雪花模型和星型模型和三范式

最新推荐文章于 2025-03-23 11:34:52 发布
最新推荐文章于 2025-03-23 11:34:52 发布
阅读量3.7k 收藏 16
点赞数 2
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_48109576/article/details/108425430
版权
本文介绍了星型模型和雪花模型在商业智能解决方案中的应用。星型模型简单直观，冗余数据提高查询效率，常用于实际运用。雪花模型则通过规范化减少数据冗余，但可能降低查询性能。两者在数据优化、业务模型、性能和ETL过程方面各有优缺点。此外，文章还提及了三范式在数据建模中的作用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

星型模型和雪花模型

在多维分析的商业智能解决方案中，根据事实表和维度表的关系，又可将常见的模型分为星型模型和雪花型模型。在设计逻辑型数据的模型的时候，就应考虑数据是按照星型模型还是雪花型模型进行组织。

星型模型

当所有维表都直接连接到“ 事实表”上时，整个图解就像星星一样，故将该模型称为星型模型。

星型模型

 

星型架构是一种非正规化的结构，多维数据集的每一个维度都直接与事实表相连接，不存在渐变维度，所以数据有一定的冗余，如在地域维度表中，存在国家A 省B的城市C以及国家A省B的城市D两条记录，那么国家A和省B的信息分别存储了两次，即存在冗余。

雪花模型

当有一个或多个维表没有直接连接到事实表上，而是通过其他维表连接到事实表上时，其图解就像多个雪花连接在一起，故称雪花模型。雪花模型是对星型模型的扩展。它对星型模型的维表进一步层次化，原有的各维表可能被扩展为小的事实表，形成一些局部的" 层次" 区域，这些被分解的表都连接到主维度表而不是事实表。如图所示，将地域维表又分解为国家，省份，城市等维表。它的优点是：通过最大限度地减少数据存储量以及联合较小的维表来改善查询性能。雪花型结构去除了数

最低0.47元/天 解锁文章
数仓建模—雪花模型和星型模型
11-21 7万+
雪花模型和星型模型 前面我们在学习数仓建模—建模方法论的时候提到了雪花模型和星型模型以及星座模型的这个概念，但是也对这个概念进行了一定的解释，但是那一片是为了介绍方法论，所以重点还是在方法论上面，这一节我们单独介绍一下这几个模型。 我们知道我们采用的是维度建模，模型的实现主要指的是在维度建模过程中，需要对维度表和事实表进行关联设计，而这里我们对维度表的设计，就决定了我们最终与事实表关联的之后的形态。也就是说我们可以根据事实表和维度表的关系，又可将常见的模型分为星型模型和雪花型模型以及星座模型 星型模型和雪花
星型模型&&雪花模型
阿尼古
03-31 1953
星型模型&&雪花模型 星型模型 星型模式是多维的数据关系，它由事实表（Fact Table）和维表（Dimension Table）组成。每个维表中都会有一个维作为主键，所有这些维的主键结合成事实表的主键。事实表的非主键属性称为事实，它们一般都是数值或其他可以进行计算的数据。 在多维分析的商业智能解决方案中，根据事实表和维度表的关系，又可将常见的模型分为星型模型和雪花型模型。...
星型模型、雪花模型、3NF、OLAP
初心江湖路的博客
02-03 2219
一、星型模型 在关系型数据库管理系统中实现的维度模型称为星型模型，其中每个维度表都直接和事实表连接，数据存在冗余。 星型模型的两个关键部件 1、 事实表 事实表存储组织业务过程事件的性能度量结果。来源于同一个业务过程的底层度量结果应该存储在一个维度模型中。并允许多个组织的业务用户访问一个单一的集中式数据仓库，一个是因为数据量巨大，避免重复而浪费资源，另一个是能确保同一个企业中使用的业务数据的一致性...
数据仓库的建模A
远方的专栏
11-08 668
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
星型模型和雪花模型的区别
最新发布
大数据求学路
03-23 680
星型模型与雪花模型的本质差异在于数据冗余与结构复杂度的平衡。星型模型以直观的结构和高效查询见长，适合快速分析；雪花模型通过规范化支持复杂层级，适合精细化管理和存储优化。实际选型需结合业务需求、数据规模及维护成本综合决策。
雪花模型 例子图片
crazyhty的专栏
08-11 1606
留个雪花模型的图片，     pic comes from  http://www.dcs.bbk.ac.uk/~mark/download/star.pdf
雪花模型（Snowflake Schema）：详解与案例
HandsomeBoy
10-12 1830
雪花模型是一种通过规范化减少数据冗余的建模方法，适用于对存储空间和数据一致性有较高要求的场景。在雪花模型中，维度表被进一步拆分成多个子表，虽然减少了数据冗余，但也增加了查询的复杂度和性能成本。在本文的案例中，我们展示了如何将客户维度、产品维度等拆分为多个子表，最终构建出一个雪花模型的数据仓库。这种模型能够有效减少冗余，确保数据一致性，但查询时需要连接多个表，因此在设计和使用时需要权衡查询性能与数据规范化之间的关系。少了数据冗余，但也增加了查询的复杂度和性能成本。
雪花模型和星型模型
weixin_45498254的博客
09-20 608
雪花模型和星型模型
星型雪花模型多维数据建模
08-03
星型模式、雪花模型多维数据建模分析，包含不同的数据建模方法
星型模型和雪花模型的应用场景
10-11 859
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/TendToB...
FocusBI:地产分析&雪花模型
weixin_34025051的博客
12-09 244
微信公众号：FocusBI关注可了解更多的商业智能、数据仓库、数据库开发、爬虫知识及沪深股市数据推送。问题或建议，请关注公众号发送消息留言;如果你觉得FocusBI对你有帮助，欢迎转发朋友圈或在文章末尾点赞[1] 　　《商业智能教程》pdf下载地址 　　链接：https://pan.baidu.com/s/1f9VdZU...
☀️ 数据建模的三范式。有样例，方便理解建模技巧【建议收藏学习】
weixin_44616592的博客
07-13 2861
范式的概念 范式可以理解为设计一张数据表的表结构 优点： 采用范式，可以降低数据的冗余性 为什么要降低数据冗余性： 1.为了减少数据对磁盘空间的占用，以前没有分布式系统的概念都是单机，只能增加磁盘并且磁盘的增加个数也是有限的 2.冗余数据无法一次完成修改，需要修改多个表中的重复数据，并且很难保证数据的一致性 PS: 如果我们要对小红的班级进行修改的话需要对所有班级下的字段进行修改（以下表为例需要修改3次），并且很难保证数据的一致性 学生表 学号 姓名 年级 班级 2015123 小明
[数据仓库复习] —— 雪花模式
Lestat.Z.的博客
05-29 3968
雪花模式雪花模式1. 数据规范化与存储2. 优点3. 缺点4.示例参考资料 雪花模式 雪花模式是一种多维模型中表的逻辑布局，其实体关系图有类似于雪花的形状，因此得名。与星型模式相同，雪花模式也是由事实表和维度表所组成。所谓 的“雪花化”就是将星型模式中的维度表进行规范化处理。当所有的维度表完成规范化后，就形成了以事实表为中心的雪花型结构，即雪花模式。将维度表进行规范化的具体做法是，把低基数的属性从...
【数据仓库】——星型模型和雪花模型
zhuiqiuuuu的博客
04-26 2191
一、星型模型 当所有维表都直接连接到“ 事实表”上时，整个图解就像星星一样，故将该模型称为星型模型。 星型架构是一种非正规化的结构，多维数据集的每一个维度都直接与事实表相连接，不存在渐变维度，所以数据有一定的冗余，如在地域维度表中，存在国家A 省B的城市C以及国家A省B的城市D两条记录，那么国家A和省B的信息分别存储了两次，即存在冗余。 二、雪花模型 当有一个或多个维表没有直接连接到事实表上，而是通过其他维表连接到事实表上时，其图解就像多个雪花连接在一起，故称雪花模型。 雪花模型是对星型模型的
星型模型和雪花型模型比较
wjxbj的博客
12-20 173
一.概述         在多维分析的商业智能解决方案中，根据事实表和维度表的关系，又可将常见的模型分为星型模型和雪花型模型。在设计逻辑型数据的模型的时候，就应考虑数据是按照星型模型还是雪花型模型进行组织。         当所有维表都直接连接到“ 事实表”上时，整个图解就像星星一样，故将该模型称为星型模型，如图1。         星型架构是一种非正规化的结构，多维数据集的每一个维度都...
数据仓库学习（四）——星型模型与雪花模型
livan1234的博客
07-10 1万+
笔者是一个痴迷于挖掘数据中的价值的学习人，希望在平日的工作学习中，挖掘数据的价值，找寻数据的秘密，笔者认为，数据的价值不仅仅只体现在企业中，个人也可以体会到数据的魅力，用技术力量探索行为密码，让大数据助跑每一个人，欢迎直筒们关注我的公众号，大家一起讨论数据中的那些有趣的事情。 我的公众号为：livandata 一、概述 在多维分析的商业智能解决方案中，根据事实表和维度表的关系，又可将常见...
数据仓库系列：星型模型和雪花型模型
penriver的博客
01-12 5396
在实际工作中多维分析的商业智能解决方案，根据事实表和维度表的关系，又可将常见的模型分为星型模型和雪花型模型。在设计逻辑型数据的模型的时候，就应考虑数据是按照星型模型还是雪花型模型进行组织。 星型模型 星型模型：是一种多维的数据关系，它由一个事实表（Fact Table）和一组维表（Dimension Table）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。事实表的非主键属性称为事实（Fact），它们一般都是数值或其他可以进行计算的数据；如下图： 星型模型 星型架构是一种非正规化的
三大数据模型：星型模型、雪花模型、星座模型
热门推荐
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
什么是星型模型和雪花型模型,以及区别。
shoudao1211的专栏
01-22 6115
一直觉得星型和雪花型差不多，今天特意去网上搜了一下，看到一篇说的特别好的文章转发过来大家共同学一下。 一、概述 在多维分析的商业智能解决方案中，根据事实表和维度表的关系，又可将常见的模型分为星型模型和雪花型模型。在设计逻辑型数据的模型的时候，就应考虑数据是按照星型模型还是雪花型模型进行组织。 当所有维表都直接连接到“ 事实表”上时，整个图解就像星星一样，故将该模型称为星型模型，如图 1 。
星型模型雪花模型和事实星座模型
12-26
### 星型模型、雪花模型和事实星座模型的概念及区别 #### 星型模式 (Star Schema) 星型模式是最简单的数据仓库建模技术之一。这种结构由一个位于中心的事实表和多个维度表组成，这些维度表直接连接到事实表上，形成星星形状的图示[^1]。 - **优点** - 查询性能高：由于其简单性和较少的联接操作，查询速度较快。 - 设计容易理解：对于业务分析师来说直观易懂。 - **缺点** - 数据冗余度较高：为了简化查询而牺牲了一定程度上的规范化设计原则。 ```sql SELECT d.date_name, p.product_name, SUM(f.sales_amount) FROM sales_fact f JOIN date_dim d ON f.date_key = d.date_key JOIN product_dim p ON f.product_key = p.product_key; ``` #### 雪花模式 (Snowflake Schema) 相较于星型模式而言，雪花模式进一步对各个维度进行了分解，使得每个子维度都独立存储在一个单独的表格里，从而形成了更加复杂的树状结构。 - **优点** - 减少了数据重复率：通过增加额外层次来减少冗余字段的数量。 - 更好的维护性：当某个特定领域发生变化时只需更新相应的分支部分即可。 - **缺点** - 查询效率较低：因为涉及到更多的外键关联，在执行复杂查询时可能会变慢。 - 增加了系统的复杂度：需要管理更多数量的小规模表单。 ```sql SELECT d.date_name, pc.category_name, ps.subcategory_name, SUM(f.sales_amount) FROM sales_fact f JOIN date_dim d ON f.date_key = d.date_key JOIN product_subcategory_dim ps ON f.product_subcategory_key = ps.product_subcategory_key JOIN product_category_dim pc ON ps.product_category_key = pc.product_category_key; ``` #### 事实星座模式 (Fact Constellation Schema) 事实星座模式也被称为多维簇群或多主题区域架构，它允许存在多个相互之间有关联但又各自独立的事实表共享一组共同的核心维度表。 - **优点** - 支持更广泛的数据分析需求：可以处理跨不同业务流程之间的关系。 - 提供更高的灵活性：能够轻松扩展新的实体而不影响现有结构。 - **缺点** - 复杂性的提升：随着加入越来越多的不同类型的事件记录，整体逻辑会变得更加难以掌握。 - 维护成本上升：保持各组成部分同步一致的工作量较大。 ```sql SELECT c.customer_name, o.order_date, i.invoice_total FROM customer_dim c JOIN order_fact o ON c.customer_key = o.customer_key JOIN invoice_fact i ON o.order_key = i.order_key; ```
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值