2021.4.24数据仓库之维度建模与数据仓库分析模型

课前回顾：
数据库与ER建模，数据库指的是关系型数据库，数据库里面这些表符合三范式，这三范式分别是什么自己回忆一下，后面又提到ER实体关系模型建模，我们提到了给你一个业务场景，需要建表的时候要抽离出来实体、属性、关系，画出ER实体关系模型图，实体用方框表示，属性用椭圆表示，关系用菱形来表示，更习惯的是把ER实体关系模型图转成IDEF1X表的格式看起来更舒服，后面又提到了为什么要构建数据仓库，数据仓库说了几点关系型数据库解决不了的问题，主要大致分为两点，1点关系型数据库里存的数据，都是面向OLTP的操作，联机事务处理，都是支撑web平台正常运行的业务类型的数据，主要是增删改查事务类型的数据，我们要做企业级的数据分析的时候，需要站在一个角度去观察数据，比如一个企业里有很多业务系统，可能这些业务系统之间的数据没有半毛钱关联，这时候就要构建数仓把数据集合在一起，第二个方面，我们说关系型数据库里存的业务类型的数据不适合做数据分析，比如一些日志数据根本就不存，往往这种日志的数据更有价值，还需要构建数据仓库，把这些数据采集过来。主要是这两点。
又说了数据仓库的概念，什么是面向主题，什么是集成的，什么是相对稳定，以及反应历史变化的，这就是数据仓库的定义，以后听到DW或DWH或者DataWarehouse指的就是数据仓库。
后面又说了数据仓库的发展过程，整体来看分为萌芽阶段，探索阶段，雏形阶段，确立阶段，有两个标志性的人物，Bill Inmon他提出来数据仓库的原则，现在也是用的他提出来的数据仓库的原则，他主张的是自上而下的构建数据仓库，数据集市中的数据全部来源于数据仓库，一个企业一个大的数据仓库，这种方式的问题在严格按照了范式建模的方式，分析效率非常低下，后期有一个拉尔夫金博尔提出自下而上的方式建立数据仓库，理论有点不同，他认为一个企业的数据仓库是由很多的数据集市来组成的，每一个业务库可以对应一个集市，这集市组成了数据仓库，构建数据集市的建模方式不再是按照范式的建模方式，而是按照维度的建模方式，他提出数据集市和维度建模的概念。
两派一直在争论是自上而下还是自下而上，实际上都有各自的优缺点，但是后期Bill Inmon提出了新的BI架构CIF，把两种的优势集中在一起，针对不同的数据仓库的层，采用不同的建模方式，来解决你的分析效率问题，以及数据不一致性的问题。

什么叫维度建模？
主要是源自于数据集市，金博尔提出来的，主要面向分析场景。
维度建模里面认为，在建表的时候，不应该按照三范式的方式去建表，因为适合业务系统，支撑平台正常运行的数据可以存在范式的模型里面，我们要做数据分析肯定有大量的表的关联，做数据分析的时候按照范式的方式肯定效率会有影响，要把很多的表关联在一起，提出来维度建模是违背三范式的，维度建模主要有两种类型的表。事实表和维度表。先来介绍一下事实表是什么：
事实表是发生在现实世界中的一个操作事件，以及其所产生的可度量的数值，都是存储在事实表里面的，比如订单销量表，用户登陆系统，以及在系统里面进行的一些操作，几点几分点击了页面，也是一个操作性的事件，产生了可度量的值，凡是现实中的操作的事件以及有度量的值，把这些数据集成在一起就形成了事实表。有什么特点呢？

维度是观察数据的角度。前面也提到了，数据仓库是面向主题的，一个大的主题涵盖了很多维度。

一个很重要的概念：事实表是由维度和度量来组成的。

事实表的一些特点：
这些维度全都是用代号来表示的，为什么要用代号来表示，完全可以把地区写成北京，把产品写成华为手机，把月份直接写成一月份，实际上这个事实表是描述操作型事件的，产生的数据量非常多，事实表的增量非常非常多，如果写成描述型的文字，占的空间会非常非常大，所有这些维度列