数仓建模理论 之 维度建模

说起维度建模，你不得不知道以下几个概念：事实表、维度表、星型模型、雪花模型、星座模型

==================================================================

维度建模

Ralph Kimball推崇数据集市的集合为数据仓库，同时也提出了对数据集市的维度建模，将数据仓库中的表划分为事实表、维度表两种类型。

1，事实表

在ER模型中抽象出了有实体、关系、属性三种类别，在现实世界中，每一个操作型事件，基本都是发生在实体之间的，伴随着这种操作事件的发生，会产生可度量的值，而这个过程就产生了一个事实表，存储了每一个可度量的事件。

电商场景案例：

一次购买事件，涉及主体包括客户、商品、商家，

产生的可度量值 包括 商品数量、金额、件数等。

2，维度表

维度，顾名思义，看待事物的角度。比如从颜色、尺寸的角度来比较手机的外观，从cpu、内存等较比比较手机性能。

维度表一般为单一主键，在ER模型中，实体为客观存在的事物，会带有自己的描述性属性，属性一般为文本性、描述性的，这些描述被称为维度。

比如商品，单一主键：商品ID，属性包括产地、颜色、材质、尺寸、单价等，但并非属性一定是文本，比如单价、尺寸，均为数值型描述性的。

日常主要的维度抽象包括：商品维度表，时间维度表、地理区域维度表等。

区域维度表：

区域维度表：在金融行业，大部分项目都是用这个维度方案。

对于大数据的项目，你可以根据实际情况，决定用哪种维度建模方法。

3，星型模型

星型模型：一般是事实表和N个维度表直接关联。

你可以用星型模型（如下图）：

比如下图：

4，雪花模型

雪花模型一般是事实表存在和维度表间接关联：需要维度表再次关联一张维度表。

你可以用雪花模型（如下图）：

但是如果你非得要用星型模型，也可以多张维度表进行关联，形成一张维度表，这样子就可以把雪花模型变为星型模型（如下图）：

5，星座模型

星座模型一般是多个事实表共用N张维度表。

你可以用星座模型（如下图）：

6，雪花模型与星型模型对比：

 6.1，建模方式不同

（如下图）：

所以由上可以看出：

星型模型和雪花模型主要区别就是对维度表的拆分，对于雪花模型，维度表的涉及更加规范，一般符合3NF；

而星型模型，一般采用降维的操作，利用冗余来避免模型过于复杂，提高易用性和分析效率

6.2，冗余：

雪花模型符合业务逻辑设计，采用3NF设计，有效降低数据冗余；

星型模型的维度表设计不符合3NF，反规范化，维度表之间不会直接相关，牺 牲部分存储空间

6.3，性能：

雪花模型由于存在维度间的关联，采用3NF降低冗余，通常在使用过程中，需要连接更多的维度表，导致性能偏低；

星型模型反三范式，采用降 维的操作将维度整合，以存储空间为代价有效降低维度表连接数，性能较雪 花模型高

6.4，ETL：

雪花模型符合业务ER模型设计原则，在ETL过程中相对简单，但是由于附属模型的限制，ETL任务并行化较低；

星型模型在设计维度表时反范式设 计，所以在ETL过程中整合业务数据到维度表有一定难度，但由于避免附属维 度，可并行化处理

7，维度建模-业务案例：

某电商平台，经常需要对订单进行分析，以某宝的购物订单为例，以维度建模的方式设计该模型。

涉及到事实表为订单表、订单明细表，维度包括商品维度、用户维度、商家维度、区域维度、时间维度。

商品维度：商品ID、商品名称、商品种类、单价、产地等。

用户维度：用户ID、姓名、性别、年龄、常住地、职业、学历等。

时间维度：日期ID、日期、周几、上/中/下旬、是否周末、是否假期等优惠券：券ID、券类别、优惠金额。

订单中包含的度量：商品件数、总金额、总减免；

描述性属性：下单时间、结算时间、订单状态等。

订单明细包含度量：商品ID、件数、单价、减免金额；

描述性属性：入购物车时间、状态。

建模图形如下：

上面的案例，对于商品再拆分出厂家、品类；

用户的常住地再拆分出区域维度，改造为雪花模型。

好了，关于维度建模，就分享到这里，你可以有一个比较清晰的认识。天天开心，也欢迎各位小伙伴一键三连。