数据仓库复习提纲.doc

数据仓库是一种专为数据分析和决策支持设计的数据库系统，它不同于传统的操作型数据库。数据仓库是面向主题的，意味着它围绕特定业务领域如销售、客户、财务等组织数据。它综合了来自不同源头的数据，提供了稳定的历史视图，用于支持管理层的决策过程。数据仓库的数据不是实时更新的，而是定期加载和维护，一旦数据入库，通常会持久保存。 数据挖掘是从大量数据中发现有价值信息的过程，可以理解为从数据库中提取知识。它涉及到各种算法和技术，如分类、聚类、关联规则和序列模式发现，旨在找到数据间的隐藏模式和联系，帮助预测和决策。 操作数据存储（ODS）是介于操作型数据库和数据仓库之间的一种形式，它提供最新、集成的信息，用于支持日常业务操作和决策，同时也可以作为数据仓库的源数据。 在线分析处理（OLAP）是数据仓库系统的重要组成部分，它支持复杂的分析查询，比如多维分析，提供快速的响应时间，以帮助用户进行深入的业务洞察。OLAP系统通常用于报告、查询和数据切片、切块等操作。 商业智能（BI）是数据仓库、OLAP和数据挖掘技术与企业资源规划（ERP）等系统结合的应用，目的是将技术转化为决策支持工具。BI系统可以帮助企业将数据转化为可操作的洞察，以改善运营和战略决策。 数据仓库的设计过程包括概念模型设计，界定系统范围，确定主题域；技术准备工作，如评估技术需求和环境；逻辑模型设计，包括主题域分析、粒度层次划分、数据分割策略等；物理模型设计，涉及数据存储结构、索引策略和存储分配；数据仓库生成，包括数据加载和接口设计；以及使用和维护阶段，持续优化和满足用户需求。 数据仓库与在线事务处理（OLTP）系统有显著区别。OLTP系统面向日常事务处理，数据实时更新，适用于大量简单事务操作，如银行交易。而OLAP系统则更适合复杂的分析查询，服务于决策者，处理历史数据，支持趋势分析。由于它们的需求和性能特征不同，一般不建议在同一服务器上运行，因为这可能导致性能瓶颈和资源冲突。 数据预处理是数据挖掘的关键步骤，因为原始数据往往存在不完整性、噪声、不一致性和大量性等问题。预处理包括数据清洗（填充缺失值、平滑噪声、处理异常值）、数据集成（合并多个数据源）、数据转换（适应挖掘算法要求）和数据归约（减少数据量但保持信息），这些步骤确保了数据的质量，为后续的数据挖掘提供了可靠的基础。