南昌企业建站模板,支付宝小程序api,网络营销的特点主要有,wordpress 页头文章转载 原文地址#xff1a;http://blog.csdn.net/nisjlvhudy/article/details/7889422
一、概述
在多维分析的商业智能解决方案中#xff0c;根据事实表和维度表的关系#xff0c;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#xff0c…文章转载 原文地址http://blog.csdn.net/nisjlvhudy/article/details/7889422
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。
图1. 销售数据仓库中的星型模型
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 2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据冗余。
图 2. 销售数据仓库中的雪花型模型
星型模型因为数据的冗余所以很多统计查询不需要做外部的连接因此一般情况下效率比雪花型模型要高。星型结构不用考虑很多正规化的因素设计与实现都比较简单。雪花型模型由于去除了冗余有些统计就需要通过表的联接才能产生所以效率不一定有星型模型高。正规化也是一种比较复杂的过程相应的数据库结构设计、数据的 ETL、以及后期的维护都要复杂一些。因此在冗余可以接受的前提下实际运用中星型模型使用更多也更有效率。
二、使用选择
星形模型(Star Schema)和雪花模型(Snowflake Schema)是数据仓库中常用到的两种方式而它们之间的对比要从四个角度来进行讨论。 1.数据优化
雪花模型使用的是规范化数据也就是说数据在数据库内部是组织好的以便消除冗余因此它能够有效地减少数据量。通过引用完整性其业务层级和维度都将存储在数据模型之中。
▲图1 雪花模型
相比较而言星形模型实用的是反规范化数据。在星形模型中维度直接指的是事实表业务层级不会通过维度之间的参照完整性来部署。
▲图2 星形模型 2.业务模型
主键是一个单独的唯一键(数据属性)为特殊数据所选择。在上面的例子中Advertiser_ID就将是一个主键。外键(参考属性)仅仅是一个表中的字段用来匹配其他维度表中的主键。在我们所引用的例子中Advertiser_ID将是Account_dimension的一个外键。
在雪花模型中数据模型的业务层级是由一个不同维度表主键-外键的关系来代表的。而在星形模型中所有必要的维度表在事实表中都只拥有外键。 3.性能
第三个区别在于性能的不同。雪花模型在维度表、事实表之间的连接很多因此性能方面会比较低。举个例子如果你想要知道Advertiser 的详细信息雪花模型就会请求许多信息比如Advertiser Name、ID以及那些广告主和客户表的地址需要连接起来然后再与事实表连接。
而星形模型的连接就少的多在这个模型中如果你需要上述信息你只要将Advertiser的维度表和事实表连接即可。 4.ETL
雪花模型加载数据集市因此ETL操作在设计上更加复杂而且由于附属模型的限制不能并行化。
星形模型加载维度表不需要再维度之间添加附属模型因此ETL就相对简单而且可以实现高度的并行化。 总结
雪花模型使得维度分析更加容易比如“针对特定的广告主有哪些客户或者公司是在线的?”星形模型用来做指标分析更适合比如“给定的一个客户他们的收入是多少?”
