数据仓库
一 Why
- 数据不兼容, 很难被整合
- 战略决策需要数据的分析
- 推荐系统
二 What
- 数据仓库是一个面向主题的、集成的、非易失的且随时间变化的数据集合
面向主题
- 主题(Subject)是在较高层次上将企业信息系统中的数据进行综合、归类和分析利用的一个抽象概念
- 每一个主题基本对应一个宏观的分析领域
- 在逻辑意义上,它是对应企业中某一宏观分析领域所涉及的分析对象
- 例如“销售分析”就是一个分析领域,因此这个数据仓库应用的主题就是“销售分析”
提取主题
- 一个面向事务处理的“商场”数据库系统,其数据模式如下
- 采购子系统:
- 订单(订单号,供应商号,总金额,日期)
- 订单细则(订单号,商品号,类别,单价,数量)
- 供应商(供应商号,供应商名,地址,电话)
- 销售子系统:
- 顾客(顾客号,姓名,性别,年龄,文化程度,地址,电话)
- 销售(员工号,顾客号,商品号,数量,单价,日期)
- 库存管理子系统:
- 领料单(领料单号,领料人,商品号,数量,日期)
- 进料单(进料单号,订单号,进料人,收料人,日期)
- 库存(商品号,库房号,库存量,日期)
- 库房(库房号,仓库管理员,地点,库存商品描述)
- 人事管理子系统:
- 员工(员工号,姓名,性别,年龄,文化程度,部门号)
- 部门(部门号,部门名称,部门主管,电话)
- 采购子系统:
集成
- 集成性是指数据仓库中数据必须是一致的
- 数据仓库的数据是从原有的分散的多个数据库、数据文件和数据段中抽取来的
- 数据来源可能既有内部数据又有外部数据
- 例如F/M,0/1,A/B
- 集成方法
- 统一:消除不一致的现象
- 综合:对原有数据进行综合和计算
非易失
- 数据仓库中的数据是经过抽取而形成的分析型数据
- 不具有原始性
- 主要供企业决策分析之用
- 执行的主要是‘查询’操作,一般情况下不执行‘更新’操作
- 一个稳定的数据环境也有利于数据分析操作和决策的制订
随时间变化
- 数据仓库以维的形式对数据进行组织,时间维是数据仓库中很重要的一个维度
- 不断增加新的数据内容
- 不断删去旧的数据内容
- 更新与时间有关的综合数据
三 数据仓库和数据库的区别
- 数据库是为捕获和存储数据而设计
- 数据仓库是为分析数据而设计
四 OLTP和OLAP的区别
- 联机事务处理OLTP
- On-Line Transaction Processing
- OLTP是传统的关系型数据库的主要应用
- 联机分析处理OLAP
- On-Line Analytical Processing
- OLAP是数据仓库系统的主要应用,支持复杂的分析操作,侧重决策支持,并且提供直观易懂的查询结果
练习:OLAP和OLTP
- 关于OLAP和OLTP的区别描述, 不正确的是( C )
A. OLAP主要是关于如何理解聚集的大量不同的数据. 它与OTAP应用程序不同
B. 与OLAP应用程序不同,OLTP应用程序包含大量相对简单的事务
C. OLAP的特点在于事务量大, 但事务内容比较简单且重复率高
D. OLAP是以数据仓库为基础的, 但其最终数据来源与OLTP一样均来自底层的数
五 数据仓库的架构
Inmon架构
Kimball架构
混合型架构
六 数据仓库的解决方案
- 数据采集
- Flume,Sqoop,Logstash,Datax
- 数据存储
- MySQL,HDFS,HBase,Redis,MongoDB
- 数据计算
- Hive,Tez,Spark,Flink,Storm,Impala
- 数据可视化
- Tableau,Echarts,Superset,QuickBI,DataV
- 任务调度
- Oozie,Azkaban,Crontab
七 数据ETL
- 抽取(Extract)
- 从操作型数据源获取数据
- 转换(Transform)
- 转换数据,使之转变为适用于查询和分析的形式和结构
- 装载(Load)
- 将转换后的数据导入到最终的目标数据仓库
八 数据仓库的建模
选择业务流程
- 确认哪些业务处理流程是数据仓库应该覆盖的
- 例如:了解和分析一个零售店的销售情况
- 记录方式
- 使用纯文本
- 使用业务流程建模标注(BPMN)方法
- 使用同一建模语言(UML)
声明粒度
- 用于确定事实中表示的是什么
- 例如:一个零售店的顾客在购物小票上的一个购买条目
- 选择维度和事实前必须声明粒度
- 建议从原始粒度数据开始设计
- 原始记录能够满足无法预期的用户查询
- 不同的事实可以有不同的粒度
确认维度
- 说明了事实表的数据是从哪里采集来的
- 典型的维度都是名词
- 例如:日期、商店、库存等
- 维度表存储了某一维度的所有相关数据
- 例如:日期维度应该包括年、季度、月、周、日等数据
确认事实
- 识别数字化的度量,构成事实表的记录
- 和系统的业务用户密切相关
- 大部分事实表的度量都是数字类型的
- 可累加,可计算
- 例如:成本、数量、金额
九 星型模型和雪花模型
星型模型特点
- 由事实表和维度表组成
- 一个星型模式中可以有一个或多个事实表,每个事实表引用任意数量的维度表
- 星型模式将业务流程分为事实和维度
- 事实包含业务的度量,是定量的数据
- 如销售价格、销售数量、距离、速度、重量等是事实
- 维度是对事实数据属性的描述
- 如日期、产品、客户、地理位置等是维度
- 如日期、产品、客户、地理位置等是维度
- 事实包含业务的度量,是定量的数据
星型模型优缺点
- 优点
- 简化查询
- 简化业务报表逻辑
- 获得查询性能
- 快速聚合
- 便于向立方体提供数据
- 缺点
- 不能保证数据完整性
- 对于分析需求来说不够灵活
雪花模型特点
- 一种多维模型中表的逻辑布局
- 由事实表和维度表所组成
- 将星型模式中的维度表进行规范化处理
- 把低基数的属性从维度表中移除并形成单独的表
- 一个维度被规范化成多个关联的表
雪花模型优缺点
- 优点
- 一些OLAP多维数据库建模工具专为雪花模型进行了优化
- 规范化的维度属性节省存储空间
- 缺点
- 维度属性规范化增加了查询的连接操作和复杂度
- 不确保数据完整性