星型模型和雪花模型的应用场景

最新推荐文章于 2024-08-23 16:37:20 发布

dgsdaga3026010

最新推荐文章于 2024-08-23 16:37:20 发布

阅读量788

点赞数

原文链接：http://www.cnblogs.com/TendToBigData/p/10501344.html

版权

星型模型和雪花模型的应用场景

从现在项目中看大部分 Fact 和 Dimnsn 的关联关系都是星型的，有很少量的是采用了雪花型的。

至于什么模式适用什么场景很难有一个可靠的规则去决定，主要裁决与模型的运行效率和 BA 的经验，以及现行的趋势

转载于:https://www.cnblogs.com/TendToBigData/p/10501344.html

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

dgsdaga3026010

关注关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

星级酒店经营数据集市的“星型模型”

04-25

### 星级酒店经营数据集市的“星型模型” #### 数据集市概述数据集市作为数据仓库的一个重要...然而，面对复杂的业务场景，结合雪花模型的设计思路，可以在保持数据灵活性的同时，提高数据集市的整体性能和可用性。

星型模型和雪花模型在数据仓库与数据集市中的使用

onway_goahead的博客

03-23

1415

（比较长，后面的使用总结更精彩）数据仓库的建设中，一般都会围绕着星型模型和雪花模型来设计表关系或者结构。下面我们先来理解这两种模型的概念。一.销售数据仓库星型模型如下：星型模是一种多维的数据关系，它由一个事实表和一组维表组成。每个维表都有一个维作为主键，所有这些维的主键组合成事实表的主键。强调的是对维度进行预处理，将多个维度集合到一个事实表，形成一个宽表。这也是我们在使用hive...

参与评论您还未登录，请先登录后发表或查看评论

理解数据仓库中星型模型和雪花模型

三劫散仙

07-06

1892

在数据仓库的建设中，一般都会围绕着星型模型和雪花模型来设计表关系或者结构。下面我们先来理解这两种模型的概念。（一）星型模型图示如下： [img]http://my.csdn.net/uploads/201208/21/1345516634_6388.JPG[/img] 星型模是一种多维的数据关系，它由一个事实表和一组维表组成。每个维表都有一个维作为主键，所有这些维...

数据仓库建模中的三种模型：星型模型、雪花模型和星座模型

weixin_72431427的博客

07-05

677

数据仓库建模中的三种模型：星型模型、雪花模型和星座模型

维度建模 -- 星型模型和雪花模型的区别

TriumPhSk的博客

10-08

1万+

雪花模型去除了冗余，设计复杂，可读性差，关联的维度表多，查询效率低，但是可扩展性好。 星型模型冗余度高，设计简单，可读性高，关联的维度表少，查询效率高，可扩展性低。

星型模型与雪花模型的区别、分别有哪些优缺点

热门推荐

云图大数据

05-05

2万+

概念根据事实表和维度表的关系，可将常见的模型分为星型模型和雪花模型。在数据仓库的建设中，一般都会围绕着这两种模型来设计表关系或者结构。那么什么是事实表和维度表呢？在维度建模中，将度量称为“事实” ，将环境描述为“维度”。维度是用于分析事实所需要的多样环境。例如，在分析交易过程时，可以通过买家、卖家、商品和时间等维度描述交易发生的环境。事实则紧紧围绕着业务过程来设计，通过获取描述业务过程的度量来...

三大数据模型：星型模型、雪花模型、星座模型

weixin_46321861的博客

04-25

2万+

星型模型 星型模型中只有一张事实表，以及0张或多张维表，事实表与维表通过主键外键相关联，维表之间不存在关联关系，当所有维表都关联到事实表时，整个图形非常像一种星星的结构，所以称之为“星型模型”。 星型模型是最简单最常用的模型。星型模型本质是一张大表，相比于其他数据模型更合适于大数据处理。其他模型可以通过一定的转换，变为星型模型。 星型模型的缺点是存在一定程度的数据冗余。因为其维表只有一个层级，有些信息被存储了多次。比如一张包含国家、省份、地市三列的维表，国家列会有很多重复的信息。雪花模型当一个或多个维

简单介绍模型概念.docx

02-23

星型模型适用于需要快速查询和分析的场景，因为它避免了大量的表连接，提升了查询速度，同时事实表的可读性较好，维护简单。雪花模型则适合对数据规范化有较高要求的环境，它降低了冗余，但可能需要更复杂的查询策略...

数据治理及数据仓库模型设计.pdf

07-22

数据治理的作用不仅限于技术层面，它还包括了企业的管理和业务流程，旨在确保企业内部数据的有效使用和管理，从而支持业务决策、降低风险、提升运营效率，并符合合规性要求。在大数据背景下，数据治理变得尤为重要，...

行业分类-设备装置-基于增强星型模型的立方体元数据及查询语句生成.zip

09-12

在这个场景下，"基于增强星型模型的立方体元数据及查询语句生成"是一个核心概念，它与数据仓库的构建和优化密切相关。以下是对这个主题的详细解释：首先，我们需要理解“星型模型”。星型模型是一种数据仓库的事实...

和用PowerDesigner建立数据仓库多维模型的研究

05-18

其中，多维模型是数据仓库中最常用的一种数据组织形式，它主要包括星型模型、雪花模型和星群模型三种类型。 - **星型模型**：这是最简单的多维模型结构，由一个事实表和一组维度表构成。事实表包含了具体的数值型...

浅谈数据仓库建设中的数据建模方法

07-03

如何理解TERADATA 的 FS-LDM 概念模型是什么？雪花模型和星型模型的区别，维度建模的应用场景

数据库的星型模型与雪花模型

bitcarmanlee的博客

08-29

6080

星型模式模型可以被描述为一个简单的星型结构：一个中心表包含事实数据，多个表从它向外辐射，由数据库的主键和外键连接。在星型模式实施中，数据库的构建者将所有维度级别的维度数据存储在单个表或视图中。例如，如果您使用星型模式实现Product维度，那么数据库构建者将使用单个表来实现维度中的所有级别，如屏幕截图所示。所有级别中的属性都映射到名为PRODUCT的单个表中的不同列。(图片来自参考文献1)雪花模式表示一个维度模型，它也由一个中心事实表和一组构成维度表组成，这些维度表进一步规范化为子维度表。...

数据仓库相关面试题

u011868279的博客

03-22

2664

数据仓库相关面试题

数仓-数仓建模方法介绍

认真学代码的shell

11-22

981

1. 关系模式范式众所周知，RDBMS设计时，需要遵照一定的规范要求，目的在于降低数据的冗余性和数据的一致性，目前业界范式有： 1NF 域都应该是原子性（即不可分割的）的，即数据库表的每一列都是不可分割的原子数据项。 2NF 在1NF的基础上，实体的属性完全依赖于主关键字，不能存在仅依赖主关键字一部分的属性。上述表格中，如果想表达某个学生分数的时候，是通过（学生ID，所修课程）来作为主键，唯一确定分数；而一个学生只能属于一个系，可以理解为所属系是依赖于学生ID的（即给出一个学生ID，就可以给出所属系

大数据电商数仓项目

专注大数据与人工智能技术分享，欢迎私信加群互相学习！

02-18

3893

本文仅供参考学习，转发自https://blog.csdn.net/a1786742005/article/details/105833521 一、项目整体架构二、数据说明 2.1 用户行为数据 1、启动日志数据是一个单 json 数据 2、事件日志数据组成：时间戳、公共字段、事件日志事件： (1) 商品列表 (2) 商品点击 (3) 商品详情 (4) 广告 (5) 消息通知 (6) 用户后台活跃 (7) 评论 (8) 收藏 (9) 点赞 (10) 错误日志 2.2 业务数据 1、订

数据仓库的建模A

远方的专栏

11-08

616

数据仓库的建模A | 数据仓库是用来分析数据并且从现有数据中发现新的价值，主要是用来预测未来的情况。数据仓库并不是解决所有问题的通用结构。它必须集中于某一问题领域，例如航空服务、顾客收益等。数据仓库也有有趣的一面，那就是数据库本身是稳定增长的。数据没有被删除，也不发生变更。我们不需要将冗余数据置于数据库之外（因为加入仓库中的数据经过了数据

数据仓库—建模方法论—纬度建模星型模型与雪花模型

2401_84052244的博客

04-01

1258

综上所述，星型模型适用于简单的分析需求和对查询性能有较高要求的场景，而雪花模型适用于复杂的业务需求和对存储空间和灵活性有较高要求的场景。可以发现数据仓库大多数时候是比较适合使用星型模型构建底层数据Hive表，通过大量的冗余来提升查询效率，星型模型对OLAP的分析引擎支持比较友好，这一点在Kylin中比较能体现。而雪花模型在关系型数据库中如MySQL、Oracle中非常常见，尤其像电商的数据库表。

数据仓库建模：星型、雪花与星座模型的比较与应用

最新发布

oOBubbleX的博客

08-23

1227

最终，选择哪种模型应基于具体的业务需求、数据复杂度和性能要求，以确保数据仓库能够高效地服务于企业的决策和分析需求。事实表包含了可度量的数据，如销售额或利润，而维度表则包含了描述这些数据的属性，如时间、地点或产品类型。星型模型、雪花模型和星座模型是三种流行的数据仓库建模方法，它们各自具有独特的结构、优势和局限性。例如，一个数据仓库可能同时包含销售和库存的星型模型，这些模型共享时间和产品维度表，从而形成一个星座结构。这三种模型各有其适用场景和特点，选择适合的模型取决于业务需求、数据复杂性和查询性能的要求。

星型模型与雪花模型，星座模型区别

07-11

星型模型、雪花模型和星座模型是数据仓库中常见的数据模型，它们有一些区别。 1. 星型模型（Star Schema）：星型模型是最简单和最常见的数据仓库模型。它由一个中心的事实表（Fact Table）和多个与之关联的维度表（Dimension Tables）组成。事实表包含与业务过程相关的度量（Measurements），而维度表包含描述度量的维度属性（Dimension Attributes）。星型模型具有简单的结构，易于理解和查询，适用于简单的分析场景。 2. 雪花模型（Snowflake Schema）：雪花模型在星型模型的基础上进行了维度表的规范化。维度表中的属性被进一步分解为多个细分的维度表，形成多层级的结构。这样可以减少数据冗余，提高数据存储效率，但也增加了查询的复杂性。雪花模型适用于具有复杂层次结构和大量维度属性的分析场景。 3. 星座模型（Constellation Schema）：星座模型是星型模型和雪花模型的结合，它允许在一个数据仓库中同时使用多种模型。不同的事实表可以使用不同的数据模型，根据实际需求进行选择。星座模型提供了更大的灵活性和可扩展性，适用于复杂的分析和报表需求。总结：星型模型是最简单的数据仓库模型，雪花模型在星型模型的基础上进行了维度表的规范化，星座模型是星型模型和雪花模型的结合，允许在一个数据仓库中同时使用多种模型。选择适合的数据模型取决于具体的业务需求、数据结构和查询复杂性。