数仓模型设计有几种&＃xff1f;好的数仓项目应看架构以及所用到的模型&＃xff0c;维度建模是专门应用于分析型数据库、数据仓库、数据集市建模的方法。数据集市可以理解为是一种小型数据仓库。
维度模型是数据仓库工程领域最流行的数仓建模经典。维度建模以分析决策的需求出发构建模型&＃xff0c;构建的数据模型为分析需求服务&＃xff0c;因此它重点解决用户如何更快速完成分析需求&＃xff0c;同时还有较好的大规模复杂查询的响应性能。
维度表示要对数据进行分析时所用的一个量,比如你要分析产品销售情况, 你可以选择按类别进行分析,或按区域分析。这样的按..分析就构成一个维度。上图中的用户表、商家表、时间表这些都属于维度表。这些表都有一个唯一的主键&＃xff0c;然后在表中存放了详细的数据信息。
事实表发生在现实世界中的操作型事件&＃xff0c;其所产生的可度量数值&＃xff0c;存储在事实表中。从最低的粒度级别来看&＃xff0c;事实表行对应一个度量事件&＃xff0c;反之亦然。
数据仓库中不需要严格遵守规范化设计原则。因为数据仓库的主导功能就是面向分析&＃xff0c;以查询为主&＃xff0c;不涉及数据更新操作。事实表的设计是以能够正确记录历史信息为准则。维度表的设计是以能够以合适的角度来聚合主题内容为准则。
数仓模型设计维度建模三种模式&＃xff1a;
1、 星型模型
星形模式(Star Schema)是最常用的维度建模方式。星型模式是以事实表为中心&＃xff0c;所有的维度表直接连接在事实表上&＃xff0c;像星星一样。
星形模式的维度建模由一个事实表和一组维表成&＃xff0c;特点&＃xff1a;维表只和事实表关联&＃xff0c;维表之间没有关联;每个维表主键为单列&＃xff0c;且该主键放置在事实表中&＃xff0c;作为两边连接的外键;以事实表为核心&＃xff0c;维度表围绕核心呈星形分布
2、雪花模式
雪花模式是对星形模式的扩展。雪花模式的维度表可以拥有其他维度表的&＃xff0c;虽然这种模型相比星型更规范一些&＃xff0c;但是由于这种模型不太容易理解&＃xff0c;维护成本比较高&＃xff0c;而且性能方面需要关联多层维表&＃xff0c;性能也比星型模型要低。所以一般不是很常用。
3 、星座模式
星座模式是星型模式延伸而来&＃xff0c;星型模式是基于一张事实表的&＃xff0c;而星座模式是基于多张事实表的&＃xff0c;而且共享维度信息。前面介绍的两种维度建模方法都是多维表对应单事实表&＃xff0c;但在很多时候维度空间内的事实表不止一个&＃xff0c;而一个维表也可能被多个事实表用到。在业务发展后期&＃xff0c;绝大部分维度建模都采用的是星座模式。
推荐学习&＃xff1a;大数据企业级实战 13天玩转千亿级数仓项目
http://yun.itheima.com/course/823.html?2010stt
基础课程主讲内容包括&＃xff1a;
阶段一&＃xff1a;千亿级实时数仓项目总体介绍
1. 数据仓库在企业里面的重要性
2. 千亿级实时数仓的项目演示
阶段二&＃xff1a; 数据建模的应用
1. 为什么要数据建模
2. 维度和指标的概念
3. 指标和维度建模案例
阶段三. 数据仓库从0到1的过程
1. 数仓典型分层思想&＃xff08;ODS、DWB、DWS、DM、ADS&＃xff09;
2. 数仓建设0到1的过程实战
3. 企业级数据仓库设计的规范
阶段四&＃xff1a;基于Kylin的OLAP分析
1. Kylin自带的example案例介绍
2. Kylin的Cube创建
3. Kylin的数据膨胀介绍
阶段五&＃xff1a;需求分析与项目设计
1. 需求分析
2. canal搭建
3. canal数据写入kafka
阶段六&＃xff1a;订单与销售额指标计算
1. 销售额指标体系介绍
2. flink实时消费Kafka订单数主题数据
3. 订单金额指标统计
阶段七&＃xff1a;行为指标计算
1. 模拟通过埋点方式采集行为数据
2. 使用Flink Streaming计算用户行为相关指标
3. Flink CEP实现转化率分析
阶段八&＃xff1a; Druid的安装和使用
1. Druid实时数据摄入
2. Druid基于JSON查询语法
3. Imply Pivot可视化数据分析
京公网安备 11010802041100号