737a],ChillOut75MeinaMix25.safetensors [589c49a4e3],ChillOut50MeinaMix50.safetensors [ab59bbccc8],ChillOut25MeinaMix75.safetensors [49a76cdc3a],meinamix_meinaV9.safetensors [eac6c08a19]
```
ในบทความนี้ผมจะใช้ Negative Prompt เหมือนกันทุกครั้ง และเป็นคำกลางๆ ที่ใช้ได้ทั้งภาพสมจริงและภาพการ์ตูน คือ
```
(worst quality:2), (low quality:2), (lowres, normal quality:2)
```
และจะใช้ Sampling Method ผมใช้ DPM++SDE Karas, Steps 20, CFG 7 และ จะใช้ seed 1234 เท่ากันหมดก่อน เพื่อความ simple

และจะเปลี่ยน Prompt และ Model ไปเรื่อยๆ (แต่จะใส่คำกลางๆ เพื่อให้ใช้ได้ทุก Model) เช่น ตอนแรกจะใช้ Prompt นี้
```
(best quality:1.4), (ultra highres:1.2), highest quality, highres, 1girl, (beautiful thai girl), (long hair), (in red tank top, jeans),(sit on the sofa)
```
ปรากฏว่าภาพออกมา จะเห็นว่าภาพคล่อยๆ เปลี่ยนจากภาพสมจริงของ Chillout100% มาเป็นภาพการ์ตูนของ Meinamix 100% ตามน้ำหนักที่เราใส่ไว้นั่นเอง

ลองเปลี่ยน Prompt ที่ทำให้ 2 Model ต่างกันมากหน่อย

ผมจะพยายามทำให้ภาพทั้ง 2 ฝั่งอาจต่างกันพอสมควร เช่น ท่าทาง มุมกล้อง รายละเอียดฉากหลัง เพื่อที่จะได้เห้นอะไรชัดเจนขึ้นเวลา Merge Model แล้ว

โดยที่ผมทำ prompt ไว้ 4 ชุด แต่ละชุด Save เป็น Styles เอาไว้ก่อน (กดรูป icon Save ที่ใกล้ๆ ปุ่ม Generate) จะได้เรียกใช้ง่ายๆ

Style = S1_BASKETGIRL
```
(best quality:1.4), (ultra highres:1.2), highest quality, highres, 1girl, (beautiful thai girl),looking at viewer, (short hair), (in pe uniform), (in basketball stadium:1.1)
```
Style = S2_GAMERGIRL
```
(best quality:1.4), (ultra highres:1.2), highest quality, highres, 1girl, (beautiful thai girl:1.3),(looking at viewer:1.4), (portrait shot), (ponytail hair), (gaming headphone), (high tech gaming computer:1.3), (RGB, neon color light effect:1.2), (in gaming bed room in background)
```
Style = S3_COFFEEGIRL
```
(best quality:1.4), (ultra highres:1.2), highest quality, highres, (beautiful thai girl), (as a coffee barista:1.2), (casual cloth, apron:1.1), (in coffee shop:1.3)
```
Style = S4_KNIGHTGIRL
```
(best quality:1.4), (ultra highres:1.2), highest quality, highres, (beautiful thai girl), (using two hand knight sword:1.4),(in Europe middle age full plate knight armor:1.3), ( in the battle with large group of enemy army:1.4)
```
แล้วผมจะใช้ xyzplot เปลี่ยนทั้ง Checkpoint Name และ Style พร้อมกันเลย (Negative เดิม) เพื่อที่จะได้เห็นภาพทุกแบบพร้อมๆ กันง่ายๆ แบบนี้

ซึ่งจะ Gen รูปออกมาได้แบบนี้เลยทีเดียว

ก็จะเห็นว่า กรณีที่ผลของทั้ง 2 ฝั่งต่างกันพอสมควร ทั้งมุมกล้องก็ต่าง รายละเอียด accessory ต่างๆ เวลา Merge ระหว่างทาง ผลมันก็สามารถเกิดความแปลกใหม่มากๆ เลย…

ดังนั้นแปลว่า Model แต่ละอัน สามารถมีวิธีการตีความ Text Prompt ของเราแตกต่างกัน เช่น จะวาดอะไรบ้าง ตรงไหน แล้ววิธีในการสร้างภาพที่ต่างกันด้วย เช่น จะวาดไสตล์ไหน

ทั้งนี้ ถ้าเป็นการ Merge แบบ Basic ก็ง่ายๆ แค่นี้แหละ หลังจากนี้เราก็สามารถเลือกอัตราส่วนที่เราชอบไปใช้ได้เลย รวมถึงยังสามารถเอาไปผสมกับ Checkpoint อื่นต่อได้อีกเรื่อยๆ ไม่มีที่สิ้นสุดครับ

แต่ถ้าจะผสม 3 Model แบบ Weighted SUM เราไม่สามารถเลือก Model A, B, C แล้วผสมพร้อมกันด้วยเครื่องมือปกติได้ เพราะ Weighted SUM จะใช้สูตร A * (1 – M) + B * M ซึ่งไม่เกี่ยวกับ C เลย

ส่วนถ้าใช้ C จะเป็นกรณี Add Difference ซึ่งอันนั้นทำงานอีกแบบนึง คือ A + (B – C) * M

ผสมแบบ Add Difference

การผสมอันนี้ถึงจะมีการใช้ Model C นะ โดยผมใส่ Model C เป็น Model การ์ตูนอันนี้ https://civitai.com/models/4468/counterfeit-v30

ลองไล่ตามนี้

ChillOut | Meina | Counterfeit | M0.25 | M0.50 | M0.75 | M1.00

ภาพที่ได้ออกมาแบบนี้ (ขอ Censor หน่อยนะ ผสมแล้วมันโป๊เฉยเลย 555)

ซึ่งผลของการใช้ Add Difference ค่อนข้างทำความเข้าใจยาก แต่ตามหลักแล้วคือ หากว่า Model B กับ C ต่างกันตรงไหน แล้ว Add ความต่างนั้นเข้าไปใน A ครับ

สรุปแบบ Basic

ซึ่งถ้าสังเกตจะเห็นว่าการผสม Model แบบ Weighted Sum (Basic) มันก็จะเอา Model A กับ B มาผสมๆ กันในภาพรวมตามอัตราส่วนหรือน้ำหนักที่กำหนด แบบที่ควบคุมเฉพาะบางเรื่องไม่ได้

แต่จะใช้แบบ Add Difference ก็ควบคุมได้ยากอยู่ดี…

แต่ถ้าเราอยากจะกำหนดแบบเจาะจงว่าอยากเอาอะไรของ Model A มาผสมกับอะไรของ Model B อันนี้ต้องผสมแบบ Advance แล้ว ถ้าสนใจก็อ่านต่อได้เลย!

ผสม Model แบบ Advance

สำหรับการผสมแบบ Advance เราจะใช้ Extension Merge Block Weighted https://github.com/bbc-mc/sdweb-merge-block-weighted-gui มาช่วย ซึ่งมันมีความสามารถในการผสม Model แบบกำหนดได้อย่างละเอียดเลยว่า ส่วนผสม Block ไหนจะใช้ของ Model ตัวไหน ซึ่งจะมีประโยชน์คือ สามารถพลิกแพลงให้เกิดภาพผลลัพธ์ที่ Merge ปกติทำไม่ได้ (หรือยาก) เช่น ทำให้โครงสร้างของรูปมาจาก Model A แต่ว่ารายละเอียดวิธีวาดมาจาก Model B เป็นต้น

หมายเหตุ : จริงๆ มี Extension อีกตัว คือ SuperMerger ( https://github.com/hako-mikan/sd-webui-supermerger.git ) ซึ่งตัวนี้จะปรับแต่งได้เยอะมาก แต่ผมกลัวคนอ่านจะงง ขอเอาตัว Weight ปกติให้ดูก่อนนะ ไว้ตอนต่อๆ ไปจะเล่น Super Merger ให้ดูอีกที

บอกก่อนว่าสำหรับการผสมแบบ Merge Block นี้ผมเองก็ยังไม่ได้รู้อะไรลึกมาก แต่จะขอ “อาสาช่วยทำการทดสอบ” ลองผสม Model แล้ว Gen ออกมาให้ดูหลายๆ แบบ แล้วให้เพื่อนๆ ช่วยกันสังเกตแล้วกันว่ามันทำงานยังไงกันแน่ ถ้าใครได้ข้อสรุปอะไรดีก็ฝากบอกด้วยนะ

ก่อนอื่นให้ไปลง Extension ให้เรียบร้อยก่อน แล้วจะมี Tab Merge Block Weighted โผล่ขึ้นมา

แต่มันจะมีอะไรให้เลือกเยอะแยะไปหมดเลย อย่าเพิ่งตกใจ เราจะค่อยๆ มาทำความเข้าใจกระบวนการ Gen รูปกันให้ละเอียดขึ้นก่อน

ทบทวนกระบวนการ Gen รูปในเชิงเทคนิค

ภาพนี้สรุปกระบวนการ Gen รูปของ Stable Diffusion ไว้ดีมาก

https://jalammar.github.io/illustrated-stable-diffusion/

https://jalammar.github.io/illustrated-stable-diffusion/

เราจะพบว่ากระบวนการที่เปลี่ยน Noise ให้เป็นรูปนั้น จะค่อยๆ เปลี่ยนทีละ Step และในแต่ละ Step ก็จะมีสิ่งที่เรียกว่า U-Net ในการช่วยเปลี่ยนรูปที่มี Noise ให้เป็นรูปที่สมบูรณ์ (Noise น้อยลง) มากขึ้นเรื่อยๆ

ซึ่ง U-Net แต่ละตัว นั้นมีโครงสร้างประมาณนี้ (ซึ่งตามโครงสร้างแล้วมันเหมือนรูปตัว U ก็เลยเรียกว่า U-Net ไง)

รูปจาก https://brunch.co.kr/@advisor/43

อะไร คือ In-Out??

ก่อนอื่น เจ้า In-Out พวกนี้คือส่วนหนึ่งของสิ่งที่เรียกว่า U-Net (ผู้สร้างรูป)

โดยอยากให้ลองดูภาพนี้ก่อนว่า In-Out แต่ละตัว ความหมายคร่าวๆ หมายถึงอะไร?

ถ้าไล่จากซ้ายไปขวา
- ช่วง In คือ การพยายามบีบอัด (Down Sampling) ให้ภาพอยู่ในรูปแบบที่เล็กลง (ตรงกลาง) นั่นคือมันพยายามเก็บข้อมูลจากรูปใน Step ก่อนหน้า
- Middle (M00) คือ ข้อมูลที่ถูกเก็บไว้จนอยู่ในขนาดที่เล็กที่สุด
- ช่วง Out ทำการแปลงรูปขึ้นมาใหม่จนใหญ่และละเอียดขึ้น (Up Sampling) ในตอนหลัง ซึ่งมองได้ว่าขั้นตอน Out มีหน้าที่หลักในการสร้างรูปขึ้นมานั่นเอง
สิ่งสำคัญคือ Step การทำงานมันวิ่งจากซ้ายไปขวาแล้วผ่านทุก Block นั่นคือ
Block IN00 -> IN01 -> IN02 -> … -> IN11 -> M00 -> OUT00 -> OUT01 -> OUT11

ภาพจาก https://rentry.org/BlockMergeExplained

ถ้าเรา Gen ภาพ 20 Steps แปลว่า มันผ่าน U-Net แบบนี้ 20 รอบ แต่ละรอบจะค่อยๆ มี Noise น้อยลงเรื่อยๆ นั่นเอง

อะไรคือ Base Alpha

Base_Alpha คือตัวตัดสินใจว่าจะใช้ Text Encoder ของ Model ไหน โดยที่มันคล้ายๆ กับเป็นคนแปลข้อมูลจาก Text Prompt, Tag ต่างๆ แล้วไปอธิบายให้กับนักวาด (U-Net) อีกที
- 0 = ใช้ Model A 100%
- 1 = ใช้ Model B 100%
- ถ้าใส่เป็นอัตราส่วน ก็จะใช้ text encoder ผสมกัน (ผมลอง 0.5 ให้ดู)
ซึ่งในทางเทคนิค ข้อความใน Text Prompt จะถูกแปลงเป็น Text Embedding แล้วเอามาใช้ในการเหนี่ยวนำ Noise ที่เกิดขึ้น (เรียกว่าใส่ Attention เข้าไป) เพื่อให้มันสร้างรูปที่ตรงกับ prompt ที่เราสั่งอีกที คล้ายๆ แบบนี้

https://jalammar.github.io/illustrated-stable-diffusion/

เอาล่ะ พอเข้าใจภาพรวมแล้ว เรามาลองทำสอบกันว่าถ้าเปลี่ยน Base Alpha (Text Encoder) จะเกิดอะไรขึ้น?

ก่อนอื่น ผมจะลองผสม ChillOut กับ Meina แบบ 50:50 นั่นคือไม่ปรับ in-out เลย ให้มันเป็น 0.5 ทั้งหมด (กด Clear Values ได้)

และเลือก Base Alpha เป็น 0, 0.5 และ 1 ดูก่อนว่าผลเป็นยังไง (ในรูปเลือก 0)

จากนั้น ลองผสมเพิ่มแบบให้ base alpha ตรงข้ามกับตัวปกติ ซึ่งเราเลือก Preset ได้นะ ไม่ต้องไปเลื่อน in-put เอง
- ผสม Model A กับ B แต่ให้มาทาง A100% (preset = All_A) แต่ Base Alphaเป็น 1 (กลับทิศ)
- ผสม Model A กับ B แต่ให้มาทาง B100% (preset = All_B) แต่ Base Alphaเป็น 0 (กลับทิศ)
ลองใช้ xyz plot แบบนี้ คือลองทั้ง base alpha 0 กับ 1 สลับกันไป
```
chilloutmix_NiPrunedFp32Fix.safetensors [fc2511737a],ChillOut100MeinaMix0Alpha1.safetensors [8f99e17e7a],ChillOut50MeinaMix50Alpha0.safetensors [625d2d6c2e],ChillOut50MeinaMix50Alpha05.safetensors [9b6fa7bf57], ChillOut50MeinaMix50Alpha1.safetensors [589ccfafc8],ChillOut0MeinaMix100Alpha0.safetensors [afeb25b6f7],meinamix_meinaV9.safetensors [eac6c08a19]
```
เอามา Gen รูป จะได้แบบนี้

ซึ่งเอาตามตรง ผมก็ยังไม่เข้าใจ effect ของ base alpha มากนัก แต่ที่เห็น คือ
- การใช้ base alpha 0.5 และทุกอย่างทั้ง in และ out เป็น 0.5 หมด จะได้ผลเหมือนกับ Basic Merge ที่ weight 0.5
- การเลือกเอาทาง Model ซักอัน 100% แต่เอา base alpha จากอีก Model นึง ก็ได้ผลลัพธ์ที่เปลี่ยนไปเช่นกัน
- ดังนั้นแค่ base alpha ที่เปลี่ยนไปก็มีผลต่อรูปที่ออกมาแล้ว ก็เป็นเรื่องที่น่าทดลองเล่นดูนะครับ (หลายๆ อันก็ออกมาน่าสนใจมาก)
ลองปรับ IN-Out แบบละเอียด

ที่นี้ความหมายของแต่ละ block นั้นคืออะไร? ก็มีคนพยายามจะทำการทดสอบและทำความเข้าใจ ซึ่งเค้าก็บอกกันว่ามันประมาณนี้

จาก https://rentry.co/Merge_Block_Weight_-china-_v1_Beta

ซึ่งจะเป็นจริงรึเปล่า ผมจะลองทดสอบให้ดูด้วยว่าผล (ในกรณีของผม) เป็นยังไงครับ

ลองใช้ Preset ที่มีอยู่แล้ว

แม้จะบอกว่าปรับละเอียด แต่เราสามารถจะเลือกใช้ Preset ที่มีมาให้ได้ครับ ความหมายของ Preset แต่ละตัวดูได้ที่นี่ (สีน้ำเงิน =Model A , สีแดง =Model B)

ผมขอลองนำเสนอ ตัวที่เรียกว่า กับ WRAP16 ให้ดูครับ

WRAP16

สมมติผมเลือก Preset Wrap16 แล้วใส่ A=ChillOut, B=MeinaxMix, Base alpha เป็น 0 ด้วยจะได้แบบนี้ (ผมตั้งชื่อ model ว่า ChillOutMeinaMixWrap16_Alpha0 )

พอเลือก Preset Wrap16 แล้ว Slider จะเปลี่ยนโดยอัตโนมัติ ตามรูป diagram ข้างบน (ผมเอามาแปะให้ดูจะได้ชัดๆ)

ถ้าเราเลือก WRAP16 แบบนี้ แล้วลองเปลี่ยน base alpha ให้ดูทั้ง 0, 0.5,1

โดยเปลี่ยน checkpoint แบบนี้
```
chilloutmix_NiPrunedFp32Fix.safetensors [fc2511737a],ChillOutMeinaMixWrap16Alpha0.safetensors [245b5ab42e],ChillOutMeinaMixWrap16Alpha05.safetensors [c17d50da91],ChillOutMeinaMixWrap16Alpha1.safetensors [107b4c09c6],meinamix_meinaV9.safetensors [eac6c08a19]
```
ผลที่ได้เป็นแบบนี้ คือจะเห็นว่าแทบจะสลับ Composition กับรายละเอียดวิธีวาดภาพกันเลย (แต่รูป Gamer ไม่เห็นผลเท่าไหร่)

ทดสอบ Rev_SmoothStep*2

คราวนี้ ผมลองใช้ Rev_SmoothStep*2 ว่าถ้าเป็นรูปแบบคล้ายกัน แต่มีการไล่ Weight ระหว่างทางด้วยผลจะเป็นแบบไหน?

จะได้ผลแบบนี้ ซึ่งผมมองว่ามีการผสมผสานบางอย่างกันมากขึ้น

จะเห็นว่า พอใช้ preset ที่มีการไล่ weight ภาพมันจะดูผสมผสานระหว่าง 2 model มากขึ้น เช่นในเคสที่เป็นภาพสมจริง + anime ผสมกันก็จะดูเป็น 2.5D มากขึ้น ถ้าใครชอบแบบนี้ก็น่าจะเล่นพวก preset ที่มีการไล่ weight ครับ

ทำการทดลองปรับ In-Out ทีละส่วน

หากเราปรับ In Out หลายเรื่องพร้อมกันมากเกินไป เราก็จะไม่เข้าใจว่าจริงๆ แล้วแต่ละอันมันทำอะไรกันแน่… ดังนั้นเราจะมาลองค่อยๆ ปรับทีละน้อยๆ ลงหน่อย ซึ่งมันมีทั้งหมด 25 block (ฝั่งละ 12×2 ฝั่ง + กลางอีก 1) ดังนั้นผมจะปรับทีละ 4 block แล้วกัน เพื่อที่จะได้ทำความเข้าใจได้มากขึ้น (ใครขยันจะลองทำทีละ Block เลยก็ได้นะ…)

ซึ่งเราจะทดลองให้ทุก Parameter เป็น 0 ให้หมด (คือเป็น A 100%) แล้วค่อยๆ ปรับทีละส่วนเป็น B 100% โดยที่ผมจะใช้ base alpha เป็น 0.5 แล้วกัน จะได้ไม่ต้อง Gen เยอะมากจนเกินไป (เพราะมันจะดูกลางๆ ระหว่าง 0 กับ 1) เอาล่ะ เริ่ม!

ปรับช่วงปลายทั้งสองข้างของ U-Net IN 00-03 และ OUT 08-11 เป็น B 100%

ผมมีลองใส่ M00 ไปด้วยอีกอัน ดูว่ามีผลหรือไม่ เรียงดังนี้

ChillOut | IN 00-03 | Out 08-11 |
IN 00-03 และ Out 08-11 | IN 00-03 และ M00 และ Out 08-11 | MeinaMix

สรุปความเห็น

เท่าที่ดูแล้ว โดยรวม ค่าช่วงปลายทั้งสองข้างของ U-Net (IN 00-03 และ OUT 08-11) ไม่เกี่ยวกับ Composition แน่นอน เพราะถึงแม้จะปรับเป็น B แล้ว ภาพยังค่อนข้าง Compose เหมือน Model A อยู่จริงๆ

ดังนั้นที่มีคนบอกว่าช่วงปลายทั้งสองข้างของ U-Net นี้มันเกี่ยวกับราบละเอียดของภาพก็น่าจะมีความถูกต้องอยู่

ปรับช่วง IN 04-07 และ OUT 04-07 เป็น B 100%

ChillOut | IN 04-07 | Out 04-07 |
IN 04-07 และ Out 04-07 | IN 04-07 และ M00 และ Out 04-07 | MeinaMix

กรณี Base Alpha เป็น 0

กรณี Base Alpha เป็น 0.5

กรณี Base Alpha เป็น 1

ปรับช่วง IN 08-11 และ OUT 00-03 เป็น B 100%

มันก็คือส่วนกลับของ Wrap16 นั่นเองครับ มาลองกัน

ChillOut | IN 08-11 | Out 00-03 |
IN 08-11 และ Out 00-03 | IN 08-11 และ M00 และ Out 00-03 | MeinaMix

กรณี Base Alpha เป็น 0

กรณี Base Alpha เป็น 0.5

แบบพิสดาร : กลุ่ม SmoothStep/3

ลองใช้ Preset = SmoothStep/3 และ Reverese Smooth Step/3 ดูครับ

ChillOut | SmoothStep/3 | Reverse SmoothStep/3 | MeinaMix

แบบพิสดาร : กลุ่ม True Cubic Hermite

ใช้ Preset = True Cubic Hermite และ True Reverse Cubic Hermite

ChillOut | True Cubic Hermite | True Reverse Cubic Hermite | MeinaMix

ปรับช่วง OUT ทั้งหมด เป็น B 100%

คราวนี้เรามาทดสอบ IN เป็น A แต่ Out ทั้งแถบเป็น B กันบ้าง

ซึ่งจะคล้ายกับ Preset OUT12 กับ OUT12_5 แต่ผมจะทำให้ M00 เป็น B100% เพิ่มอีกอัน

กรณี Base Alpha เป็น 0

กรณี Base Alpha เป็น 0.5

กรณี Base Alpha เป็น 1

ข้อสรุปแบบ Block Merge

เป็นการสรุปจากการสังเกต (จะมาเพิ่มเรื่อยๆ ถ้าผมได้ข้อสรุปที่ค่อนข้างชัดเจน เพื่อนๆ ก็ช่วยสังเกต ช่วยทดสอบ แล้วมาบอกกันได้นะ ^^)
- IN เลขเยอะ เช่น IN08-11 เกี่ยวข้องกับ Composition โดยรวม
- Out ช่วงกลาง เช่น Out04-07 เกี่ยวข้องกับการวาด subject หลัก เช่นตัวละคร
Resources
April 28, 2023
สอนทำรูปตัวเองคู่กับสาว ใน Stable Diffusion [Part6]
ในตอนที่แล้วเราได้สามารถเทรนหน้าตัวเองเป็น LoRA ได้แล้ว ในตอนนี้เราจะลองเอาหน้าตัวเองมา Gen ยืนคู่กับสาวด้วย Stable Diifusion กันครับ หรือจริงๆ บทความนี้ก็คือการสอน Gen ตัวละครมากกว่า 1 ตัวแบบเรากำหนดหน้าตาแต่ละตัวได้นั่นเองครับ ซึ่งเราจะมีการใช้เครื่องมือ Latent Couple และ Composable LoRA มาช่วยด้วยครับ

สมมติว่าตัวผมเองอยากยืนคู่กับ Lucy ใน Cyber Punk Edge Runner ที่ชายหาด ซึ่งเราสามารถไปโหลด LoRA ของ Lucy มาได้ที่นี่

รวมบทความ Stable Diffusion
ลอง Generate แบบตรงๆ

หากเราพยายามจะ Generate รูปแบบตรงไปตรงมา เช่น เขียนว่าต้องการ ผู้ชาย 1 คน ผู้หญิง 1 คน แต่ละคนเป็นยังไง…

prompts
```
(best quality:1.4), (ultra highres:1.2), (photorealistic:1.4), (8k, RAW photo:1.2), (Beautiful beach and blue sky), (1man+1girl),

(SiraEkabut Man with red brown hair), (smile), (slim body), (white collar shirt:1.3) <lora:SiraEkabutV4-crop768-512-128-50-clip1-chillout-000003:0.71>,

(lucy $cyberpunk$:1.2),(eyes looking at viewer:1.4), black tight suit, black leotard, black pants, (detached sleeves), pouch, (white hair), (asymmetric hair), (short hair), (multicolor hair), (bang:1.2), (beautiful detailed hair) , red eyeliners, short shorts<lora:lucyCyberpunk_35Epochs:0.8>
```
negative prompts
```
paintings, sketches, (worst quality:2), (low quality:2), (normal quality:2), lowres, ((monochrome)), ((grayscale))
```
ก็จะได้ผลลัพธ์ประมาณว่า มัน Generate หน้าผมไปใส่ชุด ใส่ทรงผมของ Lucy รวมแล้วกลายเป็นสิ่งมีชีวิตที่น่ากลัวสุดๆ ไปเลย 555 (ขออนุญาตไม่เอารูปเต็มมาใส่นะ รับไม่ได้ 555)

ดังนั้นเราจะพบว่ามัน Generate แบบตรงไปตรงมาไม่ได้!! เพราะมันจะเอา LoRA 2 อันปนกัน แถมตัวละครก็ยังปนกันด้วย

สมมติว่าผมพยายามจะใช้ ControlNet มาช่วย เพื่อให้เกิดการแยกเป็น 2 คน โดยใช้รูปต้นแบบประมาณนี้ (เอามาจาก https://www.pexels.com/photo/brunette-woman-posing-with-man-in-suit-15149359/) (ถ้าไม่มีรูปต้นแบบ คุณ Gen รูป AI ตัวละครทั่วไปมาเป็นต้นแบบอีกทีก็ได้)

จากนั้นเอามาใช้ ControlNet Open Pose (ผมอัปเดท ControlNet เป็น V1.1 แล้วนะ ใครมีอันเดิมอย่าลืมอัปเดทและโหลด Model มาใหม่ด้วยล่ะ เจ๋งขึ้นเยอะเลย)

ผลที่ได้จะยิ่งแย่กว่าเดิมอีก! เพราะแม้ว่าจะมี 2 คนออกมาแล้วจริงๆ แต่มันกลายเป็นว่าทั้ง 2 คนมีหน้าคล้ายๆ ผมทั้งคู่ แล้วรายละเอียดของชุดทุกอย่างก็ปนกันมั่วซั่วไปหมด ไม่ใช่แบบที่ผมสั่งเลย

วิธีที่ถูกต้องในการ Generate หลายตัวละคร

แนวทางแก้ไขก็คือ ดราจะต้องใช้ Extension มาช่วย ซึ่งผมแนะนำว่าควรจะโหลดมาเพิ่ม 2 ตัว เพื่อให้ได้ผลลัพธ์ดั่งใจมากที่สุด
- Latent Couple : https://github.com/ashen-sensored/stable-diffusion-webui-two-shot (เอาไว้ Generate แบบกำหนดแยกพื้นที่
- Composable LoRA : https://github.com/opparco/stable-diffusion-webui-composable-lora (เอาไว้กำหนด LoRA ให้ทำงานแยกกันได้)
ก็ให้เข้าไปโหลด Extension ตามปกติใน Tab Extension -> Install from URL แล้ว Install ให้เรียบร้อย จะเป็นดังนี้

จากนั้นให้เราไป Enable Extension ตามนี้

เราจะพบว่าพอกด Visualize แล้ว ตรง Region จะถูกแบ่งเป็น 3 ก้อน (จาก Division 3 ค่าที่คั่นด้วย comma ) ซึ่งเกิดจากการตั้งค่าไล่จากซ้ายไปขวา คือ
1. ก้อนเต็มพื้นที่ (ขนาด 1:1 แปลว่า 1 เท่าของพื้นที่รวม ) โดยสีขาวจางมาก (เพราะน้ำหนัก Weights 0.2) [position 0:0]
2. ก้อนฝั่งซ้าย (ขนาด 1:2 แปลว่า 1/2 ของพื้นที่รวม) โดยสีขาวค่อนข้างเยอะ (เพราะน้ำหนัก Weights 0.8) [position 0:0]
3. ก้อนฝั่งขวา (ขนาด 1:2 แปลว่า 1/2 ของพื้นที่รวม) โดยสีขาวค่อนข้างเยอะ (เพราะน้ำหนัก Weights 0.8) [position 0:1]
ซึ่งแปลว่าเราจะต้องแบ่ง Prompt เป็น 3 ส่วน โดยคั่นแต่ละส่วนด้วยคำว่า AND และอย่าลืมใส่คำว่า (1man+1girl) เข้าไปทุกส่วนด้วย (ถ้าเป็นผู้หญิง 2 คนก็ 2girls)
- โดยที่ส่วนแรกสำหรับภาพรวมทั้งหมด
- ส่วนสองสำหรับภาพฝั่งซ้าย และ
- ส่วนสามสำหรับภาพฝั่งขวา
ดังนั้นผมจะแก้ Prompt เป็นดังนี้ แล้วจะลอง Generate ใหม่โดยยังไม่ใช้ ControlNet
```
(best quality:1.4), (ultra highres:1.2), (photorealistic:1.4), (8k, RAW photo:1.2), (Beautiful beach and blue sky), (1man+1girl),

AND (1man+1girl),(best quality:1.4), (ultra highres:1.2), (photorealistic:1.4), (8k, RAW photo:1.2), (SiraEkabut Man with red brown hair), (smile), (slim body), (white collar shirt:1.3) <lora:SiraEkabutV4-crop768-512-128-50-clip1-chillout-000003:0.71>,

AND (1man+1girl),(best quality:1.4), (ultra highres:1.2), (photorealistic:1.4), (8k, RAW photo:1.2),  (lucy $cyberpunk$:1.2),(eyes looking at viewer:1.4), black tight suit, black leotard, black pants, (detached sleeves), pouch, (white hair), (asymmetric hair), (short hair), (multicolor hair), (bang:1.2), (beautiful detailed hair) , red eyeliners, short shorts<lora:lucyCyberpunk_35Epochs:0.8>
```
ผลลัพธ์จะออกมาได้หลอนสุดๆ คือมีการแบ่งครึ่งพื้นที่แล้ว Generate แยกกัน ฝั่งซ้ายจะเป็นผมมากกว่า ฝั่งขวาจะดูเป็น Lucy มากกว่า ซึ่งแย่สุดๆ เพราะบางทีมันกลายเป็นมนุษย์ครึ่งซีกไปเลย 555

ทีนี้ผมลองเกิดใช้ ControlNet Openpose เหมือนเดิม เพื่อบังคับแยกเป็น 2 คน

ผลที่ได้ก็ยังหลอนอยู่ดี! เพราะว่าแม้จะ Gen แยกกันครั้งซีกแล้ว แยก 2 คนแล้ว แต่เหมือนว่า Effect ของ LoRA 2 ตัวมันยังปนๆ กันอยู่นั่นเอง ทำให้หน้าผมไปอยู่บนหน้า Lucy ด้วย ทุเรศมากๆๆๆ

ทำยังไงให้ LoRA ไม่ปนกัน?

วิธีที่จะทำให้ LoRA มันส่งผลแยกกัน เราจะต้องเปิดใช้ Extension อีกตัวด้วย นั่นคือ Composable LoRA นั่นเอง โดยติ๊กตามนี้ แล้วลอง Generate ใหม่

ผลที่ได้ดีกว่าเดิมมากมาย คราวนี้ตัวละครแยกกันอย่างชัดเจนแล้ว

หมายเหตุ : แต่ถ้าเราไม่เปิด controlnet (หรือมันเอ๋อไป) ผลก็อาจออกมาแปลกๆ แบบนี้ได้ (คือ Gen แยกกัน และ LoRA ก็แยกกัน เหมือนภาพตัดแปะห่วยๆ)

จัดการ Background ที่ผิด

ซึ่งผมต้องจัดการเรื่อง Background ที่มันยังไม่ใช่ชายหาดอย่างที่ต้องการ แต่กลับเป็น background อะไรไม่รู้ เหมือน 2 ฝั่งมาจากคนละโลกกัน

ผมจะลองใส่คำว่า Beautiful Beach เข้าไปทั้ง part ซ้ายขวาด้วย ดูว่าจะดีขึ้นหรือไม่
```
(best quality:1.4), (ultra highres:1.2), (photorealistic:1.4), (8k, RAW photo:1.2), (Beautiful beach and blue sky), (1man+1girl),

AND (1man+1girl),(best quality:1.4), (ultra highres:1.2), (photorealistic:1.4), (8k, RAW photo:1.2), (SiraEkabut Man with red brown hair), (smile), (slim body), (white collar shirt:1.3) , standing on Beautiful beach and blue sky <lora:SiraEkabutV4-crop768-512-128-50-clip1-chillout-000003:0.71>,

AND (1man+1girl),(best quality:1.4), (ultra highres:1.2), (photorealistic:1.4), (8k, RAW photo:1.2),  (lucy $cyberpunk$:1.2), (eyes looking at viewer:1.4), black tight suit, black leotard, black pants, (detached sleeves), pouch, (white hair), (asymmetric hair), (short hair), (multicolor hair), (bang:1.2), (beautiful detailed hair) , red eyeliners, short shorts,  standing on Beautiful beach and blue sky <lora:lucyCyberpunk_35Epochs:0.8>
```
ผลออกมาเป็นทะเลแล้ว เย้!

หลังจากนั้น เราสามารถลอง Gen หลายๆ รอบเพื่อให้ได้ภาพที่ใกล้เคียงกับที่ต้องการมากที่สุด รวมถึงปรัย Prompt เพื่อให้ได้สิ่งที่ต้องการมากขึ้นได้

แล้วสามารถลองมา Hires-Fix กัน (เพราะ ControlNet 1.1 รองรับ Hires-Fix ได้ดีขึ้นแล้ว)

โดย ผมปรับ prompt เป็นแบบนี้ คือเจาะจงหน้า lucy ให้สวยขึ้นด้วย (เพื่อรับรับการ Hires-fix) โดยใส่คำเพิ่ม เช่น beautiful young girl, (ulzzang-6500:0.5)
```
(best quality:1.4), (ultra highres:1.2), (photorealistic:1.4), (8k, RAW photo:1.2), (Beautiful beach and blue sky), (1man+1girl),

AND (1man+1girl),(best quality:1.4), (ultra highres:1.2), (photorealistic:1.4), (8k, RAW photo:1.2), (SiraEkabut Man with red brown hair), (smile), (slim body), (white collar shirt:1.3) , standing on Beautiful beach and blue sky <lora:SiraEkabutV4-crop768-512-128-50-clip1-chillout-000003:0.71>,

AND (1man+1girl),(best quality:1.4), (ultra highres:1.2), (photorealistic:1.4), (8k, RAW photo:1.2),  (lucy $cyberpunk$:1.2), beautiful young girl, (ulzzang-6500:0.5), little smile, (eyes looking at viewer:1.4), black tight suit, black leotard, black pants, (detached sleeves), pouch, (white hair), (asymmetric hair), (short hair), (multicolor hair), (bang:1.2), (beautiful detailed hair) , red eyeliners, short shorts, ( making a fist:1.5), standing on Beautiful beach and blue sky <lora:lucyCyberpunk_35Epochs:0.8>
```
ก่อน Hi-res fix

หลัง Hi-res fix

ผลที่ได้ค่อนข้าง ok แค่มีมือเพี้ยนนิดหน่อย ดังนั้นเราสามารถ Inpaint แก้รายละเอียดได้อีกถ้าต้องการครับ

ผลลัพธ์หลังจาก Inpaint

หลังจาก Inpaint แก้จุดต่างๆ ที่อาจจะผิดพลาดไป (ใครถนัด Photoshop ก็เชิญได้เลย) ในที่สุด ผมก็สามารถยืนคู่กับ Lucy ได้แล้วล่ะ 555

ถ้าไม่ใช้ Control Net ได้หรือไม่?

หลายคนอาจจะสงสัยว่า แล้วถ้าไม่ใช้ ControlNet จะบังคับให้ออกมาเป็น 2 คนได้หรือไม่? อันนี้ก็ต้องบอกว่าได้แน่นอนครับ เพียงแต่ว่า ผมแนะนำว่าควรจะทำรูปเป็นแนวนอน “จะมีโอกาส” ออกมา 2 คนง่ายกว่า (แปลว่ามันก็อาจยังออกมาเป็นมนุษย์ครึ่งซีกได้อีก) และควรปรับ Prompt นิดหน่อย ชัดๆว่าจะให้ยืนคู่กันด้วย เช่น แบบนี้
```
(best quality:1.4), (ultra highres:1.2), (photorealistic:1.4), (8k, RAW photo:1.2), (Beautiful beach and blue sky), (1man+1girl standing next to each other:1.4),

AND (1man+1girl standing next to each other:1.4),(best quality:1.4), (ultra highres:1.2), (photorealistic:1.4), (8k, RAW photo:1.2), (portrait shot:1.4), (SiraEkabut Man with red brown hair), (smile), (slim body), (white collar shirt:1.3) , standing on Beautiful beach and blue sky <lora:SiraEkabutV4-crop768-512-128-50-clip1-chillout-000003:0.71>,

AND (1man+1girl standing next to each other:1.4),(best quality:1.4), (ultra highres:1.2), (photorealistic:1.4), (8k, RAW photo:1.2),  (portrait shot:1.4), (lucy $cyberpunk$:1.2), beautiful young girl, (ulzzang-6500:0.5), little smile, (eyes looking at viewer:1.4), black tight suit, black leotard, black pants, (detached sleeves), pouch, (white hair), (asymmetric hair), (short hair), (multicolor hair), (bang:1.2), (beautiful detailed hair) , red eyeliners, short shorts, ( making a fist:1.5), standing on Beautiful beach and blue sky <lora:lucyCyberpunk_35Epochs:0.8>
```
ซึ่งผมจะได้รูปก่อน Hires-fix แบบนี้ ซึ่งดู ok เลย (ต้องไป inpaint อีกหน่อยนะ)

อย่างไรก็ตาม ผลลัพธ์จะออกมาดีหรือแย่ ถ้าไม่ใช้ ControlNet ช่วย หลายๆ เรื่องจะขึ้นอยู่กับดวงพอสมควร ดังนั้นถ้าใช้ ControlNet ได้ก็จะดีกว่าครับ (ถ้าไม่มีรูปต้นแบบ คุณ Gen รูป AI ตัวละครทั่วไปมาเป็นต้นแบบก็ได้)

ตอนต่อไป

ในตอนต่อไปผมจะมาพูดถึงแนวทางในการที่เราจะผสม Model หลัก หรือ CheckPoint ขึ้นมาเองครับ รับรองว่าสนุกแน่นอน ติดตามได้เลย
April 26, 2023
สอน Train Model ตัวเองใน Stable Diffusion [Part5]
ในตอนที่แล้วเราได้เรียนรู้วิธีการใช้ ControlNet ในการควบคุมท่าทางของแบบไปแล้ว ในบทความนี้เราจะมาเรียนรู้เรื่องที่หลายคนกำลังรอคอยอยู่ นั่นคือวิธีการ Train Model ของเราขึ้นมาใช้เองซักทีครับ

ซึ่งตัว Model ที่ผมจะสอน Train ในบทความนี้ จะเป็น Model ประเภทที่เรียกว่า LoRA ซึ่งก็คือ Model เสริมที่สามารถนำไปใช้ควบคู่กับ Model หลักต่างๆ เพื่อให้สามารถสร้างตัวละคร ชุด ฉาก หรือแม้แต่สไตล์แบบที่เราต้องการได้

แต่ขอบอกไว้ก่อนว่าสิ่งที่ผมกำลังสอนนี้ อาจไม่ใช่วิธี Train LoRA ที่ดีที่สุดที่เป็นไปได้ (เพราะมันขึ้นกับหลายปัจจัยมากๆ ต้องทดสอบเยอะมากจึงจะฟันธงแน่ชัดได้) แต่ผมลองดล้วมันดีในเคสของผมเท่านั้นเองครับ ดังนั้นถ้าใครมีวิธีที่ดีกว่านี้ สามารถบอกผมได้นะ จะได้แลกเปลี่ยนความรู้กันครับ

และเพื่อไม่ให้มีปัญหากับประเด็นเรื่องลิขสิทธิ์ต่างๆ ผมจะแสดงตัวอย่างการ Train ภาพของตัวผมเองแล้วกันนะครับ

รวมบทความ Stable Diffusion
ซึ่งเราสามารถ Train Model ขึ้นมาได้ด้วยหลายวิธี ในบทความนี้ผมจะสอนวิธีแบบใช้ GPU เครื่องคอมพิวเตอร์ตัวเองซึ่ง เราจะต้องผ่านขั้นตอนหลักๆ 4 ขั้นตอน ดังนี้

Step1 : ติดตั้งเครื่องมือ kohya_ss

เริ่มจะเริ่มจากการลงโปรแกรมเพิ่มก่อน ซึ่งในที่นี้ผมจะใช้เครื่องมือที่ชื่อว่า kohya_ss มาช่วยครับ ซึ่งเราจะต้องลงโปรแกรมให้เรียบร้อยก่อน โดยทำตามนี้ครับ
- ให้ลงโปรแกรมที่จำเป็นเหล่านี้ก่อน
  - Python 3.10 (ถ้าลง SD มาแล้วก็ต้องมีแล้วล่ะ)
  - Git (ถ้าลง SD มาแล้วก็ต้องมีแล้วล่ะ)
  - Install Visual Studio 2015, 2017, 2019, and 2022 redistributable (อันนี้ถ้าใครยังไม่มีต้องลงเพิ่มนะ)
- แล้วเข้าไปใน Folder กฃที่จะใส่ Kohya_SS เข้าไป
- แล้วเข้า CMD แล้วพิมพ์ว่า
```
git clone https://github.com/bmaltais/kohya_ss.git
cd kohya_ss
.\setup.bat
```
พอกด Enter มันจะ copy ไฟล์มาให้เรา แล้วให้กด Enter อีกทีเพื่อ setup (ถ้ามันไม่รัน setup ให้ ค่อยเข้าไปรันไฟล์ setup ใน folder เอง)

แล้วมันจะโหลดไฟล์เพียบเลย

แต่ถ้ารัน setup แล้วมันถาม เรื่อง previous version
ก็ตอบประมาณนี้ก็ได้
- No (ไม่ Uninstall)
- Torch ถ้าการ์จกแรงเลือก 2 ได้เลย แต่ถ้าไม่มั่นใจเลือก 1.1
พอโหลดเสร็จมันจะเริ่มถามคำถาม ให้ตอบตามนี้ทีละขั้นตอนได้เลย
- This Machine
- No
- No
- No
- All
- fp16 (ถ้าใครการ์ดจอแรงๆ อาจตอบ bp16 ได้)
เท่านี้การลงโปรแกรมก็เสร็จสิ้นแล้ว

Step 2 : เตรียม Data Set ภาพตัวอย่าง

ขั้นตอนนี้ เป็นขั้นตอนที่ดูเหมือนจะน่าเบื่อแต่สำคัญมากๆ เลย เพราะมันคือขั้นตอนที่เราจะต้องคัดเลือกตัวอย่างมาสอนเจ้า AI ให้สามารถ Generate รูปที่เราต้องการได้ ซึ่งเราจะต้องคัดเลือกรูปตัวอย่างให้เหมาะสมจึงจะได้ผลลัพธ์ที่ดี

สมมติว่าเราอยากจะเทรนหน้าตัวเองให้ AI รู้จัก ซึ่งแนวคิดคือ AI จะต้องเห็นรูปตัวอย่างของเราจำนวนที่มากพอ และหลากหลายพอ ที่จะสามารถวาดรูปเราขึ้นมาใหม่ได้ ในลักษณะท่าทางหรือชุดดที่ต่างไปจากรูปทีเทรนได้ด้วย

ซึ่งจำนวนรูปที่เหมาะสม
- ผมแนะนำว่าให้เราเตรียมรูปหน้าของเราประมาณ 15-40 รูป
- แต่จำนวนไม่สำคัญเท่าคุณภาพ ภาพที่ได้มาต้องมีความชัดเจน AI ดูแล้วไม่สับสน
- และที่สำคัญ ยิ่งมีรูปเยอะ เรายิ่งต้องบรรยายเยอะ (ซึ่งคือส่วนที่น่าจะจุกจิกที่สุดแล้ว)
ส่วนเรื่องความหลากหลาย ยิ่งหลากหลาย ยิ่งเพิ่มความยืดหยุ่น แต่ก็จะมีภาระในการที่ต้องบรรยายรูปซับซ้อนขึ้นไปด้วย หลักการคือ อย่าพยายามมีอะไรที่เราไม่ต้องการอยู่ในรูปซ้ำๆ เยอะๆ เดี๋ยวมันจะจำสิ่งนั้น แต่ถ้าเลี่ยงไม่ได้ ต้องบรรยายสิ่งนั้นด้วย

ถ้าเราอยากให้ LoRA เรา Flexible มากหน่อย ก็ควรมีดังนี้
- ผมแนะนำว่าควรมีหลายมุมมอง ทั้งหน้าตรง เฉียง ข้าง มุมเงย กด ได้ยิ่งดี
- ถ้าอยากให้เปลี่ยนทรงผมได้ ในรูปก็ควรจะมีเราทำผมมากกว่า 1 แบบ
- ถ้าอยากให้เปลี่ยนชุดได้ก็ควรจะมีชุดที่หลากหลายด้วย
- ลักษณะของแสง ก็ควรจะมีหลากหลาย ทั้งไฟธรรมชาติ ไฟในห้อง ไฟขาว ไฟส้ม
ซึ่งถ้าสามารถทำตามที่แนะนำได้ ก็จะได้ผลลัพธ์ที่ดีกว่า Flexible กว่า แต่ถ้าทำไม่ได้ก็ไม่เป็นไร มันก็เทรนได้เช่นกัน อย่าเพิ่งซีเรียสมาก ลองหารูปมาแล้วเทรนดูก่อนซักตั้ง ดีกว่ามัวแต่เตรียมไฟล์แล้วไม่เทรนซักที 555

ตัวอย่างเช่น ของผมเองผมเตรียมไว้ดังนี้ (ของผม 35 รูป)

ถ้าเราจะเทรนแค่หน้าของเราเป็นหลัก ไม่ได้สนใจเรื่องชุดหรือเครื่องแต่งกาย เราสามารถทำการ Crop ภาพให้เน้นแค่หน้าเราได้ครับ ซึ่งจะลดโอกาสที่ AI จะจำชุดหรือสิ่งแวดล้อมของรูปลงไปได้ดีพอสมควร

ซึ่งเครื่องมือหนึ่งที่สะดวกมากในการ Crop รูป คือเว็บที่ชื่อว่า https://www.birme.net/

ให้เราเข้าไปในเว็บแล้ว Browse รูปลงไป จากนั้นทำการ Resize รูป แล้วเลือกบริเวณ Crop เพื่อเอาเฉพาะส่วนหน้าได้ตามต้องการ ซึ่งเค้านิยมทำกันที่ 512×512 ไม่ก็ 768×768

ซึ่งในที่นี้ผมเลือก 768×768 ไว้เพราะละเอียดดี (ถ้าเทรนชุดก็ไม่ต้อง Crop แบบจตุรัสก็ได้ เพราะจะเห็นชุดไม่ครบ)

จากนั้น save เป็นไฟล์ zip ออกมา

จากนั้นให้เตรียม Folder ไว้ 3 อันคือ (ชื่อจะตั้งยังไงก็ได้ไม่ซีเรียส แต่ส่วนใหญ่เค้าจะตั้งชื่อประมาณนี้กัน)
- Image
- Model
- Log
จากนั้นใน Folder Image ให้เราสร้าง Folder ย่อยขึ้นมา (สามารถมี folder ย่อยอันเดียว หรือ หลาย folder ย่อยก็ได้ แต่ในที่นี้เราจะทำแค่ folder ย่อยเดียว) โดยให้ตั้งชื่ออยู่ในรูปแบบนี้ คือ
```
ตัวเลข_ข้อความ
```
โดยตัวเลข คือจำนวน Repeats หรือการทำซ้ำที่เราจะ train ในแต่ละรูป ซึ่งเป้าหมายหลักคือ เราต้องเทรนทั้งหมดอย่างน้อย 1500 steps ขึ้นไป ยกตัวอย่างเช่น
- สมมติว่าถ้าเรามีทั้งหมด 10 รูป เราก็ต้องเทรนอย่างน้อย 1500/10 = 150 Repeats
- สมมติว่าถ้าเรามีทั้งหมด 20 รูป เราก็ต้องเทรนอย่างน้อย 1500/20 = 75 Repeats
- สมมติว่าถ้าเรามีทั้งหมด 30 รูป เราก็ต้องเทรนอย่างน้อย 1500/30 = 50 Repeats
มีคนแนะนำว่า ควรจะตั้งตัวเลข repeats ไม่ต่ำกว่า 100 แต่เท่าที่ผมลอง หากเราทำการ train หลาย epoch (หลายรอบ) ผมตั้งที่ 50 ก็ยังออกมาเหมือนอยู่ครับ

ดังนั้นในเคสนี้ ผมจะตั้งชื่อเป็น 50_SiraEkabut แล้วใส่รูปที่ Crop แล้วเข้าไปแบบนี้ (ผมมี 35 รูป)

Step 3 : เตรียม Text Description ให้แต่ละรูป

หลักการคือเราจะต้องสร้าง text file นามสกุล .txt ที่ชื่อตรงกับรูปแต่ละรูป แล้วบรรยายสิ่งที่อยู่ในรูปนั้น เพื่อให้ AI เข้าใจว่ารูปนั้นๆ คือรูปอะไรกันแน่

ซึ่งแนวทางการใส่ Description มีหลายวิธี คือ
- สร้าง Text ไฟล์ขึ้นมาเอง แล้วพิมพ์บรรยายเองเลย (ถึกจัดๆ ไม่ค่อยแนะนำ)
- ใช้เครื่องมือช่วยใส่คำบรรยายอัตโนมัติ แล้วค่อยพิมพ์แก้เอา ซึ่งทำได้หลายวิธีมากๆ (แบบนี้ผมว่าดี)
  - ใช้เครื่องมือ BLIP Captioning ใน Kohya_SS Gui (ค่อนข้างดี)
  - ใช้เครื่องมือ WD14 Tagger ใน Kohya_SS Gui
  - ใช้เครื่องมือ Clip interrogator ใน Automatic1111
  - ใช้เครื่องมือ WD14 Tagger Extension ใน Automatic1111
  - ใช้เครื่องมือ Clip interrogator2 ใน Hugging face (ค่อนข้างดี)
  - ใช้ /describe ใน MidJourney (ค่อนข้างดี)
Tips : ใครสนใจว่า Clip interrogator2 vs Describe ต่างกันขนาดไหน ลองดูคลิปนี้

ในที่นี้ผมจะลองเปรียบเทียบบางเครื่องมือให้ดูด้วยแล้วกันครับ โดยผมจะลองเอารูปนี้เป็นตัวอย่าง

ตัวอย่างเครื่องมือ Captioning

BLIP Captioning

ให้เรารันไฟล์ gui.bat ใน folder ที่เราลง kohya_ss เอาไว้ จากนั้นกด Ctrl+Click ที่ URL

อันแรกลองใช้ BLIP Captioning ใน Utilities ก่อน ให้ Browse ไปที่ folder ที่ใส่รูปเอาไว้ได้เลย แล้วปรับ Min Max Length ของ Description ตามความเหมาะสม แล้วกด Caption Images

แล้วเราจะได้ Text Description ออกมาอัตโนมัติเลย ในรูปแบบประโยคภาษามนุษย์ (ถ้ามันบรรยายน้อยไปก็เพิ่ม Min Length ให้เยอะขึ้นได้)

ถ้าเพิ่ม Min Length เป็น 20 ก็จะได้คำบรรยายที่เยอะขึ้น (แต่บางทีก็ซ้ำไปซ้ำมา)

WD14 Captioning

ใช้ Kohya_SS Gui เหมือนกัน จากนั้นไปที่ Utilities -> WD14 Captioning

(อย่าลืมย้าย text จาก BLIP ไปที่อื่นก่อน เดี๋ยวทับกัน)

ผลลัพธ์จะออกมาเป็น Tag หรือ Keyword ในรูปนั้นๆ แทนที่จะเป็นประโยคแบบ BLIP ซึ่งก็ดีทั้งคู่นะ

Clip Interrogator 2 Hugging Face

ให้ไปที่ https://huggingface.co/spaces/fffiloni/CLIP-Interrogator-2 แล้ว Upload รูปเข้าไป แล้ว submit

จะเห็นว่า Model นี้ก็บรรยายได้ดีเลย แถมเดาด้วยว่าผมอายุเท่าไหร่ (แต่ผิดนิดๆ เพราะจริงๆ ปีนี้ผมอายุ 40 แล้วนะ)

MidJourney Describe

ใครมี Midjourney ก็สามารถใช้คำสั่ง /describe แล้ว Upload รูปที่ต้องการเข้าไปได้ครับ

ของ MJ นี่น่าจะเหมาะกับรูปที่ไม่ใช่รูปจริงมากกว่าครับผมว่า

แก้ Description ให้เหมาะสม

ไม่ว่าเราจะใช้เครื่องมือไหนในการ Gen Text เบื้องต้นออกมา สุดท้ายเราจะต้องปรับแต่ให้เหมาะสมด้วย ซึ่งเป็นขั้นตอนที่สำคัญสุดๆ และต้องใส่ใจในรายละเอียดมากที่สุด

เช่น เดิม Caption ที่ได้จาก BLIP Captioning เป็นแบบนี้
```
a man sitting on a bench next to a waterfall in a forest area with a wooden bench and a waterfall behind him
```
อย่างน้อยที่สุด เราจะต้องใส่ Keyword ที่จะใช้ Trigger หน้าตาของเราเข้าไป ซึ่งผมแนะนำว่า “ให้เป็นเป็นคำเดียว และเป็นคำที่ไม่ซ้ำกับศัพท์ที่มีอยู่แล้ว” (ไม่งั้น AI จะงง)

เช่น ผมจะพยายามใช้ Keyword “SiraEkabut” เพื่อให้เป็นตัวแทนของหน้าตาของผม โดยใส่เข้าไปใน Description แบบนี้

SiraEkabut man sitting on a bench next to a waterfall in a forest area with a wooden bench and a waterfall behind him

หลักการทำงานคือ “AI จะพยายามเชื่อมโยงทุกสิ่งที่อยู่ในรูปที่เทรน เข้ากับคำบรรยายที่เราใส่”

ซึ่งถ้าผมใส่คำบรรยายไปแค่นี้ มันก็พยายามจะเชื่อมโยงพวกเสื้อสีม่วง สร้อยข้อมือ กางเกงยีนส์สีเทาดำเข้าไปกับคำบรรยายด้วย

ทีนี้เนื่องจากว่ามันน่าจะรู้จักคำบรรยายอื่นๆ หมดแล้ว เช่น man sitting on a bench next to a waterfall in a forest area with a wooden bench and a waterfall behind him

ดังนั้นพวกเสื้อสีม่วง สร้อยข้อมือ กางเกงยีนส์สีเทาดำ “ก็อาจจะถูกเชื่อมโยง” เข้ากับ Keyword ที่เราใส่ว่า SiraEkabut ไปด้วย (ซึ่งไม่ใช่สิ่งที่ผมต้องการ)

ยิ่งถ้าเรามีรูปใส่ชุดเดิมเยอะๆ มันจะยิ่งจำฝังใจเลย
- ถ้าผมอยากให้ SiraEkabut หมายถึงหน้าตาและทรงผมของผมเท่านั้น ไม่ต้องรวมเครื่องแต่งกาย ผมก็ควรใส่คำบรรยายแบบนี้
  - SiraEkabut man wearing purple morhom shirt and dark grey jeans with black neck strap and red bracelet sitting on a bench next to a waterfall in a forest area with a wooden bench and a waterfall behind him
  - การใส่คำบรรยายชุดเข้าไป เรื่องชุดมันจะได้ผูกกับ description เกี่ยวกับชุด จะได้ไม่ผูกเข้ากับ SiraEkabut
- แต่ถ้าอยากให้ SiraEkabut สามารถเปลี่ยนสีผมได้ ผมก็ต้องบรรยายเรื่องเกี่ยวกับสีผมเข้าไปด้วย (มันจะได้ไม่ผูกสีผมเข้ากับ SiraEkabut) ดังนี้
  - SiraEkabut man with black hair wearing purple morhom shirt and dark grey jeans with black neck strap and red bracelet sitting on a bench next to a waterfall in a forest area with a wooden bench and a waterfall behind him
ดังนั้นหลักการโดยสรุป คือ หลังจากใส่ Keyword พิเศษเข้าไปแล้ว ให้ใส่คำบรรยายทุกอย่างในรูปที่ไม่ต้องการผูกเข้ากับ Keyword เข้าไปให้หมด ยิ่งใส่ได้ละเอียดยิ่งดี

หมายเหตุ : ถ้าเราไม่มี text file ที่ใส่คำบรรยายรูป มันจะเอาชื่อ Folder มาใช้เป็น Description แทน (ถ้าใส่ text file คำบรรยายมันจะไม่สนใจชื่อ Folder)

จากนั้นให้แก้ไขคำบรรยายให้ครบทุกรูป ก็เป็นอันเสร็จ!

Step 4 : เริ่มการ Train LoRA

และแล้วก็มาถึง Step ที่เราจะเริ่มเทรน LoRA กันจริงๆ แล้วครับ ขั้นตอนคือให้เข้า Gui.bat ใน Kohya_ss เหมือนเดิม แล้วเข้าไป Tab Dreambooth LoRA

จากนั้นผมแนะนำให้เลือก Pretrained Model ที่จะใช้ Train LoRA ของเราอีกที

ซึ่งแนวทางคือ ยิ่งเราเลือก Model ที่เราตั้งใจจะใช้ LoRA นั้น จะยิ่งได้ผลลัพธ์ที่เหมือนเป๊ะกว่า แต่ความยืดหยุ่นในการใช้งาน ก็อาจจะน้อยกว่าการ Train บน Model ปกติอย่าง SD1.5 ที่อาจเอาไปใช้กับ Model ได้หลากหลายกว่า แต่ไม่ค่อยสวยซักอัน 555 (อันนี้ต้องเลือกเอาว่าจะเอาสวย หรือเอายืดหยุ่น)

เช่น ผมคิดว่าหลักๆ ผมจะใช้ ChillOutMix ในการ Gen ภาพ ดังนั้นผมก็จะ Train บน ChillOutMix ละครับ

จากนั้นไปที่ Folder แล้วเลือก 3 Folder ที่เราเตรียมไว้ คือ Image (ไม่ใช่ Folder ย่อย) , Model, Log ดังนี้

จากนั้นเราจะไปตั้งค่าใน Training Parameters กัน

ปรับค่าประมาณนี้
- epoch คือ จำนวนรอบในการ Train ซึ่งในที่นี้ผมจะ Train 3 รอบ แต่ละรอบจะค่อยๆ เหมือนขึ้นเรื่อยๆ
  - แต่ในรอบหลังๆ LoRA จะเหมือนต้นฉบับเกินไปจนอาจไม่ยืดหยุ่น คือเปลี่ยนเสื้อผ้า ทรงผมอาจจะลำบาก
  - ดังนั้นเราจะให้มัน Save ไฟล์ LoRA ทุกๆ 1 Epoch แล้วค่อยมาเลือกเอาอีกทีว่าจะเอาระดับไหนดี
- Caption Extension ให้ใส่ว่า .txt ตามคำบรรยายที่เราทำ
- Seed ใส่เลขอะไรก็ได้ แต่ควรใส่ Fixed เลขไว้ซักค่านึง (เช่น 1234) เพื่อเราจะได้เปรียบเทียบการ Train ได้ว่า Setting แบบไหนดีกว่ากัน
- LR Scheduler อันนี้ผมเลือกเป็น Constant
- LR warmup ใส่ 0
- พวก Learning Rate ยิ่งน้อยยิ่งแม่น แต่ต้องเทรน Step เยอะขึ้น (เช่นเพิ่ม Epoch เข้าไป) ผมแนะนำว่าไม่ต้องแก้ไขก็ดีอยู่แล้ว
- Network Rank กับ Alpha ใส่ได้ตั้งแต่ 1, 8,16, 32, 64,128 ซึ่งเลขยิ่งเยอะไฟล์ LoRA จะยิ่งใหญ่ และมักจะใส่เป็นเลขเดียวกัน
  - โดยเลขเยอะ (เท่าที่ผมเข้าใจ) จะเหมาะกับการ Train ที่มีรายละเอียดเยอะ เช่น หน้าตาสมจริงมากขึ้น เลขน้อยๆ ค่อนข้างเหมาะกับ Train Style มากกว่า
  - ในที่นี้ผมเลยเลือก 128 ทั้งคู่
จากนั้นใน Advanced Configuration จะมีอีกอันนึงที่น่าสนใจ คือ CLIP Skip ซึ่งเค้าจะใส่กันว่าจะเป็น 1 ไม่ก็ 2 (เท่าที่อ่านมา 1 จะเหมาะกับภาพสมจริง 2 จะเหมาะกับภาพการ์ตูนมากกว่า แต่เดี๋ยวผมลองให้ดูว่าผลออกมาเป็นไง) ในที่นี้ผมเลือก 1

ป.ล. พอตั้งค่าทุกอย่างหมดแล้ว จะ Save Config เอาไว้เพื่อใช้ Train อย่างอื่นภายหลังก็ได้

แล้วก็กด ปุ่มส้มๆ เพื่อเริ่ม Train Model ได้เลย

แล้วหน้าจอดำๆ ก็จะวิ่งไปเรื่อยๆ แต่อย่างน้อยมันต้องเจอรูปเรา แล้วบอกจำนวน Steps ทั้งหมด (ในที่นี้ของผมคือ 1750 steps x 3 epochs = รวม 5250 steps)

แล้วเราก็รอมันไปจนกว่าจะ Train เสร็จ แล้วเราจะได้ LoRA ออกมา 3 ไฟล์ คือ
- SiraEkabutV1.safetensors
- SiraEkabutV1-000001.safetensors
- SiraEkabutV1-000002.safetensors
ผมแนะนำให้เปลี่ยนชื่อไฟล์ SiraEkabutV1.safetensors เป็น SiraEkabutV1-000003.safetensors เพราะว่ามันคือการ Train รอบสุดท้ายนั่นเอง

ลองเอา LoRA ที่ได้มาทดสอบ Gen รูป

ให้ Copy ไฟล์ LoRA ที่เรา Train ได้ออกมาไว้ใน Folder stable-diffusion-webui\models\Lora ตามปกติ แล้วเราจะใช้ xyz plot ในการทดสอบดูว่า LoRA แต่ละตัวให้ผลเป็นยังไง แล้วน้ำหนัก LoRA ที่เปลี่ยนไปจะส่งผลขนาดไหน

ในที่นี้ผมได้มีการ Train LoRA มาหลายแบบ เพื่อเอามาลองทดสอบให้เพื่อนๆ ดู โดยใช้ x/y/z plot แบบ Prompt S/R มาช่วย

ใน Prompt ผมเขียนว่า
```
(best quality:1.4), (ultra highres:1.2), (photorealistic:1.4), (8k, RAW photo:1.2),(portrait shot:1.3)(SiraEkabut Man:1.3), (wearing white shirt and jeans pants:1.1),(walking in the street), <lora:SiraEkabutV4-000001:0.61>
```
ผมอยากจะเปลี่ยน LoRA กับ Weight ไปเรื่อยๆ ผมเลยต้องใส่ใน x/y/z plot แบบนี้

Prompt S/R จะค้นหาคำแรกใน Prompt แล้วแทนด้วยคำต่อไปเรื่อยๆ จนครบ

ก็เลยต้องใส่ชื่อ LoRA ทุกอันแบบนี้ (โดยอันแรกคือ LoRA ใน Prompt)

SiraEkabutV4-000001,SiraEkabutV4-000002,SiraEkabutV4-000003,SiraEkabutV4-crop768-512-128-50-clip1-chillout-000001,SiraEkabutV4-crop768-512-128-50-clip1-chillout-000002,SiraEkabutV4-crop768-512-128-50-clip1-chillout-000003,SiraEkabutV4-crop768-512-128-50-clip1-chillout-000004,…

ส่วนเรื่อง Weight ผมใส่แบบนี้ (โดยอันแรกคือ Weight ใน Prompt)

0.61,0.7,0.8,0.9,1.0

จากนั้นก็ทำการ Gen ภาพทดสอบดูว่า LoRA ตัวไหนน่าจะ Work ที่สุด (LoRA ที่ดี ภาพไม่ควรจะเน่า หรือติดสิ่งที่ไม่ต้องการเข้ามา เช่น ชุด จนเปลี่ยนชุดไม่ได้)

ผลการทดสอบ x/y/z plot

ผลที่ได้เป็นแบบนี้ ซึ่งผมสรุปได้ดังนี้
- ตัวที่ Train จาก Model ตัวเดียวกับที่ใช้ Gen รูปจะให้ผลที่ดีกว่า เช่น
  - ถ้า Gen ภาพบน ChillOutMix ตัว LoRA ที่เทรนจาก pretrained ChillOutMix จะให้ผลที่ดีที่สุด
  - ถ้า Gen บน checkpoint model อื่น เช่น dalcefo_realistic_tally_v3 ตัว LoRA ที่เทรนจาก pretrained dalcefo_realistic_tally_v3 ก็จะให้ผลดีที่สุด (แต่ตัวที่เทรนจาก Chilloutmix ก็ออกมาไม่เลว)
  - ตัวที่เทรนจาก SD 1.5 ปกติ แม้แต่เอามา Gen บน SD1.5 เลย ก็สู้ตัวที่เทรนจาก Model สวยๆ ไม่ได้
- Clip Skip 1 กับ Clip Skip 2 ในเคสนี้ให้ผลไม่ต่างกันเท่าไหร่
- ตัวที่ Train Epoch แรกๆ จะไม่เหมือนเท่าไหร่ ส่วน Epoch หลังๆ ภาพที่ weight สูงๆ จะเน่าเกินไป ตัวที่ผมคิดว่าพอใช้ได้ในเคสของผมคือ Epoch ที่ 2-3 เช่น ที่ลงท้ายด้วย 000002, 000003 (ทั้งนี้เพราะผม repeats ที่ 50 ตรง folder ด้วย)
รูปนี้ Gen บน ChillOutMix ตัวที่เทรนจาก ChillOutMix จะสวยสุดอย่างชัดเจน

ลองทดสอบ Generate รูปให้หลากหลาย

พอเราได้ LoRA อันที่พอใจแล้ว ก็อาจเอามาลองทดสอบภาพอื่นๆ บ้าง เช่น เปลี่ยนสีชุด สีผม ลองยิ้มดู ว่ามัน work หรือไม่? เช่น ลองผมแปลกๆ ลองหันข้าง ลองใส่ชุดแปลกๆ (แบบที่เราไม่เคยเทรนมันเลย) เป็นต้น

ซึ่งผมได้รูปออกมาประมาณนี้ ซึ่งน่าพอใจทีเดียว มันก็สามารถ Gen เราทำผมแปลกๆ ทั้งผมทอง ชุดซามูไร หรือแม้แต่เสกให้ผมเป็นนักร้องผมทองบนเวทีได้ด้วย สนุกมากเลย 5555

ลองสังเกตดูสิ รูปพวกนี้ไม่มีในรูปที่ผมเอามาเทรนเลยแม้แต่น้อยนะ!! แต่มันก็สามารถเอาหน้าผมไปใส่ในรูปได้อย่างแนบเนียน มันเป็นอะไรที่สุดยอดมากเลย!!

ป.ล. หลายรูปที่ Gen ออกมาใช้ไม่ได้ก็มี อันนี้คือเลือกที่ ok มาให้ดู แต่ไม่ได้มี inpaint ทับเลยนะ gen สด ทุกรูปครับ

ตอนต่อไป

ในตอนต่อไป เราจะลองเอาตัวเราเอง ไปยืนคู่กับสาวๆ น่ารักๆ บ้างแล้วคล้ายๆ แบบนี้ (รูปนี้ไม่ใช่รูปจริงนะ อย่าไปฟ้องภรรยาผม 555)

ซึ่งมันต้องรู้เทคนิคบางอย่างจึงจะทำได้ ไม่งั้น LoRA ของตัวละครได้ตีกันมั่วเลย เพื่อนๆ ลองทำเล่นๆ ดูก่อนก็ได้ว่าออกมาเป็นไง 55

ดังนั้น ใครอยากรู้วิธีทำให้มัน work ก็รอตอนต่อไปได้เลยครับ

สำหรับตอนนี้ ใคร Gen ภาพตัวเองออกมาแล้วได้ผลเป็นยังไง อย่าลืมบอกกันด้วยนะที่เพจ https://www.facebook.com/AiAngelGallery/ นะครับ
April 17, 2023
10 Levels การเขียนสูตร Excel ในยุคใหม่
ในบทความก่อนหน้านี้ผมได้เขียนบทความ บันได 10 ขั้น เริ่มเรียนรู้ M Code ขุมพลังของ Power Query ไป ซึ่งจะต้องเป็นคนใช้งาน Power Query ขั้นสูงจึงจะได้ใช้มัน

คราวนี้เลยขอขยับมาเขียนบทความที่คนส่วนใหญ่สามารถอ่านได้ ซึ่งก็คือ การเขียนสูตร Excel นั่นเอง

มาดูกันเล่นๆ ว่าการเขียนสูตร Excel ของคุณอยู่ในระดับไหน อิอิ

LV1: การอ้างอิง Cell และ Operator พื้นฐาน
- บวก ลบ คูณ หาร ทั่วไป :
  =(A1+B1)*C1
- การใช้ $ ตรึงตำแหน่ง Cell แบบ Absolute Reference :
  = (A1+B1)*$C$1
- การใช้ $ ตรึงตำแหน่ง Cell แบบ Mixed Reference :
  = (A1+B1)*C$1
- การแปลง Text ให้กลายเป็นเลข
  =A1*1 หรือ =–A1
- การเชื่อมข้อความเข้าด้วยกัน
  =A1&B1
- การอ้างอิงข้อความในสูตร
  =”คุณ “&A1
- การเปรียบเทียบให้ได้ค่า TRUE/FALSE
  =A1>B1
- การตรวจสอบว่า cell ที่สนใจเป็นค่าว่างหรือ Blank text หรือไม่
  =A1=””
LV2: ฟังก์ชันพื้นฐานที่ Input ไม่ซับซ้อน : input ไม่เกิน 1 ชุด
- การหาผลรวม
  =SUM(number1,[number2],…)
- วันที่ปัจจุบัน:
  =TODAY()
- นับจำนวนอักขระ
  = LEN(text)
- หาเลขปีจากวันที่
  =YEAR(serial_number)
- Absolute value
  =ABS(number)
- ตรวจสอบว่าเป็นตัวเลขหรือไม่
  =ISNUMBER(value)
LV3: ฟังก์ชันพื้นฐานที่ Input ไม่ซับซ้อน : input เกิน 1 ชุด
- การเขียนเงื่อนไข
  =IF(logical_test,[value_if_true],[value_if_false])
- การปัดเศษตามหลักคณิตศาสตร์
  =ROUND(number,num_digits)
- การหาเศษเหลือของการหาร
  =MOD(number,divisor)
- การดึงข้อความที่อยู่ด้านซ้าย
  =LEFT(text,[num_chars])
- การดึงบางส่วนของข้อความจากตำแหน่งที่ระบุ
  =MID(text,start_num,num_chars)
- การหาตำแหน่งของอักขระแบบไม่สนพิมพ์เล็กพิมพ์ใหญ่ =FIND(find_text,within_text,start_num)
- การแทนที่ข้อความ
  =SUBSTITUTE(text,old_text,new_text,[instance_num])
- การเช็คค่าแล้วถ้า error ให้เปลี่ยนเป็นอีกค่า
  =IFERROR(value,value_if_error)
LV4: ฟังก์ชันที่รับ input ค่อนข้างซับซ้อน
- การหาผลรวมแบบมีเงื่อนไข รายละเอียดดูคลิปนี้
  =SUMIFS(sum_range,criteria_range,criteria,…)
- แปลงเลขเป็น Text ด้วย Custom Format ที่ระบุ
  ซึ่งคุณต้องเข้าใจเรื่อง Custom Format ก่อน เช่น
  =TEXT(value,format_text) เช่น
  =TEXT(วันที่,”yyyy-mm-dd”)
  =TEXT(เลขเบอร์โทรศัพท์,”000-000-0000″)
- การหาวันครบกำหนด
  =WORKDAY.INTL(start_date,days,weekend,holidays)
  ซึ่ง weekend สามารถใส่วันหยุดประจำสัปดาห์แบบ Custom เช่น “0010010” ได้
  โดยที่เริ่มจาก จันทร์-อาทิตย์ 0=ไม่หยุด, 1=หยุด
  นั่นคือ “0010010” แปลว่า หยุดวันพุธกับเสาร์
- การคำนวณมูลค่าเงินในอนาคต
  =FV(rate,nper,pmt,[pv],[type])
  เงินเข้าตัวเป็นบวก เงินออกเป็นลบ หน่วยของ rate, nper, pmt ต้องสอดคล้องกัน
- การแปลงข้อความเป็น Cell Reference :
  =INDIRECT(ref_text,[a1]) เช่น
  =INDIRECT(“‘”&C1&”‘!$A$1:$A$50”) คือ
  อ้างอิงข้อมูลจาก $A$1:$A$50 จากชื่อชีทที่ระบุใน C1
- การดึง Cell Reference จากพิกัดที่ระบุ
  =INDEX(array,row_num,column_num)
- การดึง Lookup ข้อมูล รายละเอียดดูคลิปนี้
  =VLOOKUP(lookup_value,table_array,col_index_num,[range_lookup])
- การ Lookup ด้วย XLOOKUP รายละเอียดดูคลิปนี้ =XLOOKUP(lookup_value,lookup_array,return_array,[if_not_found],[match_mode],[search_mode])
- การเลื่อนตำแหน่ง Range
  =OFFSET(reference,rows,cols,[height],[width])
LV5: การใช้ฟังก์ชันซ้อนกัน
- การเขียน IF ผสม AND,OR :
  =IF(AND(A1 > B1, B1 > C1), “A มากกว่า B และ B มากกว่า C”, “อื่นๆ”)
- การเขียน IF ซ้อน IF :
  =IF(A1 > 100, “Large”, IF(A1 > 50, “Medium”, “Small”))
- Combining functions:
  =VLOOKUP(A1, INDIRECT(“‘”&C1&”‘!$B$1:$E$50”), 4, FALSE)
  เพื่อทำการ VLOOKUP ข้อมูลจาก $B$1:$E$50 จากชื่อชีทที่ระบุใน C1
- การใช้ INDEX + MATCH เพื่อดึงข้อมูลแบบ Flexible
  =INDEX(A2:A5,MATCH(A8,C2:C5,0))
LV6: Array Formulas พื้นฐาน
- ให้ผลลัพธ์ค่าเดียว
  - หาผลรวมของผลคูณทีละคู่
    =SUMPRODUCT(A1:A10, B1:B10)
  - การรวมข้อความเข้าด้วยกันด้วยตัวคั่นที่กำหนด
    =TEXTJOIN(“/”,TRUE,A1:A10)
  - การนับข้อมูลแบบไม่ซ้ำ (สำหรับ Excel version เก่า)
    =SUM(1/COUNTIFS(A1:A10, A1:A10))
- ให้ผลลัพธ์หลายค่า
  - การใช้ Array Constant ในฟังก์ชัน เพื่อหาค่า Top3
  - =LARGE(A1:A10, {1, 2, 3})
  - การเรียงข้อมูล
    =SORT(A1:A10)
  - การทำให้เหลือค่าไม่ซ้ำ
    =UNIQUE(A1:A10)
  - เข้าใจการทำงานของ Array Operation
    เช่น เมื่อ Cross Row กับ Column จะได้ออกมาเป็นตาราง
    =A3:A6*B2:D2
  - การ Filter ข้อมูลตามเงื่อนไข รายละเอียดดูคลิปนี้
    =FILTER(MyData[TXID],(MyData[ยอดขาย]>300)*(MyData[วิธีการชำระเงิน]=”เงินสด”))
LV7: ใช้ LET เพื่อประกาศตัวแปร
- พื้นที่สามเหลี่ยม เมื่อรู้ 3 ด้าน
  =LET(a, A1, b, B1, c, C1,
  s, (a + b + c) / 2,
  SQRT(s * (s – a) * (s – b) * (s – c))
  )
- แทนที่อักขระ “-“,”/”,”|” ด้วย “_”
  =LET( inputText, A1,
  step1, SUBSTITUTE(inputText, “-“, “_”),
  step2, SUBSTITUTE(step1, “/”, “_”),
  result, SUBSTITUTE(step2, “|”, “_”)
  )
- ดึงข้อมูลเฉพาะตัวเลข
  (แบบประกาศตัวแปรแยก step ละเอียด)
  =LET(
  inputText, A3,
  textLen, LEN(inputText),
  seq, SEQUENCE(1, textLen),
  charArray, MID(inputText, seq, 1),
  numArray, –charArray,
  isNumber, ISNUMBER(numArray),
  result, IF(isNumber, charArray, “”),
  TEXTJOIN(“”, TRUE, result)
  )
LV8: ใช้ Array Formulas ที่ค่อนข้างซับซ้อน
- หาผลรวมของค่าที่มากกว่าในแต่ละคู่
  =SUM(IF(A1:A10 > B1:B10, A1:A10, B1:B10))
- หาค่าเฉลี่ยถ่วงน้ำหนัก
  =SUMPRODUCT(A1:A10, B1:B10) / SUM(B1:B10)
- VLOOKUP ข้อมูลด้านซ้าย
  =VLOOKUP(Z1, CHOOSE({1, 2}, B1:B5, A1:A5), 2, FALSE)
- เขียนเงื่อนไข Array แบบ and ด้วย Boolean logic และสรุปค่า
  =MEDIAN(IF((A2:A7=”A”) * (B2:B7>0), B2:B7))
- ใช้ Matrix MMULT ช่วยในการคำนวณ Array
LV9: ใช้ LAMBDA ให้เป็นประโยชน์

LAMBDA เดี่ยวๆ ใช้สร้าง Custom Function
- LAMBDA สามารถทำความรู้จักได้ที่นี่ หรือดูคลิปนี้
- นับข้อมูลแบบไม่ซ้ำสำหรับ Excel Version ใหม่
  =LAMBDA(rng, COUNTA(UNIQUE(rng)))
- ระยะห่างระหว่างจุดสองจุด
  =LAMBDA(x1, y1, x2, y2, SQRT((x2 – x1)^2 + (y2 – y1)^2))
- พื้นที่สามเหลี่ยม เมื่อรู้ 3 ด้าน
  =LAMBDA(a, b, c, LET(s, (a + b + c) / 2, SQRT(s * (s – a) * (s – b) * (s – c))))
LAMBDA + Helper Function เพื่อสร้างสูตรที่ซับซ้อน
- LAMBDA + Helper Function สามารถทำความรู้จักได้ที่นี่
- ลองใช้ BYROW + LAMBDA (รายละเอียดดูคลิปนี้)
  เพื่อให้ได้ Effect เดียวกับ MMULT ข้างบน
  โดยที่ BYROW จะส่งข้อมูลเข้าไปให้ LAMBDA ทีละแถว
  =BYROW(B6:E8,LAMBDA(x,SUMPRODUCT(x,B2:E2)))
LV10: เขียนสูตรที่เหมาะสมกับสถานการณ์ได้อย่างอิสระ

ใน Level 10 นี้ จริงๆ คือการที่เราควรมีความรู้ในการเขียนสูตรได้อย่างยืดหยุ่น คือรู้ว่าเมื่อไหร่ควรใช้สูตรไหน เมื่อไหร่เหมาะกับการเขียนสูตร เมื่อไหร่เหมาะกับการใช้เครื่องมืออื่นดีกว่าเขียนสูตร

ยกตัวอย่างเช่น ถ้าเราต้องรวบรวมตารางจาก Excel หลายๆ ไฟล์เข้าด้วยกัน การเขียนสูตรไม่มีทางสู้วิธีการใช้ Power Query หรือ เขียนโปรแกรมอย่าง VBA, Python ได้เลย

รวมถึงงานบางเรื่องก็สามารถใช้การเขียนสูตร เพื่อช่วยหาผลลัพธ์ต่างๆที่ดีที่สุด เช่น การทำ Optimization ด้วย Excel Solver เป็นต้น

รวมถึงควรจะหาวิธีเขียนสูตรที่คำนวณผลลัพธ์ได้รวดเร็ว ถูกต้อง เช่น หากมีการเขียนสูตรเยอะๆ พยายามอย่าใช้ Volatile Function ที่จะคำนวณตลอดเวลา (แต่ถ้าเขียนไม่กี่ช่องก็คงไม่เป็นไร)

หรือบางทีควรจะหาวิธีเขียนสูตรที่ยืดหยุ่นขึ้นกว่าเดิม เช่น อยากจะแทนที่อักขระ “-“,”/”,”|” ด้วย “_” ในตัวอย่างข้างบน เราอาจจะใช้ REDUCE + LAMBDA ดีกว่า SUBSTITUTE หลายรอบเป็นต้น เพราะในอนาคตสามารถเพิ่มอักขระได้ง่ายกว่าการเขียน SUBSTITUTE ซ้อนไปเรื่อยๆ เป็นต้น

=REDUCE(A3,{“-“,”/”,”|”},LAMBDA(a,v,SUBSTITUTE(a,v,”_”)))

ต่อจาก Level 10 คืออะไร?

หลังจาก Level 10 นี้ก็ใช่ว่าการเรียนรู้ Excel จะสิ้นสุด เพราะจริงๆ แล้วโลกของ Excel นั้นช่างกว้างใหญ่ไพศาลนัก เพราะ Excel นั้นมี Function ใหม่เพิ่มมาเรื่อยๆ

นอกจากนี้บางทีการเขียนสูตร Excel นั้นมันเต็มไปด้วยความพิสดาร เช่น การจะดึงเอาเลขจากข้อความ สามารถใช้สูตร NPV ที่เอาไว้คำนวณด้านการเงินมาประยุกต์ใช้ได้เฉยเลย ใครสนใจลองอ่านใน Link ได้ครับ

ดังนั้นอย่าลืมลองศึกษาหาความรู้เพิ่มเติมจากผู้เชี่ยวชาญทั้งหลาย รวมถึงการทำโจทย์ปัญหาที่หลากหลาย ตัวอย่างเช่น โจทย์ที่ Excel Wizard นำมาถาม หรือศึกษาเทคนิคจาก VDO Clip Live ต่างๆ เช่น ที่เค้าใช้ตอนแข่ง Excel Speed Run

ผมมั่นใจว่าหากลองทำตามคำแนะนำเหล่านี้ คุณจะเก่ง Excel ขึ้นอีกมากเลยครับ (ผมเองก็ยังต้องพัฒนาต่อไปเช่นกัน ฮึบๆ)
April 14, 2023
บันได 10 ขั้น เริ่มเรียนรู้ M Code ขุมพลังของ Power Query
ในบทความนี้ผมจะพาเพื่อนๆ ไปเรียนรู้ M Code ใน Power Query ผ่านตัวอย่าง 10 อัน โดยไล่ระดับตั้งแต่ Basic ที่สุดไปตัวอย่างที่ยากขึ้นเรื่อยๆ เหมือนเป็นการพาขึ้นบันได 10 ขั้นแรกสำหรับการเรียนรู้ MCode ครับ

ซึ่งการใช้ MCode มันจำเป็นสำหรับคนที่เจอปัญหาการ Transform ข้อมูลที่มีความซับซ้อนกว่าปกติ เช่น แต่ละชีทแต่ละตารางข้อมูลหน้าตาไม่เหมือนกัน หรือหัวตารางอยู่ในรูปแบบที่ไม่ถูกต้อง เป็นต้น

ใครพร้อมจะก้าวเดินไปสู่ระดับที่สูงขึ้น ตามผมมาได้เลย!

ป.ล. บทความนี้เหมาะกับคนที่ใช้ Power Query ผ่านเครื่องมือบน User Interface เป็นอยู่แล้วนะครับ ใครที่ยังไม่แม่นพื้นฐานลองไปดู Playlist นี้ได้

วิธีสร้าง Blank Query

โดยให้เพื่อนๆ สร้าง Blank Query ตามรูป (จะ add เข้า Quick Access Toolbar ไว้ก็ดีนะ)

จากนั้นไปที่ Advanced Editor แล้วลองทำตามได้เลย

เอาล่ะ ตัวอย่าง 10 อันแรกจะมีอะไรบ้าง? มาดูกันครับ

ตัวอย่าง 1 : Basic let…in…
- ประกาศตัวแปรด้วย let แล้วเรียกผลลัพธ์ออกมาหลัง in ได้
- ในที่นี้ประกาศตัวแปรชื่อ MyNum, Factor และ Result ออกมา
- เราจะประกาศตัวแปรโดยคั่นด้วย Comma ซึ่งจะเขียนต่อกันหรือแยกบรรทัดก็ได้ (ปกติจะนิยมแยกบรรทัด แบบตัวอย่างด้านล่างมากกว่า)
- ตัวแปรนึงสามารถอ้างอิงค่าจากตัวแปรอื่นได้ เช่น Result อ้างอิง MyNum, Factor
- ในที่นี้เราเรียกเอาตัวแปร Result ออกมาหลัง in เพื่อแสดงผลใน Query นี้
```
let
    MyNum = 5, Factor=100,  Result=MyNum*Factor
in
    Result
```
```
let
    MyNum = 5,
    Factor=100,
    Result=MyNum*Factor
in
    Result
```
จะเห็นว่าผลลัพธ์ของ Query ได้ออกมาเป็นเลข 500 (ใช่… Power Query สามารถให้ผลลัพธ์ออกมาเป็น Value เดี่ยวๆ ได้ ไม่จำเป็นต้องออกมาเป็นตารางเสมอไป)

ตัวอย่าง 2 : ใส่ Comment
- ใส่ Comment ด้วยการพิมพ์ // แล้วตามด้วย Comment ที่ต้องการ
- ทุกอย่างที่ใส่เป็น Comment จะไม่ถูกประมวลผล
- ประโยชน์คือเอาไว้กลับมาดู Code ตอนหลัง หรือส่งให้คนอื่นทำงานต่อจะได้ไม่งง
- แล้ว comment เลห่านั้นจะมาโผล่เป็นตัว i ใน applied steps ด้วย
```
let
    MyNum = 5,   //ให้ MyNum มีค่าเป็น 5
    Factor=100, //ให้ MultiplyFactor มีค่าเป็น 100
    Result=MyNum*Factor //เอาตัวแปร 2 ตัวคูณกัน 5*100 = 500
in
    Result //ผลออกมา 500
```
ตัวอย่าง 3 : เริ่มรู้จัก List
- สร้าง List ได้ด้วย List = {item1,item2,item3}
- item แต่ละอันใน List จะเป็นข้อมูลประเภทไหนก็ได้ ไม่เหมือนกันก็ได้
- เราสามารถอ้างอิงเอาค่าใน List ออกมาได้ด้วย ListName{index} โดยที่ index ของ item ตัวแรก คือ 0
- สร้าง MyList1 ที่ประกอบไปด้วยเลข 4, 29, 70
- สร้าง MyList2 ที่ประกอบไปด้วยข้อความว่า ant, bat, cat
- สร้าง MyList3 ที่ประกอบไปด้วยเลข 1-20
- สร้าง MyList4 โดยรวม List1, List2 และ List3 เข้าด้วยกันด้วย &
- อ้างอิงข้อมูล item ที่เป็นคำว่า bat ใน MyList4 ด้วย List{เลขindex}
```
let
    MyList1 = {4, 29, 70},
    MyList2 ={"ant", "bat", "cat"},
    MyList3 = {1..20},
    MyList4 = MyList1&MyList2&MyList3
    
in
    MyList4
```
ลองอ้างอิง item ที่เป็นข้อความว่า bat ด้วย MyList{4} (ตัวที่ 5 คือ index 4 )

ตัวอย่าง 4 : แปลงค่าในคอลัมน์ของตารางให้กลายเป็น List

ที่สำคัญเลย หากเรามีตารางอยู่ เราสามารถอ้างอิงค่าในคอลัมน์ใดคอลัมน์นึ่งให้เป็น List ได้ด้วยการเขียนสูตรในรูปแบบ TableName[ColumnName] เช่น

สมมติว่าเรามีตารางแบบนี้ ชื่อว่า MyData แล้วเราเอาดึงค่าไว้ในตัวแปร MyTable

Order-ID Date Product-Name Unit-Cost Unit-Price Quantity
ORD-001 1/4/2023 Laptop 500 700 3
ORD-002 2/4/2023 Monitor 100 150 5
ORD-003 4/4/2023 Keyboard 20 35 10
ORD-004 5/4/2023 Mouse 10 25 7

หาเราเขียนสูตรว่า =MyTable[Quantity] เราจะได้ข้อมูลในคอลัมน์ Quantity ออกมาเป็น List
```
let
    MyTable = Excel.CurrentWorkbook(){[Name="MyData"]}[Content],
    GetQty = MyTable[Quantity]
in
    GetQty
```
ตัวอย่าง 5 : ฟังก์ชันสำเร็จรูป
- ดูฟังก์ชันมาตรฐานทั้งหมดได้ที่นี่
- ฟังก์ชันใน MCode จะมีเยอะมากๆ วิธีเลือกฟังก์ชัน คือ มันมักจะขึ้นต้นด้วยประเภทข้อมูลที่เกี่ยวข้อง ตัวอย่างเช่น….
  - ฟังก์ชันเกี่ยวกับ Number เช่น Number.Abs, Number.Mod, Number.Sign,
  - ฟังก์ชันเกี่ยวกับ Text เช่น Text.Lower, Text.Contains, Text.Replace, Text.Split, Text.Combine
  - ฟังก์ชันเกี่ยวกับ List เช่น List.Sum, List.Min, List.Max, List.Distinct, List.Select, List.Transform, List.Zip
  - ฟังก์ชันเกี่ยวกับ Table เช่น Table.ColumnNames, Table.TransformColumnNames, Table.SelectRows, Table.SelectColumns
  - ฟังก์ชันเกี่ยวกับ Date เช่น Date.AddDays, Date.AddMonths, Date.ToText, Date.IsInCurrentYear
```
let
    MyTable = Excel.CurrentWorkbook(){[Name="MyData"]}[Content],
    GetQty = MyTable[Quantity],
    ListMin = List.Min(GetQty), // คำนวณค่าน้อยสุดของ List
    ListMax = List.Max(GetQty), // คำนวณค่ามากสุดของ List
    Result= ListMax-ListMin //เอาค่ามากสุด ลบ น้อยสุด
in
    Result
```
จะเห็นว่าผลลัพธ์ออกมาได้เลข 7

ตัวอย่าง 6 : สร้าง Custom Function ง่ายๆ
- นอกจากฟังก์ชันมาตรฐาน ที่มีมาให้เยอะแยะแล้ว เรายังสามารถสร้างฟังก์ชันขึ้นมาใช้เองได้ด้วย ซึ่งประโยชน์คือเอาไว้ใช้ร่วมกับการ Transform ที่มีความซับซ้อนมากขึ้น
- สร้าง Custom Function ขึ้นมาได้ ด้วย (parameter) => function expression
- ฟังก์ชั่นจะรับค่า parameter แล้วส่งเข้าไปใน expression
```
(MyList as list) as number =>
let
    Result = List.Sum(MyList) // คำนวณผลรวมของ List
in
    Result //แสดงผลรวมออกมา
```
- สมมติเราตั้งชื่อ Query ว่า GetRange มันจะกลายเป็นชื่อฟังก์ชัน
- เราจะสามารถเรียกใช้ Function ได้ด้วย =GetRange(List)
- เช่น = GetRange(Listที่ต้องการ) จะได้ 7 เช่นเดียวกันกับตัวอย่างก่อนหน้านี้
ตัวอย่าง 7 : เข้าใจคำว่า each
- each คือ ตัวย่อของ (_) =>
- ซึ่งเกิดจากการที่ใช้ฟังก์ชันมี input ตัวเดียว แล้วใช้ชื่อตัวแปร ว่า _
- นั่นคือ (x) => x+5 จะเขียนได้ว่า
  - (_) => _ + 5 ซึ่งจะเขียนได้ว่า
  - each _ + 5
- นั่นคือ (x) => Text.Replace(x,”A”,”B”) จะเขียนได้ว่า
  - (_) => Text.Replace(_,”A”,”B”) ซึ่งจะเขียนได้ว่า
  - each Text.Replace(_,”A”,”B”)
ตัวอย่าง 8 : เข้าใจ each ในบริบทของแต่ละแถวของตาราง

เวลาที่เรากดสร้างคอลัมน์ใหม่ ไม่ว่าจะใช้เครื่องมือ หรือใช้ฟังก์ชัน Table.AddColumn ก็ตาม มันมักจะมีคำสั่ง each โผล่มาด้วยเสมอ เช่น เรากด Add Custom Column เพื่อสร้างคอลัมน์ยอดขายจากตาราง จะได้แบบนี้ (ผมแก้ชื่อคอลัมน์เป็น UnitPrice จะได้อ่านง่ายๆ)

สูตรใน Custom Column เขียนว่า
```
[UnitPrice]*[Quantity]
```
แต่สูตใน Step นั้นจริงๆ ออกมาว่า
```
= Table.AddColumn(#"Removed Columns", "Revenue", each [UnitPrice]*[Quantity])
```
จริงๆ แล้ว มันคือการย่อของ
```
= Table.AddColumn(#"Removed Columns", "Revenue", each _[UnitPrice]*_[Quantity])
```
ซึ่งคือการย่อของ
```
= Table.AddColumn(#"Removed Columns", "Revenue", (_)=> _[UnitPrice]*_[Quantity])
```
นั่ยแปลว่าจริงๆ แล้ว ฟังก์ชัน Table.AddColumn มี input ของฟังก์ชันคือ _ แล้วถ้าเราทดสอบว่ามันคืออะไร โดยให้เขียนสูตรว่า _ ไปเลย

เราจะพบว่า _ ใน Table.AddColumn ก็คือ Record ของข้อมูลในแถวนั้นๆ นั่นเอง

ซึ่งการเข้าถึง item ใน Record ทำได้โดย RecordName[FieldName] ดังนั้นเราจึงเข้าถึงค่าของคอลัมน์ต่างๆ ได้ เช่น
- _[Quantity] แปลว่า ให้เอา Field ชื่อ Quantity ของ Record นั้นๆ มา
- ซึ่งเราย่อ _[Quantity] ให้กลายเป็น [Quantity] เฉยๆ ได้
- นี่คือที่มาว่าทำไมเราอ้างอิงคอลัมน์ในแถวตัวเองได้ด้วย [ชื่อหัวตาราง]
ตัวอย่าง 9 : แก้ชื่อคอลัมน์ จาก – เป็น _
- แล้วเราต้องการแก้ชื่อคอลัมน์ในตาราง จากเครื่องหมาย – ให้กลายเป็น _ โดยไม่ต้องแก้ทีละอัน เราสามารถทำแบบนี้ได้
- Table.TransformColumnNames ใช้เพื่อวน Loop แก้ชื่อคอลัมน์ในตารางทีละคอลัมน์ด้วยวิธีอะไรบางอย่างที่เราจะระบุในฟังก์ชัน ซึ่ง
  - ในที่นี้เราระบุว่า each Text.Replace(_,”-“,”_”)
- เราสามารถใช้ Text.Replace เพื่อแทนที่ข้อความได้ (คล้ายฟังก์ชัน SUBSTITUTE ใน Excel) ซึ่งในที่นี้เราสั่งแทน “-” ด้วย “_”
- ซึ่งโดยรวมแปลว่า ให้วน Loop ชื่อคอลัมน์ แล้วแทนค่าชื่อคอลัมน์ที่มี – ด้วย _
```
let
    Source = Excel.CurrentWorkbook(){[Name="MyData"]}[Content],
    ReplaceColumnName=Table.TransformColumnNames(Source,each Text.Replace(_,"-","_"))
in
    ReplaceColumnName
```
ตัวอย่าง 10 : เลือกเฉพาะคอลัมน์ที่มี – อยู่
- เราใช้ Table.ColumnNames เพื่อเอาชื่อคอลัมน์ทั้งหมดในตารางออกมาเป็น List
- ใช้ List.Select เพื่อทำให้ List เหลือเฉพาะ item ที่ตรงตาม Criteria
- ใช้ Text.Contains ในการช่วยคัดเลือก item เพื่อส่งไป List.Select อีกที
- ใช้ Table.SelectColumns เพื่อ ลือกเอาเฉพาะคอลัมน์ที่ต้องการจาก List ที่ทำไว้
```
let
    Source = Excel.CurrentWorkbook(){[Name="MyData"]}[Content],
    OriginalColumnName = Table.ColumnNames(Source), //เอาชื่อคอลัมน์ทั้งหมดออกมาเป็น List
    RequiredColumn=List.Select(OriginalColumnName,each Text.Contains(_,"-")), //ทำให้ใน List เหลือแค่ item ที่มี -
    SelectSpecificColumn=Table.SelectColumns(Source,RequiredColumn) // เลือกเอาเฉพาะคอลัมน์ที่ต้องการจาก List
in
    SelectSpecificColumn
```
ตอนต่อไป

หลังจากเรามีพื้นฐาน MCode จากบทความนี้แล้ว ในตอนต่อไปก็จะได้เรียนเรื่องซับซ้อนกว่านี้ซักทีครับ ใครสนใจรออ่านได้เลย ไม่นานเกินรอ
April 12, 2023
แนวทางฝึกฝน Excel ให้เก่งขึ้น
หลายคนถามว่าทำยังไงถึงจะเก่ง Excel มากขึ้น คำตอบง่ายๆ คือพยายามใช้มันแก้ปัญหาใหม่ๆ เรื่อยๆ เพราะยิ่งเจอปัญหาเยอะแล้วเราพยายามแก้ปัญหาจนผ่านไปได้ เราก็ะเก่งขึ้นเหมือนกับสู้กับ Monster เก่งๆ ในเกมจนเรา Level Up ได้นั่นแหละครับ ถ้าเราสู้แต่ Monster อ่อนๆ จะได้ Exp เยอะพอได้ไง? (คนเล่นเกมคงพอเข้าใจเนอะ)

แต่ปัญหาคือ หลายคนไม่รู้จะเอาปัญหาจากไหนมาแก้? (ซึ่งก็อาจจะแปลกนิดนึง เพราะงานที่ตัวเองทำก็น่าจะมีปัญหาให้แก้อ่ะนะ 55) แต่ไม่เป็นไร สมมติว่างานที่ทำไม่มีปัญหายากๆ แล้วกัน…

วันนี้ผมจะมาแนะนำว่าเราจะหาปัญหาจากไหนมาฝึก Excel แบบ Advance กันดี??

แนะนำ Challenge จาก Excel Wizard

คำตอบก็คือการฝึกจากโจทย์ที่มีคนมาถามใน Internet ซึ่งเผอิญทาง Excel Wizard ได้เอาโจทย์ที่น่าสนใจจากต่างประเทศมาคอยถามให้พวกเราลองแก้ รวมถึงช่วยกันแชร์วิธีการแก้ปัญหาหลายๆ แบบดู ซึ่งสามารถไปดูได้ที่ https://web.facebook.com/hashtag/excelchallenge

ซึ่งปัญหาที่มาถามก็จะมีทั้งประเภทที่ออกแบบมาให้แก้ด้วยสูตรปกติ (เป็นตัวเลขเฉยๆ) กับแบบที่ออกแบบมาให้แก้ด้วย Power Query (มีคำว่า PQตามด้วยเลข) แต่เอาจริงๆ คนแก้จะใช้วิธีไหนแก้ก็ได้ ไม่ซีเรียสหรอก

แต่บอกก่อนว่าโจทย์ที่ Excel Wizard นำมา post นี่เรียกได้ว่าเป็น Monster ระดับ Mini Boss ได้เลย ดังนั้นใครที่ทักษะยังน้อยอยู่อาจรู้สึกว่าตามไม่ทัน อันนี้ไม่เป็นไร ให้ลองอ่านไปก่อนนะครับ จะได้รู้ว่า Excel จริงๆ แล้วทำอะไรได้ และลึกซึ้งกว่าที่คิดแค่ไหน

ไว้คุณฝึกฝนนพื้นฐานจยเก่งขึ้นค่อยมาลองตี Mini Boss เหล่านี้อีกทีในอนาคตก็ได้

แก้ปัญหาไม่ได้ทำยังไง?

หากพยายามลองแก้ปัญหา แล้วแก้ไม่ได้ไม่ต้องซีเรียส ส่วนสำคัญคือการได้พยายามลองแก้ด้วยตัวเอง

แก้ไม่ออกไม่เป็นไร ขอให้คิดจนปวดหัวก่อน แล้วค่อยไปพัก Relax เช่น ไปอาบน้ำ รดน้ำต้นไม้ ขับรถ แล้วค่อยพยายามใหม่อีกทีภายหลัง บางทีตอนพักเราจะปิ๊งไอเดียใหม่ๆ ขึ้นมาได้เอง (การทำงานของสมองเป็นแบบนี้นะ คือต้องคิดหนักๆ ก่อน แล้วค่อยพัก ถึงจะ work)

มาลองดูตัวอย่างการแก้โจทย์

สมมติเอาโจทย์ที่ผมเอามาเป็น Screen Shot
- โจทย์ Original : https://www.linkedin.com/posts/excelbi_powerbi-powerquery-dax-activity-6984725315071676416-haHm
- ไฟล์ Excel ประกอบการฝึก : https://lnkd.in/dkmqAJib
ให้ Save ไฟล์ออกมาไว้ในเครื่องตัวเองแล้วเริ่มแก้โจทย์

เดี๋ยวผมจะลองแก้ด้วย Power Query ดูจะเป็นประมาณนี้

ให้เลือกข้อมูลแล้วคลิ๊กขวา -> Get Data from Table/Range
- มันจะบังคับให้สร้าง Table
  (เราไม่ต้องติ๊ก My Table has Header เพราะตัวตารางยังผิดอยู่)
- จากนั้น Excel จะดูดข้อมูลนี้เข้าสู่ Power Query Editor
ให้เราลบ Step Change Type ออกไปก่อน เพราะหัตารางยังไม่ถูก ไม่ควรทำ Change Type ตอนนี้

หัวตารางต้องถูกต้องก่อน

หลักการแก้ปัญหาของ Power Query ที่สำคัญสุดคือ “ต้องทำหัวตารางต้องถูกต้องก่อน”

เคสนี้ผมคิดว่าเราควรจัดการเรื่องปีที่ Merge มาก่อน ดั้งนั้นผมจะ Transpose ข้อมูลลงมาก่อนแล้ว คลิ๊กขวา Fill Down ปี ที่ Column 1 ลงมา จะได้แบบนี้

ทีนี้ผมคิดว่าเดี๋ยวพอ Transpose กลับไปจะมีปัญหาหัวตารางซ้ำ แล้วพอต้อง Unpivot ข้อมูลลงมาก็จะมีปัญหาอีก ดังนั้นผมจะพยายามสร้างหัวตารางใหม่ให้ไม่ซ้ำ โดยผมจะ Add Index Column ขึ้นมาก่อนดังนี้

ทำการ Merge Columns (ในเมนู Trannsform) กับ Column1 และ Index เข้าด้วยกันด้วยตัวคั่นแปลกๆ เช่น |

จากนั้น Transpose กลับไปจะได้แบบนี้

คราวนี้เราจะ Promote Header แต่ว่าต้องเอาบรรทัดสุดท้ายขึ้นไปก่อน ดังนั้นก็ไปที่ Transform -> Reverse Row แล้วค่อย Promote Header แล้วลบ Change Type ออกไปซะ จะได้แบบนี้

ที่นี้ให้เราคลิ๊กขวา Column แรกแล้ว Unpivot Other Columns ลงมาให้หมด จะได้แบบนี้

จากนั้นให้ Split Attribute ด้วย Delimiter คือ | จะได้แบบนี้

ถ้าหัวตารางไม่มีปัญหาแล้ว อะไรก็ง่ายละ

คราวนี้ให้ลบ Attribute.2 ออก แล้วเลือก คอลัมน์ Attribute.1 แล้ว Transform -> Pivot Columns โดยเอา Value เป็นคอลัมน์ value แบบนี้

แล้วเราก็จะได้ผลลัพธ์แบบที่โจทย์ต้องการดังนี้

สรูป M Code ที่ระบบ Gen ออกมาให้ (เรายังไม่ได้เขียนเองเลย)
```
let
    Source = Excel.CurrentWorkbook(){[Name="Table1"]}[Content],
    #"Transposed Table" = Table.Transpose(Source),
    #"Filled Down" = Table.FillDown(#"Transposed Table",{"Column1"}),
    #"Added Index" = Table.AddIndexColumn(#"Filled Down", "Index", 0, 1, Int64.Type),
    #"Merged Columns" = Table.CombineColumns(Table.TransformColumnTypes(#"Added Index", {{"Column1", type text}, {"Index", type text}}, "th-TH"),{"Column1", "Index"},Combiner.CombineTextByDelimiter("|", QuoteStyle.None),"Merged"),
    #"Transposed Table1" = Table.Transpose(#"Merged Columns"),
    #"Reversed Rows" = Table.ReverseRows(#"Transposed Table1"),
    #"Promoted Headers" = Table.PromoteHeaders(#"Reversed Rows", [PromoteAllScalars=true]),
    #"Unpivoted Other Columns" = Table.UnpivotOtherColumns(#"Promoted Headers", {"Sales Man|0"}, "Attribute", "Value"),
    #"Split Column by Delimiter" = Table.SplitColumn(#"Unpivoted Other Columns", "Attribute", Splitter.SplitTextByDelimiter("|", QuoteStyle.Csv), {"Attribute.1", "Attribute.2"}),
    #"Changed Type" = Table.TransformColumnTypes(#"Split Column by Delimiter",{{"Attribute.1", Int64.Type}, {"Attribute.2", Int64.Type}}),
    #"Removed Columns" = Table.RemoveColumns(#"Changed Type",{"Attribute.2"}),
    #"Pivoted Column" = Table.Pivot(Table.TransformColumnTypes(#"Removed Columns", {{"Attribute.1", type text}}, "th-TH"), List.Distinct(Table.TransformColumnTypes(#"Removed Columns", {{"Attribute.1", type text}}, "th-TH")[Attribute.1]), "Attribute.1", "Value", List.Sum)
in
    #"Pivoted Column"
```
วิธีอื่นๆ เช่น การใช้สูตร

ถ้าไปดู Post นั้นจะเห็นว่ามีวิธีการทำมากมาย เช่น Excel Wizard ก็แสดงวิธีใช้สูตรขั้นสูงแบบนี้ ซึ่งทำเอาไว้ 2 วิธีด้วยกัน

1
```
=LET(y,SCAN(,C2:Q2,LAMBDA(a,v,IF(v,v,a))),u,UNIQUE(y,1),HSTACK(B2:B9,MMULT(--C2:Q9,N(u=TRANSPOSE(y)))))
```
2
```
=LET(z,C2:Q9,REDUCE(B2:B9,C2:Q2,LAMBDA(a,v,LET(x,CHOOSECOLS(z,COLUMNS(C2:v)),IF(v,HSTACK(a,x),HSTACK(DROP(a,,-1),TAKE(a,,-1)+x))))))
```
จะเห็นว่าวิธีของ Excel Wizard เขียนสูตรได้สั้นมาก แต่ก็มีความลึกซึ้งสูงมากด้วยเช่นกัน พวกเราสามารถศึกษาวิธีที่ตัวเองชอบได้เลยครับ

เดี๋ยวผมจะอธิบายวิธีแรกของ Excel Wizard ให้

เผื่อเพื่อนๆ จะได้เรียนรู้เทคนิคเจ๋งๆ หลายอย่างที่อยู่ในสูตรนี้ด้วย

เราลองมาคลี่สูตรดูก่อน จะพบว่ามันมีการประกาศตัวแปรด้วย LET แบบนี้
```
=LET(
y,SCAN(,C2:Q2,LAMBDA(a,v,IF(v,v,a))),
u,UNIQUE(y,1),
HSTACK(B2:B9,MMULT(--C2:Q9,N(u=TRANSPOSE(y))))
)
```
ซึ่งแปลว่า
- ให้สร้างตัวแปร y ขึ้นมาด้วยสูตร SCAN(,C2:Q2,LAMBDA(a,v,IF(v,v,a)))
- สร้างตัวแปร u ด้วยสูตร UNIQUE(y,1)
- แล้วสุดท้ายให้คำนวณสิ่งนี้ออกมา
  HSTACK(B2:B9,MMULT(–C2:Q9,N(u=TRANSPOSE(y))))
เรามาทำความเข้าใจทีละส่วนกันครับ

คำสั่ง SCAN เป็น Lambda Helper Function ตัวนึงซึ่งสามารถสร้าง Array ที่เป็นการคำนวณสะสม (สะสมในที่นี้ไม่ได้แปลว่ารวมเสมอไป) โดยแสดงผลสะสมระหว่างทางด้วย ใครยังไม่คุ้นกับ LAMBDA และ Helper ลองดูบทความนี้ก่อนครับ

Excel Wizard สร้างตัวแปร y ออกมาเพื่อสร้างเลขปีให้มันไม่ว่าง ดังนี้

วิธีทำงานคือ ให้ Scan รับค่า C2:Q2 (Range ปีที่มีแหว่งๆ) เข้ามา แล้วส่งเข้า LAMBDA โดยที่ในนั้นมี Parameter 2 ตัวคือ a กับ v (ตั้งมาแทน Accumulator กับ Value)
- โดยที่ a (Accumulator) คือค่าสะสมที่ได้แต่ละขั้น แต่ว่าแรกสุดจะเอามาจาก Initial Value ซึ่งในที่นี้ปล่อยว่างไว้ คือเป็น 0
- โดยที่ v (Value) คือค่า Array ที่รับเข้ามาจาก Scan ในที่นี้คือ C2:Q2 ซึ่งคือ {2014,0,0,2015,0,0,0,0,2016,0,0,0,2017,2018,0}
- โดยที่ LAMBDA มีการสั่งให้คำนวณโดย IF(v,v,a) แปลว่า ถ้า v มีค่าที่ไม่ใช่ 0 จะเป็น TRUE ก็คือให้ผลเป็น v นั้นๆ นอกนั้นให้มีผลเป็น a (ค่าผลลัพธ์เดิม)
- ขั้นตอนจะเริ่มที่ a = initial = 0 ก่อน แล้วทำ step ถัดไป
- ขั้นแรก v=2014 ทำให้ IF(v,v,a) เป็น TRUE เลยเอา v คือ 2014 ซึ่งผลที่ได้เก็บไว้ใน a
- ขั้นสอง v=0 ทำให้ IF(v,v,a) เป็น FALSE เลยเอา a คือ 2014 ซึ่งผลที่ได้เก็บไว้ใน a ต่ออีก
- ขั้นสาม v=0 ทำให้ IF(v,v,a) เป็น FALSE เลยเอา a คือ 2014 ซึ่งผลที่ได้เก็บไว้ใน a ต่ออีก
- ขั้นสี่ v=2015 ทำให้ IF(v,v,a) TRUE เลยเอา v คือ 2015 ซึ่งผลที่ได้เก็บไว้ใน a ต่ออีก
- ทำไปเรื่อยๆ…. จนครบทุกกค่าใน Array ก็จะได้ผลเป็นปีแบบไม่แหว่ง
ต่อไป u คือ การเอาค่าแบบไม่ซ้ำออกมา จาก v ก็จะได้ดังนี้ อันนี้ง่าย

อันสุดท้าย HSTACK(B2:B9,MMULT(–C2:Q9,N(u=TRANSPOSE(y))))

แปลว่าให้เอา Range B2:B9 มาต่อข้างๆ (Horizontal Stack) ด้วยอีกก้อน
คือ MMULT(–C2:Q9,N(u=TRANSPOSE(y)))

ซึ่งตัวที่ซับซ้อนคือก้อนหลังนี่แหละ

–C2:Q9 คือการบังคับให้ทุกช่องเป็นตัวเลข อันนี้ไม่มีอะไรซับซ้อน

u=TRANSPOSE(y) คือ การเทียบว่า u เท่ากับ TRANSPOSE(y) หรือไม่?

หมายเหตุ : หากเราเอา Array 2 ตัวที่อยู่คนละทิศกัน คือแนวตั้ง กับ แนวนอน มาทำ operation กัน ผลจะออกมาเป็นตาราง cross กัน

พอเอา N มาครอบมันก็จะแปลง TRUE/FALSE เป็น 1 กับ 0 แบบนี้ (เพื่อให้ใช้กับ Matrix Multiplication ได้) ซึ่งจริงๆ อันนี้ใช้ — แทน N ก็ได้นะ

พอใช้ MMULT จับ Matrix 2 ตัวคูณกัน

MMULT(–C2:Q9,N(u=TRANSPOSE(y)))

จะได้แบบนี้

การคูณ Matrix จะจับคู่ Range แถวของตารางแรก คูณ Range คอลัมน์ของตารางสอง ทีละคู่ๆ แล้วหาผลรวม

2014 เกิดจาก 2014*1 + 0*1 + 0*1 + 2015*0 +0*0+….

183 เกิดจาก 54*1 + 37*1 + 92*1 + 37*0 +40*0+….

ทำไปเรื่อยๆ จนครบทุกช่อง จะได้แบบนี้ ซึ่งพูดง่ายๆ คือ ในแต่ละแถวจะรวมเลขของปีเดียวกันเข้าด้วยกันนั่นเอง

พอเอาไป HSTACK ต่อกับ B2:B9 ก็จบเลย จะได้แบบนี้

นี่แค่โจทย์เดียวนะ…

ลองคิดดูว่าการลองฝึกโจทย์ข้อเดียวจาก Challenge ของ Excel Wizard ยังได้เทคนิคหลายอย่างเยอะแยะขนาดนี้ หากคุณไปลองฝึกฝนกับโจทย์ข้ออื่นๆ อีก จะได้ความรู้เยอะขนาดไหน!!

ใครที่เริ่มจัดการกับ Mini Boss เหล่านี้ด้วยตนเองได้ ก็จะเริ่มตี Mini Boss ตัวอื่นได้ด้วยเช่นกัน และสึดท้ายจะตี Boss ใหญ่ที่คุณจะเจอในอนาคตได้อย่างแน่นอนครับ
April 2, 2023
รวม Link เว็บ/เพจเกี่ยวกับ AI
ChatGPT
- ChatGPT Website
- ThepExcel : ChatGPT
MidJourney

แหล่งเรียนรู้ : เพจ/เว็บ
- ThepExcel : MidJourney
Tools ช่วย Prompt
Stable Diffusion

แหล่งเรียนรู้ : เพจ/เว็บ
- ThepExcel : Stable Diffusion (เว็บผมเอง 55)
- Facebook Group : Stable Diffusion Thailand
- Facebook Group : AI Art Thailand
- The deep pub
- maahalai.com
แหล่งเรียนรู้ : YouTube/คลิป
เพจของเหล่า AI Artist, AI Prompter, AI Caster
April 2, 2023
วิธีกำหนดท่าทางแบบให้ได้ดั่งใจด้วย ControlNet ใน Stable Diffusion [Part4]
ในตอนก่อนหน้านี้เราได้เรียนรู้วิธีการทำงานของ Prompt เบื้องต้นไปแล้ว แต่หากใครลองใช้ไปซักพักจะพบว่า ถึงเราจะกำหนด Prompt ยังไง บางครั้งก็ไม่สามารถบรรยายให้แบบมีท่าทางตามที่ต้องการได้เป๊ะๆ อยู่ดี…

แล้วเราจะทำยังไงถึงจะสามารถกำหนดท่าทางได้ดั่งใจล่ะ?

ทางออกของสิ่งนี้คือการใช้ Extension ที่ชื่อว่า ControlNet มาช่วยนั่นเอง

หมายเหตุ : บทความนี้เขียนตอน ControlNet V1 แต่ตอนนี้มีตัว V1.1 ออกมาแล้ว ใครสนใจไปดูอันใหม่ได้เลย

เจาะลึก ControlNet ใน Stable Diffusion [Part8]

อะไรคือ ControlNet?

ControlNet นั้นเป็น Extension หรือส่วนเสริมที่จะช่วยให้เราสามารถควบคุมผลลัพธ์ของรูปให้ได้ดั่งใจมากขึ้น ซึ่งมีอยู่หลาย Model แต่ละ Model มีความสามารถในการควบคุมที่แตกต่างกัน ผมจะขอแนะนำ Model ที่สำคัญมากๆ 2 ตัว นั่นก็คือ OpenPose และ Depth

OpenPose
- Preprocessor : สามารถอ่านท่าทางจากรูป ให้ออกมาเป็นมนุษย์ก้าง OpenPose ได้
- Model : สามารถใช้รูปมนุษย์ก้าง OpenPose มาควบคุมท่าทางแบบที่ Generate ออกมาได้
- แปลว่าถ้าเรามีรูปมนุษย์ก้างอยู่แล้ว ให้เลือก Preprocessor เป็น None นะ
Depth
- Preprocessor : สามารถอ่านความตื้นลึกของรูปต้นฉบับออกมาเป็น Depth Map ได้
- Model : สามารถใช้ความตื้นลึก Depth Map มาควบคุมสิ่งที่ Generate ออกมาได้
- แปลว่าถ้าเรามี Depth Map อยู่แล้ว ให้เลือก Preprocessor เป็น None นะ
สำหรับตัวอย่าง Model อื่นๆ ลองดูได้จากที่นี่

วิธีการติดตั้ง ControlNet
- ไปที่ Extension -> Install from URL
- ใส่ url ว่า https://github.com/Mikubill/sd-webui-controlnet
- กด install รอให้เสร็จ
- แล้ว Install Extension อีกตัวนึงที่มักใช้คู่กัน คือ https://github.com/jexom/sd-webui-depth-lib
- จากนั้น installแล้ว กลับไปที่ tab Installed แล้วกดปุ่มส้มๆ “Apply and restart UI”
- ไปโหลด Model ของ ControlNet เพิ่มมาจาก
  - ~~V1 : https://huggingface.co/lllyasviel/ControlNet/tree/main/models~~
  - V1.1 : https://huggingface.co/lllyasviel/ControlNet-v1-1/tree/main (ตัวใหม่ เจ๋งกว่าเดิมเยอะ)
- ซึ่งผมขอให้โหลดตัวที่สำคัญมากๆ เช่น OpenPose กับ Depth ส่วนตัวอื่นจะโหลดหรือไม่ก็ได้
- จากนั้นเอา Model ที่โหลดมา ไปไว้ใน Folder \stable-diffusion-webui\models\ControlNet ให้เรียบร้อย
- ให้ไปตั้งค่าใน Setting เพิ่มเติม เพื่อให้เราสามารถใช้ ControlNet ได้หลาย Model พร้อมๆ กัน โดยให้ตั้งค่า Multi ControlNet: Max models amount เป็น 2-3 แล้วแต่ความต้องการ (ผมตั้งเป็น 2)
แล้ว Apply Setting แล้วกด Reload UI (ปุ่มข้างๆ) ซะ

Tips : การใช้ ControlNet จะกิน VRAM เพิ่มขึ้น (ยิ่งถ้าใช้ Multi-ControlNet ยิ่งหนัก) ดังนั้น ถ้าใครมีปัญหา VRAM ไม่พอ คือ Gen รูปไม่ผ่าน ให้ลองตั้งค่า ดังนี้ใน webui-user.bat ดูนะครับ

เพิ่ม medvram หรือ lowvram เข้าไปใน COMMANDLINE_ARGS เช่น
```
set COMMANDLINE_ARGS=--xformers --medvram --autolaunch
```
วิธีใช้งาน ControlNet

เราสามารถใช้งาน ControlNet ได้ทั้งในส่วนของ txt2Img และ Img2Img ซึ่งผมจะสอนในส่วนของ txt2img ก่อนน่าจะเข้าใจง่ายกว่า (เดี๋ยวเราจะไปใช้ใน img2img ช่วงท้ายบทความ)

วิธีการก็คือให้เราใส่ Prompt ไปตามปกติ แต่อย่าใส่คำอะไรที่จะไปขัดให้มันขัดกับท่าทางที่เราจะควบคุมด้วย ControlNet

เช่น สมมติว่า Generation Data ที่เราทำไว้แบบนี้ ด้วย Model ChillOutMix อันเดิม
```
(best quality:1.4), (ultra highres:1.2), (photorealistic:1.4), (8k, RAW photo:1.2), (1 korean girl), smile, (standing on the beach:1.3), (long hair:1.3), (wearing white tank top and red Shorts:1.3)
Negative prompt: paintings, sketches, (worst quality:2), (low quality:2), (normal quality:2), lowres, normal quality, ((monochrome)), ((grayscale)),((text))
Steps: 30, Sampler: DPM++ SDE Karras, CFG scale: 7, Seed: 2637412235, Size: 512x768, Model hash: fc2511737a, Model: chilloutmix_NiPrunedFp32Fix
```
ซึ่งจะออกมาได้ภาพนี้

แต่เราอยากจะได้ Pose ของภาพนี้

หมายเหตุ : เราควร Crop รูปให้มีอัตราส่วนตามรูปที่เราต้องการจะ Gen ด้วย จะได้การควบคุมที่คุณภาพดีกว่า เช่น รูปที่ผมจะ Gen มีอัตราส่วน 2:3 ก็ควรจะ Resize/Crop ให้เป็น 2:3 ด้วย แต่เผอิญต้นฉบับเรา 2:3 อยู่แล้วเลยไม่ต้องทำอะไร

วิธีทำคือ ให้ ไปที่ ControlNet แล้ว Enable แล้ว Upload รูปต้นฉบับ แล้วตั้งค่าตามนี้

แล้วตั้งค่า Width กับ Height ให้สัดส่วนเท่ารูปที่เราอยากจะ Gen

จากนั้นกด Generate ใหม่ เราจะได้ผลลัพธ์ออกมา 2 อัน คือ รูปที่ Gen กับ OpenPose ที่ใช้ควบคุมรูป

เราจะเห็นได้ว่า OpenPose สามารถควบคุมท่าทางโดยรวมได้ดีพอสมควรเลย อาจจะเหลือเรื่องมือที่ยังไม่ได้ควบคุมด้วย OpenPose ปกติ (จริงๆ สามารถเปิด Setting ให้ Detect มือได้ แต่ผมว่ามันยังไม่ค่อย Work เท่าไหร่)

ในตอนนี้ปัญหาหลักๆ ของภาพที่ได้คือ หน้ายังไม่ค่อยสวย และมือเบี้ยว ซึ่งเรื่องหน้าเดี๋ยวเราจะแก้ด้วยการ Inpaint ทับทีหลัง ดังนั้นเราจะมาแก้ปัญหาเรื่องมือก่อน

ส่วนเรื่องมือเดี๋ยวเราจะไปแก้ด้วย ControlNet อีก Model นึงก็คือ Depth นั่นเอง แต่ว่าเราจะใช้ Depth มาจัดการแค่ในส่วนของมือเท่านั้น ซึ่งเราจะใช้ Depth Library มาช่วยควบคุม ControlNet ตัว Depth Model

ใช้งาน Depth Library

เข้า tab Depth Library แล้ว Add Background Image เป็นรูปอะไรก็ได้ที่จะทำให้เรารู้ว่ามือควรอยู่ตรงไหน เช่นจะใช้รูปมนุษย์ก้างก็ได้

หรือจะเอารูปที่เรา Gen ไปแล้วมือเบี้ยวมาเลยก็ได้เห็นภาพชัดดี (แต่ให้ปรับ size ให้ตรง)

จากนั้นให้ Add Hands เข้าไปแล้วปรับตำแหน่งให้เหมาะสม แล้วกด Save รูป Depth เอาไว้ (หรือจะกดส่งเข้า ControlNet เลยก็ได้)

ซึ่งจะได้ Depth อันนี้มา

เอา Depth มาใส่ ControlNet

จากนั้นกลับมาที่ ControlNet แล้วเลือกอีก Tab นึง แล้วโหลดรูป Depth ตามรูปนี้ (อย่าลืม Enable และเลือก Preprocessor เป็น None เพราะเรามี Depth แล้ว)

จากนั้นลองกด Generate ดู เราจะได้ภาพนี้ออกมา ซึ่งจะพบว่ามือไม่หงิก (ซักเท่าไหร่) แล้ว 55

ทำยังไงให้ภาพใหญ่ขึ้น ละเอียดขึ้น เป๊ะขึ้น?

ทีนี้เราลองกด Hires-Fix แบบ Latent ดูซัก 1.5 เท่า แล้ว Generate ดูว่าผลลัพธ์ยัง ok อยู่หรือไม่?

หมายเหตุ : การใช้แบบ Latent คือมันจะ Gen รูปตามปกติก่อนรอบนึง แล้วคล้ายๆ ว่าจะ Denoise แล้ว Upscale ต่อโดยเติมรายละเอียดเข้าไป ซึ่งผลที่ได้จะได้รายละเอียดที่ดีขึ้นเยอะเลย (แต่มีสิทธิ์ที่ภาพจะเพี้ยนไปจากเดิมก่อนที่จะ Upscale)

แต่ถ้าเรา Upscale แบบอื่น แม้ภาพจะไม่เพี้ยน แต่ว่าจะไม่ได้รายละเอียดของภาพที่ดีครับ

ในทีนี้ผมตั้ว Upscale แบบ Latent 1.5 เท่า และ Denoising strength เป็น 0.5 (แบบ Latent ถ้า denoise น้อยกว่านี้ภาพจะเน่า) ผลจะได้ที่ภาพใหญ่โดยรวมชัดเจนขึ้น แต่มือดันหงิกขึ้น

หมายเหตุ : ปัจจุบัน ControlNet อาจมีปัญหากับ HiresFix อยู่บ้าง โดยเฉพาะ Model ที่ต้องการความเป๊ะเช่น Depth หรือ Canny แต่สำหรับ OpenPose ไม่ค่อยมีปัญหาอะไร

ดังนั้นสำหรับเคสนี้หากกด Hires Fix แบบ Latent จะยังไม่ ok เท่าไหร่ บางทีก็ยังจบงานไม่ได้ ( แต่ถ้ามองว่ามือแบบนี้ ok แล้วก็จบอ่ะนะ 55)

แก้ปัญหายังไงดี?

ดังนั้นถ้าหากต้องการทำให้มือเป๊ะกว่านี้ ตอนนี้มี 3 ทางเลือก คือ

1.Gen รูปที่ความละเอียดสูงขึ้นแต่แรกเลย เช่น 768 x 1152 (แต่ผลลัพธ์อาจเปลี่ยนจากเดิมพอสมควร และจะเริ่มมีบางอย่างดูแปลกๆ เช่น ฉากหลัง สีกางเกง แถมมือก็ยังแปลกอยู่ดี 55)

2. ใช้การ Upscale แบบที่ไม่ใช่ Latent เช่น ESRGAN_4X (แต่ในที่นี้อัป 1.5x) ภาพที่ได้อาจจะไม่มีรายละเอียดมากนัก แต่จะไม่เพี้ยนจากรูปเดิมเลย เช่น ของผมจะได้แบบนี้ ซึ่งก็ดู ok นะ (แม้มือจะเพี้ยนไปบ้าง)

3. ใช้การ Inpaint ช่วยทำงานต่อจากรูป Upscale มือหงิกนี่แหละ โดยกดปุ่ม Send to Inpaint ต่อได้เลย

ในที่นี้ผมจะทำจากภาพมือหงิกในแบบที่ 3 ให้ดูว่าแก้ยังไง?

การใช้ Inpaint เพื่อแก้รายละเอียดภาพ

พอกด Send to Inpaint แล้วผลลัพธ์ที่เราทำจะถูกส่งมาหน้า Inpaint ของ img2img ซึ่ง Inpaint คือเครื่องมีที่สามารถแก้รูปเฉพาะส่วนที่ต้องการได้ ซึ่งดีมากๆ เพราะเรากำหนดจุดโดยการระบายสีดำเพื่อ Mask พื้นที่ได้ตามต้องการ

ให้ใช้ Prompt ดังนี้ เพื่อแก้ส่วนมือ
```
(best quality:1.4), (ultra highres:1.2), (photorealistic:1.4), (8k, RAW photo:1.2), ( korean girl hand)
```
ซึ่งให้เราใช้ Negative Prompt ดังนี้ (อันเดิม)
```
paintings, sketches, (worst quality:2), (low quality:2), (normal quality:2), lowres, normal quality, ((monochrome)), ((grayscale)),((text))
```
แล้วระบายสีส่วนมือที่จะแก้ แล้วตั้งค่าตามนี้ (ในเคสนี้เราเลือก Inpaint Area เป็น Whole Picture แล้วกำหนดขนาดเต็มรูป 768×1152 เพื่อให้สอดคล้องกับขนาดของ Depth ใน Control Net)

จากนั้นตั้งค่า ControlNet ของการ Inpaint เป็น Depth ตามนี้

พอ Generate รูปจะได้ตามนี้ ซึ่งคราวนี้มือกลับมาตรงแล้ว (ถ้ายังไม่ดีให้แก้ seed เป็น random แล้วให้มัน gen ออกมาหลายๆ รูปแล้วเลือกรูปที่ดี)

ทีนี้ให้เราจะแก้ตรงลูกหน้าต่อโดยกดปุ่ม Send to Inpaint เพื่อเอาผลลัพธ์ที่แก้มือแล้วไปใช้ต่อเป็นจุดตั้งต้นอีกรอบนึง

ทีนี้ถ้าจะแก้หน้าตา เราอาจแก้ prompt เป็น
```
(best quality:1.4), (ultra highres:1.2), (photorealistic:1.4), (8k, RAW photo:1.2), (korean girl face, smile)
```
ระบายสีดำตรงหน้าอย่างเดียว แล้วตั้งค่าตามนี้ (ในเคสนี้เราเลือก Inpaint Area เป็น Only Masked เพื่อให้ให้มัน Render แค่ตรงสีดำๆ ด้วยขนาดที่กำหนด เช่น 768×768)

แล้ว Denoise บางๆ หน่อย ไม่ต้องเยอะมาก (เช่น 0.2-0.4) เพื่อให้ผลลัพธ์ไม่เพี้ยนจากเดิมเยอะจนเกินไป

แล้วไม่ต้อง Enable ControlNet แล้ว พอ Generate ออกมาจะได้แบบนี้ ถ้าคิดว่าแบบนี้พอใจแล้วก็จบได้เลย ถ้าไม่พอใจก็ปรับค่านิดๆ หน่อยๆ แล้ว Gen เพิ่มเพื่อเลือกรูปที่ ok

Denoise 0.25

Denoise 0.3

เท่านี้ก็น่าจะได้ผลลัพธ์ที่ดีขึ้นแล้วล่ะ!

สามารถเป๊ะได้มากกว่านี้อีกนะ

การใช้ ControlNet อ่าน OpenPose จากรูป หรือการใช้ Depth Library เอามือมาแปะ เป็นวิธีที่ง่ายและสะดวก แต่ผลลัพธ์อาจไม่เป๊ะตามต้องการ เพราะอาจไม่มี Pose หรือ Depth ที่เราต้องการจริงๆ อยู่ก็ได้ วิธีที่จะได้สิ่งที่ต้องการมีอีก 2 ระดับ (อันที่ 2คือวิธีที่เป๊ะที่สุด)

1.ใช้ Extension ชื่อ PoseX จัด OpenPose ได้ดั่งใจ แถมหมุนมุมกล้องได้ด้วย (ข้อดีคือง่าย แต่ข้อเสียคือจัดท่าแล้วเพี้ยนง่ายเช่นกัน เพราะมันลากจุดไปไหนก็ได้ เดี๋ยวมือยาวเป็นแม่นาคเลย)

2. ใช้ Blender เพื่อใช้ Model 3D (โหลดมาได้เลย ไม่ต้องปั้นเอง) มาทำ OpenPose กับ Depth เพื่อกำหนดท่าทาง และมือแบบเป๊ะๆ ใครสนใจไปดูคลิปนี้ได้ คุณทีทำไว้ดีมากๆ ละเอียดมาก แบบไม่เคยใช้ Blender ก็ทำตามได้ แถมภาษาไทยด้วย

ตอนต่อไป

ในตอนต่อไป เราจะมาเรียนรู้วิธี Train Model LoRA ขึ้นมาใช้เอง เพื่อให้สามารถกำหนดหน้าตา เสื้อผ้า หรือสไตล์ของรูปที่เราจะ Gen ออกมาได้ รับรองว่าเด็ดสุดๆ แน่นอน คอยติดตามได้เลยครับ

รวมบทความ Stable Diffusion
April 2, 2023
วิธีสั่ง Prompt และตั้งค่าใน Stable Diffusion ให้รูปสวยโดนใจ [Part3]
จากเนื้อหาตอน 1 ที่ได้พูดถึงวิธีลงโปรแกรม และ ตอน 2 วิธีโหลดและเรียกใช้ model ไปแล้ว เราจะพบปัญหาว่า ถึงจะใช้ Model ที่สวย แต่ถ้าหากสั่ง Prompt และตั้งค่าไม่ถูกต้อง ภาพก็จะออกมาไม่สวยอยู่ดี ดังนั้นในบทความนี้ผมจะมาสอนเทคนิคที่จะทำให้ภาพที่ออกมามันสวยขึ้นกันครับ

ก่อนอื่นเรามาทำความเข้าใจเรื่องของ Prompt ก่อน ว่าหลักการสำคัญมีอะไรบ้าง?

ในบทความนี้ผมจะใช้ Model หลัก (Checkpoint) คือ Chilloutmix-Ni-pruned-fp32-fix และ LoRA ชุดนวดไทย (ที่ผมทำขึ้นมาเอง) นะครับ (แต่ตอนแรกจะยังไม่ได้เรียกใช้งาน LoRA)

วิธีการสั่ง Prompt

เราต้องบรรยายรูปที่เราต้องการเข้าไป บรรยายอะไรก็จะเห็นสิ่งนั้น (แต่ขึ้นกับว่า Model ที่เราเลือกมา ได้ train สิ่งที่เราต้องการมารึเปล่าด้วย)

ซึ่งหลักการคือใส่เป็น Keyword สำคัญก็พอครับ เพราะถึงใส่เป็นประโยคไป AI มันจะตีความหมายที่แท้จริงจาก Prompt ของเราอีกทีอยู่ดี (ใช่ มันตีความได้นะ…) และยิ่งใส่เยอะยิ่งควบคุมยาก ให้ค่อยๆ ใส่ทีละขึ้นจะได้เข้าใจมากขึ้น

ก่อนอื่นผมจะขอ fix เลข seed เป็นค่านึงก่อน ทุกคนจะได้ออกมาเหมือนกัน ในที่นี้ผมขอให้ seed เป็นเลข 999 แล้วกัน

จากนั้นใส่ Prompt ว่า beautiful girl แล้ว Gen ออกมาเลย โดยไม่แก้ค่าอื่นแล้ว (นอกจาก seed กับ model) ผลจะออกมาแบบนี้

beautiful girl

สิ่งแรกที่ควรกำหนด คือ สัดส่วนภาพ

เราควรจะคิดแต่แรกเลย ว่าภาพที่เราต้องการจะเป็นสี่เหลี่ยมจตุรัส หรือจะเป็นภาพแนวตั้ง แนวนอน ซึ่ทั้งหมดก็ขึ้นอยู่กับว่าเราจะทำภาพอะไรด้วย ถ้าเป็นภาพ Portrait บุคคล ภาพแนวตั้งก็น่าจะดีกว่าแนวนอนเป็นต้น แต่ถ้าภาพวิวแนวนอนอาจดีกว่า (แต่ถ้าเป็นคนในท่านอนอาจจะภาพแนวนอนดีกว่าก็ได้)

ดังนั้นผมจะสร้างภาพแนวตั้งขึ้นมา ซึ่งสมมติผมจะใช้สัดส่วน 2:3 ซึ่งเพื่อไม่ให้มัน Gen ช้าเกินไป ผมจะทำให้ด้านที่ยาวสุด (แนวตั้ง) ยังคงเป็น 512 px อยู่ ดังนั้นแนวนอนก็ควรจะเป็น 2/3*512 = 341.33 ซึ่งถ้าเลื่อน slider ก็จะลงล๊อคเลขที่ละ 8 ก็จะเป็นเลข 344 x 512 นั่นเอง (คร่าวๆ ไม่ต้องเป๊ะก็ได้) ถ้ากด Generate จะได้แบบนี้

beautiful girl

อย่างไรก็ตามถ้าเราอยากจะ Gen รูปที่มีความหมายอย่างที่เราต้องการ เช่น เราต้องการสาวหูแมว เราก็อาจใส่ไปเลยว่า
```
beautiful girl, cat ear
```
ซึ่งผลจะออกมาแบบนี้

beautiful girl, cat ear

สมมติว่าหน้าออกมาเหมือนภาพวาดเกินไป เราอยากให้มันเป็นรูปสมจริง เราก็ใส่ Keyword เช่นคำว่า photorealistic เพิ่มเข้าไป หรือถ้าอยากให้ภาพละเอียดขึ้นก็ใส่ ultra highres เข้าไป เช่น
```
beautiful girl, cat ear, photorealistic, ultra highres
```
ออกมาได้แบบนี้

สมมติว่ามันดูโป๊เกินไป เราก็แาจจะระบุเสื้อผ้าให้น้องเค้าหน่อย เช่น จะใส่ชุดชมพู เลย เขียนว่า pink shirt ได้ออกมาแบบนี้

beautiful girl, cat ear, photorealistic, ultra highres, pink shirt

แต่ผมดันออกมาชมพูด้วย สมมจิเราอยากได้ผมสีน้ำตาล ก็ใส่ brown hair ไป

beautiful girl, cat ear, photorealistic, ultra highres, pink shirt,brown hair

หมายเหตุ : การสลับที่ keyword อาจจะให้ผลต่างกันได้นะ (แม้จะใช้ seed เดิม)

ทีนี้มีอีกเรื่องนึงที่จะแนะนำคือ การลองเปลี่ยน Sampling Method ดูก่อน เผื่อผลลัพธ์จะดีขึ้นอีก

ลองเปลี่ยน Sampling Method

เจ้า Sampling Method นั้นขึ้นอยู่กับ Model ที่เลือกใช้ด้วย ว่าตัวไหนเหมาะกับ Model ของเรา

วิธีที่จะทดสอบ Sampling Method หลายๆ ตัวพร้อมกัน โดยไม่ต้องไล่เปลี่ยนเองได้ คือ ใช้เครื่องมือ x/y/z plot ด้านล่าง ตามรูป (ผมใส่ในแกน y มันจะได้ทำในแนวตั้ง) แล้วกด Generate (ตรงนี้เพื่อนๆ ไม่ต้องทำก็ได้ เพราะผมทำให้ดูแล้ว)

สิ่งที่มันทำคือลองสร้างรูปตาม Sampler แต่ละตัว ซึ่งผลออกมาดังนี้ (ทุกอันยัง seed เดียวกันนะ คือ 999)

(บางตัวภาพเละเพราะ Steps ไม่พอ แต่บางตัว Steps แค่ 20 ก็ทำงานได้)

และถ้าให้เจ๋งขึ้นไปอีกลองใส่ Negative Prompt ดู

อะไรคือ Negative Prompt?

มันก็คือสิ่งที่เราไม่อยากได้ในรูป เช่น ถ้าเราอยากให้มันดูไม่ใช่รูปวาด รูปการ์ตูน งั้นเราใส่คำนี้ลงไปใน Negative Prompt เลย (เป็นกล่องอยู่ใต้ Prompt ปกติ)
```
paintings, sketches, 3d, cartoon, anime
```
และถ้าผมลอง x/y/z plot ใหม่ จะได้ผลแบบนี้ ซึ่งจะเห็นว่าหลายอันค่อนข้างสมจริงขึ้นมามากๆ แล้ว

สมมติว่าผม ok กับ DPM++SDE ผมก็เอาอันนี้มาทำงานต่อ

ถ้าอยากได้ผลลัพธ์ที่ Perfect ที่สุดจาก Sampling Method ที่เลือก อาจจะลองแก้ค่า CFG Scales และ Steps ให้ค่าเปลี่ยนแปลงไปด้วย คราวนี้ผมจะ plot ทั้งแกน x และ y เลย

โดยผมจะลอง x/y/z plot โดยแก้
- CFG Scales : อยู่ที่ประมาณ 6-8 โดยซอยเพิ่มเลขทีละ 0.5
  - กำหนดแบบนี้ 6-8(+0.5)
- Steps : ให้สร้าง 10 ภาพระหว่างเลข 15-30
  - กำหนดแบบนี้ 15-30[10]
ลอง Gen ดู ถ้าไม่ไหว ให้ลดการเปลี่ยนแต่ละตัวแปรให้จำนวนน้อยลง หรือค่อยๆ ทำทีละแกนนะ (หรือจะแค่ลองดูผลจากที่ผมทำก็ได้ ไม่ต้อง Gen เอง เพราะเยอะจัดเลย)

ที่นี้ชอบอันไหน เลือกอันนั้นได้เลย

ทีนี้ผมจะไม่ plot xyz แล้ว (เลือก Script เป็น None) แต่จะใช้เลข Step 26, CFG 7 แล้วกัน

Gen ทีเดียวหลายๆ รูป ด้วย Batch Size, Batch Count

แล้วจะให้มัน Gen ออกมาหลายๆ รูป โดยเปลี่ยน Batch Size, Batch Count
- Batch Count : จำนวน Batch ที่จะ Gen (ถ้ามีหลาย Batch ก็จะรันต่อๆ คิวกัน)
- Batch Size : จำนวนรูปที่จะ Gen พร้อมๆ กันในแต่ละ Batch
ตามหลักแล้ว เพิ่ม Batch Size จะ Gen เร็วกว่า แต่จะกิน Memory หนักกว่า อันนี้ต้องลอง

สมมติผมตั้ง Batch Count เป็น 3 และ Batch Size เป็น 1 (แปลว่า Gen ทีละรูป แต่ทำ 3 รอบ) จะได้ 3 รูป โดย seed เริ่มที่ 999 ไล่ไปเรื่อยๆ

seed 999

seed 1000

seed 1001

แต่ถ้าผมตั้ง Batch Count เป็น 3 และ Batch Size เป็น 2 (แปลว่า Gen ทีละ 2 รูป แต่ทำ 3 รอบ) จะได้แบบนี้ ซึ่งจะพบว่าภาพที่ได้มันต่างไปโดยสิ้นเชิงเลย! ทั้งๆ ที่ seed ไล่ตั้งแต่ 999

999 (Batch Size 2)

1000 (Batch Size 2)

1001 (Batch Size 2)

1002 (Batch Size 2)

1003 (Batch Size 2)

1004 (Batch Size 2)

วิธีดูข้อมูลจากรูปที่ Gen ออกมา

ถามมว่าผมรู้ได้ไงว่าแต่ละอัน seed อะไร? นั่นก็เป็นเพราะ

วิธี 1 : คลิ๊กที่รูปที่ Output ออกมาสดๆ แล้วดูข้อมูลseed ได้

วิธี 2 : ลากรูปไปในแถบ PNG Info

นอกเหนือจากวิธีคลิ๊กที่รูปเพื่อดู seed แล้ว จริงๆ เรายังมีอีกวิธีที่สามารถดึงการตั้งค่าทั้งหมดจากรูปที่เรา Gen ออกมาได้ด้วยนะ
โดยเอารูปไปในแถบ PNG Info (Browse ไฟล์ หรือ ลากลงก็ได้)

เช่น ผมลากอันนี้มาได้

จากนั้นมันจะขึ้นข้อมูลของรูปนั้นๆ มา ซึ่งเราสามารถกด send to txt2img ได้เลย

มันก็จะเอาข้อมูล prompt และ setting ทั้งหมดของรูปนั้นไปใช้ได้ ซึ่งจะ gen ออกมาใหม่ โดย gen หลายๆ รูปด้วย seed ถัดๆ ไปก็ได้

วิธี 3 : เอาจาก Generated Data

ส่วนวิธีที่เด็ดอีกอัน คือ การ Copy Generated Data จากคนอื่น เช่น Civitai

สมมติเราเข้าไปใน LoRA Thai Massage Dress (ชุดนวดไทย) แล้วเจอรูปที่ชอบ ที่มีตัว i อยู่ (นั่นคือ รูปนั้นยังฝัง Generated Data ไว้)

มันจะขึ้นข้อมูลว่ารูปนั้น Gen มาด้วยวิธีไหน ให้เรากดที่ Copy Generation Data ปุ่มฟ้าๆ ข้างล่าง

ซึ่งจะได้ข้อมูลนี้มา
```
(best quality:1.4), (ultra highres:1.2), (photorealistic:1.4), (8k, RAW photo:1.2),(full head:1.4), (southeast asian girl), (black hair),(red Thai Massage uniform :1.5),<lora:thaiMassageDress_v2:0.7>
Negative prompt: paintings, sketches, (worst quality:2), (low quality:2), (normal quality:2), lowres, normal quality, ((monochrome)), ((grayscale)),((text:2)),((head band)),,((head accessory))
Size: 344x512, Seed: 2980161819, Model: chilloutmix_NiPrunedFp32Fix, Steps: 20, Sampler: DPM++ 2M Karras, CFG scale: 7, Model hash: fc2511737a, Hires upscale: 2, Hires upscaler: Latent, Denoising strength: 0.5
```
ให้เราเอาไป paste ใน Prompt ของเรา แต่ให้ลบของเดิมออกให้หมดก่อน โดยกดปุ่มถังขยะ

แล้ว Paste Generation Data ลงไปใน Prompt เดียวยาวๆ เลย แล้วค่อยกดลูกศรฟ้า ข้างๆ ถังขยะ

มันจะโปรย Data กระจายไปจุดต่างๆ รวมถึงการเลือก Sampler, Step, Seed ทุกอย่างเลย

ว้าววว สบายสุดๆ ถูกใจสาย Copy Paste อ่ะสิ อิอิ

วงเล็บ และตัวเลขคืออะไร?

วงเล็บ และตัวเลข มันเอาไว้กำกับน้ำหนักของ Keyword ซึ่งมีความหมายดังนี้

เราระบุน้ำหนักได้ในรูปแบบ (keyword:น้ำหนัก)
- ถ้า keyword ไม่ระบุอะไรเพิ่มเลย และไม่มีวงเล็บด้วย คือน้ำหนัก 1
- (keyword:1.5) แปลว่า ให้น้ำหนัก 1.5 เท่าของปกติ
- (keyword:0.5) แปลว่า ให้น้ำหนักครึ่งนึงของปกติ (ลดน้ำหนักลงไป 2 เท่า)
- การใส่ (keyword) มีค่าเท่ากับน้ำหนัก 1.1 หรือ (keyword:1.1)
- การใส่ ((keyword)) มีค่าเท่ากับ (keyword:1.21) ซึ่งเกิดจาก 1.1*1.1
- การใส่ [keyword] คือ ลดน้ำหนักลงไป 1.1 เท่าของปกติ = (keyword:0.909)
- รายละเอียดอ่านได้ในนี้
ลอง Gen ดูสิ

พอเรา Gen อีกทีก็จะได้แบบที่ผมทำนี้เลย (ถ้าใครทำแล้วไม่ได้ผลแบบนี้ แสดงว่าขาด Model หรือ LoRA ที่ Prompt นั้นใช้ ก็ต้องไปหาโหลดมาก่อนนะ ใครโหลดไม่เป็นกลับไปอ่านตอน2)

รูปนี้เกิดจากการ Copy Prompt ที่ผมบอกมา Gen แต่ต้องมี Model รองรับนะ

เช่น ใน Prompt จะเห็นว่ามีเขียน LoRA ไว้ดังนี้
- <lora:thaiMassageDress_v2:0.7>
แปลว่า คุณต้องมี LoRA ชื่อ ThaiMassageDress โดยชื่อไฟล์ที่ save มาก็ต้องเป็น thaiMassageDress_v2 และ Gen โดนใช้ Model หลักคือ chilloutmix_NiPrunedFp32Fix ถึงจะได้ผลแบบเดียวกับผมนะ

ศึกษา พัฒนา ปรับปรุง

Copy Paste งานสวยๆ ที่ชอบแล้วอย่าลืมเอามาศึกษา พัฒนา ปรับปรุง

อย่างถ้าคุณชอบผลงานรูปสาวใส่ชุดนวดไทยที่ผมทำ คุณก็ลองดูว่าผมระบุอะไรบ้าง? เช่น สีชุด สีผม สีหน้า และบางรูปผมก็ระบุสถานที่ด้วย รวมถึง effect ของแสงต่างๆ ก็สามารถระบุได้มากมาย

คุณลองหาสไตล์ที่ตัวเองชอบ แล้วสร้างผลงานให้โลกนี้ได้เห็นกันครับ ว่าใครๆ ก็ทำได้ (ถ้าพยายามพอ! ผมเองหัดแค่ 2 อาทิตย์ก็ทำได้แล้ว)

ไม่เชื่อคุณลองไปส่องเพจ AI ใน Link นี้ดูสิ เค้าสร้างผลงานได้สวยๆ ทั้งนั้น

ตอนต่อไป

ในตอนต่อไป เราจะมาเรียนรู้วิธีปรับแต่งรวมถึงควบคุมรูปให้ได้ผลลัพธ์ดั่งใจมากขึ้น เช่น การควบคุมท่าทางของแบบเป็นต้น ใครสนใจพลาดไม่ได้เด็ดขาด!

รวมบทความ Stable Diffusion
March 4, 2023
วิธีเรียกใช้งาน Model เจ๋งๆ ใน Stable Diffusion [ตอนที่2]
จากที่ผมได้อธิบายวิธีใช้งาน AI สร้างรูปสุดเจ๋งและฟรีด้วย Stable Diffusion ฉบับมือใหม่ ในบทความที่แล้ว ผมได้ทิ้งท้ายไว้ว่า การที่จะทำให้รูปออกมาสวยได้ มันมีหลายปัจจัย เช่น ตัว Model หลัก/ Model เสริม / Text Prompt /Negative Prompt ที่ใส่เข้าไป/ Setting ต่างๆ ในหน้าจอ / ส่วนเสริม Extension เจ๋งๆ / รวมถึงโชค !!

จะให้อธิบายหมดเลยรวดเดียวคงไม่ไหว ดังนั้นในบทความตอนนี้ผมจะขออธิบายและแนะนำส่วนของ Model หลัก และ Model เสริม (เช่น ถ้าใครสงสัยว่า LoRA คืออะไร? อ่านบทความนี้จบคุณจะรู้จักมันมากขึ้นแน่นอน) ก่อน ว่าควรจะใช้ Model แบบไหนมันถึงจะออกมาสวยได้ เพื่อไม่ให้เสียเวลา ไปเริ่มกันเลย!

Model คืออะไร?

สำหรับ Section นี้อาจดู Nerd หน่อยๆ แต่ผมอยากให้ลองอ่านดูจะได้เข้าใจหลักการคร่าวๆ ของ AI ด้วย ซึ่งถ้าเข้าใจเรื่องนี้ คุณจะตั้งค่า parameter ต่างๆ รวมถึงกำหนด Prompt ได้ดีขึ้นด่วยนะ

ปกติแล้วการทำงานของ AI วาดรูป หลักการโดยทั่วไปคือ การเปลี่ยน Noise ตั้งต้น (จุดๆ ที่ดูไม่รู้เรื่อง) ให้กลายเป็นรูปสิ่งต่างๆ ที่เราระบุได้

แล้ว Noise ตั้งต้นที่ว่าเนี่ย ปกติจะถูกกำหนดด้วยเลข Seed ด้วย ซึ่งค่า Default ใน Stable Diffusion ตั้งเป็นเลข -1 (ติดลบ 1) ซึ่งเป็นการ Random แต่เราสามารถกำหนดเป็นเลขอะไรก็ได้

นั่นแปลว่า ถ่า seed เหมือนกัน และใส่ prompt (คำบรรยาย) เดียวกัน แล้วส่งเข้า Model AI ตัวเดียวกันเราก็จะได้ภาพออกมาเหมือนกันเลย (แต่ที่หลายคนสร้างภาพออกมาไม่เหมือนคนอื่น เพราะเลข Seed ปกติจะ Random ไง)

หลักการทำงานของ AI (คร่าวๆ)

แล้ว AI มันเปลี่ยน Noise ให้กลายเป็นรูปได้ยังไง? หลักการใหญ่คือ สิ่งที่เรียกว่า Diffusion Model ซึ่งขออธิบายแบบง่ายๆ ว่า ปกติ Computer มันใส่ Noise เพิ่มเข้าไปในรูปได้อยู่แล้ว เราจึงสามารถ Train มันให้ปลด Noise ออกจากรูปได้เช่นกัน

ค่อยๆ ปลดออกทีละ Steps เดี๋ยวจนในที่สุด ปลด Noise ไปเรื่อยๆ ก็จะกลายเป็นรูปปกติได้ เจ๋งง

อย่างไรก็ตามไอ้จุด Noise ตั้งต้นมันเละจนดูไม่รู้เรื่องหรอก (ดู noise ขวาสุดในรูปบนดิ) ดังนั้นตอนมันจะปลดกลับมา มันอาจจะได้กลับคืนออกมาเป็นรูปอะไรก็ได้ทั้งนั้น ซึ่งขึ้นอยู่กับ Prompt หรือคำบรรยายของเรา (เพราะ Model ไม่ได้ถูกเทรนแค่รูปแมวอันนี้ แต่มันเทรนจากคลังรูปมหาศาล อย่างน้อยก็ตัวนี้ https://laion.ai/blog/laion-5b/ ซึ่ง 5b คือ 5 billion หรือ 5 พันล้านรูป!! )

ไอ้ความสามารถในการปลด Noise ออก แล้วกลายเป็นรูปตาม Prompt หรือคำบรรยายของเราเนี่ยแหละ รวมถึงการที่มันจะรู้จัก keyword คำว่าอะไร รู้จักรูปอะไรบ้าง วาดสไตล์ไหนได้บ้าง มันถูกฝึกฝนแล้วเก็บไว้ในสิ่งที่เรียกว่า Model หมดแล้ว

หลักการจริงๆ มันซับซ้อนกว่านี้เยอะ เช่น ข้อความที่เราใส่ มันจะถูกตีความในแบบที่ AI เข้าใจก่อน คือมันรู้ด้วยว่าคำไหนใกล้เคียงกันกับคำไหนในเชิงความหมายจริงๆ (ไม่ใช่แค่จำตัวอักษร)

แถมหลักการเทรนรูปของ AI มันล้ำมากนะ คือคล้ายๆ ว่ามันจะแบ่ง AI เป็น 2 ตัวแข่งกัน ตัวนึงพยายามสร้างรูปให้เหมือนตาม Prompt มากที่สุด ส่วนอีกตัวจะต้องจับผิดให้ได้ว่ารูปที่ได้มา มาจาก AI ทำหรือคือภาพเฉลยจริง ดังนั้นพอมันแข่งไปเรื่อยๆ จนมันเริ่มแยกภาพไม่ออกว่าอันไหนจริงอันไหนปลอม สุดท้ายเราจะได้ AI ที่ Gen ภาพเก่งมากๆ ออกมานั่นก็คือ AI วาดรูปนี่แหละ

รวมถึงใน Stable diffusion เองก็มีเทคนิคเพิ่มจาก AI วาดรูปทั่วไปอีก นั่นคือเทคนิคที่เรียกว่า Latent Diffusion Model การแปลงรูปให้อยู่ในรูปแบบที่เล็กลงจนจัดการง่าย (Encode) แล้วสามารถแปลงรูปที่ถูกดัดแปลงให้กลับมาใหญ่เหมือนภาพดั้งเดิมได้อย่างน่าอัศจรรย์ (Decode)

Stable Diffusion จึงเป็น AI วาดรูปที่สามารถรันได้บนคอมพิวเตอร์คนทั่วไปได้ (แทนที่จะต้องรันใน Server โหดๆ แบบ Dall-E หรือ Midjourney) ประกอบกับความ Open Source อีกทำให้คนจำนวนมากเข้าถึงมันได้ ซึ่งนี่แหละคือปัจจัยพลิกเกม ที่ทำให้ Stable Diffusion พัฒนาเร็วและมี Model หลากหลายมากๆ ในปัจจุบัน (และน่าจะพัฒนาแบบเร็วโหดมากๆ ต่อไปด้วย)

ทั้งหมดนี้น่าจะเป็นหลักการสำคัญเบื้องต้นที่คุณควรจะรู้ไว้ว่า AI มันวาดรูปได้ยังไง ซึ่งแน่ๆ คือ มันไม่ได้ Copy รูปของใครเก็บไว้ตรงๆ มันแค่เรียนรู้วิธีสร้างรูปขึ้นมาจาก Noise หรือจุดที่ดูไม่รู้เรื่องเท่านั้น (ถ้าใครอยากรู้หลักการของ AI ละเอียดกว่านี้ จะพยายามสรุปให้อีกที )

สำหรับประเด็นที่ว่า การเทรน AI นั้นเอารูปมาจากไหน ต้องบอกว่าอันนี้แล้วแต่ Model ที่ใข้เลย บาง Model ก็อาจเอารูป Public ที่ถูกต้องมา บาง Model ก็อาจไปเอารูปศิลปินมาใช้ทื่อๆ (ซึ่งอันนี้ไม่ควร) ผมจะขอไม่พูดถึงประเด็นทางกฎหมายและศีลธรรมตอนนี้ละกันนะครับ

พอเข้าใจหลักการคร่าวๆ แล้วเราไปดูวิธีโหลด Model กันดีกว่า

ที่โหลด Model ของ Stable Diffusion

ผมแนะนำ 2 ที่ คือ
- CivitAi : https://civitai.com/ (มีภาพประกอบ มีรีวิวให้ดูเยอะ)
- Hugging Face : https://huggingface.co/models?other=stable-diffusion (มี Model เต็มไปหมด แต่ไม่ค่อยมีภาพประกอบ)
เดี๋ยวในบทความนี้เราจะเน้นโหลดจาก CivitAi นะครับ เพราะมี Model สวยๆ เพียบเลย (แต่ถ้าใครอยากโหลดจาก Hugging Face ผมมีวิธีแปะไว้ท้ายบทความนะ)

Model หลัก (Checkpoints)
- Model หลัก เราจะเรียกมันว่าไฟล์ Checkpoints
  - Model แบบนี้ Train มาจากเครื่องมือที่ชื่อว่า Dreambooth ซึ่งจะเทรนแบบนี้ได้ต้องมี GPU ที่ทรงพลังมากๆ ถ้าคอมพ์เราทำไม่ไหว อาจต้องไปเช่า GPU บน Cloud เอา
  - อย่างไรก็ตาม เราสามารถเอา Model ที่มีอยู่ มาผสมผสานกันตามน้ำหนักที่เราระบุ เพื่อสร้างเป็น Model ใหม่ได้ด้วย เรียกว่าการ Merge Checkpoints ซึ่งอันนี้เครื่องคอมพ์ปกติสามารถทำได้ไม่ยากเลย (เครื่องผมก็กดได้)
- โดยหลักการคือ Train ทั้ง Model ให้รู้จักเรื่องที่เราอยากสอน ทำให้วิธีนี้ไฟล์ใหญ่มากๆ แต่คุณภาพรูปที่ได้จะถือว่าดีที่สุดเลย
- ไฟล์ Model หลัก 1 อันอาจใหญ่ประมาณ 3-7 GB ได้เลย ถ้าใครเน็ตไม่แรงก็ต้องรอหน่อย
- เราจะ Download Model จากที่ไหนก็ได้ มันจะเป็นไฟล์ นามสกุล .SafeTensor หรือ .Ckpt (ถ้ามีให้เลือกทั้งคู่ให้เลือกนามสกุล SafeTensor เพราะปลอดภัยมากกว่า เพราะอีกตัวมีสิทธิ์ที่จะถูกฝัง Script แปลกๆ มาได้ )
- ไม่ว่าจะโหลด Model จากที่ไหนมา ให้เอาไปไฟล์ที่โหลดเสร็จแล้วไปไว้ที่ Folder ที่ชื่อว่า stable-diffusion-webui\models\Stable-diffusion
Model เสริม

ในส่วนของ Model เสริมนั้น หน้าที่คือ เป็นเหมือน Model ที่เป็น Add in ที่สามารถใช้เสริมเข้าไปใช้ร่วมกับ Model หลักได้ โดยสามารถใช้ Model เสริมหลายๆ ตัวร่วมกันได้ด้วย!!

แต่เจ้า Model เสริมเนี่ยจะมีหลายแบบพอสมควร แต่ผมจะแนะนำแค่ 2 แบบที่เจ๋งสุดดังนี้
- LoRA (Low-Rank Adaptation) :
  - เป็น Model เสริมที่ให้คุณภาพดีมากๆ ถึงมากที่สุด โดยที่ขนาดไฟล์จะอยู่ที่ประมาณ 100 MB ++ ซึ่งเล็กมากเมื่อเทียบกับ Checkpoints
  - ตัวนี้คือเทคโนโลยีใหม่สุด จิ๋วแต่แจ๋ว
  - โหลดเอาไปไว้ใน stable-diffusion-webui\models\Lora
- Textual Inversions :
  - เป็น Model เสริมที่ขนาดเล็กสุดๆ (ขนาด 10-100 KB) แต่คุณภาพสู้ LoRA ไม่ได้
  - โหลดเอาไว้ใน stable-diffusion-webui\embeddings
ที่เจ๋งสุดๆ คือ Model เสริมทั้ง 2 ตัวนี้ เราสามารถใช้ Computer ตัวเอง เทรนมันขึ้นมาใช้งานเองได้ เช่น เอารูปหน้าตัวเองใส่เข้าไปเยอะๆ มันก็จะสามารถ Generate หน้าของเราได้เลย แถมเอาไปใช้กับ Model หลักอื่นๆ ได้อีก เช่น จะเป็นภาพแนวการ์ตูน แต่หน้าเป็นหน้าเราก็ได้ สุดยอดมั้ยล่ะ!!

ถ้าใครอยากรู้วิธีเทรน สามารถดูคลิปพวกนี้ได้ (คลิป Eng นะ แต่ทำตามได้เลย ผทก็ดูคลิปนี้แล้วทำได้เลย)
- วิธีการ Train LoRA : https://www.thepexcel.com/stable-diffusion-part5/
- วิธีการ Train Textual Inversion : https://youtu.be/2ityl_dNRNw (คลิป Eng เจ้าเดิม)
วิธีโหลดจาก Civitai
- เข้าเว็บ https://civitai.com/ แล้ว Sign Up/Login ให้เรียบร้อย
- จากนั้น Filter หา Model ประเภทที่ต้องการ เช่น Model หลักเลือก Checkpoint Model เสริมก็อาจจะเลือก LoRA
- ปกติอันที่อยู่บนๆ ดาวเยอะๆ รีวิวเยอะๆ ก็มักจะดี
- แต่ควรเข้าไปสำรวจรูปประกอบทั้งจากคนสร้าง Model และ คนที่มา Review Model นั้นๆ ด้วยว่าใช่แบบที่ชอบหรือไม่
- ถ้าอยากจะโหลดตัวไหน ให้กดปุ่ม Download ด้านขวา
ลองโหลด Model มาทดสอบเล่น
- ตอนเขียนบทความใหม่ๆ ผมจะให้โหลด Model หลัก คือ ChilloutMix : เหมาะกับภาพแนวสมจริง สาวหน้าตาน่ารักสไตล์เน็ตไอดอลเอเชีย (ต้องเปิดโหมด 18+ ถึงจะเห็น แต่เราเอามา gen รูปไม่โป๊นะ)
- แต่เดี๋ยวนี้มี Model ที่เจ๋งกว่ามากๆ แล้ว เช่น
  - https://civitai.com/models/43331/majicmix-realistic
  - https://civitai.com/models/25494/bra
- ส่วน Model เสริม ให้โหลด
  - LoRA : โหลด LoRA ชุดนักศึกษามาดูก็ได้ครับ Thai university uniform สนับสนุนของดีจากคนไทย
อย่างไรก็ตาม แต่ละ Model อาจมีเรื่อง license ที่แตกต่างกัน ยังไงลองดูด้วยนะครับ ว่าเค้ายอมให้ใช้ Model เค้าทำอะไรบ้าง?

License ของ ChilloutMix

วิธีการเรียกใช้งาน Model

พอเรา Copy Model ลงใน Folder ตามที่ผมแนะนำแล้ว คือ เอาไว้ใน Folder เหล่านี้
- Checkpoints (หลัก) : stable-diffusion-webui\models\Stable-diffusion
- LoRA : stable-diffusion-webui\models\Lora
- Textual Inversion : stable-diffusion-webui\embeddings
จากนั้น Run ไฟล์ webui-user.bat แล้วเข้า http://127.0.0.1:7860/ เพื่อเข้าหน้า Web UI ตามปกติเลย

ลอง Prompt แบบปกติก่อน

โดยใช้ Model มาตรฐานที่เราโหลดมาแต่แรก คือ sd-v1-4.ckpt

ให้เราลองใส่ Prompt ดังนี้
```
beautiful thai girl wearing thai university uniform
```
โดยให้ลองเลือก seed เป็นเลข 123456 เพื่อทำให้ภาพได้เหมือนของผมเป๊ะๆ (แล้วจะได้ไม่เกิดการ Random ภาพไปเรื่อยๆ ไม่เชื่อลอง Generate อีกรอบดูได้ จะได้อันเดิม)

จะพบว่าภาพที่ได้มันแย่มาก… ทีนี้เราลองมาเปลี่ยน Model กัน

วิธีเลือก Model หลัก

ที่มุมซ้ายบนของหน้าจอ ให้กดปุ่มสีฟ้าเพื่อ Refresh Checkpoint จากนั้นเลือกตัวที่ต้องการ เช่น ผมเลือก chilloutmix_NiPrunedFp32Fix.safetensors

พอเลือกแล้วต้องรอมันโหลดแป๊ปนึง แล้วลอง Generate ใหม่ โดย prompt เดิม seed เดิม

เราจะพบว่าภาพที่ได้ดูดีขึ้นมาหน่อยแล้ว และนี่ก็จะเริ่มมีความ Sexy โผล่มานิดๆ ละ (เพราะ ChillOutMix มันถูกเทรนมาแบบนั้น) ดังนั้นการเลือก Model นั้นมีผลต่อภาพอย่างแน่นอน

ถ้าสังเกต การเลือก Model จะเป็น Drop Down List แปลว่า เราเลือก Model หลักได้ตัวเดียวนะ

วิธีเรียกใช้ LoRA

ให้กดที่ Show Extra Networks แล้วเลือก Lora ที่ต้องการ (Search ได้) ดังนี้

โปรแกรมจะเพิ่ม Text Prompt ให้เราเอง โดยจะมี <lora:ชื่อไฟล์:multipler> โผล่มา
ซึ่ง multipler คือ เลข 0-1 ที่เรากำหนดได้ว่าจะให้ LoRA ส่งผลแค่ไหน

กลายเป็น
```
beautiful thai girl wearing thai university uniform <lora:thaiUniversity_v10:1>
```
ถ้าลอง Generate ดู จะได้แบบนี้

ภาพเปลี่ยนไปเล็กน้อย แต่ยังไม่ได้ชุดนักศึกษาโผล่มา ทั้งนี้อาจเป็นเพราะ LoRA นั้นๆ ต้องทำการเรียก Trigger ด้วย Keywords บางอย่างด้วย เช่น ของ Thai University Uniform จะมี Trigger Words ประมาณนี้

ดังนั้นเราอาจลองใส่ Trigger Words เข้าไปด้วยในวงเล็บ เพื่อเพิ่มความสำคัญนิดๆ นั่นคือ น้ำหนักเท่ากับค่า 1.1 ซึ่ง
- การใส่ (keyword) มีค่าเท่ากับ (keyword:1.1)
- 1.1 ในนี้คือน้ำหนักในการตีความ ซึ่งเกิน 1 ได้ (ไม่เหมือน LoRA ที่ได้แค่ 1 นะ)
- การใส่ ((keyword)) มีค่าเท่ากับ (keyword:1.21) เกิดจาก 1.1*1.1
แต่เราไว้ลงรายละเอียดพวกนี้ในบทความถัดไปนะ
```
beautiful thai girl wearing thai university uniform, (white shirt short sleeve), (black tight skirt) <lora:thaiUniversity_v10:1>
```
ผลจะได้แบบนี้ ซึ่งจะเริ่มมีชุดนักศึกษาโผล่มาแล้ว

และแน่นอนว่าเราสามารถเรียกใช้ LoRA หลายๆ อันใน Prompt เดียวกันได้ในรูปแบบต่อไปนี้
```
<lora:ชื่ออันแรก:น้ำหนักแรก>,<lora:ชื่ออันสอง:น้ำหนักสอง>,...
```
วิธีเรียกใช้ Textual Inversion

เราแค่เรียกใช้โดยใส่ Trigger Words เช่นกัน

เช่น ใส่ว่า ulzzang-6500-v1.1 หรือ (ulzzang-6500-v1.1) ก็ได้ ในที่นี้ผมใส่เป็น (ulzzang-6500-v1.1)

นี่มันอะไรกัน??? เอิ๊กกกก…

มี Model แต่ตั้งค่าไม่ดี = ไม่รอด

และเราก็เรียกใช้ Textual Inversion หลายๆ อันใน Prompt เดียวกันได้เช่นกันนะ ก็ Comma คั่นแต่ละตัวไป

ใส่ Model ครบแล้วทำไมยังไม่สวย?

แม้ว่าจะเรียกใช้ Model หลักและรองจนครบแล้ว แต่ทำไมภาพก็ยังออกมาไม่สวย? ทั้งนี้ก็เป็นเพราะยังมีปัจจัยเรื่องอื่นนอกจาก Model อยู่อีกยังไงล่ะ? เช่น
- การกำหนด Negative Prompt
- การกำหนดน้ำหนักความสำคัญ เช่น (Keyword:น้ำหนัก)
- การกำหนด Sampling Methods
- การกำหนด Sampling Steps
- และอื่นๆ อีกพอสมควร
เดี๋ยวผมจะลองปรับให้ดูคร่าวๆ ว่าถ้าใส่สิ่งต่างๆ พวกนี้ (โดยลองไม่เปลี่ยนเพิ่ม Prompt ปกติ ยกเว้นเรื่อง Weight) ผลลัพธ์จะเป็นยังไง?

เราจะพบว่าผลลัพธ์ออกมาดีขึ้นเยอะเลยครับ (ถ้าปรับรายละเอียด Prompt ดีๆ ก็จะสวยกว่านี้อีก)

มี Model และตั้งค่าเหมาะสม = สวย

อย่างไรก็ตาม ถึงเราตั้งค่าพวกนี้ทั้งหมด แต่ไม่ได้มีการโหลด Model อะไรมาเพิ่มเลย ก็จะผลลัพธ์ก็จะเป็นประมาณนี้ ซึ่งไม่ค่อยสวยเลย และนี่แหละคือความสำคัญของ Model ครับ

ไม่มี มี Model แต่ตั้งค่าเหมาะสม = ก็ไม่รอด

ตอนต่อไป

สำหรับตอนต่อไป ผมจะพูดถึงปัจจัยที่เหลือ เพื่อที่จะสร้างรูปให้สวยได้ดั่งใจต่อไปครับ โดยเฉพาะเรื่องการของการเขียน Prompt และการตั้งค่าต่างๆ รวมถึงการใช้ Extension เข้าช่วยเหลือ ใครที่อยากรู้วิธีทำให้ภาพสวยขึ้น พลาดไม่ได้!!

รวมบทความ Stable Diffusion
Model ที่อยากแนะนำ

(ไว้จะมาเพิ่มให้เรื่อยๆ นะครับ)

Civitai

Model หลัก
- ChilloutMix : เหมาะกับภาพแนวสมจริง สาวหน้าตาน่ารักสไตล์เน็ตไอดอลเอเชีย ซึ่งเป็นหนึ่งใน Model ที่ฮิตสุดๆ เพราะ Gen รูปได้สวยมากๆ (ต้องเปิดโหมด 18+)
- Protogen x3.4 (Photorealism) เป็นภาพแนวสมจริงนิดๆ ทำรูปได้หลากหลาย
- Realistic Vision V1.3 : เหมาะกับภาพแนวสมจริง หน้าตาแบบคนทั่วไปในชีวิตจริง ไม่ได้สวยน่ารักแบบ ChillOutMix
- Deliberate : ทำได้หลายแนว ค่อนข้างยืดหยุ่น
- Openjourney : รูปภาพสไตล์ของ MidJourney
- RPG : รูปแนว Fantasy สมจริง
LoRA

(พยายามอย่าเอาไป Gen ให้ผิดลิขสิทธิ์/กฏหมาย/ศีลธรรมนะ)
- ของไทย
  - Thai university uniform ชุดนักศึกษาไทย
  - Thai Massage Dress ชุดนวดไทย
  - Thai Traditional Dress ชุดไทย
- ของต่างชาติ
  - Gacha splash LORA
  - Painted Miniature Model Figure ของเล่น
  - Glass Sculptures ทำให้วัสดุเป็นแก้ว
  - Taters ทำให้เป็นมันบด… (คิดได้ไง)
  - marblesh LoRA Extraction ทำให้เป็นหินอ่อน
  - Anime-like Tarot Card Art Style LoRA ทำให้เป็นไพ่ทาโร่ห์อนิเมะ
มีเฉพาะใน Hugging Face
- anything-v4.0 : Model ที่สามารถ Gen ภาพแนวการ์ตูน Anime ญี่ปุ่นได้ค่อนข้างดี
วิธีโหลดจาก Hugging Face
- เข้าเว็บ https://huggingface.co/models?other=stable-diffusion
- เลือก Model ที่ต้องการ แล้วไปที่ Tab ชื่อ Files & Version
- กดโหลดไฟล์นามสกุล .SafeTensor เพื่อความปลอดภัย
March 2, 2023
วิธีใช้งาน AI สร้างรูปสุดเจ๋งและฟรีด้วย Stable Diffusion ฉบับมือใหม่ [ตอนที่1]
บทความนี้ก็เป็นการฉลอง Section ใหม่ของเว็บเทพเอ็กเซล นั่นก็คือ บทความเกี่ยวกับ AI นั่นเอง เพราะตอนนี้เทคโนโลยี AI กำลังมาแรงมากๆ (ทั้ง AI วาดรูป และ ChatGPT) ใครที่พลาดไม่ทันศึกษาอาจตกยุคหรืออาจถูกหลอกได้เลยนะ ดังนั้นใครไม่อยากพลาดความรู้ดีๆ ต้องรีบศึกษาแล้ว และไม่ช้า AI จะเข้ามาอยู่ในโปรแกรมทั่วไปอย่าง Excel มากขึ้นแน่นอน

เอาล่ะ เข้าเรื่อง AI วาดรูปล่ะ แม้ว่าก่อนหน้านี้ผมได้เคยเขียนบทความเกี่ยวกับการใช้งาน AI วาดรูป ตัวที่ชื่อว่า MidJourney ไปแล้ว ซึ่งมันจะเป็น AI วาดรูปที่ทรงพลังมากๆ ตัวนึง แต่ข้อเสียหลักๆ ที่ผมเจอก็คือ มันไม่สามารถ Customize ผลลัพธ์ได้ตามที่เราต้องการมากนัก (หรือได้ก็ต้องใช้ความพยายามมากๆ) ที่สำคัญคือ เราไม่สามารถเลือก Model การวาดรูปในแบบที่เราต้องการเป๊ะๆ ได้ ต้องใช้ Model ที่ Midjourney เตรียมไว้ให้เท่านั้น ซึ่งมีแค่ไม่กี่แบบ และอีกอย่างก็คือมันเสียค่าใช้จ่ายรายเดือนที่ค่อนข้างสูงเลยทีเดียว (เดือนละ 30 USD)

ในวันนี้ผมก็เลยมาแนะนำเครื่องมืออีกตัวนึง ชื่อว่า Stable Diffusion ซึ่งผมไปซุ่มหัดใช้งานมันมาประมาณ 1 week เต็มๆ ก็พอใช้งานมันได้ดีใช้ได้แล้วล่ะ ใช้ยากกว่า Midjourney นิดหน่อย แต่มีข้อดีมากมาย เลยจะมาแชร์ความรู้ให้ทุกคนรู้ด้วยครับ ^^

ซึ่ง Stable Diffusion เนี่ย ข้อดีที่ผมเห็นคือ
- ทำรูปได้หลากหลายสไตล์ ทั้งภาพสมจริงและการ์ตูน
- มี Model ให้เลือกมากมาย โหลดเพิ่มเสริมได้ แถมผสม Model เองได้อีก
- มัน Customize ภาพผลลัพธ์ได้ละเอียดมากๆ ถึงขนาดที่สามารถกำหนดหน้าตา ท่าทาง ชุด สถานที่ได้ทั้งหมด
- มีเครื่องมือเสริมและ Community เยอะแยะ ที่ช่วยให้การ Gen รูปง่ายขึ้นสะดวกขึ้น
- ที่สำคัญคือมันฟรี!! (บ้าไปแล้ววว)
ตัวอย่างรูปที่สร้างจาก AI ที่สร้างจากเครื่องมือ Stable Diffusion ซึ่งดูผ่านๆ อาจคิดว่าคนจริงก็ได้นะ

Screenshot จาก Post ของเพจ https://www.facebook.com/AiAngelGallery

Stable Diffusion คืออะไร?

Stable Diffusion คือ Machine Learning Model (AI) ที่สามารถเปลี่ยนข้อความที่เราป้อน ให้กลายเป็นรูปภาพตามที่เราสั่งได้ (ถ้าใครสนใจหลักการทางเทคนิคของเจ้า AI ตัวนี้ ไว้อนาคตจะมาลองสรุปให้ฟัง)

โดยที่มันถูกปล่อย Code และ Model ออกมาให้คนทั่วไปใช้ฟรี โดยปล่อยมาแบบ Open Source เลย แถมยอมให้คนเอาไปต่อยอดได้อีกไม่รู้จบ

ทำให้ตอนนี้ Stable Diffusion มาแรงมากๆ และมีเครื่องมือเสริมและการใช้งานให้เลือกได้มากมายแต็มไปหมด (แม้แต่ Midjourney ก็เอา Model ของ Stable Diffusion ไปผสมผสานนะ ตอนหลังๆ รูปใน MJ เลยสวยขึ้นมากๆ)

ความดีงามสุดๆ ของ Stable Diffusion คือมี Community ขั้นสุดยอดที่มี Model ใหม่ๆ เจ๋งๆ โผล่มาเพียบ ที่โดดเด่นที่สุดคือเว็บนี้ https://civitai.com/ ซึ่งจะขอแนะนำโดยละเอียดภายหลัง
- ต้องชี้แจงว่าในเว็บนี้หลายๆ Model เป็น 18+ นะ แต่มันจะแบ่งประเภทชัดเจน แล้วเรา Filter เลือกได้ว่าจะแสดงเฉพาะ Model แบบไหนที่เราสนใจได้ครับ
อย่างไรก็ตามจะใช้ Model ข้างบนพวกนี้ได้ จะต้องเลือกใช้วิธีการใช้งาน Stable Diffusion ที่รองรับการเพิ่ม Model แบบ Custom ได้ด้วย

วิธีการใช้งาน Stable Diffusion

การจะใช้งาน Stable Diffusion ได้เนี่ย มันมีหลายวิธี แต่ผมจะขอแนะนำ 4 วิธีแล้วกันครับ

ใช้ผ่าน Website ที่เค้าออกแบบมาให้ User ปกติใช้งานง่ายๆ

ข้อดีคือใช้งานง่ายสุดๆ แต่ข้อเสียก็คือ ปรับแต่งมากไม่ได้ ใช้ model customize แบบที่ตัวเองชอบไม่ได้
- https://stablediffusionweb.com/ แค่เข้าไปลองพิมพ์ prompt ก็ใช้ได้เลย ไม่ต้อง install อะไรเลยทั้งสิ้น แต่ข้อเสียคือปรับแต่งอะไรแทบไม่ได้เลย คือมี Advanced Option ที่ปรับอะไรได้น้อยมากๆ เลือก Model มาใช้ก็ไม่ได้ (ลองเข้าไปกดเล่นดูได้)
- https://beta.dreamstudio.ai/dream ตัวนี้มีลูกเล่นเยอะขึ้นมาหน่อย แต่ก็เลือก Model Custom เองไม่ได้ และสุดท้ายใช้ไปเรื่อยๆ Credit จะหมด คือต้องเสียเงินอยู่ดี (ตัวนี้จะคล้ายๆ Midjourney)
ลงโปรแกรมในเครื่องตัวเองไปเลย (Local Machine)

วิธีนี้ยืดหยุ่นสุดๆ ทรงพลังสุดๆ (ถ้าเครื่องแรง คือมีการ์ดจอ GPU ที่ดีพอ) และฟรีด้วย แต่ข้อเสียคือขั้นตอนจะยุ่งยากที่สุด เพราะต้องลงโปรแกรมในเครื่องตัวเองด้วย (ผมเองใช้วิธีนี้ครับ เดี๋ยวจะบอกวิธีลงให้ใน Section ถัดไป)

แต่ข้อเสียสำคัญของวิธีนี้ที่หลายคนจะติดก็คือ Computer ที่เราใช้ควรมีการ์ดจอที่ดีพอ (ไม่งั้นมันจะรันไม่ไหว) และควรมี Harddisk ที่ความจุเยอะๆ ด้วย (เพราะอาจต้องเก็บ Model หลายๆ ตัวไว้ใช้ แต่เรื่อง Harddisk ยังไม่จำเป็นเท่า GPU การ์ดจอ)

ป.ล. ผมเองใช้ Computer Gaming ที่มี GPU แยก ยิ่ง GPU มี VRAM เยอะๆ จะยิ่งดี ถ้าต่ำกว่า 8 GB จะทำอะไรลำบากแล้ว

ใช้ผ่าน Google Collab

อันนี้เหมาะกับคนที่อยากจะ Customize ได้เยอะๆ แต่ไม่มีคอมพ์ส่วนตัวที่ GPU (การ์ดจอ) ดีพอ แถมรันผ่านมือถือก็ได้ด้วย ซึ่งถ้าจะใช้ Google Colab ก็จะมีให้เลือกหลายตัว (แล้วแต่ว่าเราจะใช้ code ของใครมารัน Stable Diffusion)

–ใช้ฟรี แต่ถ้าโควตาหมดต้องรอ reset หรือไม่ก็เสียตังเพื่อใช้ Colab Pro ซึ่งก็ต้องเสียตังอีก

วิธีการใช้งานพวกนี้คือต้องรัน Cell ที่เก็บ code Python เอาไว้

ตัวมาตรฐาน จาก Stability.ai : https://colab.research.google.com/github/huggingface/notebooks/blob/main/diffusers/stable_diffusion.ipynb

ตัวยอดนิยม web ui ของ camenduru (แนะนำ)
แบบไม่ลง drive : https://github.com/camenduru/stable-diffusion-webui-colab
แบบลง drive : https://github.com/camenduru/stable-diffusion-webui-colab/tree/drive (แนะนำ)
Tutorial : https://www.youtube.com/watch?v=lGco45e9o5Y

ตัวยอดนิยม webui ของ Linaqruf (แนะนำ)
https://github.com/Linaqruf/sd-notebook-collection

ตัวยอดนิยม web ui ของ nolanaatama (แนะนำ)
https://github.com/nolanaatama/sd-1click-colab
Tutorial : https://www.youtube.com/@nolanaatama/videos

ตัวปรับใช้ง่ายของ TheLastBen : (วิธีการใช้)
https://colab.research.google.com/github/TheLastBen/fast-stable-diffusion/blob/main/fast_stable_diffusion_AUTOMATIC1111.ipynb

ตัวที่ปรับแต่งหน้าตาให้ใช้งานง่าย โดย Altryne : https://colab.research.google.com/github/altryne/sd-webui-colab/blob/main/Stable_Diffusion_WebUi_Altryne.ipynb

ใช้ผ่าน Mobile App ชื่อ Draw Things

ในมือถือ/ipad/Mac จะมี App ชื่อ Draw Things ซึ่งเป็นโปรแกรมที่ทำดีมากเลย ใช้ง่าย และ Customize ได้เยอะ แต่ควรใช้ในอุปกรณ์ที่แรงพอ เช่น iPad Pro หรืออะไรพวกนี้ เพราะถ้ารันในมือถือจะช้าพอสมควร หรืออาจจะรันไม่ผ่านด้วยซ้ำ (วิธีการใช้งาน)

ข้อดีคือ ตัวนี้สามารถโหลด Model และ Textual Inversion จากแหล่งอื่นมาใช้ได้ (เช่น Civitai ) ส่วนข้อเสียคือ ตอนนี้ยังไม่สามารถใช้ LoRA ได้ และน่าจะทำให้เครื่องมือถือหรือ Ipad ทำงานหนักมาก ไม่แน่ใจว่าระยะยาวจะส่งผลเสียแค่ไหน

ตกลงแล้วลงโปรแกรมแบบไหนดี?

โดยสรุป คือ ไม่มีวิธีไหนที่ทำได้ง่ายๆ ฟรีๆ แบบถาวรหรือครับ เพราะแบบที่บอกว่าลงเครื่องตัวเองแล้วฟรี ยังไงก็ต้องใช้เงินซื้อการ์ดจออยู่ดีนะ (การ์ดจอดีๆ ก็หลายหมื่นอยู่ครับ) หรือจะใช้ App Draw Things คุณก็ต้องมี Tablet แรงๆ อย่าง iPad ไม่งั้นก็ไม่ไหว ซึ่งบางทีแพงกว่าคอมพ์อีก 555 หรือแม้แต่ Google Colab ในที่สุดก็จะโควต้าหมดจนต่างจ่ายเงิน

ดังนั้นทุกอย่างมี cost ของมันนะ อันนี้ต้องทำใจ
- ถ้าให้แนะนำคือ หากมีเครื่องคอมพ์ดีๆ GPU แรงๆ ให้ลงในเครื่องตัวเองครับ เจ๋งสุด
- ถ้าไม่มีคอมพ์แรงๆ แนะนำให้ใช้ Google Colab จะยืดหยุ่นเหมือนลงเครื่องตัวเองด้วย
- ถ้าใช้ Colab แล้วยากไป ให้ใช้ Draw Things ผ่าน ipad/mac
ทั้งหมดนี้คือความเห็นส่วนตัวครับ

งั้นต่อจากนี้ผมจะอธิบายวิธีที่ยืดหยุ่นสุด และเป็นวิธีที่ผมใช้จริง คือ ลงโปรแกรมในคอมพ์ตัวเองนะครับ

วิธีใช้งาน Stable Diffusion แบบลงในเครื่องคอมพ์ตัวเอง

สำหรับวิธีที่จะลง Stable Diffusion ในคอมพ์ตัวเอง (ซึ่งต้องมี GPU การ์ดจอที่ดีพอด้วย) แบบที่นิยมมากที่สุด คือใช้ผ่านเครื่องมือที่เรียกว่า Automatic 1111 Stable Diffusion Web UI (เพราะเค้าเขียนโปรแกรมให้สั่งงาน Stable Diffusion แบบใช้ง่ายให้เราแล้ว) ซึ่งในเว็บนั้นจะมีทั้งไฟล์ประกอบที่ต้องใช้ และมีขั้นตอนการลงโปรแกรมทั้งหมดให้ด้วย

คลิปประกอบวิธีการลงโปรแกรม

วิธีที่แนะนำ

วิธีนี้เราต้องลงโปรแกรม Python และโปรแกรม Git (แบบ install ปกติ ไม่ใช่ portable) ก่อน แล้วค่อยโหลดเจ้า Automatic 1111 อีกที ซึ่งวิธีทำตามคลิปได้เลย

ที่สำคัญห้ามลืมคือ ตอนกด Install ต้องติ๊กเลือก “Add Python to PATH”

วิธีคนขี้เกียจ

วิธีนี้แค่โหลดไฟล์ zip มาแล้วรันไฟล์ที่กำหนดแล้วรอ โดยไม่ต้องลง python กับ git เลยด้วยซ้ำ (มันจะโหลดให้เอง) อย่างไรก็ตามในระยะยาวผมไม่แน่นใจว่าจะมีปัญหาอะไรหรือไม่ ดังนั้นให้ใช้ในฐานะวิธีสำรองแล้วกัน

สำหรับเครื่อง Mac อาจมีบางอย่างต่างไปเช่นกัน ลองดูในนี้น่าจะดีกว่า

ขั้นตอนการลงโปรแกรม (เท่าที่จำเป็น)

เครื่องผมเป็นการ์ดจอที่มี GPU Nvidia นะครับ สำหรับคนที่ใช้การ์ดจอ AMD อาจต้องมีการลงโปรแกรมที่ต่างออกไปเล็กน้อย เช่น Link นี้, Link นี้
- ต้องลงโปรแกรม Python (3.10.x)
  - สำคัญคือ ตอนกด Install Python ต้องติ๊กเลือก “Add Python to PATH”
- ลงโปรแกรม Git (แบบ install ปกติ ไม่ใช่ portable) ซึ่ง Next รัวๆ ได้
- สร้าง Folder ที่ต้องการ เช่น MySDFolder จากนั้นเข้าไปใน Folder
- เข้าไปใน navigation bar แล้ว Click ซ้าย 1 ทีแล้วพิมพ์ cmd กด enter เพื่อเข้า cmd prompt (อย่าเพิ่งช๊อค ทำตามไปก่อน 555)
พิมพ์ใน cmd prompt ตามนี้ (ใช้ copy paste เอาได้) แล้วกด Enter
```
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
```
โปรแกรมจะโหลดไฟล์จาก AUTOMATIC1111/stable-diffusion ที่เรากำหนด

ขั้นตอนการโหลด Model

ขั้นตอนนี้ข้ามได้ ถ้าเราไม่ได้โหลด Model อะไรเลย เดี๋ยวโปรแกรมมันโหลดให้เองตอนรัน webui-user.bat ที่อยู่ใน Folder ชื่อ stable-diffusion-webui

บอกไว้ก่อนว่าเราสามารถโหลด Model จาก Civitai มาเพิ่มได้อีกครับ ซึ่งใครๆ ก็โหลด เพราะ Model พื้นฐานของ Stable Diffusion มัน Generate ได้ไม่สวยหรอก

วิธีการ Run โปรแกรม Stable Diffusion Web UI

หลังจากติดตั้งตามขั้นตอนข้างบนแล้ว ให้ดับเบิ้ลคลิ๊กเพื่อรันไฟล์ชื่อ webui-user.bat ที่อยู่ใน Folder ชื่อ stable-diffusion-webui (ที่โปรแกรมสร้างให้นอกสุด)

ครั้งแรกจะมี Script อะไรโผล่มาเยอะแยะ (อย่าเพิ่งช๊อค) และจะรันนานหน่อย (ครั้งถัดไปจะเร็วขึ้น)

ให้รอจนมันขึ้น
```
Running on local URL:  http://127.0.0.1:7860

To create a public link, set `share=True` in `launch()`.
```
แบบนี้ถือว่า Install จบแล้ว

ลองใช้งานครั้งแรก

แนะนำให้คลิ๊ขวา Edit ไฟล์ web user-ui.bat โดยเพิ่ม parameter
- –autolaunch เอาไว้ทำให้รันแล้วไม่ต้องไปคลิ๊ก URL เอง ก็สะดวกดี
- –xformers สำหรับคนที่มีการ์ดจอ Nvidia ที่ไม่ได้เก่าเกินไปตรงนี้เข้าไป จะช่วยให้ Generate เร็วขึ้นพอสมควรเลยครับ
```
set COMMANDLINE_ARGS=--xformers --autolaunch
```
หลังจากลงโปรแกรมเสร็จ ให้เรารันไฟล์ web user-ui.bat แล้วถ้ามันเข้าหน้าเว็บเลยก็ ok แต่ถ้ามันขึ้นจอดำๆ อย่างเดียว ก็ให้ กดปุ่ม Ctrl ค้าง แล้วคลิ๊กซ้ายไปที่ URL http://127.0.0.1:7860 ได้เลย มันจะเปิด Stable Diffusion Web UI ขึ้นมา ซึ่งนี่แหละคือหน้าจอโปรแกรมที่เราจะใช้

ทีนี้เพื่อเป็นการฉลองการติดตั้งโปรแกรม เราจะลอง Generate รูปขึ้นมาซักอัน (โดยไม่ต้องแก้ค่า Setting อะไรทั้งสิ้น) ด้วยคำว่า
```
Siamese cat waling on a beach
```
แล้วกัน โดยพิมพ์เข้าไปใน Image Prompt ในส่วนของ Tab ที่เขียนว่า txt2img แล้วกดปุ่ม Generate ปุ่มส้มๆ ที่ด้านขวาเลย

เท่านี้มันก็จะสร้่างรูปแมวไทยเดินบนชายหาดขึ้นมา ถ้าขึ้นรูปมาแสดงว่าสำเร็จแล้ว (รูปของคุณอาจไม่เหมือนของผม เพราะมันยังมีการใช้ Seed แบบ Random อยู่)

ถ้าใครทำให้รูปขึ้นมาได้ถือว่าสำเร็จ! ยินดีด้วย ตอนนี้คุณลง Stable Diffusion ในเครื่องตัวเองได้แล้วล่ะ

คราวนี้เราลองมาให้มัน Generate รูปผู้หญิงไทยสวยๆ กัน ลองใส่ Prompt ว่า
```
Beautiful Thai woman sitting in coffee shop
```
เราจะพบว่าผลลัพธ์ที่ออกมา ก็เป็นรูปผู้หญิงไทยนั่งใน Coffee Shop นั่นแหละ แต่มันดูไม่เห็นสวยเลยซักนิด รูปดูไม่มีคุณภาพเลย (ถ้าเทียบกับ MidJourey นะ จะสวยกว่ามากๆ)

ทำไมออกมาธรรมดามากๆ

ป.ล. รูปทุกอันที่ Gen ออกมาจะอยู่ใน Folder Outputs โดยอันโนมัตินะครับ

ทำยังไงรูปถึงจะสวย?

การที่รูปจะสวยหรือไม่นั้น ขึ้นอยู่กับหลายๆ อย่างพอสมควร มันไม่ใช่แค่ว่ามี Prompt ที่ดีแล้วรูปจะสวยได้ตามต้องการนะครับ

ถ้าให้ผม List ปัจจัยที่จะทำให้รูปสวยออกมาก็จะมีดังนี้
- ตัว Model หลักที่ใช้ : ตอนนี้เราใช้ Model มาตรฐาน คือ sd v1.4 ปกติเลย
- ตัว Model เสริม เช่น Lora, Textual Inversion (ซึ่งตอนนี้เราไม่ได้ใช้เลย )
- Text Prompt ที่ใส่เข้าไป : เป็นคำบรรยายว่าเราต้องการรูปอะไร เข่น ต้องอธิบายตัวละคร หรือ object ที่เราต้องการ ฉากหลัง แสง เทคนิคด้านศิลป์ต่างๆ มากมาย
- Negative Prompt ที่ใส่เข้าไป : ว่าเราไม่ต้องการอะไรในรูป
- Setting ต่างๆ ในหน้าจอ : ซึ่งเยอะมากๆ ตัวหลักๆ ที่มีผลมาก คือ Resolution ของรูป, Sampling method, Sampling steps, CFG Scales เป็นต้น
- ส่วนเสริม Extension ต่างๆ เช่น ที่ดังมากๆ คือ ControlNet ที่เอาไว้ควบคุมท่าทาง รวมถึงพวก x/y/z plot ที่เอาไว้ทดสอบค่าต่างๆ ได้ว่าตั้งค่าเท่านี้ๆ ผลจะออกมายังไง
- โชค : ยังไงหลักการขอการ Gen รูป มันมีปัจจัยเรื่องการ Random อยู่ด้วย ยังไงต้องมีโชคบ้างนิดหน่อย (ถ้ามีความรู้มาก ก็ไม่จำเป็นต้องใช้โชคเยอะ)
นอกจากนี้ยังมีเทคนิคการสั่ง AI อีกมากมาย เช่น นอกจากจะใช้ txt2img (text to image) แล้ว ยังมี img2img (image to image) ที่รองรับการ inpaint หรือให้ AI แก้เฉพาะจุดได้

ทั้งหมดนี้ ผมจะสอนในบทความถัดไปนะครับ สำหรับตอนนี้ ผมจะ Generate ให้ดูว่า ถ้าเราตั้งค่าได้อย่างถูกต้อง (และมี Model หลักและเสริมครบถ้วน) การจะได้รูปผู้หญิงนั่งที่ร้านกาแฟจะออกมาเป็นยังไง?

นี่ครับ แม้จะยังไม่ Perfect แต่สวยขึ้นเยอะ

ตอนต่อไป

ดังนั้นใครอยากรู้วิธีเขียน Prompt, Model เจ๋งๆ รวมถึงวิธีตั้งค่าแต่ละอันโดยละเอียด ก็โปรดติดตามตอนต่อไปได้เลย รับรองสนุกแน่ครับ!

รวมบทความ Stable Diffusion
February 28, 2023

Order-ID	Date	Product-Name	Unit-Cost	Unit-Price	Quantity
ORD-001	1/4/2023	Laptop	500	700	3
ORD-002	2/4/2023	Monitor	100	150	5
ORD-003	4/4/2023	Keyboard	20	35	10
ORD-004	5/4/2023	Mouse	10	25	7

10 ไอเดีย เรียนรู้ Excel ผ่าน ChatGPT AI สุดเจ๋ง

ในบทความนี้ผมจะมาแนะนำ 10 ไอเดียเด็ด วิธีใช้ ChatGPT ช่วยให้เราเก่ง Excel โดยใช้เจ้า AI ที่ดังสุดๆ ในตอนนี้อย่าง ChatGPT มาช่วย พร้อมตัวอย่างของแต่ละไอเดียครับ

ChatGPT คืออะไร?

สำหรับคนที่ยังไม่รู้จักนะ ChatGPT เป็น AI (Artificial Intelligence) ด้านภาษาขั้นสูงที่พัฒนาโดย OpenAI เป็นเครื่องมืออัน ทรงพลังสำหรับการ Chat ด้วยลักษะของข้อความ ซึ่งสามารถตอบคำถามและให้คำแนะนำได้หลากหลาย

ChatGPT ได้รับการฝึกฝนเกี่ยวกับคลังข้อมูลข้อความจำนวนมหาศาลจากอินเทอร์เน็ต ทำให้สามารถทำความเข้าใจและสร้างข้อความในรูปแบบต่างๆ มากมาย

ข้อดีอย่างหนึ่งของ ChatGPT คือความสามารถในการให้ข้อมูลและคำแนะนำที่เป็นประโยชน์ในหัวข้อต่างๆ รวมถึง Microsoft Excel ด้วย

เมื่อใช้ ChatGPT เพื่อเรียนรู้ Excel เราสามารถจะได้รับการช่วยเหลือแบบเรียลไทม์ ฝึกฝนกับข้อมูลตัวอย่าง และเรียนรู้ผ่านโครงการและกิจกรรมที่ต้องลงมือปฏิบัติจริงได้ด้วย

โดยรวมแล้ว ChatGPT เป็นเครื่องมืออเนกประสงค์และมีค่าสำหรับทุกคนที่ต้องการพัฒนาทักษะ Excel และเพิ่มพูนความรู้ด้านซอฟต์แวร์ ไม่ว่าคุณจะเป็นผู้เริ่มต้นหรือผู้ใช้ขั้นสูง ChatGPT สามารถช่วยให้คุณเรียนรู้และเชี่ยวชาญ Excel ได้อย่างสนุกสนานมากขึ้นกว่าเดิม

วิธีการใช้งาน ChatGPT

ต่อไปนี้เป็นขั้นตอนในการใช้แพลตฟอร์มบนเว็บ OpenAI เพื่อคุยกับ ChatGPT

ไปที่เว็บไซต์ OpenAI ChatGPT: https://chat.openai.com/
เข้าสู่ระบบ หรือ สมัครสมาชิกบัญชี ซึ่งสามารถใช้ Google ACcount หรือ Microsoft Account ก็ได้
เริ่มใช้ ChatGPT ได้โดยพิมพ์ Chat หรือที่เรียกว่า “พรอมต์” ซึ่งก็คือประโยคหรือคำถามที่คุณส่งไปยัง ChatGPT เพื่อเริ่มการสนทนา
- ป.ล. แม้จะพิมพ์ไทยได้ แต่แนะนำให้ใช้ภาษาอังกฤษ จะ Work กว่ามาก (ใครไม่ถนัด eng ควรหัดนะ แต่ถ้าไม่ได้จริงๆ ก็ Google Translate ได้ครับ)
อ่านผลการตอบกลับ : ChatGPT จะทำการตอบกลับตามข้อความแบบเดียวกับการคุยกับมนุษย์เลย คุณสามารถอ่านคำตอบและใช้ข้อมูลเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับ Excel หรือรับความช่วยเหลือเกี่ยวกับปัญหาเฉพาะได้
ทำซ้ำตามต้องการ: คุณสามารถพิมพ์พร้อมต์ใน ChatGPT ต่อไปเพื่อรับข้อมูลเพิ่มเติมและคำแนะนำในขณะที่คุณทำงานผ่านเส้นทางการเรียนรู้ของ Excel

แค่นั้นแหละ! ด้วยขั้นตอนง่ายๆ เหล่านี้ คุณจะสามารถเริ่มใช้แพลตฟอร์มบนเว็บของ OpenAI เพื่อโต้ตอบกับ ChatGPT และรับความช่วยเหลือเกี่ยวกับการศึกษา Excel ของคุณได้แล้ว

ตัวอย่าง

คือมันจะเป็น Chat ถามตอบ คิดซะว่าคุยกับเพื่อนชาวต่างประเทศคนนึงที่รอบรู้เกือบทุกเรื่องละกัน (แต่เพื่อนคนนี้อาจตอบผิดบ้างนะ อยา่เชื่อ 100% ต้องทดสอบด้วย)

10 ไอเดีย เรียนรู้ Excel ผ่าน ChatGPT AI สุดเจ๋ง 443

ความเจ๋งคือ เราสามารถคุยโต้ตอบกับมันได้ และมันสามารถจำเรื่องที่คุยไปก่อนหน้าได้ ดังนั้นมันจึง flexible มากๆ เลย

เอาล่ะ เรามาดูตัวอย่าง การใช้ ChatGPT ในการเรียนรู้ Excelกันดีกว่า ว่ามีอะไรน่าสนใจบ้าง

Idea การใช้ ChatGPT

ช่วยแนะนำเกี่ยวกับสูตรและเครื่องมือต่างๆ

แนวทาง

เราสามารถถามวิธีทำสิ่งที่ต้องการไปได้เลย โดยที่ไม่จำเป็นต้องรู้ว่าจะใช้ฟังก์ชันอะไรด้วยซ้ำ ที่สำคัญคือ เราต้องลองทำจริงๆ เพราะบางครั้ง ChatGPT ก็มั่ว 555 (โดยเฉพาะพวกคีย์ลัดต่างๆ เนี่ยตัวตอบมั่วเลย)

10 ไอเดีย เรียนรู้ Excel ผ่าน ChatGPT AI สุดเจ๋ง 444

คำถาม

what formula to get text after space in excel

คำตอบ

If you want to extract the text after a space in Excel, you can use the RIGHT or MID functions. Here’s how you can use each function:

RIGHT function: The RIGHT function returns the specified number of characters from the end of a text string. To extract the text after the first space, you can use the following formula:

=RIGHT(A1,LEN(A1)-FIND(" ",A1))

Where:

A1 is the cell containing the text string.
LEN(A1) returns the length of the text string.
FIND(” “,A1) returns the position of the first space in the text string.

MID function: The MID function returns a specific number of characters from a text string, starting at a specified position. To extract the text after the first space, you can use the following formula:

=MID(A1,FIND(" ",A1)+1,LEN(A1))

Where:

A1 is the cell containing the text string.
FIND(” “,A1) returns the position of the first space in the text string.
LEN(A1) returns the length of the text string.

These formulas will return the text after the first space in the text string. If you need to extract text after more than one space, you’ll need to nest these functions to perform multiple searches and extractions.

I hope this helps! Let me know if you have any further questions about extracting text in Excel.

ให้มันช่วยแก้สูตรที่เขียนผิดให้

แนวทาง

บางทีเราเขียนสูตรแล้ว error หรือขี้เกียจเขียนให้ถูก syntax ก็ลองให้มันช่วยแก้ให้ได้เลย เจ๋งดีครับ

10 ไอเดีย เรียนรู้ Excel ผ่าน ChatGPT AI สุดเจ๋ง 445

คำถาม

can you help me fix formula =INDEX G3:G17 MATCH K3 E3:E17

คำตอบ

The formula you provided seems to have some errors. The correct formula should be:

=INDEX(G3:G17, MATCH(K3, E3:E17, 0))

The INDEX function retrieves a value in a specified range (G3:G17), based on the row number specified by the MATCH function. The MATCH function returns the relative position of a value (K3) within a specified range (E3:E17). The third argument of the MATCH function, 0, specifies an exact match.

Make sure to check the range and value references in your formula to ensure they are correct.

สร้างข้อมูลตัวอย่างใช้ฝึกฝนฝีมือ

แนวทาง

เราสามารถบอกให้มันทำข้อมูล Mockup แบบที่เราต้องการได้ เช่น มี heading อะไรบ้าง รายละเอียดเป็นยังไงก็ระบุได้หมด ถ้ายังทำไม่ตรงใจเรา ก็สามารถสั่งให้มันแก้ได้อีกจนกว่าเราจะพอใจ

คำถาม

please help create 10 rows mockup data about online shopping transaction as a table format

คำตอบ

Here is a mockup data of 10 rows of online shopping transactions in table format:

Date	Item	Price
1/1/2023	Shoes	$100
1/2/2023	Shirts	$50
1/3/2023	Bags	$75
1/4/2023	Sunglasses	$25
1/5/2023	Books	$20
1/6/2023	Gadgets	$150
1/7/2023	Jackets	$80
1/8/2023	Headphones	$35
1/9/2023	Watches	$200
1/10/2023	Backpacks	$60

i want some duplicated date and item. and also need qty column

Here is a mockup data of 10 rows of online shopping transactions in table format with duplicated dates and items and a quantity column:

Date	Item	Price	Qty
1/1/2023	Shoes	$100	2
1/2/2023	Shirts	$50	3
1/3/2023	Bags	$75	1
1/4/2023	Sunglasses	$25	5
1/4/2023	Sunglasses	$25	2
1/5/2023	Books	$20	1
1/6/2023	Gadgets	$150	2
1/7/2023	Jackets	$80	1
1/8/2023	Headphones	$35	3
1/9/2023	Watches	$200	1

ok, please add non dup transaction id

Sure, here’s the mockup data of 10 rows of online shopping transactions in table format with duplicated dates and items, a quantity column, and a non-duplicated transaction ID:

Transaction ID	Date	Item	Price	Qty
T0001	1/1/2023	Shoes	$100	2
T0002	1/2/2023	Shirts	$50	3
T0003	1/3/2023	Bags	$75	1
T0004	1/4/2023	Sunglasses	$25	5
T0005	1/4/2023	Sunglasses	$25	2
T0006	1/5/2023	Books	$20	1
T0007	1/6/2023	Gadgets	$150	2
T0008	1/7/2023	Jackets	$80	1
T0009	1/8/2023	Headphones	$35	3
T0010	1/9/2023	Watches	$200	1

นี่ไง พอใช้ได้ตามที่เราต้องการแล้ว จากนั้นเราจะเอาข้อมูลนี้ไปฝึกอะไรก็ตามใจ

ทำงานอัตโนมัติด้วยโค้ด VBA

แนวทาง

เราสามารถถาม VBA Code จาก ChatGPT ได้เลย แค่บอกว่าต้องการอะไร

คำถาม

i want vba code to change tab color for all sheets to be yellow except sheet name “config”

คำตอบ

Here’s a VBA code that changes the tab color for all sheets in an Excel workbook to yellow, excluding the sheet named “Config”:

Sub ChangeTabColor()
    Dim ws As Worksheet
    For Each ws In ThisWorkbook.Sheets
        If ws.Name <> "Config" Then
            ws.Tab.Color = RGB(255, 255, 0)
        End If
    Next ws
End Sub

To use this code, follow these steps:

Open the Excel workbook you want to modify.
Press “Alt + F11” to open the VBA editor.
In the editor, select “Insert” from the menu bar and then select “Module”.
Copy and paste the code into the new module.
Save and close the VBA editor.
Back in the Excel workbook, press “Alt + F8” to open the macro dialog box.
Select the “ChangeTabColor” macro and click “Run”.

This will change the tab color for all sheets in the workbook to yellow, except for the sheet named “Config”.

จำลองการสัมภาษณ์งาน และข้อสอบต่างๆ

แนวทาง

เราสามารถซ้อมตอบคำถาม Excel เวลาจะไปสัมภาษณ์งาน หรือทำข้อสอบเกี่ยวกับ Excel ก็ได้

คำถาม

please create Mock up job interview that test my excel knowledge in variety of excel abilities

คำตอบ

Sure, here is a list of mock job interview questions that could test a variety of Excel abilities:

Can you explain the difference between absolute and relative cell referencing?
How would you create a chart in Excel to visualize data?
Can you walk me through the steps to use the VLOOKUP function in Excel?
Can you explain how to use conditional formatting in Excel?
How would you set up a budget tracking spreadsheet in Excel?
Can you demonstrate how to use Pivot Tables in Excel?
Can you explain the difference between the IF and IFERROR functions in Excel?
How would you use the INDEX and MATCH functions together to extract data from a table in Excel?
Can you show how to create a drop-down list in Excel?
How would you automate a process in Excel using a macro?
Can you explain how to use the Solver tool in Excel?
Can you walk me through the steps to create a data validation rule in Excel?
How would you set up a loan amortization table in Excel?
Can you explain how to use the SUMIF and SUMIFS functions in Excel?
How would you use the Text to Columns feature in Excel to split text data into separate columns?

Note: You may tailor these questions to match your Excel knowledge level or the specific requirements of the job you’re interviewing for.

ฝึกฝน Excel ในรูปแบบเล่นเกมตอบคำถาม

แนวทาง

อันนี้คล้ายกับ Job Interview แต่ว่าเราอยากจะตอบเป็น Choice แล้วให้มันบอกว่าเราตอบถูกหรือผิด

คำถาม

please ask me choice-based quiz about excel knowledge. let me choose the choice then tell me if my answer is correct or not. one by one question, show my accum score after each question

คำตอบ

Sure, here is the first question:

Question 1: What is the purpose of the SUM function in Excel?

A) To find the average of a range of cells
B) To find the total of a range of cells
C) To find the minimum value in a range of cells
D) To find the maximum value in a range of cells

Please enter A, B, C, or D.

เรา :

ChatGPT :

Correct! The SUM function is used to find the total of a range of cells.

Your current score is 1.

Here is the next question:

Question 2: What is the shortcut key to apply the AutoSum formula in Excel?

A) Alt + =
B) Ctrl + =
C) Shift + =
D) Ctrl + Alt + =

Please enter A, B, C, or D.

เรา :

ChatGPT :

Correct! The shortcut key to apply the AutoSum formula in Excel is Alt + =.

Your current score is 2.

Here is the next question:

Question 3: How do you create a pivot table in Excel?

A) Select the data, go to the “Data” tab, click the “Sort & Filter” button, and choose “Sort Ascending”
B) Select the data, go to the “Data” tab, click the “PivotTable” button, and choose “PivotTable”
C) Select the data, go to the “Insert” tab, click the “Table” button, and choose “PivotTable”
D) Select the data, go to the “Home” tab, click the “Sort & Filter” button, and choose “Sort Descending”

Please enter A, B, C, or D.

แล้วเราก็เล่นแบบนี้ไปเรื่อยๆ ได้เลยครับ 555

แนวทางหรือ Best Pratice ในการแก้ปัญหา

คำถาม

what is correct way to design database before pivot

คำตอบ

Designing a database before creating a pivot table is an important step in ensuring that the pivot table is accurate and effective. The following are best practices for designing a database before using a pivot table:

Organize the data: Make sure that the data is organized in a clear and logical manner, with consistent and meaningful column and row headers.
Remove duplicates: Remove any duplicate records to avoid skewing the results of the pivot table.
Standardize data formats: Ensure that all data is formatted consistently and accurately, such as date and currency formats.
Use proper data types: Assign appropriate data types to each column to ensure that Excel can accurately manipulate the data.
Create meaningful labels: Create meaningful and descriptive labels for each column to help clarify the data.
Normalize the data: Normalize the data by breaking it down into smaller, more manageable tables, and establishing relationships between the tables.
Sort the data: Sort the data in a logical and meaningful manner to help Excel quickly and accurately manipulate the data.
Add calculated columns: Add calculated columns, if needed, to help provide additional insights into the data.

By following these best practices, you can ensure that your database is well-designed and optimized for use with pivot tables.

ไอเดียวิเคราะห์ข้อมูลเชิงลึกที่น่าสนใจ

คำถาม

what is interesting way to analyze hr employee data to get meaningful insights

คำตอบ

To analyze HR employee data and gain meaningful insights, here are some interesting approaches:

Demographic analysis: Analyze the age, gender, education, and other demographic data of your employees to understand the makeup of your workforce.
Turnover analysis: Track and analyze employee turnover rates to identify any trends or patterns and determine if there are any factors contributing to high turnover.
Performance analysis: Use data on employee performance, such as performance ratings, to identify any trends or patterns and determine which employees are outperforming their peers.
Skills analysis: Analyze the skills and experience of your employees to determine which skills are most important for your organization and where there may be skill gaps.
Engagement analysis: Measure and analyze employee engagement to determine the factors that contribute to high engagement levels and identify areas for improvement.
Compensation analysis: Analyze compensation data to determine if there are any disparities in pay based on gender, race, or other factors.

By using these approaches, you can gain a deeper understanding of your workforce and make data-driven decisions to improve HR processes and employee experiences.

ช่วย Brainstorm Idea แนะนำ Project ที่น่าทำ

คำถาม

i want to create excel project that not too difficult, what should i do, please give me 10 project idea

คำตอบ

Sure! Here are 10 simple Excel project ideas:

Personal Budget Tracker: Create a spreadsheet to track your income and expenses.
Meal Planner: Create a spreadsheet to plan and track your weekly meals, including grocery shopping list.
Monthly Bill Tracker: Create a spreadsheet to keep track of all your monthly bills, including due dates and payment status.
Investment Tracker: Create a spreadsheet to track your investment portfolio, including stock prices, returns, and dividends.
Time Tracker: Create a spreadsheet to track how you spend your time, including work, leisure, and sleep.
Exercise Tracker: Create a spreadsheet to track your exercise routine, including type of exercise, duration, and calorie burn.
Home Inventory: Create a spreadsheet to catalog your belongings, including make, model, purchase date, and value.
Weight Tracker: Create a spreadsheet to track your weight loss or gain, including diet, exercise, and other factors.
Book Tracker: Create a spreadsheet to track books you have read, including title, author, genre, and rating.
Project Planner: Create a spreadsheet to plan and track a personal or work project, including tasks, deadlines, and progress.

แหล่งเรียนรู้ Excel เพิ่มเติมในเรื่องที่สนใจ

คำถาม

who is top 5 experts in power query

คำตอบ

It’s difficult to determine the exact top 5 experts in Power Query as it can be subjective and based on various factors such as their contribution to the community, expertise, recognition, and online presence. However, some of the well-known names in the Power Query community are:

Ken Puls
Chris Webb
Matt Allington
Miguel Escobar
Avi Singh

ความเห็นเกี่ยวกับ AI

และนี่ก็เป็น 10 ไอเดียในการใช้ ChatGPT ช่วยทำให้เราเรียนรู้ Excel ได้ดีขึ้น จะเห็นว่าทักษะสำคัญมากๆ ตอนนี้ก็คือภาษาอังกฤษนะครับ เพราะมันจำเป็นสำหรับการสื่อสารกับ AI เป็นอย่างมาก

และอย่าลืมว่า เรื่อง AI มันจะมาแน่ๆ ในทุกมิติของการใช้โปรแกรมต่างๆในอนาคต และอีกไม่นาน Excel เองก็จะมี AI ที่เก่งมากๆ มาช่วยเราจัดการข้อมูลแน่นอน

จริงๆ ปัจจุบัน Excel ก็มี AI อยู่แล้วนะ เช่น Flash Fill, Column From Example หรือแม้แต่ ปุ่ม Analyze Data แต่เราอาจยังไม่ค่อยได้ใช้ เพราะมันยังไม่เก่งมาก แต่มันจะเก่งขึ้นแน่ๆ

ดังนั้น ในอนาคต นอกจากที่จะต้องวิเคราะห์ข้อมูลเก่งแล้ว เราอาจจะต้องมาฝึกฝนวิธีการสั่งงาน AI ให้ได้ดั่งใจด้วยเช่นกัน หึหึ

สำหรับประเด็นเรื่องที่ AI เก่งมากจนจะมาแทนที่งานของมนุษย์นั้น ผมเห็นว่าก็มีความเป็นไปได้สูงสำหรับงานที่ค่อนข้าง Routine ไม่ได้ใช้ความสามารถในการวิเคราะห์อะไรที่มันลึกซึ้งมากนัก แต่สำหรับคนที่มีฝีมืออยู่แล้ว การมี AI มาเนี่ยจะช่วยเพิ่มประสิทธิภาพให้คนนั้นได้มหาศาล ดังนั้นในตอนนี้เรายังพอมีเวลาฝึกฝนตัวเองให้มีความสามารถที่เฉียบคมขึ้นได้ จะได้สั่ง AI ได้ดีขึ้น ไม่ใช่ให้มันมาแทนที่เรา

ป.ล. รูปปกของบทความนี้ ผมก็ใช้ AI ชื่อ MidJourney สร้างขึ้นมาได้แบบสบายๆ ตอนนี้โลกมันไปไกลมาจริงๆ ครับ (ผมเคยเขียนบทความวิธีใช้แบบละเอียดไว้ด้วย แม้ตอนนี้จะมีตัว version ใหม่แล้ว แต่หลักการในบทความยังใช้ได้อยู่)

10 ไอเดีย เรียนรู้ Excel ผ่าน ChatGPT AI สุดเจ๋ง 446

February 13, 2023

การทำ Simulation ด้วย Excel
Simulation คืออะไร?

Simulation คือการใช้ Model หรือแบบจำลองที่ใช้ความสัมพันธ์ทางคณิตศาสตร์ มาช่วยคำนวณผลลัพธ์ของสิ่งที่เราสนใจ โดยที่หากเราสามารถสร้างแบบจำลองที่แม่นยำใกล้เคียงกับความเป็นจริง เราก็จะสามารถใช้แบบจำลองช่วยทำนายผลลัพธ์ที่อาจจะเกิดขึ้นได้ด้วย ซึ่งจะช่วยให้เราสามารถตัดสินใจได้ดียิ่งขึ้น

จริงๆ แล้วเราก็ใช้ Excel คำนวณเรื่องต่างๆ ตามปกติอยู่แล้ว เช่น คำนวณผลกำไรของธุรกิจ คำนวณพื้นที่ คำนวณปริมาตร แต่เรามักจะใช้ Input ของสูตรเป็นค่าที่มีความแน่นอนไปเลย เช่น
```
ผลกำไรของธุรกิจ = รายได้รวมรวม - ค่าใช้จ่ายรวม
```
หากคำนวณผลกำไรของธุรกิจที่เกิดขึ้นแล้ว ก็เอารายได้จริง ลบ ค่าใช้จ่ายจริง ไปเลย แบบนั้นก็ไม่ต้องมาทำ Simulation อะไรทั้งสิ้น
```
ผลกำไรของธุรกิจ (แน่นอน) =  
รายได้รวมรวม (แน่นอน) - ค่าใช้จ่ายรวม (แน่นอน)

//แบบนี้คำนวณตรงๆ ไปเลยไม่ต้องใช้ Simulation
```
แต่ถ้าเราจะคำนวณผลกำไร ที่อาจจะเกิดขึ้นในอนาคต ซึ่งเป็นเรื่องที่ไม่แน่นอน แบบนี้เราสามารถใช้การทำ Simulation เพื่อจำลองว่า ยอดขายหรือต้นทุนที่มีโอกาสเกิดขึ้นได้หลายค่านั้นจะออกมาเป็นเช่นไร
```
ผลกำไรของธุรกิจ (ไม่แน่นอน) =  
รายได้รวมรวม - ค่าใช้จ่ายรวม 
(อย่างน้อยตัวใดตัวหนึ่งไม่แน่นอน)

//แบบนี้ใช้ Simulation เพื่อจำลองความไม่แน่นอน
```
เรื่องการแจกแจงความน่าจะเป็นเป็นความรู้ทางสถิติแบบนึง ใครไม่คุ้นสามารถเริ่มอ่านเรื่องสถิติได้ที่นี่

ทำไมต้องทำ Simulation?

เราใช้ Simulation เพื่อจำลองผลลัพธ์ที่ไม่แน่นอนนั้นๆ ออกมาให้เราได้เข้าใจ และเห็นภาพชัดขึ้นว่าจะเกิดอะไรขึ้นได้บ้าง ซึ่งดีกว่าการใช้ค่ากลางอย่างเช่นค่าเฉลี่ยมาคำนวณเพียงอย่างเดียว โดยที่เราไม่ต้องทำการทดสอบจริงๆ ซึ่งจะม่ีค่าใช้จ่ายสูง

พอทำ Simulation แล้ว เราจะเห็นว่าขอบเขตของค่าผลลัพธ์เป็นเช่นไร? ค่าที่คาดหวังโดยเฉลี่ยเป็นเท่าไหร่? เป็นต้น ทั้งหมดเพื่อช่วยให้เราสามารถเลือกทางเลือกหรือตัดสินใจได้ดียิ่งขึ้น ซึ่งจะช่วยให้ประหยัดค่าใช้จ่ายและสร้างผลกำไรทางธุรกิจได้ในที่สุด

Excel ใช้ทำ Simulation ยังไง?

การที่จะสร้างความไม่แน่นอนขึ้นมาได้นั้น เราจะใช้การสุ่มค่ามาช่วย ซึ่งใน Excel มีฟังก์ชันที่ใช้สุ่มตัวเลขอยู่หลายฟังก์ชัน เช่น
- RAND() ซึ่งเป็นการสุ่มเลขตั้งแต่ 0-1 โดยเป็นทศนิยมได้
- RANDBETWEEN(bottom,top) โดยเป็นการสุ่มเลขจำนวนเต็มตั้งแต่ botton ถึง top
- RANDARRAY(rows,columns,min,max,integer)
ตัวหลักๆ ที่เราจะใช้คือ RAND() เพราะได้ค่าทศนิยมละเอียด และใช้ได้ใน Excel ทุก version โดยที่เมื่อ RAND แล้วจะได้เลขโดยสุ่มเลขตั้งแต่ 0-1 ออกมาค่านึง

แล้วพอมีการคำนวณใหม่ (เช่น กด F9) ก็จะได้ค่าใหม่ออกมาเป็นอีกค่าหนึ่ง ซึ่งนี่ก็คือ Concept ของการสุ่มใน Excel นั่นเอง

หากเราเอาค่าที่สุ่มได้ตั้งแต่ 0-1 นั้น ออกมาใช้กับ Distribution รูปแบบต่างๆ ได้ เช่น Uniform Distribution, Normal Distribution, T-Distribution, Binomial Distribution, Poisson Distribution และอีกมากมาย

ตัวอย่างการสุ่มแบบง่าย

ถ้าเป็นการสุ่มแบบ Yes, No ที่มีโอกาสเกิด xx% เช่น โอกาสที่ทำงานสำเร็จ คือ 70% แบบนี้เราก็แค่ใช้ RAND เทียบกับค่า 0.7 ได้ เช่น
```
=IF(RAND()<=0.7,"สำเร็จ","ล้มเหลว")
```
ตัวอย่างการสุ่มแบบ Distribution ซับซ้อน

แต่ถ้าโอกาสที่จะเกิดขึ้นมันมีความน่าจะเป็นแบบ Distribution ที่ซับซ้อนขึ้นล่ะ??

วิธีที่ง่ายที่สุดอันนึงคือการใช้ Inverse ของความน่าจะเป็น Distribution เหล่านั้นในการหาค่าที่สนใจ

ตัวอย่างง่ายๆ เช่น กรณี Normal Distribution เราจะใช้ NORM.DIST กับ NORM.INV จะเป็นการคำนวณกลับกัน

Key สำคัญคือเราจะ Random ความน่าจะเป็นในการเกิดเหตุการณ์นั้นๆ ออกมา แล้วใช้ Inverse เพื่อหาค่าที่สนใจ ยกตัวอย่างเช่น

สมมติว่า Demand ของสินค้าที่เราจะขาย มีการแจกแจกแบบ Normal Distribution ที่มีค่าเฉลี่ยคือ 200 ชิ้นต่อเดือน และมีค่าเบี่ยงเบนมาตรฐานที่ 50 ชิ้นต่อเดือน ถ้าลองคำนวณยอดขายตลอด 1 ปีอาจจะได้คำตอบแบบนี้ (แน่นอนว่าถ้ากด F9 เลขก็จะเปลี่ยนอีก)

มันจะช่วยให้เราเห็นภาพได้ว่า โดยเฉลี่ยแล้วยอดอาจจะอยู่ประมาณ 200 จริงๆ แต่บางเดือนก็อาจจะน้อย บางเดือนก็เยอะ เป็นต้น

นอกจากนี้ เรายังสามารถใช้ Data Table มาช่วย Run Simulation หลายๆ รอบได้ตามต้องการ (Simulate เป็นพันครั้งเลยก็ได้ ยิ่งเยอะยิ่งเห็นความเป็นไปได้ชัดเจนมากขึ้น)

ถ้าอยากลองสร้างตารางแจกแจงความถี่ของยอดขายที่ได้ ก็สามารถใช้กราฟแบบ Histogram หรือว่าจะใช้ Analysis Toolpak โดยใช้การวิเคราะห์แบบ Histogram อีกทีก็ได้ครับ

นี่แค่เริ่มต้นเท่านั้น

ซึ่งอันนี้เป็นตัวอย่างง่ายๆ ในการใช้ความรู้ทางสถิติ มาผสมกับเครื่องมือใน Excel เพื่อสร้าง Simulation ยอดขายขึ้นมาเท่านั้น

ในชีวิตจริง มันอาจจะมี Simulation หลายๆ เรื่อง ผูกโยงกันจนกลายเป็น Simulation Model ที่ซับซ้อนขึ้น และตรงกับความเป็นจริงมากขึ้นในที่สุด

ซึ่งเร็วๆ นี้ผมจะมีการทำคอร์สออนไลน์ใหม่เรื่อง Excel Solver & Simulation ขึ้นมา เพื่อให้ผู้ที่อยากจะใช้ Excel ในงานวางแผนต่างๆ สามารถใช้ Excel ช่วยวางแผนได้อย่างมีประสิทธิภาพมากที่สุด ใครที่สนใจเนื้อหาเรื่องพวกนี้ บอกเลยว่า พลาดไม่ได้เลยครับ!!
January 24, 2023
แกะเคล็ดวิชา Excel Wizard ในการแข่ง Speed Run Excel ระดับโลก
เมื่อ 29 กย. 65 ที่ผ่านมานี้ มีข่าวดังในวงการ Excel ประเทศไทย นั่นคือคุณ Bo Rydobon (นามแฝง) หรือ ฉายา Excel Wizard ได้มีการแข่ง Excel Speed Run กับ Laurence Lau ผู้ที่ได้ Rank คะแนนรวมอันดับ 1 ในการแข่งขัน FMWC ปี 2022 ณ ตอนนี้ (ดูคะแนนล่าสุดได้ที่นี่)

ซึ่งการแข่ง Speed Run เป็นการแข่งที่เน้นความเร็ว โดยมันเป็นเคสที่ผู้แข่งรู้โจทย์อยู่แล้ว และสามารถเตรียมตัวก่อนมาแข่งได้ครับ ซึ่งยิ่งน่าสนใจเลยว่าแต่ละคนจะงัดเทคนิคอะไรมาใช้แก้โจทย์ให้ได้เร็วที่สุด (รู้โจทย์แต่ห้ามพิมพ์การแก้โจทย์ไว้ก่อนนะ ไม่งั้นมันวัดอะไรไม่ได้เลย 55)

ปรากฏว่าทั้งคู่แข่งขันอย่างดุเดือดมากๆ แต่ละคนใส่เทคนิคเจ๋งๆ กันไม่ยั้ง แต่สุดท้ายคุณ Bo ก็ชนะไปอย่างงดงาม 3 Stage รวด! ทั้งๆ ที่คุณ Laurence Lau นี่คือเก่งมากๆ นะ

ซึ่งคลิปการแข่งขันคืออันนี้ครับ ผมแนะนำให้ลองดูอย่างน้อยซักแป๊ปนึงจะได้เข้าใจอารมณ์การแข่งว่ามันสุดยอดขนาดไหน

ซึ่งหลายคนที่ดูคลิปการแข่งขันนี้ไปแล้วคงรู้สึกคล้ายๆ กัน ประมาณนี้คือ
- “มันน่าทึ่งมากๆ คนไทยสุดยอด!”
- “Excel ทำได้ขนาดนี้เลยเหรอ?”
- “ใช้ Excel โคตรไว ทำได้ไง!?”
- “ทำอะไรกันเนี่ย ดูไม่รู้เรื่องเลย! แต่ดูเจ๋งดีนะ 55”
ดังนั้นในบทความนี้ผมจึงขออาสามาแกะเคล็ดลับหรือเทคนิคเจ๋งๆ ที่คุณโบใช้ในการแข่ง เผื่อเป็นความรู้ให้พวกเราได้เอาไปปรับใช้ในการทำงานของตัวเองด้วยครับ (บทความนี้ขออนุญาตคุณโบแล้วครับ)

แนวทางทั่วไปในการเพิ่มความเร็วการทำงาน
- วางแผนหน้าตา Layout ของ Model ให้ทำงานได้ง่าย
- ทำลาย Conditional Format ที่ไม่จำเป็นทิ้งซะ จะทำให้ทำงานเร็วขึ้น
- ใช้ Keyboard Shortcut (Hot Keys) แทนการใช้ Mouse
- แปลงสูตรที่ไม่ต้องการใช้อีกแล้วให้กลายเป็น Value
- ใช้ Defined Name เพื่อกำหนดพื้นที่การเลือกข้อมูลให้สะดวกขึ้น
- ใช้ Data Table เท่าที่จำเป็น ถ้าเลี่ยงใช้สูตรธรรมดาได้ก็ใช้สูตร
- ใช้ Excel365 เพื่อให้รองรับฟังก์ชันเยอะที่สุดรวมถึง Dynamic Array ที่เราสามารถเขียนสูตรช่องเดียวแล้วผลลัพธ์สามารถ Spill ล้นช่องนั้นออกมาได้เลย
ซึ่งเดี๋ยวเรามาดูรายละเอียดกันครับ ว่าคุณโบใช้หลักการข้างบนนี้แบบไหนบ้าง?

ลงรายละเอียดแต่ละเทคนิค

ถ้าหากเพื่อนๆ ได้ดูคลิปแค่ไม่กี่วินาทีแรกที่คุณโบเริ่มทำโจทย์ ก็จะพบว่ามีการใช้ Shortcut มากมายจนน่าทึ่ง! เช่น

Ctrl+A เลือกทั้งหมดในพื้นที่ -> Ctrl+C เพื่อ copy -> Ctrl+Pg Dn ไป Sheet ถัดไป -> Ctrl+ลูกศร เพื่อกระโดดไปทิศทางนั้นๆ จนสุด -> Ctrl+V เพื่อ Paste

ทำลาย Conditional Format ทั้งชีท โดยกด Alt, h, l, c, e -> เข้าไปตั้งชื่อ Defined Name โดยเลือก Range ที่ต้องการ แล้วกด Alt+F3 พิมพ์ชื่อแล้วกด Enter

แค่ดูก็เหนื่อยแล้วว ผมก็เลยขอเอาเทคนิคที่เกิดขึ้นมาจัดหมวดหมู่ให้เราเข้าใจได้ง่ายขึ้นดังนี้ครับ

วางแผนการเตรียมพื้นที่ตารางให้ทำงานง่ายขึ้น
- เนื่องจากการแข่งนี้ผู้แข่งรู้โจทย์ล่วงหน้าแล้ว ดังนั้นการหาวิธีการทำงานเพื่อให้ทำงานได้เร็วที่สุดจึงสำคัญมากๆ ซึ่งคุณโบวางแผนเรื่องนี้มาเป็นอย่างดี
- คุณโบมีการจัดเตรียมหน้าตาตารางหลายๆ อย่างให้ทำงานสะดวกขึ้น เช่น Copy ตาราง Assumption จากหน้าคำตอบมาหน้าแผนที่ด้วย
- มีการกำหนดทิศทางของรถที่วิ่งว่าเป็น ขึ้น ลง ซ้าย ขวา ด้วย U,D,L,R เพื่อให้สามารถเขียนสูตรเพื่อคำนวณระยะทางน้อยสุดในการที่รถในเคสจะวิ่งจากจุดนึงไปยังอีกจุดนึงตามกฎจราจรในเคสได้สะดวกขึ้น
  - กฏจราจรคือ วิ่งชิดขวาเท่านั้น และการกลับรถจะกลับได้ที่จุดตัดถนนเท่านั้นเป็นต้น ซึ่งถ้าไม่ Model ให้ดีจะคำนวณระยะวิ่งผิดพลาดหมดเลย
- มีการสร้างแผนที่เพื่อคำนวณเรื่องต่างๆ แยกออกมาจากแผนที่หลัก เช่น
  - แผนที่แสดง Address Cell Reference ที่แสดงพิกัดของแต่ละช่องของแผนที่หลัก
  - แผนที่คำนวณระยะทางจากจุดที่กำหนดไปยังเป้าหมาย และเตรียม Reuse แผนที่นี้อีกครั้งในโจทย์ที่ต้องคำนวณระยะเวลาการเดินทางได้อย่างชาญฉลาด
ช่วงแรกของการแข่งขันมีการเตรียมพื้นที่และตั้งชื่อไว้อย่างดี
- สำหรับ Stage ที่ห้ามใช้ Mouse คุณโบได้ไล่ทำการตั้งชื่อ Range ที่สำคัญไว้ทั้งหมด แล้วเขียนสูตรโดยอ้างถึงชื่อเหล่านั้น ทำให้ไม่ต้องย้ายตำแหน่งไปมาเลย
เทคนิคในการเลือกข้อมูล
- ใช้ปุ่ม Enter กับ Tab อย่างเหมาะสม เช่น ถ้าจะให้ใส่ข้อมูลแล้วลงล่างก็ Enter ถ้าจะใส่แล้วไปขวาก็กด Tab เอา
- Ctrl+A ช่วยเลือกทั้งหมดในพื้นที่ที่ต่อเนื่องกัน
- ใช้ปุ่มลูกศรบน Keyboard เพื่อเลือกข้อมูลที่ไม่ไกลมาก
- Ctrl+ลูกศร เพื่อกระโดดไปทิศทางนั้นๆ จนสุด
- Ctrl+Shift+ลูกศร เพื่อเลือกพื้นที่แบบกระโดดไปทิศทางนั้นๆ
- Ctrl+PgDn ไป Sheet ถัดไป
- เข้าไปตั้งชื่อ Defined Name โดยเลือก Range ที่ต้องการ -> แล้วกด Alt+F3 พิมพ์ชื่อ -> กด Enter
- กด F5 เพื่อ Go to Name ที่ตั้งไว้
- ถ้าเป็นพื้นที่แปลกๆ เช่น พื้นที่ถนน คุณโบใช้วิธีการเลือกด้วยการ Find All แบบหา Cell สีเทา -> แล้ว Ctrl+A ในเมนู Find
- หรืออาจใช้การเลือกพื้นที่เฉพาะที่มีสูตร โดยใช้ Go to Special -> Formula
เทคนิคการ Copy Paste
- Ctrl+C เพื่อ copy -> Ctrl+V เพื่อ Paste อันนี้ Basic ๆ แต่ที่เจ๋งกว่าคืออันถัดไป
- เลือกข้อมูล => กด Ctrl+D เพื่อ Fill Down ลงมาข้างล่าง (D=Down) (ซึ่งเร็วกว่ากด Copy -> Paste)
  - ไม่งั้นการเลือก Range จะยากขึ้นอีกหน่อยเพราะบางทีต้องกด Ctrl + . เพื่อเปลี่ยนจุดยึดของ Range อีกทีกลายเป็น Ctrl + . Shift → Ctrl+D
  - ป.ล. สามารถกด Ctrl+R เพื่อ Fill Right ไปด้านขวา (R=Right)
- หลังจากเลือกพื้นที่ที่ต้องการ -> F2 เพื่อ Edit สูตร -> Ctrl+Enter เพื่อใส่สูตรทั้งพื้นที่พร้อมกันได้เลย แบบไม่ต้อง Copy Paste หรือ Fill ก็ได้
เทคนิคการเขียนสูตร
- ใช้สูตร Dynamic Array ช่วยให้การทำงานสะดวกรวดเร็วขึ้นมาก เช่น ใช้ Array 2 แกนเชื่อมกันแบบไขว้เพื่อสร้างตาราง Address
- ใช้การพิมพ์ชื่อฟังก์ชันบางส่วนแล้วกด Tab เพื่อให้ Auto Complete แล้วเปิดวงเล็บให้อัตโนมัติ แทนที่จะนั่งพิมพ์เองทุกตัว ( เหมือนว่า Laurence Lau จะถนัดพิมพ์เอง)
- มีการใช้ฟังก์ชันที่เหมาะสมกับการแก้ปัญหา เช่น แทนที่จะใช้ IF ซ้อนกันหลายอัน คุณโบก็เลือกจะใช้ฟังก์ชัน SWITCH ที่เขียนง่ายและเข้าใจง่ายกว่าด้วย
เช่น แทนที่จะเขียน IF ซ้อนกันว่า
```
=IF(ทิศทางถนนแนวตั้ง="U",ระยะทางช่องบน,
IF(ทิศทางถนนแนวตั้ง="D",ระยะทางช่องบน,999))
```
คุณโบใช้ SWITCH แทนแบบนี้ได้ ซึ่งดูคลีนกว่า
```
=SWITCH(ทิศทางถนนแนวตั้ง,"U",ระยะทางช่องบน,"D",ระยะทางช่องล่าง,999)
```
พอใช้สูตรประกอบกันทั้ง IF + MIN + SWITCH + SUMIFS ได้อย่างลงตัวด้วย Logic ที่เยี่ยมยอด ก็สามารถคำนวณระยะเวลาจากจุดเริ่มต้นที่กำหนดไปยังตำแหน่งต่างๆ ได้อย่างสวยงาม (ต้องวิ่งตามกฎจราจรด้วยนะ!!)

ซึ่งมีการใช้สูตรประมาณนี้
```
=
IF(จุดStart=ตำแหน่งถนนนั้นๆ,1,
MIN(
SWITCH(ทิศทางถนนแนวตั้ง,"U",ระยะทางช่องบน,"D",ระยะทางช่องล่าง,999),
SWITCH(ทิศทางถนนแนวนอน,"R",ระยะทางช่องขวา,"L",ระยะทางช่องซ้าย,999)
)
+1)
```
- ซึ่งจะเห็นว่าสูตรนี้มีการอ้างอิงค่าจากช่องบนล่างซ้ายขวาของตัวเองด้วย ยกเว้นจุดเดียวคือจุดที่ตรงกับตำแหน่ง Start ซึ่งจะได้ค่า 1 เป็นค่าเริ่มต้น
- แปลว่า Excel จะไล่คำนวณจากจุด Start ก่อนแล้วคิด Cell ถัดจากจุด Start ไปเรื่อยๆ จนเต็มถนนได้ในที่สุด ซึ่งผมคิดว่า Logic นี้เจ๋งมากๆ (มีความเข้าใจในลำดับ Sequence ของสูตร Excel อย่างดี ว่ามันจะไล่หาช่องที่ควรคำนวณก่อนให้เอง)
ซึ่งถ้าลองดูค่าตัวเลข พวกนี้คือระยะทางที่ต้องวิ่งตามกฎจราจรในเกมเลยครับ (ช่องเหลืองที่ผมระบายไว้คือจุดเริ่มต้น)

ส่วนที่ผมมองว่าเป็นเรื่องที่ช่วยให้เร็วมากๆ อีกอันนึงคือ คุณโบมีการ Reuse พื้นที่สูตรเดิมที่ทำไว้ใน Level ก่อนหน้า โดยปรับปรุงสูตรเพิ่มเติมแค่เรื่อง +SUMIFS() ตอนจบเพื่อให้เคสเดิมที่เคยคำนวณไว้แค่ระยะทาง สามารถรองรับเคสที่ต้องคำนวณระยะเวลาซึ่งต้องคำนึงถึงกรณีที่มีรถติดบนถนนได้ด้วยอีกต่างหาก

คุณโบใช้การเลือกพื้นที่แบบ Go to Special -> Formula แล้วกด F2 เพื่อแก้สูตรเพิ่มเติมแล้วกด Ctrl+Enter เพื่อใส่สูตรทีเดียวทุกช่องได้แบบไม่เสียเวลาเลย
```
=
IF(จุดStart=ตำแหน่งถนนนั้นๆ,1,
MIN(
SWITCH(ทิศทางถนนแนวตั้ง,"U",เวลาช่องบน,"D",เวลาช่องล่าง,999),
SWITCH(ทิศทางถนนแนวนอน,"R",เวลาช่องขวา,"L",เวลาช่องซ้าย,999)
)
+1)
+SUMIFS(ระยะเวลารอรถแต่ละแบบ,รถแต่ละแบบ,ถนนนั้นๆ)
```
ผลลัพธ์ก็จะได้ประมาณนี้ ซึ่งจะต่างจากเดิมนิดหน่อย เพราะมีการบวกเวลารถติดเข้าไปด้วยในส่วนของ SUMIFS

ทั้งนี้คุณโบไม่ต้องใช้สูตรเดิมแล้วเพราะได้ Copy paste value คำตอบไว้แล้วนั่นเอง

ซึ่งทั้งหมดนี้จะไม่ Work เลย ถ้าปราศจากการวางแผนการวาง Map และการใส่ U D L R ที่ขอบแผนที่ตั้งแต่แรก!

เรื่องของ Data Table

ทั้งๆ ที่ Data Table เป็นเครื่องมือที่ทรงพลัง และคนที่ทำ Model คำนวณใน Excel ก็ชอบใช้มันมาก ตอนไล่คำนวณคำตอบ คุณโบกลับใช้ Data Table เท่าที่จำเป็น…

แต่เราจะเห็นได้ว่าใน Level 3-4 จะพบว่าคุณโบมีการใช้ MINIFS ในการหาคำตอบของ Level นั้นๆ ไปเลย โดยไม่ต้องใช้ Data Table นั่นแปลว่า คุณโบได้คิดไว้แล้วว่า ถ้าเลี่ยง Data Table ได้ก็จะเลี่ยง เช่น
```
=MINIFS(ระยะทางหรือเวลาใน ds,ตำแหน่งใน ad,ตำแหน่งปลายทางที่ต้องการ)
```
คุณโบจะใช้ Data Table ในเคสที่เขียนสูตรปกติได้ยาก เช่น มีการวางแผนที่โดยสูตรในแผนที่อ้างอิงตำแหน่งเริ่มต้นและเป้าหมายเอาไว้ แล้วโจทย์ต้องการให้เปลี่ยนแปลงจุดเริ่มต้นไปเรื่อยๆ แบบนี้จะเขียนสูตรธรรมดาแทบไม่ได้เลย เพราะจะต้องทดแผนที่เยอะมาก เช่น Level 2, 5, 6 เป็นต้น

เช่น Level 6 ที่ยากที่สุดสูตรใน Data Table จะเป็นประมาณนี้
```
=MINIFS(เวลาใน ds,ตำแหน่งใน ad,XLOOKUP(ตำแหน่งเริ่มต้นที่เป็น column input cell, list ตำแหน่งเริ่มต้น ที่เป็น input data table ,list ตำแหน่งปลายทาง))
```
เหตุผลที่คุณโบเลี่ยง Data Table คือ Data Table มันจะมีการโยนค่าจาก Column Input / Row Input ลงไปใน Column Input Cell/ Row Input Cell ที่เราเลือก (ในที่นี้มีแค่ Column Input Cell)

ซึ่งพอมีการโยนค่าใหม่เข้าไป ทำให้เกิดการกระตุ้นให้สูตรทำงานอีกรอบหนึ่ง แม้บางที่มันอาจจะไม่จำเป็นต้องคำนวณซ้ำ

ดังนั้นเปรียบเสมือนว่า Data Table ถูกบังคับให้ทำการคำนวณ Output ออกมาใหม่ โดยจำนวนครั้งในการคำนวณจะเท่ากับจำนวนการกำหนดค่า Column Input x Row Input ของ Data Table นั้นๆ เลย ซึ่งต่างจากการเขียนสูตรที่อ้างอิงค่าจากตารางที่คำนวณไว้แล้วแบบไม่ต้องคำนวณซ้ำโดยไม่จำเป็น

ดังนั้นในเคสนี้ ทุกครั้งที่ Data Table คำนวณใหม่ จะต้องคำนวณพื้นที่แผนที่อย่างน้อย =71*66 = 4,686 ครั้งต่อ 1 แถวของ Data Table 20 ข้อ ก็ 93,720 ครั้ง อีกข้อนึงคือ Data Table มีความ Volatile หนักมาก คำนวนใหม่ทุกครั้งที่มีการเปลี่ยนค่าในเซลใดๆก็ตาม

ดังนั้นใน Calculation options ของ Formula จึงมีให้เลือกด้วยว่า Automatic Except for Data Table เพื่อไม่ให้ Data Table คำนวณใหม่ทุกครั้งที่ แก้ค่าในเซลด้วย

แต่ไม่ว่าจะคำนวณแบบไหน พอคำนวณเสร็จคุณโบก็ Copy Paste Value เก็บไว้เลยเพื่อเพิ่มความเร็วในการคำนวณข้อต่อไป ไม่ให้ถูกข้อเดิมถ่วงไว้

เทคนิคการเลือก Ribbon หรือ Menu ต่างๆ
- ทำลาย Conditional Format ทั้งชีทโดยกด Alt, h, l, c, e
- เรียกใช้ Data Table ด้วย Alt, a, w, t
- กด Paste Special ด้วย Ctrl+Alt+V –> กด t เพื่อเลือก Paste Format
- ตีกรอบด้วย Hotkey เช่น Alt, h, b, a (ตีกรอบทั้งหมด)
- เปลี่ยน Number Format ตัวเลข ด้วย Ctrl+Shift+เลขต่างๆ เช่น
  - Ctrl+Shift+5 (Ctrl+%) เพื่อทำเป็น %
  - Ctrl+Shift+4 (Ctrl+$) เพื่อทำเป็น Currency
  - Ctrl+Shift+3 (Ctrl+#) เพื่อทำเป็นวันที่
อะไรเร็วได้ก็เร็ว
- คุณ Bo ตั้งชื่อสั้นๆ เป็นตัวย่อของพื้นที่นั้น แบบพอใช้งานได้แค่นั้นเอง เช่น mp=map, ad=address เป็นต้น ซึ่งแม้จะดูเหมือนเป็นเรื่องเล็กๆ น้อยๆ แต่การลดตัวอักษรไป 1 ตัวก็เพิ่มความเร็วได้เช่นกันจริงมะ?
- ตอนที่ไล่ตอบคำถามแต่ละข้อ คุณโบก็ทำการเลือกข้อมูลแล้ว Fill Down ผลลัพธ์ของเค้า แบบ Fill Down ติดเลข Score ของโจทย์ (ที่ไม่ใช่สูตร) มาด้วย
  - ซึ่งตรงนี้เค้าสังเกตแล้วว่าแต่ละข้อคะแนนเท่ากัน จึง Ctrl+D แบบติด score มาได้แบบไม่ทำให้ผลลัพธ์ผิด
  - ซึ่งจริงๆ ก็ดูเสี่ยงนิดหน่อยแต่ก็เป็นการเอาตัวรอดที่ชาญฉลาดมาก ไม่งั้นการเลือก Range จะยากขึ้นอีกหน่อยเพราะต้องกดเปลี่ยนจุดยึดของ Range อีกที
สติและสมาธิก็สำคัญ

มีอยู่ช่วงนึง (ประมาณนาทีที่ 36:30 ได้) คุณโบมีเขียนสูตรผิดไปนิดนึงทำให้คำตอบออกมาเป็น 0 แบบงงๆ เพราะน่าจะมีการระบุ Range แล้วดันพิมพ์สูตรติดตัว J มาแบบไม่ตั้งใจ (ทำให้มีช่วงที่หน้าคุณโบอึ้งกับคำตอบอยู่ซักพักนึง)

แต่สุดท้ายคุณโบก็สามารถตั้งสติแก้สูตรให้ถูกต้องได้ ซึ่งถือว่าดึงสติกลับมาได้เร็วมากๆ ทั้งๆ ที่เค้าน่าจะกำลังตื่นเต้นกับการแข่งขันมากๆ แท้ๆ

นี่ถ้าคุณโบเขียนไม่พลาดเลย น่าจะเร็วกว่านี้เป็นนาทีเลย สุดยอด!

คุณโบฝากบอกผู้อ่าน

คุณโบมีสิ่งที่อยากฝากบอกทุกคนที่อยากใช้ Excel ให้เก่งขึ้นว่านอกจากเทคนิคต่างๆ ข้างบนแล้ว สิ่งสำคัญที่สุดจริงๆ ก็คือเรื่องสุดท้ายนี้ครับ

ให้ฝึกฝนบ่อยๆ ทำโจทย์แปลกๆใหม่ๆ เพิ่มความยากของโจทย์ไปเรื่อยๆ
Bo Rybobon (Excel Wizard)

นี่ล่ะครับ หนทางของผู้ที่เก่งกาจได้อย่างแท้จริง ก็ยังต้องใช้ความฉลาดควบคู่กับการฝึกฝนอย่างสม่ำเสมอด้วยนั่นเอง

และถ้าใครอยากรู้ Shortcut Excel มากกว่านี้ ก็สามารถศึกษาได้จากบทความของผมได้ครับ (ฝากความรู้ให้นิดนึง อิอิ) https://www.thepexcel.com/remember-excel-keyboard-shortcut/

รวมคีย์ลัด Excel ที่ใช้บ่อย พร้อมเทคนิคการจำ
October 6, 2022
เจาะลึก CALCULATE ใน DAX แบบลึกสุดใจ : Part 2
ตอนนี้เป็นเนื้อหาที่ต่อจาก https://www.thepexcel.com/calculate-dax-in-depth/ ซึ่งจำเป็นจะต้องอ่านก่อน ไม่งั้นไม่มีทางเข้าใจบทความนี้ได้เลยครับ ถ้าอ่านบทความก่อนจบแล้ว ก็เชิญมาต่อที่นี่ได้เลย

ใน Part2 นี้ผมจะปูความรู้ 2 เรื่องที่สำคัญมากๆ นั่นคือ Context Transition และ CALCULATETABLE ให้ก่อน ใน Part ถัดไปจะเอาทุกอย่างมายำกันละ

Context Transition

ทำความเข้าใจ Context Transition เบื้องต้น

ปกติแล้วถ้าเราเขียนสูตรใน New Column ของตาราง มันจะไม่มี Filter อะไรเกิดขึ้นเลย ดังนั้นถ้าเราอยู่ที่ตาราง Store แล้วเขียน SUM Quantity ก็จะได้ค่าเท่ากันหมดเลยเสมอ ซึ่งก็คือการ SUM คอลัมน์ที่เราเลือกทั้งตารางนั่นเอง
```
Store Qty = SUM(OrderDetail[Quantity])
```
แต่ถ้าหากเราเอา CALCULATE ไปครอบสูตรนั้น ผลลัพธ์จะเปลี่ยนไป กลายเป็นว่าเราได้ Qty เฉพาะร้านค้านั้นๆ
```
Store Qty = CALCULATE(SUM(OrderDetail[Quantity]))
```
สาเหตุคือ CACLCULATE จะทำการเปลี่ยนค่าในแต่ละคอลัมน์ของแถวนั้นๆ ทุกคอลัมน์ (Row Context) ให้กลายเป็น Filter Context ซึ่งกระบวนการนี้เรียกว่า Context Transition (นั่นคือจะมี Filter เกิดขึ้นมากมายตามจำนวนคอลัมน์ของข้อมูลเลย)

ทำให้เดิมทีที่ไม่มี Filter ใน Table กลายเป็นมี Filter ก่อนจะคำนวณ SUM(OrderDetail[Quantity]) ออกมา เราก็เลยได้ Quantity เฉพาะร้านค้านั้นๆ ไปโดยปริยาย ซึ่งก็เจ๋งดี

แต่ความแปลกที่แท้จริง คือ ถ้าเราเปลี่ยนสูตรไปอ้างอิง Measure Total Qty แทน ซึ่งมีสูตรดังนี้
```
Total Qty = SUM(OrderDetail[Quantity])
```
เช่น ในคอลัมน์ Store Qty เราเปลี่ยนสูตรเป็นแบบนี้
```
Store Qty = [Total Qty]
```
เราจะได้ผลลัพธ์เหมือนมี CALCULATE มาครอบทันที!! ซึ่งเกิดขึ้นเพราะว่าเมื่อใดก็ตามที่เราอ้างอิง Measure มันจะแอบเอา CALCULATE มาครอบให้โดยอัตโนมัติ!

Context Transition ใน Measure แบบพื้นฐาน

อย่างไรก็ตาม ปกติแล้วเราจะไม่ค่อยใช้ Context Transition ในตารางที่มีตัวตนจริงๆ หรอก แต่เราจะใช้ในตารางจำลองที่สร้างใน Measure อีกทีต่างหาก โดยเฉพาะเวลาใช้กับ Iterator เช่น SUMX, MAXX, RANKX, FILTER, ADDCOLUMNS อะไรแบบนี้เป็นต้น

พฤติกรรมแบบนี้ทำให้เราสามารถเขียนสูตรที่ซับซ้อนได้โดยเขียนสูตรที่สั้นขึ้นมากๆ เช่น สมมติผมต้องการคำนวณ Total Qty สูงสุดในระดับ Product ผมสามารถเขียน Measure สั้นๆ แบบนี้ได้เลย
```
MAX Qty per Product = MAXX('Product',[Total Qty])
```
- สิ่งที่มันทำคือจะสร้างตาราง Product ขึ้นมาในสูตร (1 บรรทัด 1 Product)
- แล้ว Add Column จำลองใหม่ขึ้นมา โดยใช้สูตร [Total Qty]
- ซึ่งจะได้ Quantity รวมโดยมี Context Transition เกิดขึ้น
- คอลัมน์จำลอง เลยได้ Quantity รวมในระดับ Product เกิดขึ้นมาในแต่ละแถว
- จากนั้นหาค่ามากสุดออกมาเพราะเราใช้ MAXX (ตอนจบ หาค่ามากสุดของคอลัมน์จำลอง)
แล้วเราก็สามารถเอา Measure นี้ไปใช้ในรายงาน โดย Filter ด้วยอะไรก็ได้ (ตราบเท่าที่มัน Filter เจ้าตัว [Total Qty] ได้)

แต่ถ้าเราต้องการ Max Total Qty ในระดับที่ใหญ่กว่าระดับที่เรามีในตารางจริง เราจะใช้การอ้างอิงตารางทื่อๆ ไม่ได้ แต่ต้องสร้างตารางจำลองขึ้นมาในสูตรแทน ซึ่งทำได้ง่ายๆ ด้วย DISTINCT หรือ VALUES นั่นเอง เช่น

ผมต้องการ คำนวณ Total Qty สูงสุดในระดับ Brand ผมก็เขียนแบบนี้ได้เลย
```
MAX Qty per Brand = MAXX(DISTINCT('Product'[Brand]),[Total Qty])
```
ซึ่งจริงๆ แล้วต่อให้เราอยากได้ในระดับ Product หากเราใช้ DISTINCT หรือ VALUES จะทำให้คำนวณเร็วกว่าการอ้างอิงทั้งตารางแน่นอน ดังนั้นจึงสามารถแก้สูตรเดิมเป็นอันนี้ก็จะดีขึ้นครับ
```
MAX Qty per Product = MAXX(DISTINCT('Product'[ProductKey]),[Total Qty])
```
ทำความเข้าใจสิ่งที่เกิดขึ้น

สมมติผมจะวิเคราะห์ผลลัพธ์ใน MAX Qty per Brand ของลูกค้าทวีป Asia ในรายงาน ด้วยสูตรนี้
```
MAX Qty per Brand = MAXX(DISTINCT('Product'[Brand]),[Total Qty])
```
หลังจากมันสร้างตารางจำลองระดับ Brand ขึ้นมา ให้ 1 บรรทัดคือ 1 Brand แล้วสร้างคอลัมน์ใหม่ที่ใส่สูตรว่า [Total Qty] ลงไป

สมมติว่า ผมจำลองการมองที่บรรทัดของ “ตารางจำลอง” ที่ Brand เป็น Litware ให้ดู

แบ่งกลุ่ม
1. Filter Context ดั้งเดิมของจุดที่สนใจ (รวมถึง Filter Context ของ CALCULATE ชั้นนอกด้วย)
  - Customer[Cust Continent]=”Asia”
2. Row Context ดั้งเดิม
  - ‘Product'[ฺBrand]=”Litware” (เกิดในตารางจำลอง)
3. เงื่อนไข Filter Argument (ที่จริงๆ คือตาราง) ที่ตั้งใจเขียนใน CALCULATE ตัวนั้นๆ
  - ไม่มี เพราะสูตรมีแค่ CALCULATE(SUM(OrderDetail[Quantity]))
4. CALCULATE Modifier เช่น REMOVEFILTERS, ALL, ALLSELECTED, ALLEXCEPT, USERELATIONSHIP, CROSSFILTER
  - ไม่มี เพราะสูตรมีแค่ CALCULATE(SUM(OrderDetail[Quantity]))
ขั้นตอนการทำงาน
- เก็บ Filter Argument เอาไว้ในใจ
  - ไม่มี
- Copy Filter Context เดิมมาเป็น New Filter Context
  - Customer[Cust Continent]=”Asia”
- Row Context
  - ‘Product'[ฺBrand]=”Litware“ => ถูกทำให้เป็นส่วนหนึ่งของใน New Filter Context
- CALCULATE Modifier
  - ไม่มี
- เอา Filter Argument ที่เก็บไว้มาใช้ สรุปแล้ว New Filter Context ได้แบบนี้
  - Customer[Cust Continent]=”Asia”
  - ‘Product'[ฺBrand]=”Litware“
ดังนั้นในตารางจำลองบรรทัดที่เป็น Litware จึงมีผล Filter จากทั้ง Brand Litware และจากทวีป Asia ด้วยนั่นเอง

ดังนั้น ตารางจำลองที่ถูกสร้างขึ้นมามันจะคล้ายกับ Table อันนี้มากๆ ซึ่งค่าที่มากสุดคือ 38,384 นั่นเอง

แปลว่าคอลัมน์ใหม่ในตารางจำลองทั้งหมด ได้รับผล Filter จากทวีปนั้นๆ อย่างถูกต้อง จึงออกมาเป็น Total Qty ภายใต้ทวีปและ brand นั้นๆ ผลลัพธ์ตอน MAXX ที่ได้จึงเป็น Max Total Qty per Brand ภายใต้แต่ละทวีปอย่างถูกต้อง ซึ่งก็คือ 38,384 นั่นเองครับ

Context Transition ใน Measure แบบซับซ้อนขึ้น

ทีนี่ถ้าใน Measure ที่เราทำ Context Transition ดันมี CALCULATE ที่มีเงื่อนไขอยู่แล้วล่ะ? บอกไว้ก่อนว่าอันนี้ทำเพื่อการศึกษาเท่านั้น ในชีวิตจริงบาง Measure ที่เขียนในนี้จะดูไม่ Make Sense มากๆ 55

Case ที่ 1 : เขียนเงื่อนไขที่ไม่ซ้ำกับ Row Context

ถ้าเราใช้ Measure นี้ใน Context Transition
```
Person Cust Total Qty = CALCULATE([Total Qty],Customer[Customer Type]="Person")
```
เช่นสมมติว่า ผมเขียน Measure ที่จะหาว่า Quantity รวมของลุกค้าบุคคลที่เยอะที่สุดต่อ 1 Brand คือเท่าไหร่ ซึ่งเขียนได้แบบนี้
```
MAX Person Qty per Brand = MAXX(DISTINCT('Product'[Brand]),[Person Cust Total Qty])
```
ดังนั้นการวิเคราะห์ การมองที่บรรทัดของ “ตารางจำลอง” ที่ Brand เป็น Litware จะเป็นแบบนี้

แบ่งกลุ่ม
1. Filter Context ดั้งเดิมของจุดที่สนใจ (รวมถึง Filter Context ของ CALCULATE ชั้นนอกด้วย)
  - Customer[Cust Continent]=”Asia”
2. Row Context ดั้งเดิม
  - ‘Product'[ฺBrand]=”Litware” (เกิดในตารางจำลอง)
3. เงื่อนไข Filter Argument (ที่จริงๆ คือตาราง) ที่ตั้งใจเขียนใน CALCULATE ตัวนั้นๆ
  - Customer[Customer Type]=”Person” (จาก CALCULATE ใน Measure)
4. CALCULATE Modifier เช่น REMOVEFILTERS, ALL, ALLSELECTED, ALLEXCEPT, USERELATIONSHIP, CROSSFILTER
  - ไม่มี
ขั้นตอนการทำงาน
- เก็บ Filter Argument เอาไว้ในใจ
  - Customer[Customer Type]=”Person”
- Copy Filter Context เดิมมาเป็น New Filter Context
  - Customer[Cust Continent]=”Asia”
- Row Context
  - ‘Product'[ฺBrand]=”Litware“ => ถูกทำให้เป็นส่วนหนึ่งของใน New Filter Context
- CALCULATE Modifier
  - ไม่มี
- เอา Filter Argument ที่เก็บไว้มาใช้ สรุปแล้ว New Filter Context ได้แบบนี้
  - Customer[Cust Continent]=”Asia”
  - ‘Product'[ฺBrand]=”Litware“
  - Customer[Customer Type]=”Person”
ดังนั้นในตารางจำลองบรรทัดที่เป็น Litware จึงมีผล Filter จากทั้ง Brand Litware และจากทวีป Asia และมาจากลูกค้าบุคคล ด้วยนั่นเอง

Case ที่ 2 : มีการปลด Filter ที่ Row Context ออก

ถ้าเราใช้ Measure นี้ใน Context Transition
```
Total Qty All Brand = CALCULATE([Total Qty],REMOVEFILTERS('Product'[Brand]))
```
เช่นสมมติว่า ผมเขียน Measure ที่จะหาว่า Quantity รวมของลุกค้าบุคคลที่เยอะที่สุดต่อ 1 Brand คือเท่าไหร่ ซึ่งเขียนได้แบบนี้
```
MAX Person Qty per Brand = MAXX(DISTINCT('Product'[Brand]),[Total Qty All Brand])
```
ดังนั้นการวิเคราะห์ การมองที่บรรทัดของ “ตารางจำลอง” ที่ Brand เป็น Litware จะเป็นแบบนี้

แบ่งกลุ่ม
1. Filter Context ดั้งเดิมของจุดที่สนใจ (รวมถึง Filter Context ของ CALCULATE ชั้นนอกด้วย)
  - Customer[Cust Continent]=”Asia”
2. Row Context ดั้งเดิม
  - ‘Product'[ฺBrand]=”Litware” (เกิดในตารางจำลอง)
3. เงื่อนไข Filter Argument (ที่จริงๆ คือตาราง) ที่ตั้งใจเขียนใน CALCULATE ตัวนั้นๆ
  - ไม่มี
4. CALCULATE Modifier เช่น REMOVEFILTERS, ALL, ALLSELECTED, ALLEXCEPT, USERELATIONSHIP, CROSSFILTER
  - REMOVEFILTERS(‘Product'[Brand])
ขั้นตอนการทำงาน
- เก็บ Filter Argument เอาไว้ในใจ
  - ไม่มี
- Copy Filter Context เดิมมาเป็น New Filter Context
  - Customer[Cust Continent]=”Asia”
- Row Context
  - ‘Product'[ฺBrand]=”Litware“ => ถูกทำให้เป็นส่วนหนึ่งของใน New Filter Context
- CALCULATE Modifier
  - REMOVEFILTERS(‘Product'[Brand]) ทำให้ New Filter Context เรื่อง Brand หายไป
- เอา Filter Argument ที่เก็บไว้มาใช้ สรุปแล้ว New Filter Context ได้แบบนี้
  - Customer[Cust Continent]=”Asia”
ดังนั้นในตารางจำลองบรรทัดที่เป็น Litware จึงมีผล Filter จากทวีป Asia อย่างเดียว ผลที่ได้จึงไม่ต่างจากการใช้ Total Qty เฉยๆ นั่นเอง

Case ที่ 3 : เขียนเงื่อนไขซ้ำกันกับ Row Context

ถ้าเราใช้ Measure นี้ใน Context Transition
```
Contoso Total Qty = CALCULATE([Total Qty],'Product'[Brand]="Proseware")
```
เช่นสมมติว่า ผมเขียน Measure ที่จะหาว่า Quantity รวมของ Brand Proseware ที่เยอะที่สุดต่อ 1 Brand คือเท่าไหร่ ซึ่งเขียนได้แบบนี้
```
MAX Proseware Qty per Brand = MAXX(DISTINCT('Product'[Brand]),[Proseware Total Qty])
```
ดังนั้นการวิเคราะห์ การมองที่บรรทัดของ “ตารางจำลอง” ที่ Brand เป็น Litware จะเป็นแบบนี้

แบ่งกลุ่ม
1. Filter Context ดั้งเดิมของจุดที่สนใจ (รวมถึง Filter Context ของ CALCULATE ชั้นนอกด้วย)
  - Customer[Cust Continent]=”Asia”
2. Row Context ดั้งเดิม
  - ‘Product'[ฺBrand]=”Litware” (เกิดในตารางจำลอง)
3. เงื่อนไข Filter Argument (ที่จริงๆ คือตาราง) ที่ตั้งใจเขียนใน CALCULATE ตัวนั้นๆ
  - ‘Product'[Brand]=”Proseware” (จาก CALCULATE ใน Measure)
4. CALCULATE Modifier เช่น REMOVEFILTERS, ALL, ALLSELECTED, ALLEXCEPT, USERELATIONSHIP, CROSSFILTER
  - ไม่มี
ขั้นตอนการทำงาน
- เก็บ Filter Argument เอาไว้ในใจ
  - ‘Product'[Brand]=”Proseware”
- Copy Filter Context เดิมมาเป็น New Filter Context
  - Customer[Cust Continent]=”Asia”
- Row Context
  - ‘Product'[ฺBrand]=”Litware“ => ถูกทำให้เป็นส่วนหนึ่งของใน New Filter Context
- CALCULATE Modifier
  - ไม่มี
- เอา Filter Argument ที่เก็บไว้มาใช้ สรุปแล้ว New Filter Context ได้แบบนี้
  - Customer[Cust Continent]=”Asia”
  - ‘Product'[Brand]=”Proseware” ซึ่งจะมาทับ Litware ไปเลยเนื่องจากอ้างอิงถึง Field เดียวกัน
ดังนั้นในตารางจำลองบรรทัดที่เป็น Litware จึงมีผล Filter จากทั้ง Brand Prosware และจากทวีป Asia นั่นเอง

ผลลัพธ์ของการใช้ Measure ทั้ง 3 จะเป็นแบบนี้

การใช้ CALCULATETABLE

ทำความรู้จัก CALCULATETABLE

CALCULATETABLE คือฟังก์ชันที่มีความสามารถเปลี่ยน Filter Context ได้ ซึ่งคล้าย CALCULATE มากๆ ต่างกันนิดเดียวคือ CALCULATETABLE ต้องให้ผลลัพธ์ออกมาเป็นตาราง แทนที่จะเป็นค่าค่าเดียวแบบที่ CALCULATE ทำได้
```
CALCULATETABLE ( <ตาราง> , [ Filter1 ] , [ Filter2],... )
```
ยกตัวอย่างเช่น ถ้าผมต้องการตาราง OrderDetail เฉพาะรายการที่มาจากลูกค้าบริษัท และมาจาก ร้านค้าทวีป Asia และซื้อสินค้าที่ราคาแพงกว่า 1000 บาท ผมสามารถเขียนแบบนี้ได้เลย
```
Person Order in Asia Store = 
CALCULATETABLE(OrderDetail,
    Customer[Customer Type]="Person",
    Store[Store Continent]="Asia",
    'Product'[Unit Price]>1000
    )
```
ซึ่งผลลัพธ์ที่ได้จะออกมาเป็นตาราง คล้ายกับการใช้ FILTER เลย แต่ว่าผมสามารถเขียนเงื่อนไขจาก Field ไหนก็ได้ใน Model โดยไม่ต้องใช้ RELATED เหมือนกรณีทำด้วย FILTER ด้วยซ้ำ

สำหรับข้อเสียของ CALCULATETABLE ก็เป็นเช่นเดียวกับ CALCULATE คือ การเขียนอ้างอิงเงื่อนไข จะต้องอ้างถึงคอลัมน์ที่มีตัวตนใน Data Model เท่านั้น เช่น ผมจะเขียนเงื่อนไขว่าเอาเฉพาะรายการที่อัตรากำไรเกิน 60% แบบนี้ไม่ได้ เพราะผมไม่ได้มีคอลัมน์นั้นจริงๆ (แต่ FILTER ทำได้)

การใช้ CALCULATETABLE ปกติเค้าไม่ได้ใช้สร้างตารางที่มีตัวตนจริงๆ หรอกครับ แต่เค้าใช้สร้างตารางจำลองใน Measure มากกว่า ซึ่งจะมีประโยชน์มากๆ เลย และในเมื่อมันให้ผลลัพธ์เป็นตาราง มันจึงสามารถใช้เป็นเงื่อนไขของ CALCULATE ได้ด้วย!!

จริงๆ แล้วเราก็สามารถใช้ Table Function อะไรก็ตามใน CALCULATETABLE ได้หมดเลย รวมถึงเงื่อนไข Filter ของ CALCULATETABLE จริงๆ แล้วก็เป็นตารางเช่นเดียวกับ CALCULATE ด้วยนั่นเอง ดังนั้นสูตรข้างบนสามารถเขียนได้แบบนี้ (เหมือนกรณี CALCULATE)
```
Person Order in Asia Store = 
CALCULATETABLE(OrderDetail,
    FILTER(ALL(Customer[Customer Type]),Customer[Customer Type]="Person"),
    FILTER(ALL(Store[Store Continent]),Store[Store Continent]="Asia"),
    FILTER(ALL('Product'[Unit Price]),'Product'[Unit Price]>1000)
    )
```
ซึ่ง Performance จะดีกว่าการ FILTER ตรงๆ ด้วย เนื่องจากมีการใช้ ALL ทำให้เห็นค่าไม่ซ้ำก่อนจะคิดเงื่อนไข ทำให่การ Scan ใช้เวลาน้อยลง

จริงๆ แล้ว Time Intelligence นั้นแฝงไปด้วย CALCULATETABLE

ฟังก์ชัน Time Intelligence ถ้ามีการอ้างอิงถึงคอลัมน์ Date ใน Date Table จริงๆ นั้นแฝงไปด้วย CALCULATETABLE อยู่นะ เช่น

เช่น SAMEPERIODLASTYEAR ที่ดูง่ายๆ เหมือนไม่มีอะไรนั้น หาเขียนแบบนี้
```
SAMEPERIODLASTYEAR(dDate[Date])
```
จะหมายถึง
```
SAMEPERIODLASTYEAR( CALCULATETABLE ( DISTINCT (dDate[Date]) ) )
```
ซึ่งก็จะให้ผลลัพธ์เป็นตารางที่ย้อนเวลากลับไป 1 ปีนั่นเอง (และอาจมี Context Transition ได้)

Case ซับซ้อน :

อยากได้ยอดปีก่อนหน้า โดยสนใจวันประจำสัปดาห์ ด้วย CALCULATETABLE

สมมติว่าผมต้องการแสดงยอด Total Qty เฉพาะวันที่เลือกในแต่ละปีของ Brand ที่สนใจ แล้วผมเลือก Slicer วันจันทร์จะได้แบบนี้

ทีนี้ผมอยากเอาปีมาเป็น Slicer แล้วเลือกปี 2020 ไว้ จากนั้นผมอยากจะแสดงยอดของปีก่อนหน้าด้วย จึงใช้ SAMEPERIODLASTYEAR ทำ Time Intelligence ออกมา ได้แบบนี้ แล้วลองเอาไปใส่ในรายงานที่ต้องการ
```
Total Qty Prev Year = CALCULATE([Total Qty],SAMEPERIODLASTYEAR(dDate[Date]))
```
ทำไม Time Intelligence ปกติถึงไม่ Work?

ปรากฏว่าเลขออกมาไม่ถูกต้อง!! เพราะเลข Prev Year ที่ได้ไม่เห็นตรงกับของปี 2019 ในตารางข้างบนเลย??

สาเหตุที่ไม่ตรง เป็นเพราะ SAMEPERIODLASTYEAR เริ่มต้นจาก Filter Context ที่เป็นวันจันทร์ทั้งหมด แล้วย้อนเวลากลับไป 1 ปี ให้ลงเลขวันเดิม ซึ่งอาจจะไม่ใช่วันจันทร์แล้วนั่นเอง ดังนั้นผลที่ได้จึงไม่ใช่วันจันทร์ของปี 2019

แล้วถ้าเราต้องการวันจันทร์ของปีก่อนหน้าด้วยจริงๆ เราจะทำยังไงล่ะ?

ผมจะลองใช้วิธีสร้างตารางวันที่ในปีปัจจุบันทั้งหมด แล้วย้อนเวลากลับไป 1 ปีจากนั้นค่อยเลือกให้เป็นวันจันทร์ โดยผมจะใช้วิธีสร้างตัวแปรมาเก็บค่าก่อน จะได้ไม่ซับซ้อนจนเกินไป แล้วลองใช้ COUNTROWS เช็คดูว่าผลลัพธ์เป็นอย่างไร

สมมติผมเขียนแบบนี้ ว่าให้ลองดูคอลัมน์วันที่แล้วนับจำนวนแถวออกมา
```
Total Qty Prev Year SelectedDay = 
VAR PrevYearDate =CALCULATETABLE(DISTINCT(dDate[Date]))
RETURN COUNTROWS(PrevYearDate)
```
ผลจะได้ออกมาเป็น 52 เพราะในปี 2020 ที่เลือกอยู่นั้นมีวันจันทร์ 52 วันนั่นเอง

ทีนี้ผมต้องการจะทำการปลด Filter เรื่องวันออกไปซะ ก่อนจะทำการ DISTINCT วันออกมา ดังนั้นสามารถใช้ CALCULATETABLE เขียนแบบนี้ได้
```
Total Qty Prev Year SelectedDay = 
VAR PrevYearDate =CALCULATETABLE(DISTINCT(dDate[Date]),REMOVEFILTERS(dDate[DayName]))
RETURN COUNTROWS(PrevYearDate)
```
ผลลัพธ์จำนวนวันที่จะได้ 366 วัน นั่นคือจำนวนวันในปี 2020 นั่นเอง

ทีนี้ผมจะทำการย้อนเวลากลับไป 1 ปี ก็เลวอยากใช้ SAMEPERIODLASTYEAR หรือ DATEADD มาช่วย

แต่ผมจะสร้างตัวแปรใหม่แบบนี้ไม่ได้นะ เพราะตัวแปรใน VAR มันจะถูกคำนวณทิ้งไว้จนกลายเป็นค่าคงที่แล้ว ถึงจะเปลี่ยน Filter Context ก่อนคำนวณค่าคงที่ก็ไม่มีผลอะไร (มันจะได้ 366 วันซึ่งผิด)
```
Total Qty Prev Year SelectedDay = 
VAR PrevYearDate =CALCULATETABLE(DISTINCT(dDate[Date]),REMOVEFILTERS(dDate[DayName]))
VAR PrevYearDate2=CALCULATETABLE(PrevYearDate,SAMEPERIODLASTYEAR(dDate[Date]))
RETURN COUNTROWS(PrevYearDate2)
```
วิธีที่ถูกต้องคือต้องเขีนยสูตรที่สามารถเปลี่ยน Filter Context ตอนคิดตัวแปรแรกเลย

แต่จะเขียนแค่นี้ก็ไม่ Work อีก…
```
Total Qty Prev Year SelectedDay =
VAR PrevYearDate =
    CALCULATETABLE (
        DISTINCT ( dDate[Date] ),
        REMOVEFILTERS ( dDate[DayName] ),
        SAMEPERIODLASTYEAR ( dDate[Date] )
    )
RETURN
    COUNTROWS ( PrevYearDate )
```
สาเหตุที่ไม่ Work เราสามารถใช้วิธีการคิดของ CALCULATE มาพิจารณาได้ครับ เช่น

แบ่งกลุ่ม
1. Filter Context ดั้งเดิมของจุดที่สนใจ (รวมถึง Filter Context ของ CALCULATE ชั้นนอกด้วย)
  - dDate[Year]=2020
  - dDate[DayName]=”Monday”
2. Row Context ดั้งเดิม
  - ไม่มี
3. เงื่อนไข Filter Argument (ที่จริงๆ คือตาราง) ที่ตั้งใจเขียนใน CALCULATE ตัวนั้นๆ
  - SAMEPERIODLASTYEAR ( dDate[Date] )
4. CALCULATE Modifier เช่น REMOVEFILTERS, ALL, ALLSELECTED, ALLEXCEPT, USERELATIONSHIP, CROSSFILTER
  - REMOVEFILTERS ( dDate[DayName] ) ที่เราตั้งใจเขียน
  - REMOVEFILTERS ( dDate ) ที่แถมมาจาก Time Intelligence เช่น SAMEPERIODLASTYEAR
ขั้นตอนการทำงาน
- เก็บ Filter Argument เอาไว้ในใจ
  - SAMEPERIODLASTYEAR ( dDate[Date] ) อันนี้มันจะมองวันจันทร์ปี 2020 ก่อน แล้วย้อนกลับไป 1 ปี ซึ่งจะไม่ใช่วันจันทร์ (ปัญหาเดิม)
- Copy Filter Context เดิมมาเป็น New Filter Context
  - dDate[Year]=2020
  - dDate[DayName]=”Monday”
- Row Context
  - ไม่มี
- CALCULATE Modifier
  - REMOVEFILTERS ( dDate[DayName] )
  - REMOVEFILTERS ( dDate )
  - สรุปแล้ว Filter ในตาราง Expanded ของ dDate หายหมด
- เอา Filter Argument ที่เก็บไว้มาใช้ สรุปแล้ว New Filter Context ได้แบบนี้
  - SAMEPERIODLASTYEAR ( dDate[Date] ) (ปัญหาเดิม)
นี่คือสาเหตุที่ไม่ Work ครับ เพราะเรายังติดปัญหาเดิมอยู่ดี Step การทำงานของมันไม่ได้ทำงานตามลำดับที่เราคาดหวังไว้ เพราะตัว SAMEPERIODLASTYEAR มันมาจำกัดวันที่ให้เห็นแค่วันจันทร์ ในขณะที่จริงๆ ผมอยากได้วันที่ของปีที่แล้วแบบไม่สนใจวันประจำสัปดาห์

วิธีที่ Work

ถ้าเราเข้าใจลำดับการคำนวณเวลาใช้ CALCULATE ซ้อนกันดีแล้ว และเข้าใจพฤติกรรมของ VAR แล้ว เราจะสามารถกำหนดลำดับที่ถูกต้องได้แบบนี้

แม้การคิดสูตรใดๆ ก็ตามจะต้องคิดที่ตัวในสุดก่อน แต่ CALCULATE หรือ CALCULATETABLE ตัวในสุดมันจะมองสภาพแวดล้อมของ Filter Context ที่มันทำงานอยู่ (ซึ่งมีผลจาก CALCULATE/CALCULATETABLE ตัวนอกได้) ดังนั้นสรุปแล้ว เวลาคิดเราจะต้องไล่เปลี่ยน Filter ของ CALCULATETABLE ชั้นนอกก่อน แล้วค่อยไล่เปลี่ยนชั้นใน ดังนั้นเราสามารถเขียนแบบนี้ได้เลย
```
Total Qty Prev Year SelectedDay = 
VAR MonthList=DISTINCT(dDate[Month])      //Step1 เก็บค่าเดือน Context ปัจจุบันไว้เป็นค่าคงที่ 
VAR DayList=DISTINCT(dDate[DayName])      //Step1 เก็บค่าวัน Context ปัจจุบันไว้เป็นค่าคงที่
VAR PrevYearDate =
    CALCULATETABLE(
        CALCULATETABLE (
        CALCULATETABLE (
            DISTINCT ( dDate[Date] ),
            MonthList,                           //Step4 ทำให้เห็นเฉพาะวันที่เห็นใน Context
            DayList                              //Step4 ทำให้เห็นเฉพาะเดือนที่เห็นใน Context
        ),
        SAMEPERIODLASTYEAR ( dDate[Date] )),     //Step3 ย้อน 1 ปี เห็นวันที่ปีก่อนทั้งปีเสมอ
        ALLEXCEPT(dDate,dDate[Year])             //Step2 เห็นวันที่ในปีปัจจุบันทั้งปีเสมอ
    )
VAR Result= CALCULATE([Total Qty],PrevYearDate)  //Step5 เอาตารางวันที่ในปีก่อนหน้ามาคำนวณ
RETURN Result
```
แปลว่าขั้นตอนการคิดจะเป็นแบบนี้ นั่นคือไล่ Filter Context จากชั้นนอกไปใน
- ตัวแปร MonthList และ DayList เก็บค่าเป็นตาราง ณ Context แรกสุดเอาไว้ก่อนเป็นค่าคงที่ ไม่เปลี่ยนแปลง
- ALLEXCEPT ( dDate, dDate[Year] ) มันจะปลด Filter ทุกอย่างยกเว้นปี ทำให้เห็นเฉพาะปีปัจจุบัน แบบเต็มปีเสมอ
- SAMEPERIODLASTYEAR ( dDate[Date] ) ในเมื่อเดิมมองเห็นเต็มปีแล้ว ก็จะย้อนกลับไป 1 ปี แบบเต็มปีด้วย
- จากสั้นใส่ Filter ตาม MonthList และ DayList เข้าไป เพื่อให้เหลือช่วงเดือนและวันประจำสัปดาห์ที่ถูกต้อง
- แล้วค่อย List คอลัมนืวันที่ออกมาเป็นตารางด้วย DISTINCT ( dDate[Date] ) แล้วเก็บไว้ในตัวแปร PrevYearDate
- แล้วเอาตัวแปร PrevYearDate ไปใช้ใน CALCULATE เพื่อคำนวณ [Total Qty] ออกมาเป็นอันจบเลย
สุดท้ายเราจะได้ค่าที่ถูกต้องดังนี้ เหนื่อยเลย

อย่างไรก็ตาม วิธีคิดอาจมีหลายแบบ ถ้าใครลองวิธีไหนแล้วได้ผลลัพธ์ที่น่าสนใจ ลองเอามาแชร์กันได้ครับ

สำหรับบทความนี้ยาวและยากมากๆ แล้ว ผมขอจบเท่านี้ก่อน

ตอนต่อไป

ตอนต่อไปจะเอาทุกอย่างมายำกันแบบสุดๆ แล้ว น่าจะเป็นตอนจบแล้วล่ะครับ
September 11, 2022
วิธีใช้ Power Query ดึงข้อมูล EMS Tracking จากไปรษณีย์ไทย ผ่าน Web API
ก่อนหน้านี้ผมได้เคยเขียนบทความวิธีใช้ Power Query ดึงข้อมูลจาก Web API ไปแล้ว 3 ตอน ถ้าใครยังไม่เคยเข้าไปอ่านก็สามารถเข้าไปอ่านดูก่อนได้นะครับ (ไม่อ่านก็ยังสามารถทำตามในบทความนี้ได้อยู่)
ซึ่งบทความในวันนี้เนื้อหาจะคล้ายกับตอนที่ 2 ของเดิมมากๆ คือเป็น Web API แบบ Post แต่จะเป็นกรณีตัวอย่างการใช้กับ EMS Tracking ของไปรษณีย์ไทยโดยเฉพาะ ซึ่งหลายๆ คนน่าจะอยากใช้งานอยู่ ซึ่งวิธีทำนี้จะใช้ใน Excel หรือ Power BI ก็ได้นะครับ (พอดีมีลูกค้าที่เรียน Power BI กับผมถามมา เลยเอามาเขียนเป็นบทความเผื่อเพื่อนๆ คนอื่นด้วยเลยดีกว่า)

เพื่อไม่ให้เสียเวลา เรามาเริ่มดูขั้นตอนกันเลยละกัน

สมัครสมาชิกแล้วเอา Token มาก่อน

ขั้นตอนแรกที่จำเป็นเลยคือเข้าไปในเว็บ https://track.thailandpost.co.th/ จากนั้นสมัครสมาชิกแล้วเข้าสู่ระบบให้เรียบร้อย (ขอไม่ลงรายละเอียดวิธีสมัครนะ)

จากนั้นให้เข้าหน้า Dashboard ในส่วนของ <>สำหรับนักพัฒนา แล้วกด Create Token จากนั้น Copy Token ปัจจุบันออกมาซะ

ศึกษาคู่มือซักหน่อย

ผมเองก็ดูข้อมูลตามที่บอกในคู่มือ ในส่วนของ API REST แล้วก็ทำตามได้ดังนี้ (คู่มือมีจุดที่เขียนแล้วสับสนตรง Token ให้ดูตัวอย่างผมแทนได้)

GetToken สำหรับการรับส่งข้อมูล

โดย Token รับส่งข้อมูลนี้เป้นคนละตัวกับ Token จากการสมัครสมาชิกนะ… และจะมีการกำหนดวันหมดอายุ 1 เดือน

ให้เรา Get Data from Web แบบ Advanced แล้วใส่ดังนี้
- URL Parts : https://trackapi.thailandpost.co.th/post/api/v1/authenticate/token
- HTTP Request Header
  - Authorization : คำว่า Token ตามด้วยเว้นวรรค 1 ที ตามด้วย Token ในหน้าสมาชิก
  - Content-Type : application/json
จากนั้นกด ok แล้วกด Connect

มันก็จะทำการเข้าสู่ Power Query Editor แล้วได้ผลลัพธ์มาเป็น Token รับส่งข้อมูล ซึ่งจะยาวกว่า Token ในหน้าสมาชิกมากๆ ให้เรา Copy เก็บเอาไว้ใช้ได้ (Token รับส่งข้อมูลหมดอายุใน 1 เดือน)

พอเราได้ Token รับส่งข้อมูลแล้ว คราวนี้เราถึงสามารถทำการค้นหาตามพวกรหัส EMS ได้ซักที

สร้าง Query ดึงข้อมูลจากรหัส Tracking

ให้เราสร้าง Blank Query (Get Data -> From Other Source -> Blank Query) ขึ้นมาแล้วเปลี่ยน Code ใน Advanced Editor ให้เป็นดังนี้
```
let

    BarCodeList={"EDXXXXXXXX","RLXXXXXXXX","EDXXXXXXXX"}, //List เก็บรหัส Track
    DataToken="xxxxxxx",  //Token รับส่งข้อมูลยาวๆ 
    MyRecord=[status="all",language="TH",barcode=BarCodeList], //Record ที่จะ Post เข้า API

    Source = Json.Document(Web.Contents("https://trackapi.thailandpost.co.th/post/api/v1/track", 
    [
        Headers=
            [
            Authorization="Token "&DataToken,
            #"Content-Type"="application/json"
            ],
        Content=Json.FromValue(MyRecord)                  
    ] 

    ))
in
    Source
```
จากนั้นเปลี่ยนสิ่งที่ระบุใน BarCodeList และ DataToken ตามต้องการ เช่น

จากนั้นพอ Run Query จะได้ดังนี้ แสดงว่าสำเร็จ

ดูข้อมูลที่ Response กลับมา

จากนั้นเราก็กดเข้าไปใน Record ที่ response กลับมา 1 ที แล้วกด Record ที่ items อีกที แล้วค่อยกด Convert เป็น Table

จากนั้นให้ Expand List ออกมาเป็นหลายๆแถว

จากนั้นค่อย Expand Record ออกมาโดยเลือกเอาเฉพาะคอลัมน์ที่ต้องการได้เลย

แล้วเราก็จะได้ Data ที่ต้องการแบบละเอียดทุกขั้นตอนเลย เย้!

ทำยังไงให้เพิ่ม List รหัสง่ายๆ

ที่นี้ถ้าอยากให้ Dynamic มากขึ้น แทนที่เราจะพิมพ์ List ของรหัส EMS ที่ต้องการ Track เข้าไปเอง เราก็ดึง List นั้นมาจาก Table ของ Excel ได้ เช่น ผมสร้าง Table ชื่อ TrackTable แล้วมีคอลัมน์ TrackNumber เอาไว้ (เอาจริงๆ จะเป็น Data Source อะไรก็ได้อ่ะนะ)

จากนั้น Get Data เข้า Power Query ซะ

จากนั้นคลิ๊กขวาในคอลัมน์ที่ต้องการแล้ว DrillDown เราก็จะได้ List แล้ว

เนี่ยได้ List แล้ว ซึ่ง List นี้ชื่อว่า TrackTable

จากนั้นเราก็แค่เอา TrackTable ไปใส่ใน Code เดิมของเรา ก็จบ ง่ายขึ้นอีกเยอะ!!
```
let

    BarCodeList=TrackTable, //List เก็บรหัส Track
    DataToken="xxxxxxx",  //Token รับส่งข้อมูลยาวๆ 
    MyRecord=[status="all",language="TH",barcode=BarCodeList], //Record ที่จะ Post เข้า API

    Source = Json.Document(Web.Contents("https://trackapi.thailandpost.co.th/post/api/v1/track", 
    [
        Headers=
            [
            Authorization="Token "&DataToken,
            #"Content-Type"="application/json"
            ],
        Content=Json.FromValue(MyRecord)                  
    ] 

    ))
in
    Source
```
เนี่ย ทุกอย่างยังทำงานได้เหมือนเดิม แต่เจ๋งกว่าเดิมตรงแก้รหัสที่จะ Track ได้ง่ายเลย!!

และนี่คือผลลัพธ์ที่เราได้ครับ แจ่มมากๆ

ข้อควรระวัง ที่เขียนไว้ในระบบ คือ สามารถใช้งาน API ได้สูงสุด 1,000 หมายเลขต่อการ Post 1 ครั้ง โดยสามารถใช้งานได้ 15 ครั้ง ต่อ 3 วินาที กรณีมีการใช้งานเกิน 15 ครั้ง ต่อ 3 วินาที ระบบจะทำการปิดกั้นการใช้งานชั่วคราว เป็นระยะเวลา 30 วินาที

ดังนั้นอย่าส่งเยอะและถี่เกินไปนะครับ ^^
September 10, 2022
เจาะลึก CALCULATE ใน DAX แบบลึกสุดใจ : Part 1
ถ้าใครได้หัดใช้ DAX ไม่ว่าจะใน Power BI หรือ Data Model ของ Excel มาซักพักจะรู้ว่า ฟังก์ชันที่ทรงพลังที่สุดใน DAX ก็คือ CALCULATE (และพี่น้องของมันอย่าง CALCULATETABLE ) อย่างไม่ต้องสงสัย

ในบทความนี้ผมจะมาทำความเข้าใจพฤติกรรมของ CALCULATE แบบเจาะลึกกันแบบละเอียดยิบๆๆๆๆ โดยทำการทดสอบหลายๆ อย่างพร้อมบันทึกภาพประกอบไว้ด้วย เพื่อให้ทุกท่านได้ร่วมพิสูจน์หาความจริงไปด้วยกัน

ป.ล. ตอนแรกจะทำตอนเดียวจบ แต่เขียนไปแล้วยาวมากๆ ยังไม่จบเลย ขอเอามาให้ดู 1 Part ก่อนแล้วกันครับ 555

ไฟล์ประกอบบทความ

https://github.com/ThepExcel/download/blob/master/DAX-Advance-start.pbix

เพื่อนๆ สามารถลองโหลดไฟล์นี้มาทำตามไปด้วยกันได้เลยครับ

ก่อนอื่นเรามาดูหน้าตา Data Model กันก่อน
- ตาราง Fact คือตารางชื่อ OrderDetail และตาราง target นอกนั้นเป็นตาราง Dimension ทั้งหมด
- ตาราง Dimension ที่ Filter ทั้ง OrderDetail และ target ได้ ก็คือตาราง dDate และ ProductCategory เท่านั้น
- ส่วนตาราง dDate ผูกกับ OrderDetail ผ่าน Relationship 2 เส้น คือ
  - เส้น Active : Date -> Order Date
  - เส้น Inactive : Date -> Delivery Date
Measure พื้นฐานที่จะใช้

ใช้แค่ SUM กับ DISTINCTCOUNT ง่ายๆ แบบนี้เลยครับ

หายอดจำนวนชิ้นรวม
```
Total Qty = SUM(OrderDetail[Quantity])
```
หายอดขายรวม
```
Total Revenue = SUM(OrderDetail[Revenue])
```
หาจำนวนลูกค้าที่ซื้อของ
```
Total Customer = DISTINCTCOUNT(OrderDetail[CustomerKey])
```
ทำความเข้าใจ Filter Context

CALCULATE และ CALCULATETABLE เป็นฟังก์ชัน DAX ที่มีความสามารถพิเศษคือ การเปลี่ยนแปลง Filter Context ได้ก่อนที่จำทำการคำนวณผลลัพธ์ออกมา ซึ่ง CALCULATE จะได้ผลลัพธ์เป็น Scalar (ค่าเดียว) แต่ CALCULATETABLE จะให้ผลลัพธ์เป็น Table (เป็นตาราง แต่จะมีกี่คอลัมน์กี่แถวก็ได้)

อะไรคือเปลี่ยนแปลง Filter Context ก่อนคำนวณผล? จะเข้าใจได้ เราก็ต้องรู้ก่อนว่า Filter Context คืออะไร

หากพิจารณาผลลัพธ์จาก Matrix ตัวนี้ที่ใช้ Measure Total Qty ในช่อง Value

ตัวเลขแต่ละตำแหน่งของตาราง Matrix ให้ผลลัพธ์ที่ไม่เหมือนกันได้ แม้จะใช้ Measure เดียวกัน เป็นเพราะมี Filter Context ที่ต่างกัน

ตัวเลขที่ผมกำลังเลือกดูนั้นอยู่ในจุดที่มี Filter Context คือ
- Product[Brand] เป็น Contoso
  และ
- Customer[Customer Type] เป็น Person
นั่นแปลว่าก่อนที่ Model จะคำนวณค่า Total Qty ออกมาได้ มันจะต้องทำการ Filter Data Model ตามเงื่อนไขของ Filter Context ซะก่อน ทำให้ผลลัพธ์ของ OrderDetail[Quantity] ที่มองเห็นเหลือน้อยลงก่อนจะถูก SUM ออกมาโดย Measure นั่นเอง

ลองใช้ CALCULATE เปลี่ยน Filter Context

สมมติว่าผมไม่แบ่ง Customer Type ใน Matrix แต่ใช้การสร้าง Measure ใหม่ด้วย CALCULATE จะได้ผลแบบนี้
```
Person Cust Total Qty = CALCULATE([Total Qty],Customer[Customer Type]="Person")
```
นั่นคือ ผมใช้ CALCULATE เปลี่ยนแปลง Filter Context ก่อนจะคำนวณ Total Qty ออกมา โดยสั่งให้ Customer Type เป็น Person ซะ ดังนั้นในแถวที่ Brand เป็น Contoso จะเห็นว่า
- Total Qty จะได้ 117,157 ซึ่งมีผลมาจาก Filter Context เรื่อง
  - Product[Brand] เป็น Contoso อย่างเดียว
  - แล้วคำนวณ SUM(OrderDetail[Quantity]) ทีหลัง
- Person Cust Total Qty จะได้ 16,241 เพราะมีผลมาจาก Filter Context เรื่อง
  - Product[Brand] เป็น Contoso และ
  - Customer[Customer Type] เป็น Person
  - แล้วคำนวณ [Total Qty] ทีหลัง
ตรงนี้หลายคนอาจจะคิดว่า CALCULATE เป็นการสั่งให้ Filter เพิ่ม แต่จริงๆ แล้วมันคือการเปลี่ยน Filter ต่างหาก เช่น หากผมสั่งแบบนี้
```
Contoso Total Qty = CALCULATE([Total Qty],'Product'[Brand]="Contoso")
```
จะเห็นว่าในบรรทัดที่ Brand ไม่ใช่ Contoso อย่างเช่น Litware ที่ควรมี Filter Context คือ Product[Brand] เป็น Litware ก็ได้ถูกเปลี่ยนให้กลายเป็น Product[Brand] เป็น Contoso ด้วยเช่นกัน

นอกจากที่เราจะเปลี่ยน Filter ได้แล้ว เรายังสามารถปลด Filter ทิ้งได้ด้วย โดยการใช้ REMOVEFILTERS, ALL, ALLSELECTED, ALLEXCEPT
```
Total Qty All Brand = CALCULATE([Total Qty],
REMOVEFILTERS('Product'[Brand])    //หรือ ALL('Product'[Brand]) ก็ได้
)
```
เช่น ถ้าเราใช้ REMOVEFILTERS ไปที่ ‘Product'[Brand] ก็จะแปลว่าเราปลด Filter เรื่อง Product Brand ออกซะ ดังนั้น Filter Context เดิมที่มีอยู่เกี่ยวกับ Brand ก็จะถูกทำลายทิ้ง ทำให้เราเราเห็นยอดของ Total Qty รวมของทุก Brand เสมอ (ไม่ว่าเดิมจะเคยมี Filter มาจากไหนก็ตาม)

ทำความเข้าใจ ALL เพิ่มซักนิด

REMOVEFILTERS กับ ALL นั้นถ้าใช้ในฐานะของ Filter ของ CALCULATE จะทำงานเหมือนกันเลย คือ การปลด Filter ทิ้ง แต่ว่า ALL (และผองเพื่อนคนอื่นๆ ) สามารถใช้ในฐานะ Table Function ได้ด้วย นั่นคือจะสร้างตารางออกมาแบบเห็นทุกค่าเหมือนไม่ได้มีการ Filter ใดๆ เช่น
```
ALL('Product'[Brand])
```
- ถ้าใช้ในฐานะ Filter ของ CALCULATE แบบตรงๆ : จะทำการ ปลด Filter จาก Field Brand ของตาราง Product (ปลด แปลว่าไม่มีระบุค่าใดๆ)
- ถ้าใช้ในฐานะ Table Function : เช่น ใช้ใน FILTER แปลว่าจะเป็น การได้ตารางที่แสดงค่าของคอลัมน์ที่เลือกออกมาแบบเห็นทุกค่าเสมอ เหมือนไม่ได้มีการ Filter ใดๆ (ไม่ว่าจริงๆจะมี Filter มาจากอะไรก็ตาม)
ดังนั้นถ้าเจอสูตรว่า ALL จึงต้องดูให้ดีด้วยว่าใช้ในฐานะอะไร ดังนั้นเพื่อไม่ให้สับสน การจะปลด Filter เฉยๆ เค้าเลยนิยมใช้ REMOVEFILTERS แทนเพราะชัดเจนกว่า

แล้วถ้าเราเขียนทุกอย่างปนกันล่ะ?

CALCULATE มีวิธีการจัดการ Filter พวกนี้ยังไง? แล้ว Filter Context เดิมล่ะ? แล้วยังมีการปลด Filter ได้อีก? ถ้าเขียนทุกอย่างผสมกันหมดเลยล่ะ จะเป็นไง?

การจะเข้าใจเรื่องพวกนี้ได้อย่างลึกซึง เราจะต้องแบ่งเรื่องของ Filter ออกเป็นกลุ่มๆ ดังนี้ก่อน
1. Filter Context ดั้งเดิมของจุดที่สนใจ (รวมถึง Filter Context ของ CALCULATE ชั้นนอกด้วย)
2. Row Context ดั้งเดิม
3. เงื่อนไข Filter Argument (ที่จริงๆ คือตาราง) ที่ตั้งใจเขียนใน CALCULATE ตัวนั้นๆ
4. CALCULATE Modifier เช่น REMOVEFILTERS, ALL, ALLSELECTED, ALLEXCEPT, USERELATIONSHIP, CROSSFILTER
พอแบ่งเป็นกลุ่มได้แล้ว CALCULATE จะทำงานแบบนี้
- CALCULATE จะพิจารณา Filter Argument (ที่จริงๆ คือตาราง) ในกลุ่ม 3 (พิจารณาในสภาวะของ Filter Context และ Row Context เดิม) เก็บไว้ในใจก่อน แม้จะพิจารณาแต่แรก แต่จะเก็บเอาไว้ใช้ตอนหลังสุด
- CALCULATE จะ Copy Filter Context กลุ่ม 1 ออกมาสร้างเป็น New Filter Context
- CALCULATE จะ แปลง Row Context กลุ่ม 2 ให้กลายเป็นส่วนหนึ่งใน Filter ของ New Filter Context ผ่านกระบวนการ Context Transition
- CALCULATE จะทำตาม CALCULATE Modifier ในกลุ่ม 4 (เช่น ปลด Filter, เปลี่ยนเส้น Relationship)
- CALCULATE จะนำ Filter Argument ที่เก็บไว้ตั้งแต่ขั้นตอนแรกมาใช้ในตอนจบ (หลัง CALCULATE Modifier)
  - ถ้ามีการพูดถึง Field ที่ไม่เคยมีใน New Filter Context ก็จะเป็นการ Add เงื่อนไขเพิ่ม
  - ถ้ามีการพูดถึง Field ที่เคยมีใน New Filter Context จะแบ่งเป็น 2 กรณี
    ถ้าพูดถึงแบบปกติ จะเป็นการแทนค่าด้วยเงื่อนไขใหม่ทันที
    ถ้ามีการใช้ KEEPFILTERS ด้วย จะยังเก็บเงื่อนไขเดิมไว้ ไม่แทนค่าทับ (กลายเป็นเงื่อนไขแบบ AND)
ตัวอย่างการไล่ Step การทำงานของ CALCULATE

สมมติผมเขียน Measure ใหม่ดังนี้ แล้วมาทำความเข้าใจกันว่าเกิดอะไรขึ้น

Case Study 1 : CALCULATE 2 เงื่อนไข มีซ้ำ 1
```
CustPerson buy Contoso Total Qty = 
CALCULATE([Total Qty],
Customer[Customer Type]="Person",
'Product'[Brand]="Contoso")
```
ในจุดที่ผมเอา Mouse ชี้ไว้ เรามาพิจารณากันว่ามีอะไรบ้าง

แบ่งกลุ่ม
1. Filter Context ดั้งเดิมของจุดที่สนใจ (รวมถึง Filter Context ของ CALCULATE ชั้นนอกด้วย)
  - ‘Product'[Brand] = “Fabrikam”
2. Row Context ดั้งเดิม
  - ไม่มี
3. เงื่อนไข Filter Argument (ที่จริงๆ คือตาราง) ที่ตั้งใจเขียนใน CALCULATE ตัวนั้นๆ
  - ‘Product'[Brand] = “Contoso”
  - Customer[Customer Type] = “Person”
4. CALCULATE Modifier เช่น REMOVEFILTERS, ALL, ALLSELECTED, ALLEXCEPT, USERELATIONSHIP, CROSSFILTER
  - ไม่มี
ขั้นตอนการทำงาน
- เก็บ Filter Argument เอาไว้ในใจ
  - ‘Product'[Brand] = “Contoso”
  - Customer[Customer Type] = “Person”
- Copy Filter Context เดิมมาเป็น New Filter Context
  - ‘Product'[Brand] = “Fabrikam”
- ไม่มี Row Context
- ไม่มี CALCULATE Modifier
- เอา Filter Argument ที่เก็บไว้มาใช้ สรุปแล้ว New Filter Context ได้แบบนี้
  - ‘Product'[Brand] = “Fabrikam” จะถูกแทนด้วย ‘Product'[Brand] = “Contoso” (จาก Filter Argument )
  - Customer[Customer Type] = “Person”
สรุป

เหลือเงื่อนไข 2 อัน คือ
- ‘Product'[Brand] = “Contoso”
- Customer[Customer Type] = “Person”
ตัวอย่างนี้อาจจะยังง่ายๆ อาจยังไม่เห็นความจำเป็นที่ต้องมาคิดละเอียด แต่มันคือการฝึกคิดให้เป็นระบบ เดี่ยวเราลองมาดูตัวอย่างที่ซับซ้อนขึ้นกันครับ

Case Study 2 : CALCULATE ซ้อนกัน

สมมติว่าเดิมที่ผมเขียน Measure เอาไว้แล้วแบบนี้ คือสั่งให้ Brand เป็น Contoso
```
Contoso Total Qty = CALCULATE([Total Qty],'Product'[Brand]="Contoso")
```
แล้วผมก็เขียน Measure อีกตัวเรียกใช้ Measure ตัวนั้น แต่ดันให้ Brand เป็น Litware
```
Litware Call Contoso Total Qty = 
CALCULATE([Contoso Total Qty],
'Product'[Brand]="Litware")
```
แบบนี้ผลลัพธ์จะเป็นยังไง? ในเมื่อสิ่งที่ต้องการมันดู Conflict กัน… แล้วมันจะเชื่อตัวไหน หรือมีวิธีคิดยังไง?

เรามาดูผลลัพธ์กันก่อนครับ ปรากฏว่าผลลัพธ์ออกมาเหมือน Filter เป็น Brand Contoso เลย… ทำไมล่ะ? แล้ว Litware ที่เราสั่งล่ะ??

ถ้าพิจารณาดีๆ แล้ว โปรแกรมจะมองสูตรของเราเป็น CALCULATE ซ้อนกันครับ ซึ่งมองเป็นแบบนี้ได้
```
Litware Call Contoso Total Qty = 
CALCULATE(
    CALCULATE([Total Qty],
    'Product'[Brand]="Contoso"),
'Product'[Brand]="Litware")
```
ซึ่งปกติแล้ว เวลาเขียนฟังก์ชันซ้อนกัน เราต้องคิดตัวในก่อนจริงมั้ยครับ? ซึ่งก็คิดตัวในก่อนเนี่ยถูกแล้ว แต่มันลึกซึ้งตรงที่ข้างในดันเป็น CALCULATE ที่มีนิสัยต้องพิจารณา Filter Context รอบนอกก่อนจะคำนวณนี่สิ

นั่นคือ CALCULATE ตัวใน จะพิจารณา Filter Context ที่มีผลจาก CALCULATE ตัวนอกด้วยนั่นเองดังนี้

สมมติว่าดูบรรทัด Fabrikam แล้วกันนะครับ เราจะพิจารณาว่าทำไมได้ 117,157

แบ่งกลุ่ม
1. Filter Context ดั้งเดิมของจุดที่สนใจ (รวมถึง Filter Context ของ CALCULATE ชั้นนอกด้วย)
  - ‘Product'[Brand] = “Fabrikam” (จาก Visual)
  - ‘Product'[Brand] = “Litware” (จาก CALCULATE ตัวนอก ซึ่งก็คิดแล้วทับเงื่อนไข Fabrikam จาก Visual ไปเรียบร้อย…)
2. Row Context ดั้งเดิม
  - ไม่มี
3. เงื่อนไข Filter Argument (ที่จริงๆ คือตาราง) ที่ตั้งใจเขียนใน CALCULATE ตัวนั้นๆ
  - ‘Product'[Brand] = “Contoso”
4. CALCULATE Modifier เช่น REMOVEFILTERS, ALL, ALLSELECTED, ALLEXCEPT, USERELATIONSHIP, CROSSFILTER
  - ไม่มี
ขั้นตอนการทำงาน
- เก็บ Filter Argument เอาไว้ในใจ
  - ‘Product'[Brand] = “Contoso”
- Copy Filter Context เดิมมาเป็น New Filter Context
  - ‘Product'[Brand] = “Litware” (จาก CALCULATE ตัวนอก)
- ไม่มี Row Context
- ไม่มี CALCULATE Modifier
- เอา Filter Argument ที่เก็บไว้มาใช้ สรุปแล้ว New Filter Context ได้แบบนี้
  - ‘Product'[Brand] = “Litware” (จาก CALCULATE ตัวนอก) เดิม จะถูกแทนด้วย ‘Product'[Brand] = “Contoso” (จาก Filter Argument )
สรุป

เหลือเงื่อนไข 1 อัน คือ
- ‘Product'[Brand] = “Contoso”
Case Study 3 : เขียน 2 เงื่อนไข Conflict กันตรงๆ

สมมติผมดันเขียนเงื่อนไขที่ Conflict กันเอง ใน CALCULATE เดียวกันบ้าง จะเป็นยังไง?
```
Contoso Litware Total Qty = 
CALCULATE([Total Qty],
'Product'[Brand]="Contoso",
'Product'[Brand]="Litware")
```
เราเขียนให้ Brand เป็น Contoso และก็ Brand เป็น Litware ซึ่งเห็นผลลัพธ์เลยว่าได้ค่าออกมาเป็น Blank นั่นคือมันไม่มีค่าแบบนี้นั่นเอง

ทั้งนี้เพราะในขั้นตอนสุดท้ายของ CALCULATE มันเอาเงื่อนไข 2 อันนี้ มาเชื่อมกันแบบ AND มันก็เลยไม่มีผลลัพธ์ตารางใดๆ ออกมาเลยนั่นเอง
- ‘Product'[Brand]=”Contoso”
- ‘Product'[Brand]=”Litware”
ผลลัพธ์สุดท้ายเลยได้ Blank ไปโดยปริยาย

Case Study 4 : การใช้ USERELATIONSHIP

สมมติว่าผมสามารถคำนวณ Total Qty โดย แบ่งตาม Year และ Month ใน Date Table แบบนี้เราสามารถตีความได้ว่าเป็น Total Qty ของแต่ละเดือน/ปี ที่ Order สินค้า ทั้งๆ ที่ไม่ได้เขียนระบุไว้ที่ไหนเลย

สาเหตุที่เป็นแบบนี้เพราะเส้น Relationship ที่ Active อยู่คือเส้นที่เชื่อมระหว่าง Date ของ Date Table -> Order Date ใน OrderDetail นั่นเอง

แต่ถ้าหากผมต้องการสร้าง Measure อีกตัวเป็นการคำนวณ Total Qty โดยแบ่งตาม แต่ละเดือน/ปี ที่ Deliver สินค้า ผมจะต้องเขียน Measure ดังนี้
```
Total Qty Delivery = CALCULATE([Total Qty],
USERELATIONSHIP(dDate[Date],OrderDetail[DeliveryDate]))
```
เราจะได้เลข Total Qty ที่ยึดจาก Delivery Date ออกมาในเฉพาะ Measure นี้โดยไม่ต้องไปแก้ที่ Data Model เลย (การแก้ Data Model จะกระทบต่อการ Filter Date ทั้งหมด ซึ่งอาจจะไม่ใช่สิ่งที่เราต้องการ)

สมมติว่าผมอยู่ที่เดือน March ของ 2019 นะครับ เรามาดูว่าทำไมผลลัพธ์ถึง Work?

แบ่งกลุ่ม
1. Filter Context ดั้งเดิมของจุดที่สนใจ (รวมถึง Filter Context ของ CALCULATE ชั้นนอกด้วย)
  - dDate[Year]=2019
  - dDate[Month Name]=”March”
2. Row Context ดั้งเดิม
  - ไม่มี
3. เงื่อนไข Filter Argument (ที่จริงๆ คือตาราง) ที่ตั้งใจเขียนใน CALCULATE ตัวนั้นๆ
  - ไม่มี
4. CALCULATE Modifier เช่น REMOVEFILTERS, ALL, ALLSELECTED, ALLEXCEPT, USERELATIONSHIP, CROSSFILTER
  - USERELATIONSHIP สั่งให้เปลี่ยนเส้นเป็น Delivery Date
ขั้นตอนการทำงาน
- เก็บ Filter Argument เอาไว้ในใจ
  - ไม่มี
- Copy Filter Context เดิมมาเป็น New Filter Context
  - dDate[Year]=2019
  - dDate[Month Name]=”March”
- ไม่มี Row Context
- CALCULATE Modifier
  - USERELATIONSHIP สั่งให้เปลี่ยนเส้นเป็น Delivery Date
- สรุปแล้ว New Filter Context ได้แบบนี้
  - dDate[Year]=2019
  - dDate[Month Name]=”March”
  - แต่ต่างจาก Context ดั้งเดิมตรงที่เรามีการเปลี่ยนเส้น Relationship แล้วใน Step ก่อนหน้านี้ มันจึงกลายเป็น Year และ Month Name ที่ Deliver ของนั่นเอง
จริงๆ แล้วเงื่อนไขใน Filter ของ CALCULATE คือ Table

การที่เราเขียนเงื่อนไขใน Filter ของ CALCULATE เช่น
```
Contoso Total Qty = CALCULATE([Total Qty],
'Product'[Brand]="Contoso")
```
นั้นจริงๆ แล้วมันคือตัวย่อของการเขียนแบบนี้ (โปรแกรมมันจะแปลงสูตรข้างบนให้กลายเป็นแบบนี้ก่อนจะลงมือคำนวณ ดังนั้นจึงไม่ต่างกันด้าน performance เลย)
```
Contoso Total Qty Full = CALCULATE([Total Qty],
FILTER(ALL('Product'[Brand]),'Product'[Brand]="Contoso") )
```
หากเรามาคิดว่าการเขียนว่า
```
FILTER(ALL('Product'[Brand]),'Product'[Brand]="Contoso")
```
แบบนี้มันจะได้ผลเป็นยังไง?
- ALL(‘Product'[Brand]) จะสร้างตารางรายชื่อ Brand ที่มีครบทุก Brand เสมอ
- แล้ว FILTER ก็ใส่เงื่อนไขให้ตารางนั้นเหลือแค่ Contoso ค่าเดียว
เราจะพบว่ามันก็จะได้ ผลเป็นตาราง ที่มี 1 คอลัมน์คือ ‘Product'[Brand] และมี 1 ค่า คือ Contoso นั่นเอง (ไม่ว่าจะอยู่จุดไหนของรายงาน) ดังนั้นเราก็เลยเห้นทุก Brand ได้ค่าเท่ากับ Contoso หมดเลย

ซึ่งหากเราเปลี่ยนมุมมองเรื่องของ Filter ของ CALCULATE จากการมองว่า Filter มันเป็นแค่ “เงื่อนไข” ให้มองเป็น “ตาราง” แทน ทุกอย่างจะเป็นไปได้มากขึ้นอีกเยอะมาก ซึ่งจะได้เห็นใน Case Study ต่อจากนี้นะครับ

Case Study 5 : การคิด % เทียบกับ Product Category ใหญ่ แบบยืดหยุ่น

สมมติว่าผมต้องการคิดว่ายอด Total Qty ที่มีคิดเป็นกี่ % ของ Category ใหญ่ ผมจะต้องคำนวณยอด Category ใหญ่(ที่เป็นตัวหาร) ให้ถูกต้องให้ได้ก่อน เช่น ถ้า Matrix เป็นแบบนี้ ผมอาจจะใช้การ REMOVEFILTERS ที่ตัวย่อยมาช่วย
```
Total Qty All Subcat = CALCULATE([Total Qty],
REMOVEFILTERS(ProductCategory[Subcategory])) 
```
แต่การทำแบบนี้มีข้อเสียคือ ถ้าผมเปลี่ยนตัวย่อยเป็นตัวอื่น Measure นั้นก็จะไม่ Work หรือถ้าผมไม่ใส่ตัว Product Category เข้าไปด้วยมันก็จะไม่ Work อยู่ดี เช่นแบบนี้ เราจะได้ยอด 327,044 ซึ่งเป็นยอดรวมทั้งหมดมาแทน ไม่ใช่ยอดของ ProductCategory นั้นๆ

ดังนั้นวิธีการจัดการ เราจะต้องใช้ความเข้าใจที่ลึกซึ้งขึ้น ว่าจริงๆ เงื่อนไข Filter ของ CALCULATE คือ Table ดังนั้นผมจะสามารถเขียนแบบนี้ได้ ซึ่งผมจะได้ผลลัพธ์เป็นยอดของ Category นั้นๆ เสมอ ไม่ว่าผมจะใส่ Product Category เข้าไปด้วยหรือไม่ก็ตาม
```
Total Qty Category Level = CALCULATE([Total Qty],
REMOVEFILTERS('Product'),
DISTINCT(ProductCategory[Product Category]))
```
ปล. ถ้าข้อมูลสมบูรณ์ดี ใช้ DISTINCT(ProductCategory[Product Category]) หรือ VALUES(ProductCategory[Product Category]) ก็ได้

ทีนี้เรามาทำความเข้าใจกันว่าทำไมสูตรนี้จึง Work โดยไล่ที่ละขั้นตอนตามที่ผมบอกไป สมมติว่าดูที่ Desktops

แบ่งกลุ่ม
1. Filter Context ดั้งเดิมของจุดที่สนใจ (รวมถึง Filter Context ของ CALCULATE ชั้นนอกด้วย)
  - ProductCategory[Subcategory]=”Desktops”
2. Row Context ดั้งเดิม
  - ไม่มี
3. เงื่อนไข Filter Argument (ที่จริงๆ คือตาราง) ที่ตั้งใจเขียนใน CALCULATE ตัวนั้นๆ
  - DISTINCT(ProductCategory[Product Category])
4. CALCULATE Modifier เช่น REMOVEFILTERS, ALL, ALLSELECTED, ALLEXCEPT, USERELATIONSHIP, CROSSFILTER
  - REMOVEFILTERS(‘Product’)
ขั้นตอนการทำงาน
- เก็บ Filter Argument เอาไว้ในใจ
  - DISTINCT(ProductCategory[Product Category])
    ซึ่งจะมองเห็น Product Category ภายใต้ Filter Context เดิมนั่นคือจะเห็นแค่ Computers เท่านั้น
    จึงเปรียบเสมือนว่าเราได้เงื่อนไขออกมาว่า ProductCategory[Product Category]=”Computers” นั่นเอง
- Copy Filter Context เดิมมาเป็น New Filter Context
  - ProductCategory[Subcategory]=”Desktops”
- ไม่มี Row Context
- CALCULATE Modifier
  - REMOVEFILTERS(‘Product’) ส่งผลให้ปลด Filter ทั้งหมดของ Expanded Table จากตาราง Product (ตาราง Product รวมถึงทุกตารางที่เชื่อมกับมันที่เป็นฝั่งเลข 1) นั่นคือจะปลดทั้งตาราง Product และ ตาราง Product Category ไปด้วย
  - ดังนั้น New Filter Context จึงหายไปหมด
- เอา Filter Argument ที่เก็บไว้มาใช้ สรุปแล้ว New Filter Context ได้แบบนี้
  - ProductCategory[Product Category]=”Computers”
นั่นคือสรุปแล้ว มี 1 เงื่อนไขซึ่งเป็น Category ใหญ่ของสิ่งที่เรากำลังดูอยู่นั่นเอง

Case Study 6 : Time Intelligence ทำงานยังไงกันแน่?

สมมติว่าผมต้องการใช้ฟังก์ชัน Time Intelligence เช่น พวก YTD อย่าง TOTALYTD หรือตัวเต็มของมันคือ CALCULATE+DATESYTD จะได้แบบนี้
```
Total Qty YTD = CALCULATE([Total Qty],DATESYTD(dDate[Date]))
```
```
Total Customer YTD = CALCULATE([Total Customer],DATESYTD(dDate[Date]))
```
หากคิดแบบผิวเผินหลายคนจะคิดว่าการใช้ YTD คือการเอาค่ามาสะสมกันตั้งแต่ต้นปี แต่ในความเป็นจริงๆ มันไม่ใช่การสะสมค่า แต่เป็นการ “เปลี่ยนช่วงเวลาใน Filter Context” ให้กลายเป็นช่วงใหม่ต่างหาก

สังเกตได้ชัดจาก Total Customer YTD ในเดือน April 2019 ซึ่งไม่ใช่การเอาจำนวนลูกค้าใน 4 เดือนมารวมกัน แต่เป็นการคิดจำนวนลูกค้าในช่วง 4 เดือนแบบไม่ซ้ำต่างหาก

ที่เจ้า Total Qty YTD มันดูเหมือนเป็นการสะสมค่าตั้งแต่ต้นปี เป็นเพราะบังเอิญที่เราใช้ Measure ที่คำนวณด้วยการ SUM ต่างหาก

อีกเรื่องที่น่าสนใจคือช่วงเวลาที่มันคิด YTD คือช่วงเวลาไหน หลายคนก็จะไม่รู้ตรงนี้ เช่นตรงบรรทัด Total สุดท้าย ที่ไม่มี Filter เรื่องวันที่เลย ทำไมถึงได้เป็น 5207 เท่ากับปี 2021 เลย?

สาเหตุเป็นเพราะ YTD จะไปสร้างช่วงวันที่ Date ใหม่ขึ้นมา โดยยึดวันสุดท้ายใน Filter Context เป็นหลักก่อน แล้วเปลี่ยนจุดเริ่มต้นให้เป็นต้นปีเดียวกับวันสุดท้ายนั้นๆ นั่นเอง เรื่องพวกนี้เราก็ต้องไปทำความเข้าใจความสามารถของฟังก์ชัน Time Intelligence แต่ละตัวอีกที เพราะความสามารถในการสร้างช่วงวันที่ของมันไม่เหมือนกัน

แต่เรื่องที่น่าสนใจก็คือ หากคิดตามหลักการที่ผมสอนแล้ว ฟังก์ชัน Time Intelligence มันไม่น่าจะทำงานได้ถูกต้องนี่นา เราลองมาไล่ Step กัน สมมติว่าดูที่ April 2019

แบ่งกลุ่ม
1. Filter Context ดั้งเดิมของจุดที่สนใจ (รวมถึง Filter Context ของ CALCULATE ชั้นนอกด้วย)
  - dDate[Year]=2019
  - dDate[Month Name]=”April”
2. Row Context ดั้งเดิม
  - ไม่มี
3. เงื่อนไข Filter Argument (ที่จริงๆ คือตาราง) ที่ตั้งใจเขียนใน CALCULATE ตัวนั้นๆ
  - dDate[Date] อยู่ในช่วง 1/1/2019 – 30/4/2019 (อันนี้คือตารางที่เกิดจาก Time Intelligence DATESYTD)
4. CALCULATE Modifier เช่น REMOVEFILTERS, ALL, ALLSELECTED, ALLEXCEPT, USERELATIONSHIP, CROSSFILTER
  - ไม่มี
ขั้นตอนการทำงาน
- เก็บ Filter Argument เอาไว้ในใจ
  - dDate[Date] อยู่ในช่วง 1/1/2019 – 30/4/2019 (ตารางที่เกิดจาก Time Intelligence DATESYTD)
- Copy Filter Context เดิมมาเป็น New Filter Context
  - dDate[Year]=2019
  - dDate[Month Name]=”April”
- ไม่มี Row Context
- ไม่มีCALCULATE Modifier
- เอา Filter Argument ที่เก็บไว้มาใช้ สรุปแล้ว New Filter Context ได้แบบนี้
  - dDate[Year]=2019
  - dDate[Month Name]=”April”
  - dDate[Date] อยู่ในช่วง 1/1/2019 – 30/4/2019
ถ้าเรามองแบบนี้ ผลลัพธ์จะยังต้องเป็นช่วงเวลา April 2019 อยู่ดี เพราะทุกเงื่อนไขต้องเอามา AND กันหมด (เนื่องจากพูดถึงคนละ Field กัน) แล้วทำไมผลลัพธ์มันถึงกลายเป็น ช่วง 1/1/2019 – 30/4/2019 ไปได้ล่ะ?

สาเหตุก็คือ เวลาที่เราเรียกใช้ฟังก์ชัน Time Intelligence หรือมีการอ้างอิงเงื่อนไขใน CALCULATE ไปที่คอลัมน์ Date ของ Date Table (โดยมีการ Mark as Date Table หรือ Relationship เชื่อมที่วันที่) โปรแกรมจะแอบปลด Filter ทั้ง Date Table ให้เราโดยอัตโนมัติ ดังนั้นจริงๆ แล้วผลการวิเคราะห์จะกลายเป็นแบบนี้

แบ่งกลุ่ม
1. Filter Context ดั้งเดิมของจุดที่สนใจ (รวมถึง Filter Context ของ CALCULATE ชั้นนอกด้วย)
  - dDate[Year]=2019
  - dDate[Month Name]=”April”
2. Row Context ดั้งเดิม
  - ไม่มี
3. เงื่อนไข Filter Argument (ที่จริงๆ คือตาราง) ที่ตั้งใจเขียนใน CALCULATE ตัวนั้นๆ
  - dDate[Date] อยู่ในช่วง 1/1/2019 – 30/4/2019 (อันนี้คือตารางที่เกิดจาก Time Intelligence DATESYTD)
4. CALCULATE Modifier เช่น REMOVEFILTERS, ALL, ALLSELECTED, ALLEXCEPT, USERELATIONSHIP, CROSSFILTER
  - REMOVEFILTERS(dDate)
ขั้นตอนการทำงาน
- เก็บ Filter Argument เอาไว้ในใจ
  - dDate[Date] อยู่ในช่วง 1/1/2019 – 30/4/2019 (ตารางที่เกิดจาก Time Intelligence DATESYTD)
- Copy Filter Context เดิมมาเป็น New Filter Context
  - dDate[Year]=2019
  - dDate[Month Name]=”April”
- ไม่มี Row Context
- CALCULATE Modifier
  - REMOVEFILTERS(dDate)
    ซึ่งจะปลดเงื่อนไข 2 อันนี้ออกไปหมด
    dDate[Year]=2019 และ
    dDate[Month Name]=”April”
- เอา Filter Argument ที่เก็บไว้มาใช้ สรุปแล้ว New Filter Context ได้แบบนี้
  - dDate[Date] อยู่ในช่วง 1/1/2019 – 30/4/2019
Case Study 7 : YTD แบบนับเฉพาะวันจันทร์

หลังจากที่เราเข้าใจ Time Intelligence มากขึ้นแล้ว ว่ามันปลด Filter ทั้ง Date Table ให้เราด้วย เราลองมาทำความเข้าใจต่อว่าจะเกิดอะไรขึ้น ถ้าเราอยากคิดยอดสินค้าสะสมตั้งแต่ต้นปี แต่นับเฉพาะวันจันทร์…

เราจะพบว่าผลลัพธ์ของ YTD นั้นดูไม่ใช่การสะสมค่าเฉพาะวันจันทร์อย่างแน่นอน เพราะเลขมันเยอะมากๆ เลยเมื่อเทียบกับ Total Qty เฉพาะวันจันทร์

ก่อนจะแก้ไขปัญหาได้ เราจะต้องเข้าใจปัญหาซะก่อน ว่ามันเกิดอะไรขึ้น? ดังนั้นเราลองมาวิเคราะห์กันว่าทำไมเดือน April 2019 ถึงได้ 38,511? (ซึ่งเยอะมากๆ แต่ก็ยังน้อยกว่า YTD อันเดิมที่ยังไม่ Filter วันจันทร์ แล้วได้ 38,822)

ถ้ามาไล่ดูว่ามันทำงานยังไง จะเป็นแบบนี้

แบ่งกลุ่ม
1. Filter Context ดั้งเดิมของจุดที่สนใจ (รวมถึง Filter Context ของ CALCULATE ชั้นนอกด้วย)
  - dDate[Year]=2019
  - dDate[Month Name]=”April”
  - dDate[DayName]=”Monday”
2. Row Context ดั้งเดิม
  - ไม่มี
3. เงื่อนไข Filter Argument (ที่จริงๆ คือตาราง) ที่ตั้งใจเขียนใน CALCULATE ตัวนั้นๆ
  - dDate[Date] อยู่ในช่วง 1/1/2019 – จันทร์สุดท้ายของเดือน April (อันนี้คือตารางที่เกิดจาก Time Intelligence DATESYTD)
4. CALCULATE Modifier เช่น REMOVEFILTERS, ALL, ALLSELECTED, ALLEXCEPT, USERELATIONSHIP, CROSSFILTER
  - REMOVEFILTERS(dDate)
ขั้นตอนการทำงาน
- เก็บ Filter Argument เอาไว้ในใจ
  - dDate[Date] อยู่ในช่วง 1/1/2019 – จันทร์สุดท้ายของเดือน April (ตารางที่เกิดจาก Time Intelligence DATESYTD)
- Copy Filter Context เดิมมาเป็น New Filter Context
  - dDate[Year]=2019
  - dDate[Month Name]=”April”
  - dDate[DayName]=”Monday”
- ไม่มี Row Context
- CALCULATE Modifier
  - REMOVEFILTERS(dDate)
    ซึ่งจะปลดเงื่อนไข 3 อันนี้ออกไปหมด
    dDate[Year]=2019 และ
    dDate[Month Name]=”April”
    dDate[DayName]=”Monday”
- เอา Filter Argument ที่เก็บไว้มาใช้ สรุปแล้ว New Filter Context ได้แบบนี้
  - dDate[Date] อยู่ในช่วง 1/1/2019 – จันทร์สุดท้ายของเดือน April
จะเห็นว่าผลลัพธ์ไม่ได้เหลือแค่วันจันทร์ ได้แต่ข้อมูลตั้งแต่ต้นปีถึงวันจันทร์สุดท้ายที่มองเห็นต่างหาก สาเหตุเพราะมันถูกปลดเงื่อนไขไปจากการปลด Filter Date ทั้งตารางแบบอัตโนมัตินั่นเอง

ดังนั้นทางแก้ไขคือการใส่ Filter เรื่องวันเข้าไปใหม่ด้วย DISTINCT(dDate[DayName]) ก็ได้ ดังนี้
```
Total Qty YTD OnlySelectDayname = CALCULATE([Total Qty],
DATESYTD(dDate[Date]),DISTINCT(dDate[DayName]))
```
แบ่งกลุ่ม
1. Filter Context ดั้งเดิมของจุดที่สนใจ (รวมถึง Filter Context ของ CALCULATE ชั้นนอกด้วย)
  - dDate[Year]=2019
  - dDate[Month Name]=”April”
  - dDate[DayName]=”Monday”
2. Row Context ดั้งเดิม
  - ไม่มี
3. เงื่อนไข Filter Argument (ที่จริงๆ คือตาราง) ที่ตั้งใจเขียนใน CALCULATE ตัวนั้นๆ
  - dDate[Date] อยู่ในช่วง 1/1/2019 – จันทร์สุดท้ายของเดือน April (อันนี้คือตารางที่เกิดจาก Time Intelligence DATESYTD)
  - DISTINCT(dDate[DayName]) ซึ่งจะได้วันที่เลือกมาคือวันจันทร์ เหมือนกับได้ว่า dDate[DayName]=”Monday”
4. CALCULATE Modifier เช่น REMOVEFILTERS, ALL, ALLSELECTED, ALLEXCEPT, USERELATIONSHIP, CROSSFILTER
  - REMOVEFILTERS(dDate)
ขั้นตอนการทำงาน
- เก็บ Filter Argument เอาไว้ในใจ
  - dDate[Date] อยู่ในช่วง 1/1/2019 – จันทร์สุดท้ายของเดือน April (ตารางที่เกิดจาก Time Intelligence DATESYTD)
  - DISTINCT(dDate[DayName]) ซึ่งจะได้วันที่เลือกมาคือวันจันทร์ เหมือนกับได้ว่า dDate[DayName]=”Monday”
- Copy Filter Context เดิมมาเป็น New Filter Context
  - dDate[Year]=2019
  - dDate[Month Name]=”April”
  - dDate[DayName]=”Monday”
- ไม่มี Row Context
- CALCULATE Modifier
  - REMOVEFILTERS(dDate)
    ซึ่งจะปลดเงื่อนไข 3 อันนี้ออกไปหมด
    dDate[Year]=2019 และ
    dDate[Month Name]=”April”
    dDate[DayName]=”Monday”
- เอา Filter Argument ที่เก็บไว้มาใช้ สรุปแล้ว New Filter Context ได้แบบนี้
  - dDate[Date] อยู่ในช่วง 1/1/2019 – จันทร์สุดท้ายของเดือน April
  - DISTINCT(dDate[DayName]) ซึ่งจะได้วันที่เลือกมาคือวันจันทร์ เหมือนกับได้ว่า dDate[DayName]=”Monday”
ดังนั้นผลลัพธที่ได้จึงเป็นช่วงต้นปีถึงจันทร์สุดท้ายของเดือนเมษา “และ” เพิ่มเงื่อนไขว่าต้องเป็นวันจันทร์ด้วย ดังนั้น ผลลัพธ์จะเหลือแค่วันจันทร์เท่านั้นนั่นเอง

ต่อตอนต่อไป

ตอนต่อไปจะมีเรื่องที่ซับซ้อนมากขึ้นอีกนั่นคือ Context Transition และเรื่องของการสร้างตารางด้วย CALCULATETABLE มาประกอบด้วยครับ

เจาะลึก CALCULATE ใน DAX แบบลึกสุดใจ : Part 2
September 9, 2022
Series สอนดึงข้อมูลจากเว็บ ด้วย Power Automate Desktop

ในคลิปนี้ผมจะสอนใช้เครื่องมือ Power Automate Desktop (โหลดมาใช้ได้ฟรี) เพื่อดึงข้อมูลจากเว็บไซต์ที่ต้องการมาลงใน Excel แบบอัตโนมัติ

ซึ่งดึงได้หมดแม้ว่าเว็บนั้นจะต้อง Login ก่อน หรือมีหลายหน้าก็ไม่มีปัญหา แต่เราจะสอนตั้งแต่แบบง่ายไปยาก ดังนั้นในคลิปนี้จะเป็นการดึงแบบง่ายก่อนครับ ดังนั้นใครอยากทำกับเว็บยากๆ ได้ให้ติดตามยาวๆ เลยครับ ^^

ตอนที่ 1 : เริ่มดึงจากเว็บหน้าแรก

ตอนที่ 2 : ดึงข้อมูลหลายๆ หน้า มารวมกัน

August 17, 2022
ทำความเข้าใจวิธีสั่ง MidJourney แบบละเอียด เพื่อให้ได้ผลลัพธ์ตรงใจ (มากขึ้น)
บทความนี้จะเป็น “การทดลองทำความเข้าใจ” AI วาดรูปที่ชื่อว่า MidJourney (ใช้งานผ่าน Discord) โดยเป็นสิ่งที่ผมได้เรียนรู้มาจากการอ่านและการทดลองทำด้วยตัวเองนะครับ หวังว่าจะมีประโยชน์กับคนที่กำลังเรียนรู้การสั่งการให้ตรงใจมากขึ้นนะ

ในบทความนี้จะไม่มีการสอนการเรียกใช้งานทั่วไปซึ่งตอนนี้เรื่องพวกนี้น่าจะสามารถหาดู Tutorial ได้ง่ายๆ แล้ว แต่บทความนี้จะเน้นไปที่การเจาะลึกไปที่ Prompts หรือตัวคำสั่งที่เราสั่งหลังจาก /imagine นี่แหละ

ข้อมูลเบื้องต้นที่ควรศึกษาก่อน

แต่ถ้าจะให้แนะนำคลิปก็ขอแนะนำอันนี้ครับ อธิบายภาพรวมได้ดี (ภาษาอังกฤษ)

คลิปภาษาไทยก็มี เผื่อคนอังกฤษไม่แข็งแรง

เบื้องต้น ผมแนะนำให้เพื่อนๆ ที่ยังไม่เคยใช้งานไปหัดใช้งานเบื้องต้นก่อนนะครับ เพราะผมจะไม่ได้พูดถึงเรื่องพื้นฐานทั่วไปในบทความนี้นะ ใครอยากรู้จัก Parameter ต่างๆ ว่าส่งผลยังไงให้ไปอ่าน บทความหลักอันนี้ในเว็บของ MidJourney อันนี้ได้เลย มีรูปประกอบดีอยู่แล้ว

สรุปองค์ประกอบของ Prompt ที่ใช้สั่งงาน

ซึ่งถ้าไปอ่านจะพบว่าโครงสร้างหลักของ Prompts จะมีอยู่ 3 ส่วนดังรูปนี้
- ส่วนแรก คือ Image Prompt สามารถใช้เป็น “แรงบันดาลใจ” ให้กับ MidJourney ได้
  - ซึ่งเราสามารถใส่เป็น URL (ที่อยู่เว็บ) ที่ Link ไปหารูป (.png หรือ .jpg)
  - โดยสามารถใส่หลายรูปก็ได้ด้วยนะครับ แค่เว้นวรรคแล้วใส่ URL ไปเรื่อยๆ
  - ถ้ามีแต่รูปในเครื่องคอมพ์ ก็ให้ Upload ขึ้น Discord ก่อนแล้วคลิ๊กขวา copy link เอา URL มาก็ได้
  - อย่างไรก็ตาม มันไม่ได้เอารูปมาสร้างต่อตรงๆ แต่เป็น “แรงบันดาลใจ” แค่ส่วนหนึ่งของคำสั่งรวมกับ Text Prompts เท่านั้น
    
    ปกติ Image จะมี Weight ที่ 0.25 เมื่อเทียบกับ Text Prompt ปกติที่มี Weight 1 นั่นคือ Image Prompt จะส่งผลที่ 20% เท่านั้น แต่เราสามารถปรับ Image Weights ได้ ด้วย parameter –iw number นะครับ
- ส่วนที่สอง คือ Text Prompt ตรงนี้สามารถใส่คำบรรยายต่างๆ ได้มากที่สุด 60 คำ และไม่เกิน 6000 อักขระ ตัวพิมพ์เล็กพิมพ์ใหญ่ไม่มีผลใดๆ ทั้งสิ้น ซึ่งในส่วนนี้เราสามารถใส่ตัวคั่นต่างๆ ได้มากมายหลายแบบด้วย เช่น , + :: ซึ่งผมจะพูดในรายละเอียดต่อไปอีกที เพราะส่วนนี้แหละที่มีรายละเอียดเยอะมาก โดยเฉพาะการกำหนด Weights หรือน้ำหนักให้กับคำสั่งแต่ละชุด
- ส่วนสุดท้าย คือ Parameters พวกนี้จะขึ้นต้นด้วยเครื่องหมาย — ซึ่งมีหลายคำสั่งมากๆ ซึ่งอันนี้ไม่ใช่ List ที่ครบทั้งหมด แต่ผมเอามาแค่ที่ใช้ให้ดูในบทความนี้นะครับ ถ้าอยากรู้ทั้งหมดให้ไปอ่านในบทความหลักอันนี้ในเว็บของ MidJourney เองนี้เอานะครับ
  - –stop number ให้หยุดการ gen รูปที่ percent ที่กำหนด (เพื่อที่จะได้รูปที่ไม่ละเอียดเกินไป)
  - –seed number กำหนดเลข seed ที่ใช้ในการ Random รูปออกมา ซึ่งจะทำให้การ Gen แต่ละรอบ ค่อนข้างได้รูปที่ไม่ต่างจากเดิมมาก
  - –sameseed number กำหนดเลข seed ตอนที่สร้างรูป 4 รูป ให้เป้นอันเดียวกัน ดังนั้นรูป 4 รูปจะออกมาคล้ายกันมากๆ
  - –ar h:w กำหนดสัดส่วน Aspect Ratio ของรูป (ใช้แทน –w กับ –h ได้)
  - –no xxx yyy คือการกำหนดให้ในรูปไม่มีสิ่งที่ระบุ (ทำให้รูปตรงใจมากขึ้น แต่ว่าใช้กับคำต้องห้ามไม่ได้ เช่น –no dress ไม่ได้)
  - –iw number (ถ้าไม่กำหนด สัดส่วนของ image prompt จะอยู่ที่ 0.25 หรือ 25%)
  - –video คือ สั่งให้มันบันทึกการ Gen รูปเป็น Video ไว้ด้วย และถ้าเราส่ง Emoji จดหมายหามัน มันจะส่งคลิปวีดีโอกลับมาให้
เทคนิคพิมพ์ Parameter สำหรับ iPhone

ใน iPhone ถ้าเราพิมพ์ — (ขีด 2 ทีติดกัน) บางทีมันมักจะแปลงให้เป็น ขีดเดียวยาวๆ ให้โดยอัตโนมัติ (ซึ่งใช้ไม่ได้) ให้เราไปปรับค่าใน Setting –> General –> Keyboards –> ปิด Smart Punctuations ซะ จะสะดวกขึ้นมากๆ

ทำไมสั่งด้วย Prompts ที่เหมือนกัน แต่ให้ผลลัพธ์ไม่เหมือนกัน?

เพื่อนๆ งงมั๊ยว่า สมมติเราไปรู้ Prompt เจ๋งๆ ของคนอื่นมา เช่น ผมไปแอบดูรูปที่คนอื่นทำใน Community Feed (ที่รวมผลงานเจ๋งๆ แต่เราต้องเป็นสมาชิกเสียเงินถึงจะดูได้นะ ) แล้วชอบ ก็เลยจะจิ๊ก Prompt หรือแม้แต่ Command ที่เค้าใช้มาลองบ้าง

เช่น ผมชอบรูปนี้ (จาก Link นี้) เลย Copy Command โดยกด … แล้ว Copy Command มาแบบนี้

แล้วได้คำสั่งนี้มา
```
sui ishida art manga, female Samurai, Symatrical, dark atmospheric lighting, volumetrics, manga style, artstation, symetric, lineart --ar 9:16
```
แต่พอเอาไปสั่งเอง ได้รูปอะไรไม่รู้ ไม่เห็นจะมีความคล้ายรูปนั้นเลย? แถมลองรันตั้งหลายรอบก็ยังไม่ได้ (แถมไม่เหมือนกันซักรอบ)

ค่อยๆ ทำความเข้าใจ

ผมจะอธิบายหลักการทำงานของมันให้ฟัง ว่าทำไมเราถึงไม่ได้รูปเหมือนของเค้า (ที่เราก๊อปมา) ขอเอาตัวอย่างที่ Simple มากๆ ก่อน เช่น สีแดงกับเหลือง

สมมติว่าผมส่ง MidJourney ด้วย Promt ง่ายๆ เช่น
```
red , yellow
```
แต่ผลลัพธ์แต่ละครั้งที่มัน Gen จะไม่เหมือนกัน เช่น จะได้ 2 ชุดนี้ออกมา

red , yellow รอบแรก

red , yellow อีกที

ที่เราได้ผลลัพธ์ไม่เหมือนกัน เป็นเพราะการ Gen แต่ละครั้งนั้นมีจุดเริ่มต้นของการ Random ที่เรียกว่า “seed” ที่แตกต่างกัน

ถ้าใครอ่านวิธีการสั่ง parameter จะพบว่าเราสามารถกำหนดเลข seed ของการ Gen ได้ สมมติผมสั่งให้เป็น –seed 1 ทั้งสองรอบ เราจะได้รูปที่คล้ายกันขึ้นมาก ดังนี้
```
red, yellow --seed 1
```
red, yellow –seed 1

red, yellow –seed 1

เราจะเห็นได้ว่าลักษณะการวางสีแทบจะเหมือนกัน มันต่างกันที่รายละเอียด ดังนั้นถ้าเราสั่งให้หยุดการ Gen ไว้ก่อนจบ จะเห็นได้ชัดเลยว่าตอนแรกมัน Random ออกมาเหมือนกัน เช่น อันนี้ผมสั่งหยุดที่ 20% จะพบว่าการ Gen 2 รอบคล้ายกันมากๆ
```
red, yellow --seed 1 --stop 20
```
red, yellow –seed 1 –stop 20

red, yellow –seed 1 –stop 20

ซึ่งถ้าดูเป็นภาพเคลื่อนไหว โดยใส่ –video แล้วสุดท้ายให้ dm หา bot มันจะส่งวีดีโอกลับมาให้ จะเห็นผลเป็นดังนี้
อันหลังใช้ –sameseed จะเห็นว่า แม้จุดเริ่มต้นแทบจะเหมือนกัน 100% แต่ผลตอนจบก็สามารถแตกต่างกันได้อยู่ดี (ดังนั้นผลก็ขึ้นกับโชคด้วยในระดับนึง)
```
red, yellow --seed 1 --video
```
red, yellow –seed 1 –video

red, yellow –sameseed 1 –video

แปลว่าเราควรจะ Gen หลายๆ รอบ จนกว่าจะได้รูปที่ใกล้เคียงกับสิ่งที่ต้องการ แล้วพยายามหาเลข Seed ของมันให้ได้ เพื่อที่จะ Gen ให้ได้ตัวที่ใกล้เคียงภาพชุดนั้นอีกรอบ (ซึ่งเท่าที่ผมลอง มัน Work กว่าการกด V มากๆ เพราะ V ชอบออกมาเบี้ยวๆ บูดๆ)

วิธีหาเลข seed

เราสามารถรู้เลข seed ของรูปใดๆ ที่เราทำก็ได้ ด้วยการส่ง DM ไปหา MidJourney Bot ในรูปที่มันต้องการ มันจะส่งเลข Seed กลับมาให้ทาง Message ครับ

เช่น ผม gen ด้วย prompt แบบนี้ 2 รอบ แบบไม่กำหนด seed เลย
```
woman , wolf
```
ปรากฎว่าผมได้ 2 set นี้มา (ซึ่งคนละ seed กันแน่นอน)

ทีนี้ถ้าผมอยากรู้ว่าภาพชุดแรก seed อะไร ผมสามารถส่ง Emoji รูปจดหมายไปหา MJ Bot ได้ แบบนี้

Step 1 : คลิ๊กขวา ส่งจดหมาย

2. มันจะ Message มาหาเรา พร้อมเลข seed

ทีนี้ถ้าผมลอง Gen ด้วย seed ที่มันส่งให้มา ผมจะได้ผลลัพธ์ใกล้เคียงอันแรกมากๆ ลองเทียบกันได้

รูปแรกที่ Gen แบบไม่ระบุ seed

รูปที่ตั้งใจ Gen ด้วย seed เดียวกับรูปข้างๆ

สรุปสาระ…

การ Gen ภาพ ด้วย MidJourney แต่ละครั้งจะไม่มีทางได้ผลลัพธ์เหมือนกัน 100% แม้จะใช้คำสั่งเดิมเป๊ะๆๆๆ มันจะมีการ Random อยู่ในระดับนึงเสมอ แม้จะใช้ seed เดียวกันก็ตามนะครับ แต่ว่าเราก็สามารถทำให้มันคล้ายเดิมมากๆ ด้วยการ Gen หลายๆ ที จนกว่าเราจะเจอ Seed ที่เราค่อนข้างชอบ แล้วสั่งให้รัน Seed นั้นอีกหลายๆ รอบได้เลย จนกว่ามันจะ Perfect

สรุป เรื่อง Text Prompts
- ตัวพิมพ์เล็กพิมพ์ใหญ่ไม่มีผลใดๆ ทั้งสิ้น (มีระบุในคู่มือ)
- ตัวคั่นแต่ละตัว ให้ผลไม่ต่างกันมากในการ Gen ภาพตั้งต้น เช่น space comma + – หรือ :: (อันนี้จากการทดสอบ)
  - ยกเว้นคำว่า and (อาจรวมถึง &) อันนี้ค่อนข้างให้ผลต่างมากๆ คิดว่ามันตีความว่าไม่ใช่ตัวคั่น แต่เป็นการบังคับให้มีวัตถุหลายอัน
ลองดูผลการทดลองข้างล่างนี้ได้ครับ ว่าเห็นด้วยกับที่ผมสรุปหรือไม่?…

ผลของการใช้ตัวคั่นแบบต่างๆ (Gen อย่างละ 2 รอบ)

Space (เว้นวรรคเฉยๆ)
```
woman wolf --seed 1 --video
```
comma
```
woman , wolf --seed 1 --video
```
เครื่องหมาย +
```
woman + wolf --seed 1 --video
```
เครื่องหมาย :: (hard break)
```
woman :: wolf --seed 1 --video
```
เครื่องหมาย &
```
woman & wolf --seed 1 --video
```
คำว่า and

(อันนี้ต่างจากตัวคั่นอื่นๆ อยากชัดเจน ว่าให้แยกออกมา 2 สิ่ง)
```
woman and wolf --seed 1 --video
```
ทดลองเล่นๆ

ผลลัพธ์ของการ Gen ด้วยตัวคั่นต่างๆ แล้วให้ Stop ที่ 10% ตอนแรกจะแทบไม่ต่างกันเลย

woman , wolf –seed 1 –stop 10

woman + wolf –seed 1 –stop 10

woman wolf –seed 1 –stop 10

woman :: wolf –seed 1 –stop 10

woman & wolf –seed 1 –stop 10

woman and wolf –seed 1 –stop 10

ผลลัพธ์ของการ Gen ด้วยตัวคั่นต่างๆ แล้วให้ Stop ที่ 20% จะเริ่มเห็นความต่างแล้ว (โดยเฉพาะ & กับ and ที่จะไม่เหมือนตัวอื่น)

woman , wolf –seed 1 –stop 20

woman + wolf –seed 1 –stop 20

woman wolf –seed 1 –stop 20

woman :: wolf –seed 1 –stop 20

woman & wolf –seed 1 –stop 20

woman and wolf –seed 1 –stop 20

ผลลัพธ์ของการ Gen ด้วยตัวคั่นต่างๆ แล้วให้ Stop ที่ 50% อันนี้จะมีบางตัวต่างออกมาชัดเจน

woman , wolf –seed 1 –stop 50

woman + wolf –seed 1 –stop 50

woman wolf –seed 1 –stop 50

woman :: wolf –seed 1 –stop 50

woman & wolf –seed 1 –stop 50

woman and wolf –seed 1 –stop 50

ผลลัพธ์ของการ Gen ด้วยตัวคั่นต่างๆ แล้วให้ Stop ที่ 80%

woman , wolf –seed 1 –stop 80

woman + wolf –seed 1 –stop 80

woman wolf –seed 1 –stop 80

woman :: wolf –seed 1 –stop 80

woman & wolf –seed 1 –stop 80

woman and wolf –seed 1 –stop 80

ผลลัพธ์ของการ Gen ด้วยตัวคั่นต่างๆ แล้วปล่อยให้สำเร็จ 100%

woman , wolf –seed 1

woman + wolf –seed 1

woman wolf –seed 1

woman :: wolf –seed 1

woman & wolf –seed 1

woman and wolf –seed 1

การใช้ Image Prompt

เราสามารถใช้ Image Prompt มาช่วยให้เกิดผลลัพธ์ที่ตรงใจมากขึ้นได้ ซึ่งใน Community Feed หลายๆ อันก็เป็นแบบนั้น เช่น

รูปซ้ายสุดนี้ (จาก link นี้ ) ถ้าเราไล่ที่มาไปเรื่อยๆ เราจะพบว่ามีการใช้ Image Prompt ช่วยด้วยเช่นกัน

นี่ผลลัพธ์สุดท้าย

มาจาก 4 รูปนี้

ซึ่งมาจาก Image Prompt นี้

ซึ่งคำสั่งที่ทำให้ได้ 4 รูปกลางคืออันนี้ (เราจะพบว่าใน Code กำหนด Weight ของรูป Image Prompt เป็น 1 ซึ่งจะมีอธิบายอีกที)
```
<https://s.mj.run/emIdpdisrpM> a 2d illustration of a female warrior in armor, full body character concept, anime style, by hideo minaba, pixiv, artstation, granblue fantasy --iw 1 --ar 10:16 --q 2
```
ถ้าผมเอาไปรันบ้างจะได้แบบนี้ เทียบกันจะๆ แบบมี Image Prompt กับไม่มี ซึ่งจะพบว่าถ้าผมไม่ได้ใช้ Image Prompt นี่ผลลัพธ์ออกมาเป็นคนละคนกันเลย 555

มีการใช้ Image Prompt

ไม่มีการใช้ Image Prompt

สรุปการใช้ Advance Text Weights ด้วย ::

แม้ว่าเนื้อหาข้างบนผมบอกว่าตัวคั่นแต่ละตัวจะให้ผลคล้ายๆ กัน อย่างไรก็ตาม ตัวคั่น Hard Break คือ :: (Colon 2 อันติดกัน) จะมีความสามารถพิเศษ คือ เป็นตัวช่วยกำหนด Weights หรือน้ำหนักความสำคัญของ keyword ได้ ซึ่งถ้าเรียนรู้ตัวนี้ดีๆ จะช่วยให้สร้างภาพที่ตรงใจมากขึ้นได้ ดังนี้

ใน Text Prompts เราสามารถใส่ตัวคั่น Hard Break ได้หลายตัว โดยเราสามารถกำหนดความสำคัญให้แต่ละคำ แยกกันได้ โดย ใส่เลข weights ลง หลังเครื่องหมาย :: (แบบห้ามเว้นวรรค) เช่น
```
word1 ::weight1 word2 ::weight2 word3 ::weight3
```
แต่ถ้าไม่ใส่เลขใดๆ จะได้ Weights 1 โดยอัตโนมัติ
```
woman :: wolf :: tree
```
จะได้ผลลัพธ์แบบนี้ เพราะทุกตัว Weight 1 เท่ากันหมด มันจะดูปนๆ กันนัวๆ หน่อย (ลองรัน 2 รอบ)

แต่ถ้าเราระบุเลข Weight ตัวอย่างเช่น
woman :: wolf ::5 tree ::4

แปลว่า จากน้ำหนักรวม 1+5+4 =10…

woman ไม่ระบุ = ได้น้ำหนัก 1 นั่นคือ 1/10 = 10%

wolf ได้น้ำหนัก 5 นั่นคือ 5/10 = 50%

tree ได้น้ำหนัก 4 นั่นคือ 4/10 = 40%

เน้นหมาป่า กับ ต้นไม้
woman :: wolf ::5 tree ::4
woman ::5 wolf ::1 tree ::4

แปลว่า จากน้ำหนักรวม 5+1+4 =10…

woman ได้น้ำหนัก 5 นั่นคือ 5/10 = 50%

wolf ได้น้ำหนัก 1 นั่นคือ 1/10 = 10%

tree ได้น้ำหนัก 4 นั่นคือ 4/10 = 40%

เน้นผู้หญิง กับ ต้นไม้
woman ::5 wolf ::1 tree ::4
ซึ่งน้ำหนักสามารถใส่เลขทศนิยมได้ และติดลบได้ด้วย (ติดลบ คือ ในภาพไม่ควรมีสิ่งนั้น ) เช่น moon ::-0.5 มีผลเท่ากับ –no moon
woman :: wolf :: tree :: moon ::-0.5 --seed 1 --video

ห้ามมีพระจันทร์
woman :: wolf :: tree :: moon ::-0.5 ground::-0.5 --seed 1 --video

ห้ามมีพระจันทร์ ห้ามมีพื้น
อย่างไรก็ตาม Weights รวมทั้งหมดของ Prompts ทุกอัน ห้ามติดลบนะครับ เช่นใส่ว่า xxx ::0.2 yyy ::-0.5 แบบนี้ไม่ได้นะ เพราะรวมกันได้ -0.3

ถ้ามี Image Prompt ด้วย

และถ้ามี Image Prompt ด้วย ก็จะมีผลกับ Weight เช่นกัน ซึ่งกำหนดได้โดยค่า –iw เช่น

เราสามารถกดปุ่ม + เพื่อ Upload Image เข้า Discord เพื่อเอามาเป็น Image Prompt ได้นะ จากนั้นให้คลิ๊กขวาแล้ว Copy Link

Step1 : กดปุ่ม + เพื่อ Upload Image

Step2 : คลิ๊กขวาแล้ว Copy Link

รูปที่ใช้เป็น Image Prompt https://cdn.discordapp.com/attachments/1004932439333928981/1009096482529489016/seal-4923333_1920.jpg

ผลที่ได้คือแบบนี้
https://cdn.discordapp.com/attachments/1004932439333928981/1009096482529489016/seal-4923333_1920.jpg woman :: wolf ::5 tree ::4 --iw 10 --seed 1 --video

อันนี้เน้นรูปแมวน้ำ และ หมาป่า และต้นไม้

แปลว่า จากน้ำหนักรวม 1+5+4+10 =20…

woman ได้น้ำหนัก 1 นั่นคือ 1/20 = 5%

wolf ได้น้ำหนัก 1 นั่นคือ 5/20 = 25%

tree ได้น้ำหนัก 4 นั่นคือ 4/20 = 20%

image prompt = ได้น้ำหนัก –iw 10 นั่นคือ 10/20 = 50%
https://cdn.discordapp.com/attachments/1004932439333928981/1009096482529489016/seal-4923333_1920.jpg woman ::5 wolf ::1 tree ::4 --iw 5 --seed 1 --video

อันนี้เน้นรูปแมวน้ำ และ ผู้หญิง และต้นไม้

แปลว่า จากน้ำหนักรวม 5+1+4+5 =15…

woman ได้น้ำหนัก 5 นั่นคือ 5/15 = 33.33%

wolf ได้น้ำหนัก 1 นั่นคือ 1/15 = 6.67%

tree ได้น้ำหนัก 4 นั่นคือ 4/15 = 26.67%

image prompt = ได้น้ำหนัก –iw 5 นั่นคือ 5/15 = 33.33%
Tips: วิธี Copy Link รูปกรณีที่ใช้มือถือ

ให้จิ้มที่รูปค้างไว้ แล้วเลือก Copy Media Link ได้เลยครับ

สัดส่วนรูปมีผลยังไง?

สัดส่วน Aspect Ratio ของรูป นั้นส่งผลต่อผลลัพธ์สุดท้ายอย่างชัดเจน (แม้ตอนแรกจะดูคล้ายกัน) เรามารถดูได้จากคลิปนี้

woman :: wolf –seed 1 –video –ar 1:1

woman :: wolf –seed 1 –video –ar 9:16

ดังนั้นเราต้องคิดให้ดีว่าผลลัพธ์สุดท้ายเราต้องการรูปแนวไหนมากกว่ากัน เช่น แนวนอนจะเหมาะกับภาพที่มีวิวเยอะๆ แนวตั้งเหมาะกับภาพคนหรือตัวละครมากกว่า เป็นต้น

จะสมัครแบบจ่ายตังทำไง?

อ่านมาถึงตรงนี้หลายคนคงเริ่มรู้ตัวแล้วว่า ยังไงการใช้แบบฟรีมันไม่มีทาง Gen รูปได้ถึงระดับที่เราพอใจได้แน่ๆ เพราะมันมีปัจจัยเรื่องโชคและการ Random อยู่พอสมควร ดังนั้นถ้าใครสนใจสมัครแบบจ่ายเงิน กดสามารถพิมพ์คำสั่งนี้ได้
```
/subscribe
```
มันจะมี Link พาไปเว็บที่มีรายละเอียดการจ่ายเงินเลยครับ ซึ่งหลักๆ ถ้าเป็นของคนปกติจะมี 2 แบบ
- Basic : 10$ ต่อเดือน
  - ได้เวลา gpu-minutes 200 นาที ต่อเดือน
  - นั่นคือ gen ได้ “ประมาณ” 200 ครั้ง (โดยเฉลี่ยมัน Gen รูปนึงใช้เวลา 1 นาที) เพราะโควต้ามันไม่ได้นับเป็นรูป แต่นับเป็นเวลา
- Standard : 30$ ต่อเดือน
  - ได้เวลา gpu-minutes 15 ชั่วโมง ต่อเดือน (โหมด Fast) แต่ถ้าสลับเป็นโหมด Relax จะใช้ได้ Unlimited ครับ
  - อย่างไรก็ตาม Max Upscale ต้องใช้ Fast Mode เท่านั้น
  - ถ้าใช้ Fast Mode จนหมดโควต้า สามารถจ่ายซื้อเพิ่มเป็นรายชั่วโมงได้
เราสามารถดูสถานะปัจจุบันได้ด้วยคำสั่งนี้
```
/info
```
เช่นอันนี้ของผม ณ ตอนนี้ (ใช้มาตั้งแต่ 5 สค. – 17 สค. 2022 นั่นคือประมาณ 11 วัน Gen ไปพันกว่ารูป)

จะเห็นว่ามีโควต้า Fast ทั้งหมด 15 ชม. จริงๆ และตอนนี้เหลือ 7 ชม. กว่าๆ เอง (เพราะตอนแรกไม่รู้ว่ามีโควต้านี้ และควรปรับเป็นโหมด /relax ถ้าไม่รีบ 555)

ดังนั้นถ้าไม่ติดขัดเรื่องเงินมากนัก แบบ 30$ คุ้มกว่ามากๆๆๆ ครับ ถ้าใช้แบบ 10$ นี่คือหมดไปเป็นชาติแล้ว

ก่อนจากลา

สุดท้ายนี้ สำหรับบทความนี้ผมขอจบเท่านี้ก่อน แม้ว่าผมก็ยังต้องทดลองต่อไปอีกหลายอย่างจึงจะเข้าใจมันลึกซึ้งมากขึ้น แต่อยากรีบเอามาแชร์ก่อนเผื่อจะเป็นประโยชน์กับเพื่อนๆ ครับ ถ้าผมรู้อะไรดีๆ เพิ่มจะเอามาพิมพ์เพิ่มให้เรื่อยๆ นะ

ถ้าใครรู้เทคนิคอะไรดีๆ ก็ Comment บอกได้เลยนะ
August 16, 2022
สรุปเรื่องของ DAX ฉบับเทพเอ็กเซล
Post นี้เป็นการนั่งสรุปความคิดของผมเกี่ยวกับ DAX ซึ่งเป็นภาษาที่ใช้ใน Data Model ของทั้ง Excel และ Power BI ซึ่งแม้จะเป็นภาษาที่หน้าตาเหมือนกับสูตร Excel แต่หลักการทำงานหลายๆ อย่างเป็นเรื่องที่แนวคิดไม่เหมือนกับสูตร Excel เลย ดังนั้นแม้จะเก่งสูตร Excel มาจากไหนก็ตาม ก็ยังต้องมานั่งเรียนรู้ DAX ใหม่อยู่ดี (แต่ก็คุ้ม เพราะภาษา DAX ความสามารถมันเจ๋งมากๆๆๆๆ)

ลักษณะของบทความนี้จะเป็นการที่ผมนั่งทด นั่งคุยกับตัวเองถึงประเด็นสำคัญๆ และประเด็นที่ต้องระวัง ดังนั้นมันอาจจะกระโดดไปมาบ้าง ยากบ้าง ง่ายบ้าง แต่หวังว่ามันจะมีประโยชน์กับเพื่อนๆ ที่แวะมาดูนะครับ อีกอย่างผมจะพยายามมาปรับปรุงบทความนี้อยู่เรื่อยๆ ตามความรู้ที่ผมมี ดังนั้นแวะมาอ่านบ่อยๆ ได้เลยครับ

ผลลัพธ์ของสูตร DAX

ผลลัพธ์ของ DAX มีทั้งออกมาเป็นค่าเดียว (Scalar) และออกมาเป็นตาราง (Table)
- ถ้าเขียน New Measure ผลลัพธ์สุดท้ายต้องเป็น Scalar
- ถ้า Add New Column ผลลัพธ์ในแต่ละบรรทัดเป็น Scalar
- ถ้า Add New Table ผลลัพธ์ต้องเป็น Table
- อย่างไรก็ตาม รายละเอียดในส่วนประกอบปลีกย่อยจะเป็นอะไรก็ได้ และประกาศตัวแปรด้วย VAR ได้ทุกประเภท
หมายเหตุ : Table ที่มีแค่ 1 Column และ 1 Row ตัว DAX จะสามารถแปลงเป็น Scalar ให้โดยอัตโนมัติ (มองได้ 2 แบบ)

tips : การสร้าง New Col ใน DAX ได้ผลเร็วกว่าสร้างใน Power Query แต่จะทำให้ขนาด Model ใหญ่ขึ้น (เพราะไม่สามารถ optimize ได้เต็มที่)

การอ้างอิงสูตร DAX
- อ้างอิงตาราง = TableName
- อ้างอิงคอลัมน์ =TableName[ColumnName]
- อ้างอิง Measure = [MeasureName] (ไม่ต้องมีชื่อตาราง จะได้ไม่สับสนกับคอลัมน์)
Tips : แนะนำว่าถ้าสร้างคอลัมน์จำลองในสูตร ควรตั้งชื่อคอลัมน์ด้วย “@ColumnName” เพื่อให้อ้างอิงด้วย [@ColumnName] จะได้ไม่สับสนกับ Measure

Evaluation Context คือ หัวใจของ DAX

การใช้ DAX นั้นต่างจากสูตร Excel ตรงที่เราต้องพิจารณาถึง Evaluation Context อยู่ตลอดเวลา ซึ่งการใช้สูตรแต่ละที่ก็จะมีบริษทที่แตกต่างกัน ซึ่งบริบทที่ว่ามีอยู่ทั้งหมด 2 แบบคือ Filter Context และ Row Context

Filter Context = ณ จุดนั้นมีการ Filter อะไรอยู่บ้าง?
- ในตาราง Data : ปกติจะไม่มีการ Filter ดังนั้นถ้า Add Column แล้วเขียนว่า =SUM(TableName[ColumnName]) จะได้ค่าเท่ากันหมดทุกบรรทัด (เพราะไม่มีการ Filter นั่นเอง)
SUM Revenue ออกมาเท่ากันหมดทุกบรรทัด
- ใน Report : อาจจะมีการ Filter ตาม Category/Axis หรือ Filter ที่ใส่ลงไป หรือแม้กระทั่ง Filter จาก Interaction ในรายงาน และนั่นคือสาเหตุที่เขียนสูตร Measure ว่า =SUM(TableName[ColumnName]) เหมือนกัน แต่ในแต่ละ Category จะได้ค่าไม่เท่ากัน (เพราะ Filter ไม่เหมือนกัน)
Row Context = การวน Loop เพื่อพิจารณาทีละแถวของตาราง
- ในตาราง Data : การเขียนสูตรเพื่อวน Loop ในแต่ละบรรทัดของตารางจะมี Row Context เพื่อพิจารณาทีละแถว เช่น New Column, หรือสูตรพวก Iterator อย่าง SUMX, FILTER, ADDCOLUMNS ดังนั้นการเขียนสูตรว่า =TableName[ColumnName] จึงมองเห็นแค่บรรทัดนั้นๆ ของคอลัมน์ที่ระบุเท่านั้น
- ใน Report : ปกติจะไม่มี Row Context ดังนั้นจะเขียน Measure ลง Report ว่า =TableName[ColumnName] ไม่ได้ เพราะมันไม่ได้ดูทีละแถว
การจะตรวจสอบ Level ของ Measure

เนื่องจากในรายงาน ไม่มี Row Context ดังนั้น หากเราต้องการตรวจสอบว่า Measure กำลังทำงานอยู่ Category ที่ไหน ระดับไหน
- ISINSCOPE / ISFILTERED เพื่อเช็คว่าอยู่ Level ไหน แต่ ISINSCOPE จะตรวจสอบ Level ได้ชัดเจนกว่า (ISFILTERD จะได้รับผลมาจาก Visual อื่นได้ ทำให้สับสน)
- SELECTEDVALUE เพื่อตรวจสอบว่ากำลังอยู่แกนชื่อว่าอะไร (ถ้า SELECTEDVALUE มองเห็นคอลัมน์ที่ระบุแค่ค่าเดียว จะได้ค่านั้นกลับมา)
FILTER
- เป็น Table Function ที่คัดกรองผลลัพธ์ให้เหลือแถวน้อยลง โดยมองเห็นคอลัมน์ในตารางต้นฉบับ (Row Context ของตารางต้นฉบับ)
- เงื่อยไขใส่ได้ตัวเดียว แต่ใช้ AND, OR ช่วยได้ (แต่ได้คู่เดียว)
- ใช้ && แทน AND จะยืดหยุ่นกว่า
- ใช้ II แทน OR จะยืดหยุ่นกว่า
```
Product[Color] IN {"Red","Blue","Yellow"}
```
มีค่าเท่ากับ
```
CONTAINSROW ( {"Red","Blue","Yellow"} , Product[Color] )
```
ALL vs VALUES vs DISTINCT

กรณีอ้างอิงไปที่คอลัมน์เดียว
- ALL ได้ผลลัพธ์แบบไม่ซ้ำ แบบมี Blank Row พิเศษได้ และ ปลด Filter ด้วย
- VALUES ได้ผลลัพธ์แบบไม่ซ้ำ แบบมี Blank Row พิเศษได้ (ไม่ปลด Filter)
- DISTINCT ได้ผลลัพธ์แบบไม่ซ้ำ (ไม่มี Blank Row พิเศษ ไม่ปลด Filter)
Blank Row พิเศษเกิดขึ้นในฝั่งตารางที่เป็นเลข 1 เวลาจับคู่กับอีกตารางผ่าน Relationship ไม่ได้ (ในอีกตารางฝั่ง * มีค่าบางอย่างที่ตารางฝั่งเลข 1 ไม่มี) เลยสร้าง Blank Row มาจับคู่แทน (แต่จะสร้าง Blank Row ขึ้นมาตัวเดียว แม้จะจับไม่ได้หลายคู่)

CALCULATE / CALCULATETABLE

เจาะลึก CALCULATE ใน DAX แบบลึกสุดใจ : Part 1
- เป็นฟังก์ชันพวกเดียวที่สามารถเปลี่ยนแปลง Filter Context ได้
- Filter Argument ของ CALCULATE จริงๆ แล้วถูกมองเป็น Table เสมอ
  เช่น การเขียนเป็นเงื่อนไข (เรียกว่า predicate) ว่า
```
Product[Brand]="Contoso" 
```
มีค่าเทียบเท่ากับ
```
FILTER( ALL( Product[Brand] ), Product[Brand]="Contoso" )
```
- คอลัมน์ที่จะอ้างถึง ต้องมีจริงใน Data Model เท่านั้น (ถ้าไม่มีจริง ต้องเขียนด้วยการใช้ FILTER มาช่วย)
- แต่ถ้าใช้ KEEPFILTERS ครอบจะไม่มีการปลด Filter เดิมออกเลย
- การใช้ ALL, REMOVEFILTERS ใน argument ของ CALCULATE แบบตรงๆ จะทำหน้าที่เป็น Calculate Modifier ซึ่งทำหน้าที่ปลด Filter (ไม่ได้ทำหน้าที่เป็น Table Function ที่สร้างตารางผลลัพธ์ที่ไม่ซ้ำเหมือนปกติ)
- เวลาเขียน CALCULATE ซ้อนกัน วิธีคิดจะแปลก เพราะ เนื่องจากการใช้ฟังก์ชันซ้อนกัน ปกติจะคิดตัวในก่อน ซึ่งพอไปมองไปที่ CALCULATE ตัวใน CALCULATE จะต้องตีความ Filter Context ที่มีผลต่อมันก่อน (ซึ่งมาจาก CALCULATE ตัวนอก) ดังนั้น ผล Filter ของ CALCULATE ตัวนอกจึงถูกคิดก่อน แล้วค่อยมาคิด Condition ตัวในทีหลัง (ซึ่งมันอาจจะทับตัวนอกได้)
Context Transition
- CALCULATE/CALCULATETABLE สามารถเปลี่ยน Row Context ให้กลายเป็น Filter Context ได้ (แต่ต้องระวังบรรทัดที่ข้อมูลเบิ้ล ผลลัพธ์จะผิด)
- เวลาอ้างอิง Measure จะมี CALCULATE ครอบอยู่เสมอ ทำให้เกิด Context Transition เสมอ
Product Revenue = [Total Revenue] มี Context Transition (เหมือนมี CALCULATE มาครอบ อัตโนมัติ)
แม้ว่า Total Revenue = SUM(OrderDetail[Revenue])
- Context Transition เกิดขึ้นก่อน Calculate Modifier แปลว่า เราสามารถใช้ ALL ปลดผลจาก Context Transition ได้ (ถ้าเราใส่ ALL เพิ่มเข้าไป Engine จะฉลาดและรู้ว่าไม่ต้องทำ Context Transition แล้ว)
- เวลาเกิด Context Transition หลายคอลัมน์ ระวังเรื่อง Circular Dependency เพราะมันจะอ้างอิงกันเอง ซึ่งแก้ไขได้โดยให้ในตารางมีคอลัมน์ที่มี Unique Value อยู่และทำให้ Engine รู้ นั่นคือ ทำให้อยู่ฝั่งเลข 1 ของ Relationship ซะ หรือ Mark as Date Table ก็ได้
CALCULATE Modifier
- USERELATIONSHIP เลือกเส้น Relationship ที่จะ Active
- CROSSFILTER เลือกวิธีการไหลของ Relationship
- ALL ทั้งหลาย และ REMOVEFILTERS ใช้ปลด Filter
ลำดับการคำนวณของ CALCULATE
1. พิจารณาเงื่อนไขใน filter argument ของ calculate เอง (และ row context) ภายใต้ context original แล้วจำไว้ก่อน
2. ทำการแปลง row context (ถ้ามี) เป็น filter context แล้วเอาไปรวมกับ filter argument ที่จำไว้
3. พิจารณา filter context ดั้งเดิมทั้งหมด
4. ทำ Calculate modifier เช่น ALL, REMOVEFILTERS, USERELATIONSHIP, CROSSFILTER ซึ่งจะดัดแปลง context เดิมได้
5. ทำตาม filter argument ที่จำเอาไว้ทั้งหมด ซึ่งอาจเปลี่ยนแปลง context เดิมได้ สุดท้ายกลายเป็น filter context ใหม่
6. คำนวณ expression ออกมาภายใต้ filter context ใหม่
เทคนิคพิเศษกับ CALCULATE
- เราสามารถปลด Filter ออกด้วย ALL() ก่อน แล้วใส่ Filter กับเข้าไปใหม่ด้วย VALUES หรือจะใช้ ALLEXCEPT ก็ได้
- ALLEXCEPT คือการปลดออก ไม่ได้มีการใส่อะไรเข้าไปแทน
- ALL + VALUES คือ ปลดออก + ใส่กลับ
การอ้างอิงคอลัมน์ Date ใน Date Table เป็นการปลด Filter ทั้งตาราง Date (ปกติต้องอ้างคอลัมน์นั้นตรงๆ ถึงจะปลดได้ แต่กับคอลัมน์ Date จะเป็นกรณีพิเศษ ซึ่งหลักการนี้ใช้กับ Time Intelligent ด้วย)

VAR
- VAR ถูกคำนวณค่าครั้งเดียวใน Scope ของ VAR นั้นๆ แล้วเก็บผลลัพธ์ไว้เป็น Constant (แปลว่าเปลี่ยนด้วย CALCULATE ไม่ได้)
- VAR หลายทีได้ อ้างอิงตัวก่อนหน้าได้
- VAR ซ้อนกันหลายชั้นได้ เช่น
```
test = 
VAR aaa = 1
VAR bbb = 2 * ( 
                  VAR xxx = 3
                  VAR yyy = 4

                  RETURN xxx+yyy-aaa  // ในนี้มองเห็น aaa
                )
VAR ccc = 5
RETURN aaa/bbb+ccc  // ในนี้มองไม่เห็น xxx
```
- เรามักใช้ VAR เก็บค่าที่ต้องการเอาไว้ ซึ่งจะเก็บ Scalar หรือ Table ก็ได้
- VAR ช่วยให้อ่านสูตรง่ายขึ้น แบ่งสูตรเป็นขั้นเป็นตอน
RANKX
```
RANKX ( <Table>, <Expression> ,[<Value>] ,[<Order>] ,[<Ties>] )
```
1. RANKX จะสร้าง LookupTable จาก <Table> แล้ว ประเมินค่า <Expression> ใน Row Context ของตาราง LookupTable
2. จะประเมินค่า <Value> ใน Filter Context ปัจจุบัน ไปเทียบอันดับใน Lookup Table
3. ถ้าไม่ได้ระบุ <Value> จะเอา <Expression> ใน Filter Context ปัจจุบัน ไปเทียบอันดับใน Lookup Table แทน
Tips : เวลาใช้ใน Measure อย่าลืมปลด Filter ของ <Table> ด้วย เดี๋ยวจะมองไม่เห็นค่าใน Category อื่น

Time Intelligence
- อย่าลืมสร้าง Date Table และ Mark as Date Table ด้วย เพื่อให้การปลด Filter ที่คอลัมน์ Date จะเทียบเท่ากับการปลดทั้ง Date Table เสมอ Time Intelligent จึงจะทำงานถูกต้อง
- Time Intelligence ด้วยหลักการ คือ การเปลี่ยนช่วงเวลาของ Filter Context (เอาไว้ใช้ใน CALCULATE)
- การอ้างถึงคอลัมน์ Date ใน DateTable ของฟังก์ชัน Time Intelligent จริงๆ แล้วคือการย่อของการอ้างอิงถึงตาราง ดังนี้
```
DATESYTD( dDate[Date] )
```
มีค่าเท่ากับ
```
DATESYTD( CALCULATETABLE( DISTINCT( dDate[Date] ) ) )
```
- สังเกตว่ามี CALCULATETABLE แปลว่าเกิด Context Transition ได้
- และการที่มันรับข้อมูลเป็นตาราง แปลว่าเราซ้อน Time Intelligent หลายตัวผสมกันได้ (เพราะผลของ Time Intelligent คือตารางที่มีคอลัมน์วันที่)
ฟังก์ชัน Time Intelligence
- DATESYTD = แก้ช่วงเวลาให้เริ่มตั้งแต่ วันแรกของปีเดียวกับปีสุดท้ายของ Filter Context ถึง วันสุดท้ายของ Filter Context
  (วันแรกของปี คือวันถัดจากวันสุดท้ายของปีงบประมาณ ซึ่งจะมีปัญหาถ้าสิ้นปีงบประมาณที่สิ้นกุมภา)
- DATEADD =
  - เลื่อนเวลาไปโดยกำหนดช่วงเวลาและหน่วยได้อิสระ (ยืดหยุ่นกว่า SAMEPERIODLASTYEAR)
  - ผลลัพธ์คือช่วงวันที่ที่มีอยู่ในตารางวันที่ (มันมองไม่เห็นวันที่อยู่นอกช่วง)
  - ถ้าเลื่อนไปแล้ววันเกิน จะเอาวันสิ้นเดือนมาแทน
  - ถ้าต้นฉบับมี 2 วันสุดท้ายของเดือน วันที่เลื่อนไปจะได้วันเหมือนต้นฉบับจนถึงวันสิ้นเดือนด้วย
- DATESBETWEEN = ได้ช่วงวันที่ระหว่างวันที่กำหนด
- DATESINPERIOD = ได้ช่วงวันที่ตั้งแต่วันที่หนด ด้วยระยะเวลาที่กำหนด
- PARALLELPERIOD = ได้ช่วงที่ครบ Period ที่ระบุตั้งแต่ต้นจบจบ
- FIRSTDATE / LASTDATE = เหมือน MIN/MAX แต่ว่าได้ผลเป็นตารางที่มี 1 วัน และมี Context Transition ด้วย
ต้องระวัง Time Intelligent ว่า ปกติมันจะ ปลด Filter ทั้ง Date Table ตอนที่เปลี่ยนช่วงเวลา ทำให้บางครั้งผลลัพธ์ก็อาจจะผิด เช่น มีการ Filter วันประจำสัปดาห์ด้วย แบบนี้ก็จะผิด เพราะของปีก่อนหน้าก็ไม่ใช่วันจันทร์แล้ว และ YTD ก็ไม่ได้มีแต่วันจันทร์ (แค่ต้นปีจนถึงจันทร์สุดท้ายเฉยๆ)

Date Lineage และ TREATAS
- เมื่อค่าใดๆ อ้างถึง Column ที่มีอยู่จริง มันจะได้ Data Lineage ของคอลัมน์นั้นมาด้วย ดังนั้นการ Filter จะมีความหมายตามคอลัมน์นั้นจริงๆ
- แต่ถ้าเรามีการสร้างคอลัมน์ใหม่ขึ้นมา หรือเอาคอลัมน์เดิมมาคำนวณเพิ่ม Data Lineage จะหายไป มันจะมองเป็นคอลัมน์ที่ไม่ได้มีความหมายในเชิง Model อะไร
- ฟังก์ชันที่จะเปลี่ยน Data Lineage ได้ก็คือ TREATAS (เอาไปใช้ใน CALCULATE ได้ หรือจะเก็บใน VAR ก่อนใช้ก็ได้)
```
TREATAS ( <Expression>, <ColumnName> , [<ColumnName>],... )
```
TREATAS จะตามด้วย <Expression> ซึ่งคือ ตารางที่มีคอลัมน์ที่อาจยังไม่มี Data Lineage แล้วตามด้วยคอลัมน์ที่อยากจะไปดึง Data Lineage มาใช้ ซึ่งต้องระบุให้ครบทุกคอลัมน์ของตารางใน Expression ด้วย เช่น
```
TREATAS ( 
   {
       (2007,"December"),
       (2008,"February")
   }
   , 
   dDate[Year],
   dDate[MonthName],
   )  
// แปลว่าเอาให้ตารางที่มีค่าคำว่า Red กับ Blue ได้ Data Lineage เทียบเท่ากับเป็นคอลัมน์ Product[Color]
```
Advanced Table Function
- ADDCOLUMNS ใช้เพิ่มคอลัมน์ใหม่เข้าไปในตาราง
- SUMMARIZE สร้างตารางขึ้นมา โดยทำการ Scan ตารางที่ระบุ แล้ว Group Related Column ที่ระบุอีกที
  - ดีกว่าพวก ALL ตรงที่ SUMMARIZE จะเอาจากตารางเดียวกันหรือตารางอื่นก็ได้ เจ๋งมากๆ
  - แม้จะสร้างคอลัมน์คำนวณขึ้นมาใหม่ได้ แต่ไม่ควรทำ เพราะสร้างทั้ง Row Context และ Filter Context ขึ้นพร้อมกัน ให้ใช้ SUMMARIZE + ADDCOLUMNS ดีกว่า
- CROSSJOIN ใช้สร้าง Combination ทุกอันที่เป็นไปได้ของค่าใน Input Table
  - อาจใช้ CROSSJOIN + FILTER แทนการ SUMMARIZE Fact ที่จำนวนบรรทัดมากๆ
- UNION ใช้ Append ตารางเข้าด้วยกัน
  - ไม่ได้ตัดตัวซ้ำ ถ้าจะตัดก็ใช้ DISTINCT ครอบอีกที
  - จะได้ Data Lineage ก็ต่อเมื่อ ตารางต้นฉบับมี Data Lineage เดียวกันทั้งคู่
  - ถ้าไม่ได้ Data Lineage มา อาจใช้ TREATAS หรือ CALCULATE มาช่วยจัดการภายหลัง
- INTERSECT ได้ตัวซ้ำระหว่าง 2 ตาราง
  - ได้ Data Lineage ของตารางแรกมาเสมอ
- EXCEPT เอาตารางแรกตั้ง ลบออกด้วยตารางที่สอง
  - ได้ Data Lineage ของตารางแรกมาเสมอ
- SELECTCOLUMNS ใช้เลือกคอลัมน์ที่ต้องการ เปลี่ยนชื่อคอลัมน์ได้ (ไม่ได้ลดจำนวนแถวเหมือน SUMMARIZE)
  - ได้ Data Lineage ถ้าอ้างอิงคอลัมน์ตรงๆ ไม่ได้เป็น Expression
- TOPN ได้ N แถวแรกของตาราง เรียงตามที่กำหนด
  - ถ้ามีค่าเท่ากันหลายบรรทัด อาจได้แถวมากกว่า N ที่กำหนดได้
    (แก้โดยเพิ่มคอลัมน์เข้าไปใน Sort ของ TOPN จนได้บรรทัดที่ไม่ซ้ำกัน)
- GENERATE ทำการ Iterate เข้าไปในแต่ละแถวของตารางที่ระบุ (row context) แล้วเชื่อมกับผลลัพธ์ของ table expression
- GENERATEALL เหมือน Generate แต่ถ้า table expression เป็นค่าว่าง จะไม่ skip แต่จะปล่อยว่างไป
Expanded Table
- การอ้างอิง Table หมายถึง Expanded Table เสมอ
- ตาราง Expand ออกไปทางตารางที่เป็นเลข 1 (ไม่เกี่ยวกับ Filter Direction)
- เมื่อการ Filter ถูกทำไปที่คอลัมน์ที่กำหนด ทุก Expanded Table ที่มีคอลัมน์นั้นจะถูก Filter ทันที
- RELATED จริงๆ คือคำส่งที่ใช้เข้าถึงคอลัมน์ใน Expanded Table
- การ Filter ด้วยตาราง ต้องระวังว่ามันหมายถึง Expanded Table
  - การ Filter ด้วยเงื่อนไขคอลัมน์ กับ การระบุด้วยตาราง เป็นคนละเรื่องโดยสิ้นเชิง
  - ทำให้เวลาใช้ใน CALCULATE มันอาจจะมีผลกับ Filter บางอย่างที่เราอยากจะเก็บเอาไว้ก็ได้ เช่น
  - ปลด Filter ที่ Fact ก็คือการปลด Filter ทั้ง Model ที่ RELATED กับ Fact ได้เลย
  - หรือใส่ Filter ตาราง Fact จะได้ผลลัพธ์เฉพาะที่ RELATED กับ FACT เท่านั้น ดังนั้นลูกค้าที่ไม่ซื้อของจะหายไปเลย
- Context Transition ก็ทำงานกับทุกคอลัมน์ใน Expanded Table ด้วยเช่นกัน
Relationship
- ถ้าจะสร้าง Calculated Column เพื่อเชื่อม Relationship ให้ระวัง Circular Dependency
  - เลี่ยงปัญหาได้ด้วยการใช้ DISTINCT แทน VALUES, ALLNOBLANKROW แทน ALL
  - เลี่ยงการใช้ CALCULATE แบบย่อ (เพราะมี ALL แฝง), SELECTEDVALUE (มี VALUES แฝง)
August 1, 2022
วิธีแก้ปัญหาเวลาเขียน M Code แบบ each ซ้อนกันหลายอัน
มีแฟนเพจที่ติดตามอยู่ได้ถามคำถามมาว่า เวลาเขียน M Code แล้วมีการอ้างอิงฟังก์ชันซ้อนในอีกฟังก์ชันนึงจะมีปัญหาพอสมควร เช่น กรณีที่ต้องการจะ SUM ข้อมูลยอดขายของสินค้าที่ต้องการ ถ้าเราอ้างอิงชื่อสินค้าไปเลยตรงๆ จะทำได้ไม่มีปัญหา แต่ถ้าหากพยายามจะอ้างอิงสินค้าที่อยู่ในบรรทัดนั้นๆ จะพบปัญหา

เช่น กรณีอ้างอิงชื่อสินค้าไปเลย สามารถทำได้ โดย Add Custom Column แบบนี้ โดยใช้ Table.SelectRows เพื่อ Filter ข้อมูล MyTable ให้เหลือเฉพาะบรรทัดที่ต้องการ
```
Table.SelectRows(MyTable,each [สินค้า]="อาหาร")
```
ซึ่งจะได้ผลเป็น M Code เต็มๆ แบบนี้ ซึ่งจะมี each 2 ตัว ซ้อนกันอยู่ ซึ่งนี่แหละจะทำให้เกิดปัญหา เวลาไปอ้างอิงคอลัมน์แบบปกติ
```
= Table.AddColumn(MyTable, "ยอดขายของสินค้า", each Table.SelectRows(MyTable,each [สินค้า]="อาหาร"))
```
แต่ถ้าเราพยายามจะแก้คำว่า “อาหาร” ในสูตร ให้เป็น [สินค้า] เพื่อพยายามจะอ้างอิงสินค้าในบรรทัดนั้นๆ จะเจอปัญหาทันที เพราะสูตร [สินค้า]=[สินค้า] มันจะเป็นจริงเสมอนั่นเอง ผลลัพธ์จึงไม่มีการ Filter อะไรเลย
```
Table.SelectRows(MyTable,each [สินค้า]=[สินค้า])
```
แล้วเราจะทำให้มันไปอ้างอิงว่า ให้ Filter คอลัมน์ สินค้า ของ MyTable ให้มีค่าเท่ากับสินค้าในบรรทัดนั้นๆ ได้ยังไง?

เราต้องข้าใจก่อนว่า each [สินค้า] เนี่ย มันย่อมาจาก (_) => _[สินค้า] หรือ (x) =>x[สินค้า] โดย x คือ parameter ของฟังก์ชัน ซึ่งจะตั้งชื่ออะไรก็ได้ เช่น ผมอาจตั้งชื่อว่า main ก็ได้ เพื่ออ้างอิงถึง each ตัวข้างนอกสุด สรุปว่าได้แบบนี้

ซึ่ง main[สินค้า] จะหมายถึงคอลัมน์ของ Table.AddColumn แต่ [สินค้า] จะหมายถึงคอลัมน์ตอนที่ใช้ Table.SelectRows
```
= Table.AddColumn(MyTable, "ยอดขายของสินค้า", (main)=> Table.SelectRows(MyTable,each [สินค้า]=main[สินค้า]))
```
พออ้างอิงตารางได้แล้ว ก็เลือกเอาคอลัมน์ยอดขายออกมา ด้วยการใส่ [ยอดขาย] ต่อท้าย เช่น
```
= Table.AddColumn(MyTable, "ยอดขายของสินค้า", (main)=> Table.SelectRows(MyTable,each [สินค้า]=main[สินค้า])[ยอดขาย])
```
สุดท้ายก็ใช้ List.Sum มาทำการหาผลรวมซะ จะได้แบบนี้
```
= Table.AddColumn(MyTable, "ยอดขายของสินค้า", (main)=> List.Sum(Table.SelectRows(MyTable,each [สินค้า]=main[สินค้า])[ยอดขาย]))
```
และนี่คือแนวทางจัดการเวลามี each ซ้อนกันหลายชั้นครับ นั้นคือ ให้เปลี่ยน each แต่ละตัวเป็นชื่อ parameter เต็มๆ คู่กับ => แบบไม่ต้องย่อว่า each แบบปกตินั่นเอง
July 12, 2022
เปิดให้ลงทะเบียนคอร์ส Public Live Online Training รุ่นที่ 1
คอร์สอบรมสด ที่สามารถเลือกได้
- Excel Level Up 6-7 ส.ค. (9:00-16:00)
- Power Query 3-4 ก.ย. (9:00-16:00)
- Power BI 1-2 ต.ค. (9:00-16:00)
ข้อมูลเกี่ยวกับการอบรม
1. การอบรมเป็นแบบ Live Online ผ่าน Zoom ดังนั้นผู้เรียนควรมีหน้าจอแยกออกมาอีกจอ นอกเหนือจาก computer ปกติเพื่อดูสิ่งที่ผมสอนด้วย (เช่น จอคอมแยก, จอ ipad, จอมือถือ เป็นต้น)
2. แต่ละวันจะอบรม 2 session คือ เช้า 9:00-12:00 และช่วงบ่าย 13:00-16:00 ในแต่ละช่วงจะมีพักเบรคย่อย 15 นาที ตามความเหมาะสม
3. การอบรมครั้งนี้ไม่อนุญาตให้มีการบันทึกวีดีโอนะครับ แต่ผมจะมีการตั้งกลุ่ม Line ให้สอบถามปัญหาหลังเรียนจบได้ภายใน 3 เดือนแทน ซึ่งในกลุ่มจะมีนักเรียนที่เข้าในรุ่นนี้เท่านั้น จึงมั่นใจว่าการตอบคำถามจะทำได้ทั่วถึงแน่นอน
4. ควรใช้คอมพ์ที่ใช้ Windows โดยยิ่งมี Excel version ยิ่งใหม่ยิ่งดี ดีสุดคือ Excel 365 แต่อย่างต่ำคือ Excel 2016 แต่ถ้าไม่มี ควรโหลด Power BI Desktop (ฟรี) มาใช้เรียน Power Query และ Power BI ด้วยนะครับ
5. เนื้อหาที่อบรมในครั้งนี้ จะคล้ายกับเนื้อหาในคอร์สออนไลน์ https://www.thepexcel.com/training-personal/ ถ้าใครเคยเรียนออนไลน์แล้วอาจจะได้รับความรู้ใหม่เพียงเล็กน้อย แต่การเรียนสดก็มีข้อดีคือการสอบถามปัญหาที่สงสัยได้สดๆ ทันทีครับ
ลงทะเบียน

อ่านรายละเอียด / ลงทะเบียน

https://forms.gle/AsTMUYY7ehTcsQVW8
June 27, 2022
กราฟแสดงค่าพลังว่าคุณมี Skill Excel / Power BI แค่ไหน?

ลองเลื่อน ขีดพลังเล่นดู ถ้าพอใจก็ Print Screen แล้ว Save ออกไปเป็นรูปภาพได้เลยครับ

June 20, 2022
วิธีจัดการเลขไทยใน Excel และ Power BI
ในช่วงนี้มีประเด็นในโลก Social เกี่ยวกับ “การใช้เลขไทยในเอกสารราชการ” ทำให้อ่านยาก ลามไปที่ถึงที่มาของเลขไทยและวัฒนธรรมไทยอันดีงาม (ไปได้ไงเนี่ย…) ซึ่งในที่นี้ผมจะไม่ขอพูดถึงเรื่องดราม่าอันนั้น แต่จะมาพูดถึงวิธีที่ Excel และ Power BI จัดการกับเลขไทยดีกว่า มาดูกันดีกว่าครับว่ามีอะไรน่าสนใจบ้าง?

เลขไทยจัดการไม่ยากอย่างที่คิด(ถ้าทำงานในฐานะตัวเลข)

ถ้าเราพิมพ์ตัวเลขไทย หรือ Copy เลขไทยลงไปใน Excel เองเลย ปกติ Excel จะมองอันนั้นเป็นตัวเลขอยู่แล้วนะครับ เช่น ถ้าพิมพ์เลขไทย ๑๒๓๔ เนี่ย excel จะมองว่าค่าที่แท้จริงของมันคือ 1234 อยู่แล้ว ดังนั้นไม่ใช่ปัญหา (ไม่ว่า Region ใน Control Panel จะตั้งค่าเป็น Thai หรือ US/UK ก็ตาม)

ถ้ามองว่าค่าที่แท้จริงเป็น 1234 แปลว่า ที่เราเห็นเป็นเลขไทย มันเป็นแค่ Format หรือรูปลักษณ์ภายนอก ดังนั้นวิธีแก้ไข คือ แค่เราปรับ Format ให้มันเป็นเลขอารบิกปกติ เช่น ปรับให้กลายเป็น General หรือ Number ก็จบ

ตอนยังมี Number Format เป็นเลขไทย

ตอนปรับ Number Format ช่องเดิมเลย ให้กลายเป็นเลขปกติ

ในทางกลับกันก็แปลว่า ถ้าเดิมเราทำงานกับเลขอารบิกอยู่ เราก็สามารถแปลงให้เห็นเป็นเลขไทยได้เช่นกัน ด้วยการใส่ Number format ที่เหมาะสม ใน Custom โดยมี Code [$-th-TH,D00] นำหน้า แล้วตามด้วย Custom Format มาตรฐาน เช่น

ถ้าอยากได้เลขจำนวนเต็มก็แบบนี้
```
[$-th-TH,D00]0
```
ถ้าอยากมี ทศนิยม 2 ตำแหน่ง ก็ใช้อันนี้
```
[$-th-TH,D00]0.00
```
ถ้าอยากมี Comma คั่นหลักพัน ก็ใช้อันนี้
```
[$-th-TH,D00]#,##0
```
จะเห็นว่าเราใช้การปรับ Format ได้อย่างอิสระ ดังนั้นข้าราชการทั้งหลายไม่จำเป็นต้องไปนั่งพิมพ์เลขไทยแต่แรกนะ ยากจะตาย!!

ข้อควรระวัง!

อย่างไรก็ตาม ถ้าเราพิมพ์เลขไทยในฐานะที่เป็นข้อความ เช่น พิมพ์เป็นส่วนหนึ่งของข้อความไปเลย อันนี้มันจะเก็บข้อมูลในฐานะข้อความจริงๆ ซึ่งการจะมาแก้เป็นเลขอารบิกภายหลังจะยุ่งหน่อย คือ ต้องใช้หลักการแทนที่อักขระ ๐๑๒๓๔๕๖๗๘๙ แต่ละตัวด้วย 0123456789 ซึ่งทำได้หลายวิธี เช่น
- ซึ่งจะใช้ find/replace ทีละตัว 10 ครั้ง
- ใช้ฟังก์ชัน SUBSTITUTE ทีละตัว 10 ครั้ง
- จะใช้มาโคร/VBAช่วย
- ถ้าใครมี Excel 365 จะเขียนฟังก์ชันด้วย LAMBDA มาจัดการก็ได้
- แต่ในบทความนี้ผมจะใช้การเขียนฟังก์ชันใน Power Query มาช่วยจัดการซึ่งอ่านได้ในตอนท้ายของบทความครับ (เพราะวิธีนี้ใช้กับ Power BI ได้ด้วย)
การ Save / เปิด ไฟล์เป็น Text, CSV ที่มีเลขไทย

ถ้าสมมติเรามีเลขไทยใน Excel ได้ตามต้องการแล้ว เช่น

จากนั้นหากเราต้องการ Save เป็นไฟล์ Text, CSV ก็ทำได้ เช่น แบบนี้ (เลือกเป็น CSV UTF-8)

ซึ่งในไฟล์ csv ถ้าลองไปเปิดใน notepad ก็จะเห็นบันทึกข้อมูลมาเป็นแบบนี้

จากนั้นในอนาคต เวลาเราดับเบิ้ลคลิ๊กเปิดไฟล์ CSV อันนั้นขึ้นมา (มันจะใช้ Excel เปิดอยู่แล้ว) ก็จะไม่มีปัญหา เราจะเห็นเป็นเหมือนเดิมเลย แค่ไม่มี format ตัวหนา/สี แต่ก็ยังเห็นเลขไทย ที่มีค่าที่แท้จริงเป็นตัวเลขถูกต้อง

แต่ถ้ากรณีเราดับเบิ้ลคลิ๊กเปิดไฟล์ CSV ที่ได้มาจากคนอื่นที่ Save แล้วดันเป็นภาษามนุษย์ต่างดาวแบบนี้ แสดงว่ามันใช้ Encoding ผิดตัวในการตีความอักขระในไฟล์นั้นๆ อย่าเพิ่งตกใจ… ถ้าใช้ Excel 2016 ขึ้นไปให้ใช้ Power Query เปิดก็ได้ แล้วเลือก Encoding ให้ถูกต้อง

การใช้ Power Query ใน Excel จัดการเลขไทยแบบง่าย

เลือก Get Data จาก Text,CSV ที่มีปัญหาซะ

เลือก Encoding ที่อ่านภาษาไทยออก ให้ลอง 65001:UTF-8 กับ 874:Thai (Windows) ดู ว่าอันไหนอ่านออกบ้างมั้ย? ในที่นี้ UTF-8 อ่านออก จากนั้นกด Transform Data เพื่อจัดการหัวตารางให้เรียบร้อย

ลบ Step Change Type ออก แล้วกด Use First Row as Header ใหม่อีกที จะได้ผลลัพธ์แบบนี้

จะเห็นว่าคอลัมน์จำนวน มันตีความเลขไทยเป็นข้อความ (ABC) ซึ่งจริงๆ ไม่ถูกต้อง แต่การแก้ใน Power Query จะค่อนข้างยุ่ง ดังนั้นเราจะโหลดผลลัพธ์ออกไปใน Excel เลย แล้วไปจัดการใน Excel ดังนั้นให้กด Close & Load to… แล้วออกมาเป็น Table ใน Excel เราจะพบว่า Excel ก็จะมองเลขไทยเป็น Text ไปด้วย

แต่วิธีแก้ใน Excel ง่ายมาก แค่สร้างคอลัมน์ใหม่ข้างๆ แล้ว เอาคอลัมน์เลขไทยไปคูณ 1 เพื่อบังคับให้เป็นตัวเลขก็จบเลย

วิธีจัดการเลขไทยใน Power Query / Power BI แบบจบในตัว

ในกรณีที่เราต้องไปทำรายงานใน Power BI เราต้องจัดการให้จบใน Power Query เลย ซึ่งขั้นตอนถ้าจะทำด้วย Replace Value 10 รอบก็ได้ แต่ก็จะค่อนข้างยุ่งยาก ดังนั้นผมจึงเขียนฟังก์ชันขึ้นมาจัดการเรื่องนี้ให้แล้วครับ ชื่อว่า ThepThaiNumbertoArabic (ไปโหลดฟังก์ชันนี้ และฟังก์ชันอื่นๆ ที่น่าสนใจมากมายได้จากที่นี่)

ถ้าใครอยากรู้ว่าในฟังก์ชันมีอะไร ก็จะประมาณนี้ครับ
```
(OriginalText as text) as text =>
let
    TextList=Text.ToList(OriginalText),
    ZipReplace=List.Zip({{"๐".."๙"},{"0".."9"}}),
    Result=List.ReplaceMatchingItems(TextList,ZipReplace,Comparer.OrdinalIgnoreCase),
    ResultCombine=Text.Combine(Result)
in
    ResultCombine
```
แค่มีฟังก์ชันของผมและเรียกใช้ฟังก์ชันนั้นกับคอลัมน์ที่ต้องการด้วย Invoke Custom Function ก็จะใช้ได้เลย

กรณีที่ต้องการ Convert เป็นตัวเลข ก็จะสามารถกด Change Type อีกทีได้ตามปกติแล้ว

ดังนั้นเพื่อนๆ น่าจะเห็นแล้วว่า กรณีที่เราได้ข้อมูลมาเป็นเลขไทยจริงๆ (แล้วเราไม่ชอบ) เราก็สามารถจัดการให้มันเป็นเลขอารบิกได้โดยไม่ยากเกินไปนัก หวังว่า Post นี้จะมีประโยชน์กับเพื่อนๆ นะครับ ^^
June 1, 2022
Principle of DAX : หลักการทำงานที่แท้จริงของ DAX ใน Power BI และ Excel
บทความนี้เป็นบทความที่ผมตั้งใจทำมากๆ เพื่อที่จะช่วยให้เพื่อนๆ ที่ศึกษา DAX ไม่ว่าจะเป็นใน Data Model ของ Power BI หรือ Excel ก็ตาม ได้เข้าใจการทำงานของมันให้แม่นยำและลึกซึ้งมากขึ้น เพราะหลายครั้งผมได้เจอคนใช้งาน Power BI ที่เหมือนจะเข้าใจผิดหรือไม่เข้าใจในการทำงานของมันจริงๆ ซึ่งจะยิ่งแย่เข้าไปใหญ่หากมีการนำความรู้ที่ไม่ถูกต้องไปถ่ายทอดต่ออีก (ไม่แปลกถ้าแรกๆ จะเข้าใจผิด ผมก็เคยมีหลายอย่างที่เข้าใจผิดกับ DAX มาก่อน แต่ถ้าเราเข้าใจได้ถูกต้องมันย่อมดีกว่าเนอะ)

DAX มีความคล้ายกับฟังก์ชันใน Excel มากๆ แต่ก็มีหลายฟังก์ชันที่ไม่เหมือนกัน และหลักการทำงานก็ไม่ค่อยเหมือนกันด้วยนะ…

การทำงานของ DAX นั้นมีหลักการพื้นฐานที่สำคัญมากๆ อยู่ที่คำ 2 คำ นั่นคือ Row Context และ Filter Context ซึ่งถ้าหากเราไม่แม่นเรื่องนี้ เราจะงงมากๆ เวลาเจอการทำงานของ DAX ที่เริ่มจะมีความซับซ้อนมากขึ้น (อย่าลืมว่า DAX เป็นภาษาที่สามารถเขียนได้ซับซ้อนมากๆ เช่น สูตรเดียวยาว 20-30 บรรทัดได้ ตัวอย่างเช่นในเว็บนี้ )

เราเขียน DAX ได้ที่ไหนบ้าง?
- New Measure : เป็นสูตรคำนวณที่เอาไว้ใส่ใน Values ของ Visual ใน Report มักเป็นการสรุปข้อมูล เช่น SUM, AVERAGE, DISTINCTCOUNT ซึ่งผลลัพธ์ของ Measure จะต้องเป็นข้อมูลที่มีค่าเดียว แต่จะเป็นตัวเลข หรือ ข้อความก็ได้ แต่จะเป็นตารางหรือ ข้อมูลที่มีหลายค่าไม่ได้
  - New Quick Measure (มีใน Power BI เท่านั้น) : ให้ Power BI ช่วยสร้าง Measure ให้แบบอัตโนมัติจากรูปแบบที่โปรแกรมเตรียมไว้ เช่น Year to Date Summary
- New Column ใน ตารางข้อมูล : เป็นการเขียนสูตรเพื่อสร้างคอลัมน์เพิ่มในตารางข้อมูล มักจะใช้เพื่อเอาไว้ลากลงส่วน Category/Axis ของ Visual ใน Report (หรือใช้ทดข้อมูลก่อนสร้าง Measure ก็ได้)
- New Table (มีใน Power BI เท่านั้น) : ไว้สร้างตารางขึ้นมาใหม่ด้วยสูตร เช่น Date Table
วิธีเขียน DAX เพื่ออ้างอิงสิ่งต่างๆ
- อ้างอิง Table : อ้างอิงด้วย TableName
- อ้างอิง Column : อ้างอิงด้วย TableName[ColumnName]
- อ้างอิง Measure : อ้างอิงด้วย [MeasureName]
  - สาเหตุที่เราไม่ใส่ชื่อตารางหน้า Measure เพราะ จะได้ไม่สับสนกับชื่อคอลัมน์ และ ตารางที่ Measure อยู่ก็ไม่มีผลกับการคำนวณ
จากนั้นเรามาดูความหมายของ Row Context และ Filter Context แบบเบื้องต้นกันก่อนครับ

Row Context vs Filter Context เบื้องต้น

Row Context ขั้นต้น

เป็นการพิจารณาว่าสูตรกำลังคำนวณบรรทัดไหนของตารางอยู่? ซึ่งสูตรมันก็จะสามารถดึงค่าเฉพาะแถวนั้นๆ ในคอลัมน์ที่ต้องการได้

ซึ่งจะเกิดขึ้นโดยมีการคำนวณทีละ Row ของ Table คล้ายๆ การวน Loop ทีละบรรทัดของตารางจนครบ เช่น การเพิ่ม New Column โปรแกรมก็ต้องคำนวณค่าของแต่ละแถวออกมา หรือ การใช้ฟังก์ชันจำพวก iterator เช่น SUMX, FILTER ก็ต้องพิจารณาทีละแถวเป็นต้น (เดี๋ยวจะพูดถึงภายหลัง)

ตัวอย่างที่เข้าใจง่ายสุด คือ การ เพิ่ม New Column ชื่อว่า Revenue โดยจะคำนวณยอดขาย จาก คอลัมน์ Unit Price และ Quantity ในตาราง OrderDetail ซึ่งเราจะใส่สูตรแบบนี้
```
Revenue = OrderDetail[Quantity]*OrderDetail[Unit Price]
```
จะเห็นว่า แม้จะเขียนสูตรอ้างอิงคอลัมน์ทั้งคอลัมน์คูณกัน แต่ว่าค่าผลลัพธ์ของ Revenue ในแต่ละแถวของตารางนั้นสามารถได้ผลลัพธ์ออกมาเป็นค่าเดียวได้ (แถมค่าเป็นของแถวใครแถวมัน) สาเหตุเป็นเพราะมี Row Context อยู่นั่นเอง

หากว่าเราดันไปเขียนสูตรเดียวกันนี้เลยแต่ใส่ลงใน Measure มันก็จะไม่ Work… เพราะว่า Measure นั้นเป็นสิ่งที่ต้องได้ผลลัพธ์เป็นค่าเดียว เพื่อเอาไปแสดงใน Value การที่มันไม่สามารถคำนวณค่าเดียวออกมาได้ เพราะใน Report ไม่มี Row Context อยู่นั่นเอง ทำให้สูตรไม่สามารถแสดงค่าเดียวออกมาได้ (แค่จะเขียนว่า = OrderDetail[Quantity] เฉยๆ ยังไม่ได้เลย)

เอาล่ะ เราน่าจะพอเห็นภาพของ Row Context เบื้องต้นกันไปแล้ว เดี๋ยวไปทำความรู้จัก Filter Context กันก่อน

Filter Context ขั้นต้น

เป็นการพิจารณาว่ามีเงื่อนไขการ Filter อะไรบ้าง ในตำแหน่งที่สูตรกำลังคำนวณอยู่

ซึ่งการพิจารณา Filter จะเกิดขึ้นในหน้า Report นั่นเอง ซึ่งเราต้องพิจารณา Filter ทั้งในส่วนประกอบ Category/Axis ของ Visual นั้นๆ และทั้ง Visual/Page/Report Filter ใน Filter Pane รวมถึง Interaction ที่มาจาก Visual อื่นด้วย

ถ้าให้เข้าใจง่ายที่สุด หากผมเขียน Measure เพื่อจะคำนวณยอดขายรวม ดังนี้
```
Total Revenue = SUM(OrderDetail[Revenue])
```
หากผมลากลงไปใน Visual มันจะคำนวณค่าได้ถูกต้อง ตาม Category/Axis ของ Visual นั้นๆ แม้ทุกช่องจะคำนวณด้วยสูตรเดียวกัน ทั้งนี้เพราะแต่ละตำแหน่งมี Filter Context ไม่เหมือนกันนั่นเอง

อย่างเช่นในรูปข้างบน ตรง Brand Contoso ทวีป Asia ได้ยอด TotalRevenue เป็น 163,171,265 เป็นผลมาจากการที่มี Filter Context ซึ่งเปรียบเสมือนว่ามันทำการ Filter ข้อมูลให้ Brand เป็น Contoso และ Store Continent เป็น Asia (ซึ่งแม้จะอยู่คนละตารางกัน แต่ผลของมันวิ่งผ่าน Relationship ใน Data Model มา Filter ตาราง Order Detail ต่อได้) ทำให้คอลัมน์ Revenue มีจำนวนแถวลดลงก่อนจะทำการ SUM นั่นเอง

แต่ถ้าเราพยายามจะมาเขียนสูตร SUM Revenue ใน New Column ของตาราง มันจะได้ผลลัพธ์ที่น่าประหลาดใจ นั่นก็คือเราจะได้ค่าเท่ากันหมดเลย! (ซึ่งเป็นผลรวมของคอลัมน์ Revenue ทั้งตารางโดยไม่มีการ Filter ใดๆ) ทั้งนี้เป็นเพราะส่วนของตาราง Data จริงๆ นั้นมันไม่มี Filter Context นั่นเอง

หรือจะไปทำที่ตารางอื่น เช่น ตาราง Product (Dimension Table) แล้วคำนวณ Revenue จาก FactTable ก็ไม่ Work เช่นกันนะ

Row Context vs Filter Context ขั้นกลาง

หลังจากที่เราได้เริ่มรู้จัก Row Context และ Filter Context แบบเบื้องต้นกันไปแล้ว เดี๋ยวเราจะมาเรียนรู้ในระดับกลางๆ กันบ้าง

Row Context ขั้นกลาง

โดยผมจะขอเริ่มที่ Row Context ในกรณีที่ไม่ได้อยู่ที่ New Column แต่จะอยู่ในฟังก์ชันพวก Iterator อย่างตระกูล …X ทั้งหมดเช่น SUMX, AVERAGEX, CONCATENATEX (และอีกมากมาย) รวมถึงฟังก์ชันอย่าง FILTER ก็มี Row Context ด้วยเช่นกัน

สมมติว่าผมต้องการจะคำนวณ Measure เรื่อง Total Revenue โดยไม่ได้สร้างคอลัมน์ Revenue มาก่อน อันนี้ถ้าเราใช้ SUM ธรรมดาแล้วจะเอาสองคอลัมน์คูณกันในนั้นเลย มันจะไม่ Work เพราะ SUM มันอ้างอิงได้แค่คอลัมน์เดียวเท่านั้น
```
Total Revenue Wrong2 = SUM(OrderDetail[Quantity]*OrderDetail[Unit Price])
```
ครั้งจะ SUM แต่ละก้อนแล้วจับคูณกัน มันก็จะผิดอีก เพราะไม่ใช่สิ่งที่เราต้องการ…

ดังนั้นเราก็ต้องมีความรู้เพิ่มว่า เราสามารถใช้ SUMX มาช่วยในกรณีนี้ได้ ซึ่งมี Syntax ดังนี้
```
SUMX ( <Table>, <Expression> )
```
โดยเจ้า SUMX จะมองเข้าไปในแต่ละแถวของ <Table> ที่เราระบุ จากนั้น ในแต่ละแถวมันจะคำนวณตาม <Expression> ที่เราระบุ แล้วนำค่า Expression ของทุกแถวที่คำนวณได้มาหาผลรวมอีกที ซึ่งใน <Expression> ของ SUMX นี่แหละที่มี Row Context ตอนมันวน Loop เพื่อคำนวณแต่ละแถวใน <Table> ครับ ดังนั้นใน Expression เราจึงสามารถอ้างคอลัมน์คูณกันโดยได้ค่าของแต่ละแถวนั้นๆ ออกมาได้เลย แม้จะเขียนใน Measure ก็ตาม
```
Total Revenue SUMX = SUMX(OrderDetail,OrderDetail[Quantity]*OrderDetail[Unit Price])
```
หรือแม้แต่ตอนที่เราทำการคัดกรองข้อมูลด้วยฟังก์ชัน FILTER มันก็มี Row Context ใน <FilterExpression> เช่นกัน
```
FILTER ( <Table>, <FilterExpression> )
```
สมมติผมสร้าง New Table ด้วยสูตร FILTER ก็สามารถเขียนสูตรแบบนี้ได้ (เอาสูตรยาวๆ ไปใส่ใน https://www.daxformatter.com/ จะได้จัดย่อหน้าได้สวยๆ ดูง่ายขึ้น)
```
RichMaleOrder = 
FILTER (
    OrderDetail,
    ( OrderDetail[Unit Price] * OrderDetail[Quantity] ) > 250000
        && RELATED ( Customer[Gender] ) = "M"
)
```
ซึ่ง FILTER จะมองเข้าไปในแต่ละแถวของตาราง OrderDetail แล้วดึงมาเฉพาะแถวที่ <FilterExpression> เป็นจริงเท่านั้น โดยความหมายในสูตรที่เขียนคือ ให้เอาเฉพาะแถวที่ Unit Price*Quantity ได้มากกว่า 250000 และ เพศลูกค้าเป็นผู้ชาย

ซึ่งใน <FilterExpression> นี่แหละที่มี Row Context เราจึงสามารถอ้างอิงคอลัมน์ในตาราง OrderDetail ได้เลยโดยตรง แต่ถ้าจะอ้างอิงตารางอื่น เราจะต้องใช้ RELATED มาช่วย

Filter Context ขั้นกลาง

สำหรับลูกเล่นในระดับกลางของการเล่นกับ Filter Context ก็คือ การใช้ CALCULATE เพื่อทำการเปลี่ยนแปลง Filter Context นั่นเอง
```
CALCULATE ( <Expression> , [<Filter1>] , [<Filter2>],... )
```
ความสามารถของ CALCULATE โดยหลักการคือสามารถเปลี่ยน Filter Context ได้ก่อนจะคำนวณ Expression ที่ระบุ

ตัวอย่างง่ายๆ เลยของการใช้ CALCUCATE เพื่อเปลี่ยน Filter Context คือแบบนี้
```
Total Revenue Asia = CALCULATE([Total Revenue],Store[Store Continent]="Asia")
```
ความหมายคือ ก่อนจะคำนวณ [Total Revenue] ออกมา ให้ทำการเปลี่ยน Filter ของ Store[Store Continent] ให้เป็น Asia ซะ

ซึ่งจากผลลัพธ์ข้างบนจะเห็นว่า Filter อื่นๆ เช่น Brand จะยังคงทำงานอยู่ตามปกติ แต่ Filter เรื่อง Store[Store Continent] ที่เดิมเคยเป็นทวีปอื่น เช่น Europe ก็ได้ถูกเปลี่ยนให้กลายเป็น Asia ไปซะแล้ว ค่าก็เลยเปลี่ยนจากปกติที่ควรจะเป็น 159,023,205 ไปเป็น 163,171,265 ซึ่งเป็นค่าของทวีป Asia นั่นเอง

แล้วมีอะไรอีก?

ซึ่งจริงๆ แล้ว CALCULATE สามารถเปลี่ยน Filter Context ได้หลากหลายแบบมาก เช่น
- ปลด Filter ด้วย ALL, REMOVEFILTERS, ALLSELECTED, ALLEXCEPT
- การใส่ Filter คืนกลับ (หลังปลด) ด้วย DISTINCT, VALUE
- การใช้งานร่วมกับฟังก์ชันกลุ่ม Time Intelligence
- ปรับเปลี่ยนวิธีทำงานของ Relationship ก่อนจะ Filter ก็ได้ เช่น USERELATIONSHIP, CROSSFILTER
- ทำการเปลี่ยน Row Context ให้กลายเป็น Filter Context ด้วยเทคนิคที่เรียกว่า Context Transition
- การนำ Context Transition ไปใช้ใน Iterator เช่น SUMX, MAXX, MINX, CONCATENATEX, RANKX
- การสร้างและใช้ตารางจำลองเพื่อเป็นเงื่อนไขใน CALCULATE
- CALCULATETABLE คู่แฝดของ CALCULATE
- การทำงานของ Expanded Table
เรื่องพวกนี้ก็จะเป็นเรื่องที่เป็นเนื้อหาขั้นสูงขึ้นอีก ซึ่งในบทความนี้ผมจะขอแนะนำแค่ Context Transition ก่อนแล้วกันครับ

Context Transition คืออะไร?

กลับมาที่ผมบอกว่าในตาราง Data นั้นไม่มี Filter Context มีแต่ Row Context เวลาเราเพิ่มคอลัมน์ใหม่แล้ว SUM เลยได้ค่าเดียวกันหมด เช่น รูปเดิมของเราอันนี้

แต่ถ้าเราใช้ CALCULATE ไปครอบสูตรอันเดิมของเราซะ ผลลัพธ์จะกลายเป็น Total Revenue ของแต่ละ Product ได้อย่างถูกต้องเฉยเลย
```
Total Revenue Context = CALCULATE(SUM(OrderDetail[Revenue]))
```
ทั้งนี้เพราะมันเกิดสิ่งที่เรียกว่า Context Transition ขึ้น ซึ่งมันจะเปลี่ยน Row Context ที่มองเห็นทั้งหมดให้กลายเป็น Filter Context หรือพูดง่ายๆ คือ แต่ละค่าในแถวนั้นๆ จะถูกทำให้กลายเป้นเงื่อนไขในการ Filter นั่นเอง

แล้ว Filter นั้นก็จะส่งผลไปที่ตาราง OrderDetail จนทำให้เกิดผลรวมของแต่ละ Product นั้นๆ ได้อย่างถูกต้อง!

ที่มันเจ๋งกว่านั้นอีก คือ ถ้าเราใส่สูตรโดยอ้างอิง Measure โดยตรงไปเลย มันจะได้ค่าแบบเดียวกับที่มี CALCULATE ครอบเลย
```
Total Revenue Context = [Total Revenue]
```
สาเหตุเป็นเพราะการอ้างอิง Measure ใน DAX นั้น ในความเป็นจริงโปรแกรมจะแอบเอา CALCULATE มาครอบให้เสมอนั่นเอง มันจึงเกิด Context Transition ขึ้นโดยที่เราอาจจะไม่ได้ตั้งใจด้วยซ้ำ!! ซึ่งถ้าใครใช้ประโยชน์จากมันได้ก็จะสามารถเขียน DAX เพื่อแก้ปัญหาต่างๆ ได้สั้นลงมาก ซึ่งถ้าใครสนใจเทคนิคพวกนี้ รวมถึงเทคนิคอื่นๆ ที่ผมยังไม่ได้พูดถึง สามารถไปศึกษาหาความรู้เพิ่มเติมได้

แต่ถ้าไม่รู้จะหาความรู้จากไหน ผมมีคอร์สสอนเรื่องนี้อยู่แล้วครับ 2 คอร์ส คือ Power BI Basic กับ คอร์ส Advance ที่เน้น DAX แบบเน้นๆ เลย (ขอปิดท้ายด้วยการขายของหน่อย 555)

คอร์สออนไลน์ Powerful Data with Power BI การวิเคราะห์และนำเสนอข้อมูลขั้นเทพ
- คุณจะได้เรียนรู้เครื่องมือ Power BI ซึ่งเป็นเครื่องมือ Business Intelligent ชั้นยอดจากค่าย Microsoft
- ใช้ทำ Interactive Dashboard ที่มี Visual ที่เจ๋งกว่า Excel หลายเท่า
- มีความสามารถในการแชร์ Dashboard ไปให้คนอื่นใช้ได้ง่าย/ปลอดภัย
  ในคอร์สนี้คุณจะได้เรียนรู้ทั้ง 3 แกนหลักของโปรแกรมนี้ ทั้ง
  - การ Get/Transform Data ด้วย Query Editor (เนื้อหาน้อยกว่าในคอร์ส Power Query)
  - การทำ Data Model และเขียนสูตร DAX ในระดับที่ใช้งานทั่วไป
    เรียนรู้ Data Model แบบพื้นฐาน
    รองรับการทำ Data Actual vs Budget ได้
    สูตร DAX จะสอนนี้ก็จะลงลึกถึง CALCULATE และ Time Intelligent
  - การสร้าง Report ด้วยการสร้างกราฟและปรับแต่ง Visual ต่างๆ รวมถึงการทำให้เกิดความ Interactive มากขึ้น
- ราคา 2,290 บาท (อัปเดทเนื้อหาให้ฟรีทุกปี)
Power BI DAX Advance

เพื่อให้สามารถเขียนสูตร DAX ที่มีความซับซ้อนมากขึ้น เพื่อตอบโจทย์ทางธุรกิจได้ตรงจุดมากขึ้น
สามารถต่อยอดความรู้ด้วยการอ่านเนื้อหายากๆ จากเว็บ https://www.daxpatterns.com/ ได้
เน้นเรื่องการเขียน DAX โดยเฉพาะ โดยมีทฤษฎีขั้นสูงมากมาย เช่น
- Context Transition
- Date Table & Time Intelligence
- DAX กับการปรับ Data Model
- Data Lineage และ TREATAS
- Concept ของ Expanded Table
- การสร้าง Virtual Table
- การใช้ DAX Studio เบื้องต้น / Calculation Group
มีตัวอย่างเคสมากมาย เช่น
- ABC Analysis
- การคำนวณต้นทุนแบบ FIFO
- Same Store Sales Growth
- แบ่ง Segment ด้วย RFM Analysis
- Semi-Additive ยอด Balance
ราคา 2,490 บาท (อัปเดทเนื้อหาให้ฟรีทุกปี)
May 11, 2022

Cookie	Duration	Description
cookielawinfo-checkbox-analytics	11 months	This cookie is set by GDPR Cookie Consent plugin. The cookie is used to store the user consent for the cookies in the category "Analytics".
cookielawinfo-checkbox-functional	11 months	The cookie is set by GDPR cookie consent to record the user consent for the cookies in the category "Functional".
cookielawinfo-checkbox-necessary	11 months	This cookie is set by GDPR Cookie Consent plugin. The cookies is used to store the user consent for the cookies in the category "Necessary".
cookielawinfo-checkbox-others	11 months	This cookie is set by GDPR Cookie Consent plugin. The cookie is used to store the user consent for the cookies in the category "Other.
cookielawinfo-checkbox-performance	11 months	This cookie is set by GDPR Cookie Consent plugin. The cookie is used to store the user consent for the cookies in the category "Performance".
viewed_cookie_policy	11 months	The cookie is set by the GDPR Cookie Consent plugin and is used to store whether or not user has consented to the use of cookies. It does not store any personal data.

Author: Sira Ekabut

สอนใช้ Python ใน Excel ตอนที่ 2 : List, Loop, Condition

เรื่องของ List ใน Python

อ้างอิงถึง item ใน List

Slice หั่นเลือกเอาช่วง item ใน List

การรวม List เข้าด้วยกัน

เริ่มทำการวน Loop

วน Loop ใน List

List Comprehension

วน Loop ใน Range

วน Loop ใน String

การใส่ Condition

กรณีถ้าเงื่อนไขจริงแล้วให้ทำอะไรบางอย่าง (ถ้าไม่ตรงก็ไม่ทำอะไร)

กรณีถ้าเงื่อนไขจริงแล้วให้ทำอะไรบางอย่าง ถ้าไม่จริงให้ทำอีกอย่าง

ลองใช้ condition ใน Loop

ลองการประยุกต์

วน Loop เพื่อแก้ชื่อคอลัมน์ของ DataFrame

คัดเลือกให้แสดง DataFrame แค่บางคอลัมน์

ตอนต่อไป

สอนใช้ Python ใน Excel ตอนที่ 1 : ลองใช้ครั้งแรก

วิธีการสมัครใช้ Python ใน Excel

วิธีการเรียกใช้ Python ใน Excel

การรัน Code Python

ผลลัพธ์ของ Python ใน Excel

การประกาศตัวแปรใน Python

อ้างอิงตัวแปรที่เคยประกาศแล้วใน Cell อื่น

วิธีการอ้างอิงข้อมูลจาก Excel เข้าไปใน Python

1.อ้างอิง Cell เดี่ยวๆ

2.อ้างอิง Range

3.อ้างอิง Dynamic Array

4.อ้างอิง Table

5.เอาผลลัพธ์จาก Power Query

ลองเล่นกับ Python DataFrame

ทำการสรุปเบื้องต้น

การดูรายชื่อคอลัมน์ทั้งหมด

การคัดเลือกเอาเฉพาะบางคอลัมน์

ทำการ Add Column เพิ่ม

ทำการ Filter DataFrame

ผสมผสานกับการใช้ Dropdown List

ทำการสรุปเบื้องต้น

ลองสร้างกราฟดูบ้าง

กราฟพื้นฐาน ที่ไม่ต้องใช้ library พิเศษ

ทำกราฟขั้นสูงขึ้น ด้วย Seaborn

สรุปความเห็นของผม

ข้อเสีย

ข้อดี

ตอนต่อไป

สอนใช้ AI ช่วยวิเคราะห์ข้อมูล ด้วย ChatGPT Code Interpreter

อะไรคือ ChatGPT Code Interpreter?

คลิปการทดสอบครั้งแรก

การเรียกใช้ Code Interpreter

การ Upload ไฟล์

สรุปเทคนิคการ Prompt ด้านวิเคราะห์ข้อมูล

ดูภาพรวมของข้อมูลก่อน

ถ้าเรามีความต้องการอยากรู้อะไรแบบเจาะจงก็สั่งมันได้เลย

พยายามตรวจเช็คความถูกต้องของสิ่งที่มันทำด้วย

สามารถสั่งให้มันเอาผลลัพธ์ออกมาได้

สรุป

แนวทางการใช้ DAX Studio ในการตรวจสอบและเรียนรู้ DAX

เหตุผลที่ทำให้ DAX ยาก

เหตุผล 1 : การเขียน DAX ขึ้นอยู่กับบริบท และ Data Model

Solution ที่แนะนำ

เหตุผล 2 : การเขียน DAX นั้นตรวจสอบการทำงานยาก

Solution ที่แนะนำ

วิธีการเรียกใช้ DAX Studio

Syntax หลักของ Query ใน DAX Studio

ใช้ Query Builder ก็ได้

วิธีแสดงค่า Measure ที่เป็น scalar ออกมา

ดู History ย้อนหลัง

แล้วมันใช้ตรวจสอบสูตร DAX ยังไง?

สรุป

เจาะลึก ControlNet ใน Stable Diffusion [Part8]

รวมบทความ Stable Diffusion

Setting ต่างๆ ที่สำคัญของ ControlNet ที่ควรรู้จัก

Mode ของ ControlNet

Resize mode

ความสามารถของแต่ละ Model และ Preprocessor ที่ใช้คู่กัน

Prompt ที่ใช้

รูปอ้างอิงที่จะใช้ใน ControlNet

ควบคุมมนุษย์โดยเฉพาะ