数仓面试常见问题:1.数仓基础与设计

## 标题简述数仓的分层架构及其作用
数据仓库的分层架构主要是为了提高数据管理的可维护性、稳定性和可扩展性，同时确保数据的清晰流动和高效查询。常见的数据仓库分层架构通常包括以下几层：

数据源层（ODS，Operational Data Store）

作用：
存储原始数据，通常是从业务系统直接抽取的数据，不做或仅做少量清洗。作为数据仓库的入口，主要用于短期存储，支持历史回溯。
特点：
数据格式多样（如 MySQL、PostgreSQL、Kafka、日志数据等）。
可能包含数据冗余，避免影响业务系统。

数据基础层（DWD，Data Warehouse Detail）

作用：
对原始数据进行清洗、标准化和结构化处理，构建标准的明细数据表。保持数据的最大颗粒度，避免数据丢失，为后续数据分析提供支持。
特点：
采用标准化的数据模型（宽表、星型、雪花模型）。一般按照时间、用户、业务等维度存储。作为数仓的核心基础层，保证数据一致性和高可用性。

数据汇总层（DWM，Data Warehouse Middle）

作用：
对 DWD 层数据进行聚合，计算业务指标，减少计算开销，提高查询效率。适用于大部分业务分析和报表需求。
特点：
通常按照业务需求进行数据建模，如用户行为分析、营销数据统计等。可能按天、周、月等周期存储数据，减少重复计算。

数据应用层（ADS，Application Data Store）

作用：
提供面向特定业务场景的汇总数据，支持 BI 报表、数据分析、数据 API 供下游使用。以高效查询和快速响应为目标，优化数据存储结构。
特点：
面向业务应用，数据结构优化为宽表，方便查询。可能存储在 OLAP 数据库（如 ClickHouse、Druid）或 KV 存储（如 Redis）中，提升查询效率。

数仓分层的作用

解耦业务系统与分析系统：避免对业务数据库的直接查询影响生产环境。
提高数据质量：通过层层清洗和标准化，确保数据准确性、一致性、完整性。
提升查询效率：数据逐层加工和聚合，减少重复计算，提高查询响应速度。
便于管理和扩展：分层架构使得数据结构清晰，方便后续维护和优化。

这种分层架构能够很好地支持企业的数据分析、数据治理和业务决策需求，是现代数据仓库建设的重要基础。

数仓建模中，事实表和维度表有何区别?

在数据仓库建模中，事实表（Fact Table）和维度表（Dimension Table）是核心组件，它们的主要区别如下：

1. 定义

事实表：存储业务事件（事务）的度量值（数值型数据），通常包含可以被聚合（如求和、平均、计数等）的指标。
维度表：存储业务事件的描述信息（文本或分类数据），提供业务分析的维度（如时间、地点、产品等）。

2. 数据特点

类别	事实表（Fact Table）	维度表（Dimension Table）
数据类型	数值型（度量数据）	字符型（描述数据）
数据粒度	细粒度，记录业务发生的事实	粗粒度，描述业务的属性
数据量	通常较大，数据不断增长	通常较小，数据相对稳定
主键	由多个外键组成的复合主键	业务主键（如用户ID、产品ID）