大数据分析基础——维度模型

1基本概念

维度模型的概念出自于数据仓库领域，是数据仓库建设中的一种数据建模方法。维度模型主要由事实表和维度表这两个基本要素构成。

1.1维度

维度是度量的环境，用来反映业务的一类属性 ， 这类属性的集合构成一个维度 ， 也能够称为实体对象。 维度属于一个数据域，如地理维度(其中包括国家、地区、 省以及城市等级别的内容)、时间维度(其中包括年、季、月、周、日等级别的内容)。

维度是维度建模的基础和灵魂。在维度建模中，将度量称为“事实” ， 将环境描述为“维度”，维度是用于分析事实所须要的多样环境。例如， 在分析交易过程时，能够经过买家、卖家、商品和时间等维度描述交易发生的环境。

维度所包含的表示维度的列，称为维度属性。维度属性是查询约束条件、分组和报表标签生成的基原本源，是数据易用性的关键。

1.2事实表

事实表是维度模型的基本表，每一个数据仓库都包含一个或者多个事实数据表。事实数据表可能包含业务销售数据，如销售商品所产生的数据，与软件中实际表概念同样。

事实表做为数据仓库维度建模的核心，牢牢围绕着业务过程来设计，经过获取描述业务过程的度量来表达业务过程，包含了引用的维度和与业务过程有关的度量。

事实表中一条记录所表达的业务细节程度被称为粒度。一般粒度能够经过两种方式来表述:一种是维度属性组合所表示的细节程度:一种是所表示的具体业务含义。

做为度量业务过程的事实，通常为整型或浮点型的十进制数值，有可加性、半可加性和不可加性三种类型。

相对维度来讲，一般事实表要细长，行的增长速度也比维度表快的多，维度表正好相反。

事实表有三种类型 :

1. 事务事实表：事务事实表用来描述业务过程，眼踪空间或时间上某点的度量事件，保存的是最原子的数据，也称为“原子事实表\周期快照事实表”。
2. 周期快照事实表：周期快照事实表以具备规律性的、可预见的时间间隔记录事实 ，时间间隔如天天、每个月、每一年等。
3. 累积快照事实表：累积快照事实表用来表述过程开始和结束之间的关键步骤事件，覆盖过程的整个生命周期，一般具备多个日期字段来记录关键时间点，当过程随着生命周期不断变化时，记录也会随着过程的变化而被修改。

1.3度量 / 原子指标

原子指标和度量含义相同，基于某一业务事件行为下的度量，是业务定义中不可 再拆分的指标，具备明确业务含义的名词 ，如支付金额。

事实表和维度交叉汇聚的点，度量和维度构成OLAP的主要概念，这里面对于在事实表或者一个多维立方体里面存放的数值型的、连续的字段，就是度量。

1.4维度表与事实表

维度表是事实表不可分割的部分。维度表是进入事实表的入口。丰富的维度属性给出了丰富的分析切割能力。维度给用户提供了使用数据仓库的接口。最好的属性是文本的和离散的。属性应该是真正的文字而不该是一些编码简写符号。应该经过用更为详细的文本属性取代编码，力求最大限度地减小编码在维度表中的使用。

维度表和事实表两者的融合也就是“维度模型”，“维度模型”通常采用“星型模式”或者“雪花模式”，“雪花模式”能够看做是“星型模式”的拓展，表现为在维度表中，某个维度属性可能还存在更细粒度的属性描述，即维度表的层级关系。

维度属性也能够存储到事实表中，这种存储到事实表中的维度列被称为“退化维度”。与其余存储在维表中的维度同样 ，退化维度也能够用来进行事实表的过滤查询、实现聚合操做等。

1.5维度与指标例子

下表显示的是一个维度（“城市”）和两个指标（“会话数”和“每次会话浏览页数”）。

维度	指标	指标
城市	会话数	每次会话浏览页数
旧金山	5,000	3.74
柏林	4,000	4.55

2 维度设计

2.1维度基本设计方法

 

image.png

2.2维度的特色

2.2.1维度的层次结构

维度中的一些描述属性以层次方式或一对多的方式相互关联，能够被理解为包含连续主从关系的属性层次。好比商品类目的最低级别是叶子类目，叶子类目属于二级类目，二级类目属于一级类目。在属性的层次结构中进行钻取是数据钻取的方法之一。

2.2.2范式与反范式

当属性层次被实例化为一系列维度，而不是单一的维度时，被称为雪花模式。

大多数联机事务处理系统( OLTP)的底层数据结构在设计时采用此种规范化技术，经过规范化处理将重复属性移至其自身所属的表中，删除冗余数据。

将维度的属性层次合并到单个维度中的操做称为反规范化。分析系 统的主要目的是用于数据分析和统计，如何更方便用户进行统计分析决 定了分析系统的优劣。采用雪花模式，用户在统计分析的过程当中须要 大 量的关联操做，使用复杂度高，同时查询性能不好;而采用反规范化处 理，则方便、易用且性能好。

2.3交叉探查

数据仓库总线架构的重要基石之一就是一致性维度。在针对不一样数 据域进行迭代构建或并行构建时，存在不少需求是对于不一样数据域的业 务过程或者同 一数据域的不一样业务过程合并在 一块儿观察。好比对于日志数据域，统计了商品维度的最近一天的 PV 和 UV; 对于交易数据域， 统计了商品维度的最近一天的下单MV。如今将不一样数据域的商品的 事实合并在一块儿进行数据探查 ，如计算转化率等，称为交叉探查。

2.4维度整合

咱们先来看数据仓库的定义: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，用来支持管理人员的决策。

数据由面向应用的操做型环境进人数据仓库后，须要进行数据 集成。将面向应用的数据转换为面向主题的数据仓库数据，自己就是一种集成。

具体体如今以下几个方面:

1. 命名规范的统一。
2. 字段类型的统一。
3. 公共代码及代码值的统一。
4. 业务含义相同的表的统一 。主要依据高内聚、低稠合的理念，在物理实现中，将业务关系大、源系统影响差别小的表进行整合。

表级别的整合，有两种表现形式。

1. 垂直整合，即不一样的来源表包含相同的数据集，只是存储的信息不一样。好比商品基础信息表、 商品扩展信息表、商品库存信息表，这些表都属于商品相关信息表，依据维度设计方法，尽可能整合至商品维度模型中，丰富其维度属性。

2. 水平整合，即不一样的来源表包含不一样的数据集，不一样子集之间无交叉，也能够存在部分交叉。若是进行整合，首先须要考虑各个体系是否有交叉，若是存在交叉，则须要去重;若是不存在交叉，则须要考虑不一样子集的天然键是否存在冲突，若是不冲突， 则能够考虑将各子集的天然键做为整合后的表的天然键;另外一种方式是设置超天然键，未来源表各子集的天然键加工成一个字段做为超天然键。

2.5维度拆分

水平拆分
维度一般能够按照类别或类型进行细分。因为维度分类的不一样而存在特殊的维度属性，能够经过水平拆分的方式解决此问题。

在设计过程当中须要重点考虑如下三个原则。

1. 扩展性:当源系统、业务逻辑变化时，能经过较少的成本快速扩 展模型，保持核心模型的相对稳定性。软件工程中的高内聚、低 稠合的思想是重要的指导方针之 一 。
2. 效能 : 在性能和成本方面取得平衡。经过牺牲必定的存储成本， 达到性能和逻辑的优化。
3. 易用性:模型可理解性高、访问复杂度低。用户可以方便地从模 型中找到对应的数据表，并可以方便地查询和分析。

根据数据模型设计思想，在对维度进行水平拆分时，主要考虑以下两个依据。

1. 维度的不一样分类的属性差别状况
2. 业务的关联程度

垂直拆分
在维度设计内容中，咱们提到维度是维度建模的基础和灵魂，维度 属性的丰富程度直接决定了数据仓库的能力。在进行维度设计时，依据 维度设计的原则，尽量丰富维度属性，同时进行反规范化处理。

某些维度属性的来源表产出时间较早，而某些维度属性的来 源 表产出时间较晚;或者某些维度属性的热度高、使用频繁，而某些维度属性的热度低、较少使用 ; 或者某些维度属性常常变化，而某些维度属性比较稳定。在“水平拆分”中提到的模型设计的三个原则一样适合解决此问题。

出于扩展性、产出时间、易用性等方面的考虑，设计 主从维度。主 维表存放稳定 、 产出时间早、热度高的属性;从维表存放变化较快、产 出时间晚、热度低的属性。

 

数据仓库中常见的模型有：范式建模，雪花模型，星型建模，事实星座模型.

星型模型

星型模型是数据集市维度建模中推荐的建模方法。星型模型是以事实表为中心，全部的维度表直接链接在事实表上，像星星同样。星型模型的特色是数据组织直观，执行效率高。由于在数据集市的建设过程当中，数据通过了预处理，好比按照维度进行了汇总，排序等等，数据量减小，执行的效率就比较高。

 

雪花模型

雪花模型也是维度建模中的一种选择。雪花模型的维度表能够拥有其余维度表的，虽然这种模型相比星型模型更规范一些，可是因为这种模型不太容易理解，维护成本比较高，并且性能方面须要关联多层维表，性能也比星型模型要低。因此通常不是很经常使用。

 

范式建模

第三范式建模是在数据库建模中使用的建模方法，特色是体系化，扩展性好，避免冗余，避免更新异常。因此，在数据仓库的EDW层建模中，咱们也提倡使用第三范式建模。可是数据仓库的集成和反映历史变化的特征意味着数据量很是之大，表和表之间的关联效率比较低，因此有些时候彻底规范的范式建模并非最好的选择，一般咱们会选择非规范化处理，增长一些冗余的字段来避免表之间关联的次数，这样会节约大量的时间。

雪花模型是介于星型模型和范式建模之间的。我的理解，范式建模和雪花模型的区别在于雪花模型在维度上也是有冗余的。例如雪花模型例图的地域维度不符合第三范式，由于地域维度中存在传递依赖，城市-省级-国家-地域。

 

星座模型

星座模型是星型模型延伸而来，星型模型是基于一张事实表的，而星座模型是基于多张事实表的，并且共享维度信息。 经过构建一致性维度，来建设星座模型，也是很好的选择。好比同一主题的细节表和汇总表共享维度，不一样主题的事实表，能够经过在维度上互相补充来生成能够共享的维度。

 

 

 

参考
《The Data Warehouse Toolkit-The Complete Guide to Dimensional Modeling》
《Google Analytics》
《大数据之路》

做者：高广超连接：https://www.jianshu.com/p/58da1060f0f5来源：简书简书著做权归做者全部，任何形式的转载都请联系做者得到受权并注明出处。