--- title: AVERAGE – คำนวณค่าเฉลี่ยเลขคณิตจากคอลัมน์ตัวเลข url: https://www.thepexcel.com/functions/dax/aggregation/average-dax/ type: function-explainer program: DAX syntax: "AVERAGE()" date: 2025-12-18 scores: popularity: 9 difficulty: 2 usefulness: 9 --- # AVERAGE – คำนวณค่าเฉลี่ยเลขคณิตจากคอลัมน์ตัวเลข > คำนวณค่าเฉลี่ยเลขคณิตจากคอลัมน์ตัวเลข ## คำอธิบาย AVERAGE คำนวณค่าเฉลี่ยเลขคณิตของตัวเลขทั้งหมดในคอลัมน์ โดยข้าม blank cells และข้อความ แต่นับค่า 0 เข้าในการคำนวณ ซึ่งทำให้ค่าเฉลี่ยอาจต่ำลงถ้ามีค่า 0 จำนวนมาก ทำงานภายใต้ filter context ปัจจุบันและทำ context transition ใน calculated column ทำให้สามารถอ้างอิงคอลัมน์จากตารางอื่นผ่าน relationship ได้ ## Syntax ```excel AVERAGE(<column>) ``` **Variant** ```excel AVERAGE(<column>) ``` คำนวณค่าเฉลี่ยของค่าตัวเลขทั้งหมดในคอลัมน์ภายใต้ filter context ปัจจุบัน **Variant** ```excel CALCULATE( AVERAGE(<column>), <filter1>, <filter2> ) ``` คำนวณค่าเฉลี่ยโดยเปลี่ยน filter context ด้วย filter condition ที่กำหนด **Variant** ```excel VAR AvgValue = AVERAGE(<column>) RETURN AvgValue ``` เก็บค่าเฉลี่ยใน variable เพื่อใช้ซ้ำในการคำนวณที่ซับซ้อน ช่วยให้อ่านง่ายและ performance ดีขึ้น ## Arguments | Name | Required | Type | Default | Description | | --- | --- | --- | --- | --- | | column | Yes | column | | คอลัมน์ที่มีค่าตัวเลขที่ต้องการคำนวณค่าเฉลี่ย ต้องอ้างอิงในรูปแบบ Table[Column] และต้องมี data type เป็น Number, Currency, หรือ Decimal โดย AVERAGE จะนับเฉพาะค่าตัวเลข ข้าม blank และข้อความ แต่นับค่า 0 เข้าในการคำนวณ | ## เคสการใช้งาน ### ยอดขายเฉลี่ยต่อธุรกรรม (Average Transaction Value) คำนวณมูลค่าเฉลี่ยต่อ transaction เพื่อวิเคราะห์ขนาดของออเดอร์ เหมาะกับการดู customer behavior และ pricing strategy _เหมาะกับ:_ transaction-analysis ### ราคาเฉลี่ยตามหมวดหมู่สินค้า คำนวณราคาเฉลี่ยของสินค้าในแต่ละ category โดยอาศัย filter context จาก visual หรือ slicer เหมาะกับ pricing comparison _เหมาะกับ:_ category-pricing ### KPI เฉลี่ยตาม Customer Segment วิเคราะห์ KPI เฉลี่ย (เช่น คะแนนความพึงพอใจ เวลาจัดส่ง) แยกตาม customer segment, region, หรือ product category _เหมาะกับ:_ kpi-segmentation ### Benchmark Comparison กับค่าเฉลี่ยทั้งหมด เปรียบเทียบค่าเฉลี่ยในบริบทปัจจุบันกับค่าเฉลี่ยรวมทั้งหมดโดยใช้ CALCULATE ร่วมกับ ALL _เหมาะกับ:_ benchmark-comparison ## ตัวอย่าง ### 1. ตัวอย่างที่ 1: ยอดขายเฉลี่ยต่อธุรกรรม (Basic Usage) ```excel Avg Sales Amount = AVERAGE(Sales[Amount]) ``` **ผลลัพธ์:** `2,450 (ค่าเฉลี่ยของ Amount column)` สมมติตาราง Sales มีคอลัมน์ Amount ที่เก็บมูลค่าการขายต่อธุรกรรม . ข้อมูลตัวอย่าง: - Transaction 1: 1,000 - Transaction 2: 2,500 - Transaction 3: 3,800 - Transaction 4: 2,500 . การคำนวณ: AVERAGE = (1,000 + 2,500 + 3,800 + 2,500) / 4 = 9,800 / 4 = 2,450 . 💡 สังเกตว่า Measure นี้ทำงานภายใต้ filter context ปัจจุบัน ถ้ามี slicer กรอง Year = 2024 ค่าเฉลี่ยจะคำนวณเฉพาะธุรกรรมในปี 2024 เท่านั้นครับ ถ้าเพิ่ม Region = "Bangkok" ก็จะได้ค่าเฉลี่ยเฉพาะกรุงเทพฯ ### 2. ตัวอย่างที่ 2: ราคาเฉลี่ยตามหมวดสินค้า (Filter Context in Visual) ```excel Avg Product Price = AVERAGE(Products[Price]) ``` **ผลลัพธ์:** `Electronics: 12,500 | Clothing: 850 | Furniture: 8,200` Data Model Context: - ตาราง Products มีคอลัมน์ Price และ Category - Visual เป็น table ที่มี Products[Category] เป็นแถว . ข้อมูลตัวอย่าง Products: | ProductID | Category | Price | |-----------|-------------|--------| | P001 | Electronics | 10,000 | | P002 | Electronics | 15,000 | | P003 | Clothing | 500 | | P004 | Clothing | 800 | | P005 | Clothing | 1,250 | | P006 | Furniture | 7,000 | | P007 | Furniture | 9,400 | . การคำนวณแต่ละ Category: - Electronics: (10,000 + 15,000) / 2 = 12,500 - Clothing: (500 + 800 + 1,250) / 3 = 850 - Furniture: (7,000 + 9,400) / 2 = 8,200 . 💡 สังเกตว่า DAX สร้าง implicit filter ต่อแต่ละ row ใน visual ให้อัตโนมัติ ทำให้ AVERAGE คำนวณแยกตาม category โดยที่เราไม่ต้องเขียน CALCULATE เพิ่มเลย สะดวกมากครับ ### 3. ตัวอย่างที่ 3: ค่าเฉลี่ยเฉพาะช่องทางเดียว (CALCULATE Filter Modification) ```excel Avg Amount Online = CALCULATE( AVERAGE(Sales[Amount]), Sales[Channel] = "Online" ) ``` **ผลลัพธ์:** `3,250` Data Model Context: - ตาราง Sales มีคอลัมน์ Amount และ Channel - CALCULATE เปลี่ยน filter context โดยเพิ่ม filter condition . ข้อมูลตัวอย่าง Sales: | TransactionID | Amount | Channel | |---------------|--------|----------| | T001 | 2,000 | Online | | T002 | 3,500 | Online | | T003 | 4,250 | Online | | T004 | 1,500 | Retail | | T005 | 2,800 | Retail | . การทำงานของ CALCULATE: 1. Filter context เดิม: ทุก row ใน Sales 2. CALCULATE เพิ่ม filter: Sales[Channel] = "Online" 3. Filter context ใหม่: เฉพาะ T001, T002, T003 4. AVERAGE คำนวณ: (2,000 + 3,500 + 4,250) / 3 = 3,250 . ⚡ ข้อสังเกต: ไม่ว่า visual จะมี slicer กรอง Channel เป็นอะไร measure นี้จะ return ค่าเฉลี่ยเฉพาะ Online เสมอครับ เพราะ CALCULATE ทับ filter context ที่มีอยู่ ### 4. ตัวอย่างที่ 4: เปรียบเทียบกับค่าเฉลี่ยทั้งหมด (VAR + ALL Pattern) ```excel Avg vs Total Avg % = VAR CurrentAvg = AVERAGE(Sales[Amount]) VAR TotalAvg = CALCULATE( AVERAGE(Sales[Amount]), ALL(Sales) ) VAR Difference = CurrentAvg - TotalAvg RETURN DIVIDE(Difference, TotalAvg, 0) ``` **ผลลัพธ์:** `0.15 (แสดงเป็น 15% ถ้า format เป็น percentage)` Data Model Context: - ตาราง Sales มีคอลัมน์ Amount และ Category - ALL(Sales) ลบ filter context ทั้งหมดจากตาราง Sales . สมมติ Visual แสดง Category = Electronics: . Sales Data: | TransactionID | Amount | Category | |---------------|--------|-------------| | T001 | 2,500 | Electronics | | T002 | 3,250 | Electronics | | T003 | 1,800 | Clothing | | T004 | 2,200 | Clothing | . การคำนวณ: 1. CurrentAvg (เฉพาะ Electronics): = (2,500 + 3,250) / 2 = 2,875 2. TotalAvg (ทุก Category): = CALCULATE(AVERAGE(Sales[Amount]), ALL(Sales)) = (2,500 + 3,250 + 1,800 + 2,200) / 4 = 9,750 / 4 = 2,437.5 3. Difference: = 2,875 - 2,437.5 = 437.5 4. Percentage: = DIVIDE(437.5, 2,437.5, 0) = 0.1795 (ประมาณ 18%) . 💡 Context Behavior: - CurrentAvg: ทำงานใน filter context ปัจจุบัน (Category = Electronics) - TotalAvg: ALL(Sales) ลบ filter ทั้งหมด คำนวณค่าเฉลี่ยทุก row - DIVIDE: ป้องกัน division by zero โดย return 0 ถ้า TotalAvg เป็น BLANK . เทคนิคนี้เหมาะมากสำหรับเปรียบเทียบ performance ของแต่ละ category กับค่าเฉลี่ยรวมครับ เอาไว้ทำ benchmark analysis ## หมายเหตุเพิ่มเติม 💡 Tips สำหรับการใช้งาน . • ใช้ VAR...RETURN เพื่อเก็บค่าเฉลี่ยไว้ใช้ซ้ำใน measure ที่มีหลายขั้นตอน ช่วยให้อ่านง่ายและ performance ดีขึ้นครับ • ถ้าต้องการค่าเฉลี่ยจาก expression ที่ซับซ้อน (เช่น Quantity × Price) ให้ใช้ AVERAGEX แทน AVERAGE • ใช้ DIVIDE แทนการหารด้วย / เพื่อป้องกัน division by zero error และควบคุม default value • ใช้ CALCULATE ร่วมกับ ALL เพื่อคำนวณค่าเฉลี่ยทั้งหมดโดยไม่สนใจ filter context • ระวัง context transition: AVERAGE ใน calculated column จะทำ context transition โดยอัตโนมัติ • ตรวจสอบ data type ของคอลัมน์ให้เป็น Number, Currency, หรือ Decimal มิฉะนั้น AVERAGE จะ return error . ⚠️ ข้อควรระวัง . • AVERAGE ไม่ support DirectQuery mode สำหรับ calculated column และ RLS rules ให้ใช้ measure หรือคำนวณที่ database แทน • ค่า 0 จะถูกนับเข้าในการคำนวณ (ทั้งผลรวมและตัวหาร) ซึ่งอาจทำให้ค่าเฉลี่ยต่ำลงถ้ามีค่า 0 จำนวนมาก • ถ้าไม่มี row ใดที่มีค่าตัวเลข AVERAGE จะ return BLANK (ไม่ใช่ 0 หรือ error) • BLANK และ 0 ถูกจัดการต่างกัน: BLANK ข้ามไป (ไม่นับ) แต่ 0 นับเข้าในการคำนวณ • AVERAGE ภายในเรียกใช้ AVERAGEX อยู่แล้ว แต่ไม่มีผลต่อ performance ครับ (เลือกใช้ตามความชัดเจนของโค้ด) ## คำถามที่พบบ่อย **Q: AVERAGE ต่างจาก AVERAGEX อย่างไร?** AVERAGE ใช้กับคอลัมน์ตัวเลขที่มีอยู่แล้วในตาราง รับ parameter เพียงตัวเดียวคือการอ้างอิง column เหมาะกับกรณีที่ข้อมูลที่ต้องการหาค่าเฉลี่ยเก็บอยู่ในคอลัมน์เดียว เช่น Sales[Amount] . AVERAGEX เป็น iterator function ที่วนลูปแต่ละ row ใน table แล้ว evaluate expression สำหรับแถวนั้นก่อนหาค่าเฉลี่ย เหมาะกับการคำนวณที่ต้องทำระดับ row เช่น Sales[Quantity] * Sales[UnitPrice] ที่ต้องคูณค่าสองคอลัมน์ก่อนหาค่าเฉลี่ย . ตัวอย่าง: - AVERAGE(Sales[Amount]) → หาค่าเฉลี่ยของคอลัมน์ Amount ที่มีอยู่แล้ว - AVERAGEX(Sales, Sales[Quantity] * Sales[UnitPrice]) → iterate แต่ละ row คูณ Quantity × UnitPrice แล้วหาค่าเฉลี่ย . 💡 ในทางเทคนิค AVERAGE ภายในจะเรียกใช้ AVERAGEX อยู่แล้วครับ แต่ไม่มีผลต่อ performance เลือกใช้ตามความชัดเจนของโค้ด **Q: AVERAGE จัดการกับ BLANK และค่า 0 อย่างไร?** AVERAGE มี blank handling behavior ที่แตกต่างกันระหว่าง BLANK กับ 0 ครับ . BLANK (ค่าว่าง): ข้ามไป ไม่นับในผลรวมและไม่นับในตัวหาร ดังนั้นไม่กระทบค่าเฉลี่ย . Zero (ค่า 0): ถูกนับเข้าในผลรวม (บวก 0) และนับใน row count ทำให้ค่าเฉลี่ยลดลง . Text/Logical: ถูกข้ามไป ไม่นับในการคำนวณ . ตัวอย่าง: คอลัมน์มีค่า [100, BLANK, 200, 0] - ผลรวม = 100 + 200 + 0 = 300 - จำนวน row ที่นับ = 3 (100, 200, 0 → ไม่นับ BLANK) - ค่าเฉลี่ย = 300 / 3 = 100 . ถ้านับ BLANK เป็น 0 จะได้ 300 / 4 = 75 (ผิดครับ) . No Rows Case: ถ้าไม่มี row ใดที่มีค่าตัวเลข AVERAGE จะ return BLANK (ไม่ใช่ 0 หรือ error) . 💡 วิธีแทน BLANK ด้วย 0: ถ้าต้องการให้ BLANK กลายเป็น 0 ก่อนคำนวณ ใช้ AVERAGEX แบบนี้ . AVERAGEX(Table, IF(ISBLANK(Table[Column]), 0, Table[Column])) **Q: ทำไม AVERAGE ใน DAX ให้ผลลัพธ์ต่างจาก Excel AVERAGE?** ความแตกต่างหลักเกิดจาก evaluation context ที่แตกต่างกันระหว่าง DAX และ Excel ครับ . 1. Filter Context: - DAX: AVERAGE ทำงานภายใต้ filter context จาก slicer, visual, หรือ CALCULATE ทำให้ผลลัพธ์เปลี่ยนแปลงตาม filter ที่ใช้งาน - Excel: AVERAGE ใช้ cell range ที่กำหนดตายตัว เช่น =AVERAGE(A1:A10) ไม่เปลี่ยนตาม filter . 2. Table Relationships: - DAX: ใช้ relationship ระหว่างตารางทำให้ filter จากตารางหนึ่งส่งผลต่อการคำนวณในอีกตาราง (filter propagation) - Excel: ไม่มี relationship ต้องใช้ VLOOKUP หรือ INDEX/MATCH เพื่อดึงข้อมูลจากตารางอื่น . 3. Row Context vs Cell References: - DAX: ใน calculated column มี row context ทำให้อ้างอิง column ในแถวเดียวกันได้โดยตรงเช่น Products[Price] - Excel: ใช้ cell reference เช่น A2, B2 อ้างอิงตำแหน่งที่แน่นอน . 💡 วิธีให้ได้ผลเหมือน Excel: ใช้ ALL() เพื่อลบ filter context ทั้งหมด . Total Average = CALCULATE(AVERAGE(Sales[Amount]), ALL(Sales)) . นี่จะคำนวณค่าเฉลี่ยทุก row เหมือน =AVERAGE($A$1:$A$100) ใน Excel ที่ไม่สนใจ filter **Q: เมื่อไหร่ควรใช้ AVERAGE vs DIVIDE(SUM, COUNT)?** ทั้งสองวิธีให้ผลลัพธ์เหมือนกันในกรณีปกติ แต่มีข้อแตกต่างที่สำคัญครับ . ใช้ AVERAGE เมื่อ: - ต้องการค่าเฉลี่ยของคอลัมน์ตัวเลขที่มีอยู่แล้ว (ไม่ต้องคำนวณ) - โค้ดอ่านง่าย กระชับ และชัดเจน - ไม่ต้องการ custom logic สำหรับ division by zero . ตัวอย่าง: Avg Sales = AVERAGE(Sales[Amount]) . ใช้ DIVIDE(SUM, COUNT) เมื่อ: - ต้องการควบคุม division by zero behavior (ระบุค่า default ที่ return) - ต้องการนับเฉพาะ row ที่ตรงเงื่อนไข (ใช้ COUNTROWS กับ FILTER) - ต้องการความยืดหยุ่นในการคำนวณตัวหารหรือตัวตั้ง . ตัวอย่าง: Avg Sales Safe = DIVIDE( SUM(Sales[Amount]), COUNTROWS(Sales), 0 -- Return 0 ถ้าไม่มี row (แทน BLANK) ) . ความแตกต่าง Division by Zero: - AVERAGE: Return BLANK ถ้าไม่มี row ที่มีค่า - DIVIDE: Return ค่า default ที่กำหนด (parameter ที่ 3) ถ้าตัวหารเป็น 0 หรือ BLANK . 💡 Best Practice: ส่วนตัวผมแนะนำให้ใช้ AVERAGE สำหรับกรณีทั่วไป และใช้ DIVIDE(SUM, COUNT) เมื่อต้องการ error handling ที่แน่นอนหรือ custom logic ครับ **Q: AVERAGE ทำงานอย่างไรใน Calculated Column vs Measure?** AVERAGE ใน Calculated Column: - ทำงานใน row context (ประเมินทีละ row) - ทำ context transition โดยอัตโนมัติ แปลง row context เป็น filter context - สามารถอ้างอิง column ในตารางอื่นผ่าน relationship ได้ - คำนวณค่าและเก็บไว้ใน data model (เพิ่มขนาดไฟล์) . ตัวอย่าง Calculated Column: Avg Category Price = AVERAGE(Products[Price]) // Context transition ทำให้คำนวณค่าเฉลี่ยทุก row ใน Products // ทุกแถวได้ผลเหมือนกัน (ค่าเฉลี่ยทั้งตาราง) . AVERAGE ใน Measure: - ทำงานใน filter context (ไม่มี row context) - คำนวณ dynamic ตาม filter จาก visual, slicer, หรือ CALCULATE - ไม่เก็บค่าใน data model ประหยัดพื้นที่ - Refresh ทุกครั้งที่ filter context เปลี่ยน . ตัวอย่าง Measure: Avg Price = AVERAGE(Products[Price]) // คำนวณค่าเฉลี่ยตาม filter context ปัจจุบัน // ใน visual ที่มี Category แต่ละ row ได้ค่าเฉลี่ยต่างกัน . 💡 Best Practice: - ใช้ Measure สำหรับ aggregation (SUM, AVERAGE, COUNT) → Dynamic, ประหยัดหน่วยความจำ - ใช้ Calculated Column สำหรับ row-level calculation (Profit = Revenue - Cost) → Static, เก็บค่าไว้ . Performance: - Measure เร็วกว่าสำหรับ aggregation เพราะคำนวณแค่ค่าที่จำเป็น - Calculated Column ช้าเพราะคำนวณทุก row และเก็บไว้ใน model . ส่วนตัวผมแนะนำให้ใช้ Measure สำหรับ AVERAGE เสมอครับ นอกจากจะมีเหตุผลพิเศษจริงๆ ที่ต้องเก็บค่าใน column **Q: AVERAGE รองรับ DirectQuery mode หรือไม่?** AVERAGE รองรับ DirectQuery แต่มีข้อจำกัดนะครับ . ✅ รองรับใน: - Measures (ทุกกรณี) - Calculated tables ที่ไม่ใช้ unsupported function - Visual calculations . ❌ ไม่รองรับใน: - Calculated columns - Row-level security (RLS) rules . เหตุผล: DirectQuery query ข้อมูลจาก database แบบ real-time ไม่เก็บข้อมูลใน data model ทำให้ calculated column (ที่ต้องเก็บค่าทุก row) ใช้ไม่ได้ . ทางเลือกสำหรับ DirectQuery: . 1. ใช้ Measure แทน Calculated Column: Measure คำนวณ dynamic ไม่ต้องเก็บค่า . 2. คำนวณใน Database (View/Stored Procedure): สร้าง view ใน SQL Server: . CREATE VIEW vw_SalesWithAvg AS SELECT *, AVG(Amount) OVER (PARTITION BY Category) AS AvgCategoryAmount FROM Sales . จากนั้น import view เข้า Power BI . 3. ใช้ Import mode แทน DirectQuery: ถ้าข้อมูลไม่ใหญ่มาก Import mode ให้ performance ดีกว่าและรองรับ feature ครบ . 💡 Best Practice: ส่วนตัวผมแนะนำให้ใช้ AVERAGE ใน Measure สำหรับ DirectQuery และย้ายการคำนวณ complex ไปทำที่ database ผ่าน view หรือ stored procedure ครับ **Q: ความแตกต่างระหว่าง AVERAGE กับ AVERAGEA คืออะไร?** ใน DAX: AVERAGE และ AVERAGEA ทำงานเหมือนกัน (ไม่มีความแตกต่าง) . ทั้งสองฟังก์ชันใช้ logic เดียวกันใน DAX: - นับเฉพาะค่าตัวเลข - ข้าม BLANK cells - นับค่า 0 เข้าในการคำนวณ - ข้าม text และ logical values . ความแตกต่างใน Excel: ใน Excel AVERAGE และ AVERAGEA ต่างกันครับ . AVERAGE (Excel): - นับเฉพาะตัวเลข - ข้าม text, logical, blank . AVERAGEA (Excel): - นับตัวเลข - TRUE = 1, FALSE = 0 - Text และ empty = 0 . ตัวอย่างใน Excel: ข้อมูล: [10, 20, TRUE, FALSE, "text", blank] . =AVERAGE(...) = (10 + 20) / 2 = 15 // นับแค่ 10, 20 . =AVERAGEA(...) = (10 + 20 + 1 + 0 + 0 + 0) / 6 = 5.17 // TRUE=1, FALSE=0, text=0, blank=0 . แต่ใน DAX: AVERAGE(Table[Column]) AVERAGEA(Table[Column]) // ทั้งคู่ให้ผลเหมือนกัน . 💡 Best Practice: ใน DAX ส่วนตัวผมแนะนำให้ใช้ AVERAGE (ชัดเจนกว่า) เพราะ AVERAGEA ไม่มีประโยชน์เพิ่มเติมครับ ถ้าต้องการแปลง logical/text เป็นตัวเลขให้ใช้ AVERAGEX กับ custom expression . AVERAGEX( Table, IF(Table[Column] = TRUE, 1, IF(Table[Column] = FALSE, 0, Table[Column] ) ) ) ## ฟังก์ชันที่เกี่ยวข้อง - [AVERAGEX – หาค่าเฉลี่ยจากนิพจน์ที่คำนวณในแต่ละแถว](https://www.thepexcel.com/functions/dax/aggregation/averagex-dax/) - [SUM – รวมค่าตัวเลขจากคอลัมน์ (DAX)](https://www.thepexcel.com/functions/dax/aggregation/sum-dax/) - [SUMX – Iterator Function สำหรับคำนวณผลรวมแบบ Row-by-Row ใน DAX](https://www.thepexcel.com/functions/dax/aggregation/sumx-dax/) - [COUNT – นับจำนวนแถวที่มีค่าไม่ว่างในคอลัมน์](https://www.thepexcel.com/functions/dax/aggregation/count-dax/) - [DIVIDE – ฟังก์ชัน DAX](https://www.thepexcel.com/functions/dax/math-and-trig/divide-dax/) - [CALCULATE – ฟังก์ชันหลักของ DAX ที่ควบคุม Filter Context](https://www.thepexcel.com/functions/dax/filter/calculate-dax/) - [ALL – ลบ Filter หรือคืนค่าทุกแถว](https://www.thepexcel.com/functions/dax/filter/all-dax/) - [FILTER – กรองตารางด้วยเงื่อนไขที่ซับซ้อน (Iterator Function)](https://www.thepexcel.com/functions/dax/filter/filter-dax/) ## แหล่งข้อมูลเพิ่มเติม - [Microsoft Learn: AVERAGE function (DAX)](https://learn.microsoft.com/en-us/dax/average-function-dax) _(documentation)_ - [DAX Guide: AVERAGE](https://dax.guide/average/) _(documentation)_ - [SQLBI: Understanding Context Transition in DAX](https://www.sqlbi.com/articles/understanding-context-transition/) _(guide)_ - [SQLBI: Blank Handling in DAX](https://www.sqlbi.com/articles/blank-handling-in-dax/) _(guide)_ --- _Source: [https://www.thepexcel.com/functions/dax/aggregation/average-dax/](https://www.thepexcel.com/functions/dax/aggregation/average-dax/)_