数据仓库复习题.doc

数据仓库和数据挖掘是信息技术领域的两个重要概念，它们在企业决策支持系统中起着关键作用。数据仓库是一种专门设计用于支持决策制定的数据集合，它强调的是面向特定主题、集成、随时间变化的数据存储，通常不可更新，以提供历史数据分析。 数据挖掘是从大量数据中发现有价值信息和知识的过程。它可以来源于各种数据源，包括关系数据库、数据仓库、事务数据库等。常用的数据挖掘方法包括聚类分析、决策树、人工神经网络、粗糙集、关联规则挖掘和统计分析等。数据挖掘过程通常包括确定业务目标、数据预处理、数据挖掘执行、结果分析和知识同化等步骤。 数据仓库和数据挖掘之间有紧密的联系。数据仓库为数据挖掘提供了稳定、高质量的数据源，同时也受到数据挖掘的需求推动，需要更高效的数据组织和管理。然而，两者的主要区别在于，数据仓库是存储技术，侧重于数据的整合和存储，而数据挖掘是分析技术，侧重于从这些数据中提取知识。 在设计数据仓库时，涉及的概念数据模型、逻辑数据模型和物理数据模型是理解数据仓库架构的关键。数据仓库的粒度定义了数据的详细程度，影响着数据量的大小和查询的细节程度。数据分割通常根据日期、地域、业务领域等因素进行，以满足不同层次的分析需求。 联机分析处理（OLAP）是数据仓库中的一个重要应用，与联机事务处理（OLTP）不同，OLAP侧重于快速、多维度的分析操作。OLAP包括向上钻取（Roll up）和向下钻取（Drill down），分别用于从汇总数据到细节数据的转换。OLAP系统可以根据数据存储方式分为关系型（ROLAP）、多维型（MOLAP）和混合型（HOLAP）。在设计和实施数据仓库时，需要考虑数据预处理，如数据清洗、数据集成、数据变换和数据规约，以确保数据质量并减少计算资源的需求。 在数据预处理中，分箱方法、数据平滑处理和数据规范化是常用的技术。数据规约则旨在减少数据量，同时保持数据的挖掘价值。例如，超市销售数据可能需要经过数据清洗去除异常值，通过数据集成合并来自不同系统的销售记录，通过数据规范化确保不同商品的销售额在同一尺度上比较，最后通过数据规约降低数据复杂性，以便高效地进行市场趋势分析或客户行为研究。 数据仓库和数据挖掘是现代商业智能的核心组成部分，它们帮助企业从海量数据中提取有价值的信息，支持决策制定，优化业务流程，并驱动企业的竞争优势。理解和掌握这些技术对于IT专业人士来说至关重要，因为它们能够为企业带来显著的经济效益。