数据仓库维度建模：从星形模型到雪花模型

"数据仓库维度建模.ppt" 在数据仓库设计中，维度建模是一种核心的方法，主要用于支持商业智能和数据分析。此资料主要涵盖了维度建模的基础术语、事实表和维度表的概念，以及维度模型的两种主要类型——星形模型和雪花模型。 1、基础术语 - 事实表（Fact Table）：存储业务事件的度量数据，如销售额、数量等。这些数据通常是不可变的，新数据以追加的方式加入。它们是用于分析目的的数据。 - 维度表（Dimension Table）：提供对事实表数据进行分析的上下文，包含描述性信息，如日期、产品、人员等。维度表通过外键与事实表关联，定义了数据的汇总方式。 2、粒度 粒度是指数据仓库中数据的详细程度。例如，如果一个数据仓库有客户、销售员、产品和日期四个维度，那么事实表的每条记录都会包含这四个维度的具体信息。 3、维度模型 - 星形模型（Star Schema）：是最简单的维度模型，事实表居中，周围环绕着各个维度表，没有额外的表连接。 - 雪花模型（Snowflake Schema）：是星形模型的扩展，维度表进一步规范化，可能包括多个子维度表或层次结构，增加了数据的规范化程度。 4、星形模型设计 - 在设计星形模型时，要区分事实和属性，数值型的业务度量通常作为事实，而固定不变的属性则放在维度表中。 - 数据仓库通常会包含典型的核心维度，如产品、商店、客户、时间和促销。 - 为了优化性能，需要减小事实表的大小，例如通过创建汇总事实表来支持快速的汇总数据查询。 - 事实表设计应包含关键的度量字段，而维度表则存储描述性信息，如产品描述、客户姓名等。 5、星形模型的特点 - 易于理解和使用，因为其图形化表示清晰地展示了分析的结构。 - 事实表通常具有行标识符，便于查询和分析。 总结来说，维度建模是数据仓库设计的关键部分，它通过星形或雪花模型组织数据，便于商业用户进行有效的数据分析和决策。理解并正确应用这些概念可以极大地提高数据仓库的性能和用户体验。