三种常见的维度建模:星型,雪花,星座-----详解

[hive]维度模型分类:星型模型,雪花模型,星座模型|范式 z=f(x,y)当给定x,y则能计算出z,当给x,y,n时,也能计算出z,此时z部分函数依赖于z,y,n。比如通过(学号,课程)推出姓名,因为可以直接通过学号退出姓名,所以:姓名部分依赖于(学号,课程)。星型模型中只有一张事实表,以及0张或多张维度表,事实与纬度表通过主键外键相关联,维度之间不存在关联关系,当所有纬度都关联到事实表时,整个图形非常像一种星型的结构,所以称之为“星型模型”。主键为:"学号"+"课名"。"分数”完全依赖于(学号,课名),但是姓名并不完全依赖于(学号,课名),姓名只依赖于学号。 阅读详情

星型模型:

一张事实表,周围散列多张维度表,维度表都是一级
在这里插入图片描述

雪花模型:

与星座相反,维度表有的是有多级,这样会带来更多表的join操作,不利于性能

在这里插入图片描述

星座模型:

随着业务发展,有多张事实表,其中某些维度表数据是多张事实表共用。

星座模式是星型模式延伸而来,星型模式是基于一张事实表的,而星座模式是基于多张事实表的,而且共享维度信息。

在这里插入图片描述

三大数据模型:星型模型、雪花模型、星座模型 通过上面的对比分析,可以发现数据仓库更适合使用星型模型来构建底层数据 hive 表,通过数据冗余来减少查询次数以提高查询效率。雪花模型在关系型数据库中(MySQL/Oracle)更加常见。在具体规划设计时,应结合具体场景及两者的优缺点来进行设计,找到一个平衡点去开展工作。 阅读详情

相关推荐

数仓维度设计模型、事实表、维度表、指标、宽表,常见的三种维度建模设计——星型模型、雪花模型、星座模型

在很多时候维度空间内的事实表不止一个,而一个维表也可能被多个事实表用到。在业务发展后期,绝大部分维度建模都采用的是星座模式。

qq_40585384的博客 1万+

什么是雪花模型

1.什么是雪花模型 Snowflake schema 雪花模型是多维数据库中的表的逻辑排列方式,使得实体关系图类似于雪花形状。雪花模型由连接到多个维度的集中式事实表组成。“Snowflaking”是一种在星型模型中规范化维度表的方法。 当它沿着所有维度表完全标准化时,结果结构类似于雪花,其中事实表位于中间。雪花背后的原理是通过删除低基数属性和形成单独的表来对维度表进行规范化。 雪花模型类似于星型模...

王小雷-多面手 1万+

星型模型、雪花模型、星座模型及数仓建模方法

整体流程概览 (1)数据仓库(Data WareHouse,简称DW): 数据仓库是一种资讯系统的资料储存理论,主要功能乃是将组织透过资讯系统之联机交易处理(OLAP)经年累月所累积的大量资料,透过数据仓库理论所特有的资料储存架构,作一有系统的分析整理,以利各种分析方法,例如线上分析处理及数据挖掘之进行,并且进而支持例如决策支持系统及主管资讯系统之创建,帮助决策者能快速有效的自大量资料中,...

Megustas_JJC的博客 1万+

数仓建模理论 之 维度建模

维度建模,你不得不知道以下几个概念:事实表、维度表、星型模型、雪花模型、星座模型

wowulita123的博客 2250

【电商数仓】关系建模与维度建模、维度表和事实表、几种维度模型、数仓建模原则

维度建模一定要选定一个中心,这个中心就是需要做的业务,如电商的核心业务就是订单,那么在对电商业务进行维度建模的时候,就可以将订单放到中心的位置。描述订单的方式一般为:和人,何时,何地,下的什么订单,一个用户,一个维度;例如,需要统计,什么时间下的订单多,哪个地区下的订单多,哪个用户下的订单多。在业务系统中,挑选感兴趣的业务线,比如下单业务,支付业务,退款业务,物流业务,一条业务线对应一张事实表。此处的“事实”一词,指的是业务中的度量值(次数、个数、件数、金额,可以进行累加),例如订单金额、下单次数等。

weixin_43923463的博客 4690

Z05 - 020、维度建模三种模式

0、 初学耗时:0.5h 注:优快云手机端暂不支持章节内链跳转,但外链可用,更好体验还请上电脑端。 一、   1.1    1.2  记忆词:   离线数据分析  ギ 舒适区ゾ || ♂ 累觉无爱 ♀ 一、   1.1 ~    1.2 ~      1.2.1 .       1.2.2 .   烟锁池塘柳。 - - - ...

吾心持剑,剑锋披靡 3356

数据仓库建模:星型、雪花与星座模型的比较与应用

最终,选择哪种模型应基于具体的业务需求、数据复杂度和性能要求,以确保数据仓库能够高效地服务于企业的决策和分析需求。事实表包含了可度量的数据,如销售额或利润,而维度表则包含了描述这些数据的属性,如时间、地点或产品类型。星型模型、雪花模型和星座模型是三种流行的数据仓库建模方法,它们各自具有独特的结构、优势和局限性。例如,一个数据仓库可能同时包含销售和库存的星型模型,这些模型共享时间和产品维度表,从而形成一个星座结构。这三种模型各有其适用场景和特点,选择适合的模型取决于业务需求、数据复杂性和查询性能的要求。

oOBubbleX的博客 2130

数仓 建模思想之星型模型、雪花模型、星座模型

数仓 建模思想之星型模型、雪花模型、星座模型 1. 背景 在大数据开发中,数据一般是分为事实表,维度表,实体表等表。 事实表顾名思义就是记录实际发生的事情如订单表,优惠券使用表等等。 维度表,顾名思义,就是一个信息有多个维度,记录这些维度值的表。如日期,产品类目等等。一般会有一个id,以及id对应的各种维度具体信息。 注意,数仓建模主要就是将数据如何以数据库和表为单元,尽可能科学有效存储,方便后续的查询,分析,使用。在这个过程中,如何保证数据查询便捷性,性能,降低空间存储冗余度都是需要仔细考量的。 注

xiaohu21的博客 1548

数仓知识02:星型模型、雪花模型、星座模型

一文让你了解星型模型、雪花模型、星座模型相关的知识。

维克先生的博客 7110

数据仓库维度建模设计

文章目录1. 维度建模基本概念1.1. 维度表(dimension)1.2. 事实表(fact table)2. 维度建模三种模式2.1. 星型模式2.2. 雪花模式2.3. 星座模式3. 本项目中数据仓库的设计3.1. 事实表设计3.2. 维度表设计 1. 维度建模基本概念 维度建模(dimensional modeling)是专门用于分析型数据库、数据仓库、数据集市建模的方法。数据集市可以理解...

bitmao888的博客 4374

(星型、雪花、星座、交叉连接)多维数据模型各种类型优劣分析

在数据仓库的建设中,一般都会围绕着星型模型和雪花模型来设计表关系或者结构,同时从模型中又衍生出星座模型和交叉模型。下面我们先来理解这几种模型的概念和比较。

变个魔术 4861

星形和雪花模型_维度建模的三种模型——星型模型、雪花模型、星座模型

在构建数据仓库的维度建模中,一般有三种模式。星型模型/雪花模型/星座模型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。星型模型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。 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...

weixin_42342010的博客 4989

全方位解读星型模型,雪花模型及星座模型

​1背景 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,雪花型模型及星座模型。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,雪花型模型还是星座模型进行组织。 2星型模型 星形模型中有一张事实表,以及零个或多个维度表,事实表与维度表通过主键外键相关联,维度表之间没有关联,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。星形模型是最简单,也是最常用的模型。由于星形模型只有一...

我的祖传代码 9099

模块开发-数据仓库的设计 及星型模型 雪花模型 星座模型

模块开发-数据仓库的设计 及星型模型 雪花模型 星座模型 模块开发—数据仓库设计 1.维度建模:专门用于分析性数据库【还有数据仓库/数据集市建模的方法】的设计。 数据集市可以理解为一种小型的数据仓库。 维度表(dimension):就是分析事物的某个角度 数据量不大 精确度高 如:“昨天下午我在星巴克花费 200 元喝了一杯卡布奇诺” 从这句话中我们可以划分三个维度:时间维度;地点维度;商品维...

zengxianglei的博客--手指星辰 奈何天! 4639

数仓建模—雪花模型和星型模型

雪花模型和星型模型 前面我们在学习数仓建模—建模方法论的时候提到了雪花模型和星型模型以及星座模型的这个概念,但是也对这个概念进行了一定的解释,但是那一片是为了介绍方法论,所以重点还是在方法论上面,这一节我们单独介绍一下这几个模型。 我们知道我们采用的是维度建模,模型的实现主要指的是在维度建模过程中,需要对维度表和事实表进行关联设计,而这里我们对维度表的设计,就决定了我们最终与事实表关联的之后的形态。也就是说我们可以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以及星座模型 星型模型和雪花

7万+

别再只看读写速度了!聊聊手机闪存eMMC、UFS3.1和SSD背后的功耗与体积玄学

本文深入探讨手机闪存技术eMMC、UFS3.1和SSD在功耗与体积设计上的关键差异。通过对比接口技术、封装工艺和温度管理,揭示移动存储如何在有限空间内平衡性能与能效,为消费者提供选购参考。重点关注UFS3.1的差分信号设计和全双工架构带来的显著优势。

weixin_27061475的博客 447

维度建模的三种模式

星型模式,雪花模式,星座模式

m0_72898076的博客 4391

MacOS上VScode配置PlatformIO Core的疑难杂症与提速实战

本文详细解析了在MacOS上使用VScode配置PlatformIO Core时遇到的安装卡死、新建项目缓慢等常见问题,并提供了官方脚本安装、网络优化、命令行预下载等实用解决方案。通过环境变量配置和镜像源加速,大幅提升开发效率,特别适合ESP32等嵌入式开发场景。

weixin_42567046的博客 220

维度建模(星型、雪花、星座)

事实表、维度表、维度模型、核心四步骤。

自律 1246

Python 爬虫实战:拼多多商品评论情感分析(含词云生成与差评预警)

在电商行业竞争日益激烈的当下,商家对商品评论的分析需求愈发迫切。通过 Python 爬虫收集拼多多商品评论,并结合情感分析、词云可视化及差评预警技术,商家可精准洞察消费者反馈,优化商品与服务。本文将深度剖析从爬虫搭建到数据挖掘的关键环节,助力读者构建全流程电商评论分析系统。

yansideyucsdn的博客 1450

手把手教你玩转CPU微架构--​第三章:乱序执行的“魔法”——如何让指令“插队”提升效率​​3.4 动手实验:用Gem5模拟器分析乱序执行对IPC的提升(对比顺序执行)

摘要:本章通过Gem5模拟器对比乱序执行(O3CPU)和顺序执行的性能差异,实验采用SPECCPU2017和PARSEC3.0基准测试,配置7级流水线、4指令/周期发射宽度及多级缓存。结果显示,乱序执行平均提升IPC超过100%,关键因素包括动态指令调度、缓存命中率提升(L1达92%)和TAGE分支预测(准确率95%)。优化方向包括增大指令缓存和发射队列深度。实验验证了乱序执行在减少流水线停顿和提升吞吐量方面的显著优势。

MHD0815的博客 165
上一篇: 数据仓库为什么要分层?如果不分层可以吗?
下一篇: hive sql中开启动态分区的命令
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值