一篇文章搞懂数据仓库：四种常见数据模型（维度模型、范式模型等）

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

维度建模从分析决策的需求出发构建模型，为分析需求服务。重点关注用户如何快速的完成数据分析，可以直观的反应业务模型中的业务问题，需要大量的数据预处理、数据冗余，有较好的大规模复杂查询的响应性能。

系列文章详见「数仓系列文章- 传送门」

一、为什么要进行数据仓库建模？

===============

• 性能：良好的模型能帮我们快速查询需要的数据，减少数据的IO吞吐

• 成本：减少数据冗余、计算结果复用、从而降低存储和计算成本

• 效率：改善用户使用数据的体验，提高使用数据的效率

• 改善统计口径的不一致性，减少数据计算错误的可能性

  二、四种常见模型

  ========

  2.1 维度模型

  ---

  维度建模按数据组织类型划分可分为星型模型、雪花模型、星座模型。

  Kimball老爷爷维度建模四个步骤：

  选择业务处理过程 > 定义粒度 > 选择维度 > 确定事实

  2.1.1 星型模型

  星型模型主要是维表和事实表，以事实表为中心，所有维度直接关联在事实表上，呈星型分布。

  

  2.1.2 雪花模型

  雪花模型，在星型模型的基础上，维度表上又关联了其他维度表。这种模型维护成本高，性能方面也较差，所以一般不建议使用。尤其是基于hadoop体系构建数仓，减少join就是减少shuffle，性能差距会很大。

  星型模型可以理解为，一个事实表关联多个维度表，雪花模型可以理解为一个事实表关联多个维度表，维度表再关联维度表。

  

  2.1.3 星座模型

  星座模型，是对星型模型的扩展延伸，多张事实表共享维度表。

  星座模型是很多数据仓库的常态，因为很多数据仓库都是多个事实表的。所以星座模型只反映是否有多个事实表，他们之间是否共享一些维度表。

  

  2.2 范式模型

  ---

  即实体关系（ER）模型，数据仓库之父Immon提出的，从全企业的高度设计一个3NF模型，用实体加关系描述的数据模型描述企业业务架构，在范式理论上符合3NF。此建模方法，对建模人员的能力要求非常高。

  特点：设计思路自上而下，适合上游基础数据存储，同一份数据只存储一份，没有数据冗余，方便解耦，易维护，缺点是开发周期一般比较长，维护成本高。

  详见：一篇文章搞懂数据仓库：三范式与反范式_不吃西红柿-CSDN博客_数据仓库三范式

  

  2.3 Data Vault模型

  ---

  DataVault由Hub（关键核心业务实体）、Link（关系）、Satellite（实体属性） 三部分组成 ，是Dan Linstedt发起创建的一种模型方法论，它是在ER关系模型上的衍生，同时设计的出发点也是为了实现数据的整合，并非为数据决策分析直接使用。

  2.4 Anchor模型

  ---

  高度可扩展的模型，所有的扩展只是添加而不是修改，因此它将模型规范到6NF，基本变成了K-V结构模型。企业很少使用。

  三 数据模型的评价标准

  

  

  

  既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

  由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

  需要这份系统化资料的朋友，可以戳这里获取

  由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新**

  需要这份系统化资料的朋友，可以戳这里获取