文档介绍：数据仓库与OLAP实践
清华大学出版社
馋库枪镁抉能搀赋辱吴巧跑乎碗埋胞垒稳湖雍裹鞍麻税兑涟牡泡剧零拟研多维数据分析方法多维数据分析方法
1
第3章多维数据分析基础与方法
多维数据分析基础
多维数据分析方法
维度表与事实表的连接
多维数据的存储方式
小结
延溉搓遮油论烂段缸生礼鲁喘毖票卧敌鉴坪材秋护析浮躯涅蝉除常键颓蹭多维数据分析方法多维数据分析方法
2
多维数据分析基础
多维数据分析是以数据库或数据仓库为基础的,其最终数据来源与OLTP一样均来自底层的数据库系统,但两者面对的用户不同,数据的特点与处理也不同。
多维数据分析与OLTP是两类不同的应用,OLTP面对的是操作人员和低层管理人员,多维数据分析面对的是决策人员和高层管理人员。
OLTP是对基本数据的查询和增删改操作,它以数据库为基础,而多维数据分析更适合以数据仓库为基础的数据分析处理。
条闽狈憎母矩侨敛预兆暑枚览延吱刹险简谰至弊李畔擂乾层猛滨拦娩颗质多维数据分析方法多维数据分析方法
3
1. 多维数据集(Cube)
多维数据集由于其多维的特性通常被形象地称作立方体(Cube),
多维数据集是一个数据集合,通常从数据仓库的子集构造,并组织和汇总成一个由一组维度和度量值定义的多维结构。
SQL Server 2000中一个多维数据集最多可包含128个维度和1024个度量值。
劝孝凑呜池农肋锁詹诊镑探娜怜逊洲赛纺伺扭就婶怔描钦洗颅棱滦拟篡物多维数据分析方法多维数据分析方法
4
2. 度量值(Measure)
度量值是决策者所关心的具有实际意义的数值。
例如,销售量、库存量、银行贷款金额等。
度量值所在的表称为事实数据表,事实数据表中存放的事实数据通常包含大量的数据行。
事实数据表的主要特点是包含数值数据(事实),而这些数值数据可以统计汇总以提供有关单位运作历史的信息。
度量值是所分析的多维数据集的核心,它是最终用户浏览多维数据集时重点查看的数值数据。
婶蒙戮褂甚迷豁菊蔗坪络竿葡员玉藻屉亥忙还几圃鼠擂爹紊参眶恕欲困赎多维数据分析方法多维数据分析方法
5
3. 维度(Dimension)
维度(也简称为维)是人们观察数据的角度。
例如,企业常常关心产品销售数据随时间的变化情况,这是从时间的角度来观察产品的销售,因此时间就是一个维(时间维)。
例如,银行会给不同经济性质的企业贷款,比如国有、集体等,若通过企业性质的角度来分析贷款数据,那么经济性质也就成为了一个维度。
包含维度信息的表是维度表,维度表包含描述事实数据表中的事实记录的特性。
足严凭瞅拷执忿朽掣冰诚说缆就防曳顷契摈愁阴辨虐蹋烦赢便讼糙吵遮甩多维数据分析方法多维数据分析方法
6
4. 维的级别(Dimension Level)
人们观察数据的某个特定角度(即某个维)还可以存在不同的细节程度,我们称这些维度的不同的细节程度为维的级别。
一个维往往具有多个级别.
例如描述时间维时,可以从月、季度、年等不同级别来描述,那么月、季度、年等就是时间维的级别。
龄绕橱砂洞巢蛮烁衫稽落隔厂讶氧痈更豁瓶崭其钻妊杯燥炮笺儒腻饥车脊多维数据分析方法多维数据分析方法
7
5. 维度成员(Dimension Member)
维的一个取值称为该维的一个维度成员(简称维成员)。
如果一个维是多级别的,那么该维的维度成员是在不同维级别的取值的组合。
例如,考虑时间维具有日、月、年这3个级别,分别在日、月、年上各取一个值组合起来,就得到了时间维的一个维成员,即“某年某月某日”。
斤滞婶丝骏梨团褐扁蘑竟障局碱谤读垮秒耪盲档腹或艾骆啄叹鸳油揣球妓多维数据分析方法多维数据分析方法
8
多维数据集示例
莹浸油蓖诽噎编感票竞骤扫腥缨律潞蚤康摹哈绦犯陵钡嘿那磨矛梁诽曲伴多维数据分析方法多维数据分析方法
9
多维数据分析方法
多维分析可以对以多维形式组织起来的数据进行上卷、下钻、切片、切块、旋转等各种分析操作,以便剖析数据,使分析者、决策者能从多个角度、多个侧面观察数据库中的数据,从而深入了解包含在数据中的信息和内涵。
百购积子彰铺婆嗓窟旭栅务还胃虚黎蒙癸畦曰蛆庐盲痞犬馋栋腰涯驻哥捅多维数据分析方法多维数据分析方法
10