维度建模

维度建模

维度模型简介

维度建模被广泛接受为数据分析的首选技术，因为它同时满足了两个需求：

1.向用户交付可以理解的数据
2.提供快速查询的性能

维度建模	实体建模	第三范式（3NF）建模
适合表连接以及聚合计算的查询请求；易用，易理解，查询效率高，更适合作为分析性应用（OLAP、BI）的基础	抽象客观世界的方法，局限于业务建模和领域概念建模	适用于频繁的update、insert这种（事务型应用）；规范化模型过于复杂，无法得到直观的、高性能的数据检索

维度建模的两种模型：

• 星型模型
  维度建模是数据仓库建设中的一种数据建模方法。Kimball最先提出这一概念。其最简单的描述就是，按照事实表，维度表来构建数据仓库，数据集市。这种方法被人广泛知晓的名字就是星型模型（Star-schema）。
  
• 雪花模型
  当星型模型的维度表进一步层次化，就形成了雪花模型。
  

维度建模的优点

• 直观
• 围绕业务模型
• 反应业务问题
• 不需要抽象处理

维度建模的缺点

• 由于在构建星型模式之前需要进行大量的数据预处理，因此会导致大量的数据预处理工作。
• 当业务发生变化，需要重新进行维度的定义时，往往需要重新进行维度数据的预处理。而在这些预处理过程中，会导致大量的数据冗余。
• 如果只是依靠单纯的维度建模，不能保证数据来源的一致性和准确性。
• 在数据仓库的底层，不是特别适用于维度建模的方法。

维度建模的基本原则

1. 将详细的原子数据载入到维度结构中
2. 围绕业务流程构建维度模型
3. 确保每个事实表都有一个与之关联的日期维度表
4. 确保每个事实表中的事实具有相同的粒度或同级的详细程度
5. 避免事实表中出现多对多的关系
6. 避免维度表中出现多对一的关系
7. 避免在事实表中存储神秘的编码字段或庞大的描述符字段
8. 确保维度表使用了代理键（无业务意义的主键）
9. 创建一致的维度集成整个企业的数据
10. 不断平衡需求和现实，提供DW/BI解决方案

维度表技术基础

维度表结构

维度表是在事实各维度上所建立的表。维度表可以看做是用户来分析数据的窗口。