《数据仓库与数据挖掘》讲课笔记02.doc

《数据仓库与数据挖掘》的讲课笔记主要涵盖了数据仓库的多维数据模型和联机分析处理（OLAP）这两个核心概念。多维数据模型是为支持用户从多个角度和层次进行数据分析而设计的，主要用于OLAP操作。 1. **度量值（Measure）**： 度量值是数据仓库中关键的数值数据，反映了决策者关心的实际意义。例如，销售量、库存量、贷款金额等。这些数值是用户在浏览多维数据时关注的重点。 2. **事实数据表（Fact Table）**： 度量值所在的数据表称为事实数据表，包含大量数据行。事实数据表主要特点是含有数值型数据，这些数据可以进行统计汇总，以提供关于业务运营的历史信息。 3. **维度成员（Dimension Member）**： 维度的一个特定取值称为维度成员。在多级维度中，维度成员是不同级别取值的组合。例如，时间维可能包括日、月、年三个级别，组合起来形成一个具体的日期。 4. **维度表（Dimension Table）**： 包含维度信息的表是维度表，它描述了事实数据表中的事实记录。维度表与事实表相互独立但相互关联，共同构成了数据仓库的模式。 **多维数据集的常见架构**： 1. **星型模式（Star Schema）**： 星型模式由一个事实表和一组维度表组成。每个维度表有一个维作为主键，这些主键共同构成事实表的主键。事实表包含数值型的事实，而维度表则包含文本、时间等非数值数据。通过这种结构，我们可以根据不同的维度对事实数据进行聚合计算，如求和、平均、计数和百分比，实现多角度多层次的分析。 2. **事实星座模式（Fact Constellation）**： 多个事实表共享相同的维度表，可以视为星型模式的集合。 3. **雪花模式（Snowflake Schema）**： 雪花模式是星型模式的一种变形，它通过分解维度表来减少冗余，但可能会对系统性能产生一定影响。 **联机分析处理（OLAP）**： 1. **联机事务处理（OLTP）**： OLTP是实时处理与事务相关的数据，例如更新用户余额或库存。在60年代，E.F.Codd提出的事务模型推动了OLTP的发展，它支持实时的数据修改和查询。 2. **联机分析处理（OLAP）**： 1993年，E.F.Codd提出OLAP以应对OLTP无法满足的复杂数据分析需求。OLAP提供多维数据库和多维分析，支持对关系数据库进行复杂的计算，以满足决策者的分析需求。OLAP允许用户从多个角度深入洞察数据，进行更深入的业务分析。 这些概念和技术是数据仓库和商业智能领域的基础，用于支持企业进行高效、灵活的数据分析，从而驱动更好的决策制定。