数据仓库面试题（二）

1. 简述星型模型和雪花模型的区别？应用场景 ？

星型模型（Star Schema）和雪花模型（Snowflake Schema）是数据仓库中常用的两种维度建模方法，它们在数据组织和设计上有所不同。

星型模型（Star Schema）：

1. 结构：星型模型由一个或多个事实表（Fact Table）和多个维度表（Dimension Table）组成。事实表位于中心，维度表通过外键与事实表相连，形成一个星形结构。
2. 维度表：维度表通常包含描述性信息，如时间、地点、产品等，并且每个维度表都是规范化的。
3. 优点：
   • 简单直观，易于理解和查询。
   • 由于维度表的规范化，减少了数据冗余。
   • 适合快速的聚合查询。
4. 缺点：
   • 随着维度表的增加，需要维护更多的外键关系。
   • 维度表的修改可能影响事实表。
5. 应用场景：适用于数据相对稳定，不需要频繁变更的场景，以及需要快速响应和简单查询的业务分析。

雪花模型（Snowflake Schema）：

1. 结构：雪花模型是星型模型的一种变体，维度表被进一步规范化，形成多级层次结构，类似于雪花的形状。
2. 维度表：在雪花模型中，维度表可以包含其他维度表，形成层次结构。
3. 优点：
   • 更高的规范化，减少了数据冗余。
   • 维度表的层次结构可以更好地反映现实世界的复杂关系。
4. 缺点：
   • 结构复杂，查询时可能需要更多的连接操作，影响查询性能。
   • 维度表的修改可能更加复杂，需要考虑多级关系。
5. 应用场景：适用于维度表具有复杂层次关系，需要高度规范化以减少数据冗余的场景。

区别：

• 维度表的规范化程度：星型模型的维度表是规范化的，但雪花模型的维度表则进一步规范化，形成层次结构。
• 查询复杂性：星型模型的查询通常更简单，因为它们只需要较少的连接操作。雪花模型的查询可能更复杂，因为需要处理多级维度表的关系。
• 数据冗余：星型模型可能会有轻微的数据冗余，而雪花模型通过高度规范化减少了数据冗余。
• 维护难度：星型模型相对容易维护，而雪花模型由于其复杂的层次结构，维护起来可能更加困难。

在选择星型模型或雪花模型时，需要根据具体的业务需求、数据使用模式和性能要求来决定。通常，如果查询性能是关键考虑因素，星型模型可能是更好的选择；如果数据规范化和减少冗余是主要目标，雪花模型可能更合适。

2. 简述数仓建模有哪些方式 ？

数据仓库建模是创建数据仓库结构和组织数据的过程，以支持业务分析和决策。以下是一些主要的数据仓库建模方式：

1. 维度建模：

   • 维度建模是最常见的数据仓库建模方式之一，它侧重于快速查询和报告。通过创建事实表和维度表，维度表包含描述性信息，事实表包含度量值和指向维度表的外键。

2. 第三范式建模（3NF Modeling）：

   • 第三范式建模是一种规范化方法，旨在减少数据冗余和提高数据一致性。它将数据组织成多个表，每个表代表一个实体或实体间的关系。

3. 星型建模&#x