数据仓库设计基础

关系数据模型

数据结构

  • 关系(表,实体)
  • 属性(列,字段)
  • 属性域(约束)
  • 元组(行,记录)
  • 键(超键,候选键,主键,外键)

主键选取原则

  • 尽可能小、数字类型(如AUTO_INCREMENT)
  • 不可修改(避免外键引用失效)
  • 没有业务含义(避免随业务改变而修改)
  • 可多列组成,但尽可能少

完整性约束

  • 实体完整性(主键不为空)
  • 参照完整性(外键值与主表某些记录的候选键值相同,或外键值全为空,即无关联)

业务规则:包括属性域和完整性规则(check)

关系数据库语言(SQL):

  • DDL(数据定义语言):create,alter,drop,truncate,comment,rename
  • DML(数据操纵语言):select,insert,update,delete,merge,call,explain,lock
  • DCL(数据控制语言):grant,revoke
  • TCL(事务控制语言):commit,rollback,savepoint,set transaction

规范化(减少数据冗余度、提高更新效率,但联表过多降低查询性能)

  • 1NF(原子性列)
idnamemobiledept_nodept_nameprovincecityzip
1张三13800138000
13800138001
d1部门1广东广州110
2李四13800138002d2部门2北京北京111

mobile列可存放多个号码,应该拆分:

idnamemobiledept_nodept_nameprovincecityzip
1张三13800138000d1部门1广东广州110
1张三13800138001d1部门1广东广州110
2李四13800138002d2部门2北京北京111
  • 2NF(满足1NF条件下消除部分依赖)

上表中候选键{id, name, dept_no},dept_name依赖dept_no、name依赖id,因此应该把表拆分为如下三个表:

部门表:

dept_nodept_name
d1部门1
d2部门2

员工-部门表:

iddept_no
1d1
2d2

员工-号码表:

idmobileprovincecityzip
113800138000广东广州110
213800138002北京北京111
  • 3NF(满足2NF条件下消除传递依赖)

上面的员工表中province、city依赖zip,而zip依赖id即为传递依赖,应把表再拆分成员工表和地区表:

员工表:

idmobilezip
113800138000110
213800138002111

地区表:

zipprovincecity
110广东广州
111北京北京

优势

  • 非冗余性
  • 稳定性
  • 一致性
  • 灵活性

维度数据模型

事实表,维度表(规范化级别低于关系模型),数据粒度

构建流程

  • 选择业务流程(UML)
  • 声明粒度(订单/消费流水)
  • 确认维度(日期:年/月/日)
  • 确认事实(金额/数量)

维度规范化

把一个维度映射成多个维度表(维度-子维度连接,如地址表拆分为省份表-城市表-区域表)。

避免规范化处理的情况:

  • 增加表数量使结构复杂
  • 多表连接使查询复杂
  • 不适合使用位图索引
  • 降低查询性能

优势

  • 易理解
  • 高性能(非规范化,如原来有订单明细表和订单表,可以从订单明细状态中提取出订单状态维度表、再把订单表和订单明细表整合到一起)
  • 可扩展

星型模型

以事实表为中心,多个维度表与事实表相连。

其中事实表包括:

  • 事务事实表(如销售行为)
  • 快照事实表(如用户月底余额)
  • 累积事实表(如月总营收)

优点:
简化查询,简化业务报表逻辑,提升查询性能,快速聚合,便于向OLAP提供数据;但不能保证数据完整性(通过批处理和实时处理抵消),分析需求不灵活;

雪花模型

对星型模型的维度表再作规范化处理(如把机器的门店维度表拆分成门店表和门店地址表),比星型模型节省存储空间但同时降低查询性能,也可两者结合(底层使用雪花模型,配置视图模拟星型模型)。

Data Vault模型

由中心表(HUB)、链接表(Link)、附属表(Satelite)组成,综合了3NF和星型模型的优势;
存放原始数据(所有时间所有数据),不遵照任何业务规则,不同数据源的数据冲突时可存放多个版本数据,数据解析延迟到数据集市阶段。

  • 中心表(如用户、机器、订单表等):主键(系统生成的代理键)、业务主键(如用户id,机器id,可能用于多个系统,但只保留一份)、装载时间、数据源
  • 链接表(中心表之间的链接关系,如订单-用户关联表):主键、外键、装载时间、数据源
  • 附属表(中心表和链接表的附属信息,如订单详情表):主键、外键、装载时间、失效时间、数据源、属性xxx

特点

  • 基于时间存储
  • 依赖越少越好
  • 与源系统越独立越好
  • 适应源系统的数据变化、支持扩展
  • ETL作业可反复执行
  • 数据可追踪

构建流程

  • 设计中心表
  • 设计链接表
  • 设计附属表
  • 设计必要的PIT表

数据集市

存放单一主题(财务、销售部门等)、数据仓库/事务系统的少量数据源的粗粒度数据(汇总数据),只保留一段时间范围内(如数月),通常使用星型模型、雪花模型,存放的是ETL的输出数据。

数据仓库实施

  • 定义范围
  • 确定需求
  • 逻辑设计
  • 物理设计
  • 装载数据
  • 访问数据
  • 管理维护
点赞

发表评论

电子邮件地址不会被公开。 必填项已用*标注