《chap 2 联机分析处理技术.pdf》由会员分享，可在线阅读，更多相关《chap 2 联机分析处理技术.pdf（82页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、Data Warehousing and Online Analytical Processing 第二章第二章 联机分析处理概念和技术联机分析处理概念和技术 Chapter 2 Introduction to Online Analytical Processing March 2013 Yunhai Tong School of Electronics Engineering and Computer Science,Peking University Data Warehousing and Online Analytical Processing 讨论内容讨论内容 数据分析模型 OLA
2、P的提出 多维数据结构 多维数据操作 多维数据模型的实现 Data Warehousing and Online Analytical Processing 数据分析模型概述数据分析模型概述 以前的数据分析主要是静态的 不能与数据库中的数据建立动态联系 实际需求：更需要复杂、动态的分析 能与数据库中的数据建立动态联系 综合多个数据源 从不同角度观察数据 多变的主题与多维数据访问 Data Warehousing and Online Analytical Processing Codd提出四种数据分析模型提出四种数据分析模型 划分依据:处理数据的范围 用户-分析人员的交互需要 多维分析需求 现
3、有工具的支持 四种数据分析模型:绝对模型 解释模型 思考模型 公式化模型 Data Warehousing and Online Analytical Processing 数据分析模型：数据分析模型：绝对模型绝对模型 绝对模型（Categorical Model）支持工具广泛 静态数据分析 比较历史数据值 综合路径是数据库设计时定义的 Data Warehousing and Online Analytical Processing 数据分析模型：数据分析模型：解释模型解释模型 解释模型（Exegetical Model）支持工具较多 静态数据分析 利用已有的多层次路径层层细化，找出事实发生
4、的原因 Data Warehousing and Online Analytical Processing 数据分析模型：数据分析模型：思考模型思考模型 思考模型（Contemplative Model）支持工具较少 动态数据分析（动态性较低）在一维或多维上引入变量或参数，分析引入后会发生什么 引入变量时，须创建大量综合数据 Data Warehousing and Online Analytical Processing 数据分析模型：数据分析模型：公式模型公式模型 公式模型（Formulatic Model）至今没有支持工具 动态数据分析（动态性很高）分析在多维上需引入哪些变量或参数，并分
5、析引入后所产生的结果 Data Warehousing and Online Analytical Processing 数据分析举例数据分析举例 目 标：为了扩大商品销售量、分析与销售量相关因素 分析模型：绝对模型：历史数据比较，利用回归分析“某种商品今年的销售情况与以往相比，有何变化？今后趋势？”解释模型：进一步找出原因“销售量下降与时间、地区、商品、销售渠道中何种因素有关？”思考模型：引入年龄（变量），分析销售量与顾客年龄是否有关系？公式模型：自动引入各种变量，最终给出与销售量有关的全部因素。Data Warehousing and Online Analytical Processin
6、g 四种分析模型比较四种分析模型比较 数据分析模型 绝对模型 解释模型 思考模型 公式模型 处理数据范围 历史数据和当前数据 预测数据、行为 用户分析人员交互 少 多 多维分析 少 多 现有支持工具 多 少 Data Warehousing and Online Analytical Processing 讨论内容讨论内容 数据分析模型 OLAP的提出 多维数据结构 多维数据操作 多维数据模型的实现 Data Warehousing and Online Analytical Processing 联机分析处理（联机分析处理（OLAP）的提出）的提出 关系数据库满足了联机事务处理（OLTP）的
7、要求 存在着大量的分析型应用 RDB无法适应 应用角度：要求对大量的数据从各个角度进行综合分析（多维分析）技术角度：SQL已经不能很好的适应分析应用需求 查询效率（响应时间）SQL本身的限制，尤其对时间的处理能力 典型分析应用：对一些统计指标 （销售金额）从不同角度（维）（时间、地区、商品类型）从不同级别（层次）（地区：县、地市、省、大区）在RDBMS上开发前端产品，支持上述应用逻辑 E.F.Codd把这类技术称为“OLAP”（1993年）Data Warehousing and Online Analytical Processing OLAP的基本认识的基本认识 主要目标：面向业务分析人员
8、，处理即席的（ad-hoc）并且复杂的（complex）数据查询 交互式的数据处理过程：创建、管理、分析、产生报表 扩展类似于现有平面报表（spreadsheet）的分析，通常在数据仓库的基础上，开展海量数据分析 支持不同方式的数据探测（exploration）和数据聚合 （aggregation）Data Warehousing and Online Analytical Processing Codds rules for OLAP:Codd93 Multi-Dimensional Concept View 多维概念模型 The user should be able to see the
9、 data as being multidimensional insofar as it should be easy to pivot or slice and dice.Transparency 透明性准则 The OLAP functionality should be provided behind the users existing software without adversely affecting the functionality of the host.Accessibility 存取能力准则 OLAP should allow the user to access
10、diverse data stores but see the data within a common schema provided by the OLAP tool.Data Warehousing and Online Analytical Processing Codds rules for OLAP:Codd93 Consistent Reporting Performance 稳定的报表性能 There should not be significant degradation in performance with large numbers of dimensions or
11、large quantities of data.Client-Server Architecture C/S体系结构 Since much of the data is on mainframes,and the users work on PCs,the OLAP tool must be able to bring the two together!Generic Dimensionality 维的等同性准则 Data dimensions must all be treated equally.Functions available for one dimension must be
12、available for others.Data Warehousing and Online Analytical Processing Codds rules for OLAP:Codd93 Dynamic Sparse Matrix Handling 动态稀疏矩阵处理准则 The OLAP tool should be able to work out for itself the most efficient way to store sparse matrix data.Multi User Support 多用户支持能力准则 This is self-evident.Unrest
13、ricted Cross-Dimensional Operations 非受限的跨维操作 e.g.,individual office overheads are allocated according to total corporate overheads divided in proportion to individual office sales.Data Warehousing and Online Analytical Processing Codds rules for OLAP:Codd93 Intuitive Data Manipulation 直观的数据操作 Naviga
14、tion should be done by operations on individual cells rather than menus.Flexible Reporting 灵活的报表生成 Row and column headings must be capable of more than one dimension each,and of displaying subsets of any dimension.Unlimited Dimensions and Aggregation Levels 非受限的维与维的层次 At least 15 dimensions may be r
15、equired,and within each there may be many hierarchical levels.Data Warehousing and Online Analytical Processing OLAP应用举例应用举例 不同时间段的比较（同期比）各种商品本周（本月、本年）的销售情况与以往相比，有何变化？今后趋势？排序和统计分类(top N/bottom N)统计每天销售量、销售额和利润最高的10个商场？客户特定的即席分析(市场分割、即席分组的情况)按照季度统计一下东北地区前四个季度的收入情况？Data Warehousing and Online Analytic
16、al Processing 讨论内容讨论内容 数据分析模型 OLAP的提出 多维数据结构 多维数据操作 多维数据模型的实现 Data Warehousing and Online Analytical Processing 多维数据模型多维数据模型 多维数据模型又称多维概念视图，通常用Cube来表示。多维数据模型可以更加直观的表示现实中的复杂关系 多维数据模型的基本组成：维、度量（变量、指标）举例：计算举例：计算每一个商场每一个商场、每个产品每个产品的的销售额销售额 Product Area$300$100 Store Sales Volume Product A B C D E$200$15
17、0$300$250$100$150-$300$150-$150-$250-$100$200-$300-$100 Cross-Tabulation(products/Store)Data Warehousing and Online Analytical Processing 多维数据模型举例多维数据模型举例 sum J1 J2 J4 sum 批发批发 .sum 零售零售 时间时间 地区地区 销售渠道销售渠道 J3 北京北京.上海上海 广东广东 时间时间 地区地区 销售渠道销售渠道 销售额销售额 J1 北京北京 批发批发 1200 J1 北京北京 零售零售 2300 J1 上海上海 批发批发 1
18、233 J1 上海上海 零售零售 2122 J2 北京北京 批发批发 3312 J2 上海上海 批发批发 3423 关系表与多维关系表与多维Cube Data Warehousing and Online Analytical Processing 数据立方体（Cube）维（Dimension）分析的上下文 维层次路径、维层次、维成员（维实例）、维层次属性 事实（Fact）度量（Measure）关键性能指标（KPI）聚集函数 多维数据模型的组成多维数据模型的组成 Data Warehousing and Online Analytical Processing 维：对数据进行分类的一种结构，以
19、用于从特定的角度观察数据。（例如：时间、地区、产品）维的两个用途 选择针对期望详细程度的层次的数据 分组对细节数据综合（聚集）到相应的详细程度的数据层次 多维数据模型的组成多维数据模型的组成 Data Warehousing and Online Analytical Processing 维维 维的组织方式：维层次路径（HIERARCHY）维层次路径由代表不同详细程度的维层次（Level）组成。维的层次：特定角度的不同细节程度 年份季度月份日期大区省份城市产品大类产品小类产品名称维模式 :所有层次Data Warehousing and Online Analytical Processin
20、g 维维 维层次中包含 维成员（DIMENSION VALUES）,维成员树 维的一个取值（称为该维的一个成员）,每一个维成员属于某一个特定的维层次。例如：时间维：三个层次，日、月、年，维成员：1999年5月20日、1999年5月；1999年 维成员是数据在该维上的位置描述 例如：1999年5月20日销售额表示销售额数据在时间维上的位置 （相当于时间轴上的某一点或某一区间）不同维层次的取值的组合（对多层次情况），例如：5月20日 维层次属性（ATTRIBUTES）:维层次上的描述属性，例如产品的“规格”、“颜色”、“销地”、“产地”Data Warehousing and Online Ana
21、lytical Processing 维层次关系维层次关系 定义维层次的聚集和钻取关系 简单维层次关系 年份季度月份日期大区省份城市产品大类产品小类产品名称维模式 :所有层次Data Warehousing and Online Analytical Processing 复杂的维层次关系复杂的维层次关系 较为复杂的维层次关系 一个维包含拥有同一底层数据的多条维层次路径(c)产品维维层次结构(c)产品维维层次结构产品大类产品大类产品小类产品小类产品名称产品名称产品颜色产品颜色包装大小包装大小表示维层次描述属性表示维层次描述属性年份年份季度季度月份月份日期日期周次周次(a)时间维维层次结构(a)
22、时间维维层次结构AllAll华东华东华北华北江苏江苏河北河北北京北京南京南京保定保定玄武区玄武区北市区北市区海淀区海淀区(b)地区维维成员层次结构(b)地区维维成员层次结构 维成员树可能是一棵高度不平衡树。在维层次属性不仅分类属性，同时还拥有描述属性 在某些维层次结构中还包含复杂数据类型的维成员 Data Warehousing and Online Analytical Processing 为什么需要维层次关系为什么需要维层次关系 不支持层次关系带来的问题 增加维的数目，变成非常“稀疏”的状况 标注：表示有意义的单元 表示无意义的空单元 省维 城市维 沈阳 哈尔滨 大连 长春 辽宁省 黑龙
23、江 吉林省 时间维 产品维 西北 陕西 甘肃 宁夏.东北 黑龙江 吉林 辽宁 沈阳 大连.不支持维层次关系 支持维层次关系 Data Warehousing and Online Analytical Processing 维成员属性（维成员的“类”）维成员属性（维成员的“类”）维成员属性，维成员的描述属性，维成员的“类”按一定的划分标准对维成员全集的一个（分类）划分 划分：即把全集分成了若干子集 各子集的和（并）等于全集 子集间的交为空 Data Warehousing and Online Analytical Processing 维成员属性维成员属性 划分标准一般是实体（维成员）的属性
24、（特征），称为类属性 例如（产品的）“规格”、“颜色”、“销地”、“产地”一个类属性，对应一个划分；不同类属性，得到不同类划分.按产品销地划分 产品维 东北 西北 华北 华南 东北 西北 华北 华南 类划分1 类划分2 维层次关系 按产品产地划分 Data Warehousing and Online Analytical Processing 维层次和类的区别维层次和类的区别 表达的含义不同 维层次表达变量在该维的综合的级别 例：销售额在时间维上按三个级别（日、月、年）进行综合 称为三个维层次 父层次的值由其子层次的值综合得到 维成员的类表达某一子集维成员的共同特征 即：对应的类属性取相同值
25、 例如：颜色为红色的产品，不同颜色的产品为不同的类 同一层次的维成员可划分为类：例如产品大类中的“家电”、“服装”、“文具”等 不同层次的维成员之间不存在类的关系 Data Warehousing and Online Analytical Processing 维层次和类的区别（续维层次和类的区别（续 1）分析动作不同 按维层次进行分析 逐层向上综合数据；逐层向下细化数据；按维成员的类进行分析 选择类属性对维成员全集进行分类 对同类维成员归纳出共同的特性 按类进行分析不能跨维层次，只在同层次（兄弟结点）进行 将维层次与类交叉组合进行分析（见下图）Data Warehousing and On
26、line Analytical Processing 维层次和类的区别（续维层次和类的区别（续 2）产品小类 产品大类 产品颜色 产品产地 产品销地 产品维 产品维 Data Warehousing and Online Analytical Processing 事实（度量）事实（度量）度量（指标）：数据的实际意义，一般是一个数值度量指标 例如：销售量、销售额，而具体数据（如“10000”）是变量的一个值 事实:存储一个多维数据 表达期望分析的主题（目的、感兴趣的事情、事件或者指标等）具有一定的粒度，粒度的大小与维层次相关 一个事实中通常包含一个或者多个度量 一个事实的两个组件 数字型指标
27、聚集函数 Data Warehousing and Online Analytical Processing Cubes Dim 1 Dim 2 按照一定维层次结构和度量（事实）的逻辑上的组织 其逻辑上相当于一个多维数组 Data Warehousing and Online Analytical Processing 多维数组多维数组 多维数组：一个多维数组表示为：（维1，维2，.，维n，变量）例如：（时间、地区、销售渠道、销售额）可扩展维数：如 （时间、地区、销售渠道、商品类型 销售额）销售渠道 1 2 3 4 时间（月）零售 批发 销售额（万元）北京 地区 Data Warehousin
28、g and Online Analytical Processing 数据单元（单元格）：多维数组的取值 可表示为：（维1维成员，维2维成员，.，维n维成员，变量的值）例如：（1997年1月，北京，批发，10000）数据单元（数据单元（Cell）Data Warehousing and Online Analytical Processing 讨论内容讨论内容 数据分析模型 OLAP的提出 多维数据结构 多维数据操作 多维数据模型的实现 Data Warehousing and Online Analytical Processing 多维分析的基本分析动作多维分析的基本分析动作 切片（Sli
29、ce）从多维数组选定一个二维子集，切出一个“平面”切块（Dice）从多维数组选定一个三维子集，切出一个“立方体”旋转 改变一个报告（或页面）显示的维方向 钻取 根据维层次，改变数据的粒度 Data Warehousing and Online Analytical Processing 切片的定义（切片的定义（）定义 1：在多维数组的某一维上选定一个维成员，即从 n 维数组选取n-1维子集，设多维数组（维1，维2，维n，变量），在维 i 上，选定维成员Vi 则：多维数组的 n-1维子集 （维1，维i-1，维成员Vi，维i+1，,维n，变量）为在维 i 上的一个切片 Data Warehousi
30、ng and Online Analytical Processing 切片举例（切片举例（）数据切片数据切片 选定时间维的维成员选定时间维的维成员1997年年1月月 1997年年1月月 产品销售情况产品销售情况 时间维时间维 地区维地区维 产产品品维维 产产品品维维 地区维地区维 产品产品 销售情况销售情况 选定两个维：产品维和地区维选定两个维：产品维和地区维 注：多维数组（地区、时间、产品、销售额）注：多维数组（地区、时间、产品、销售额）若在时间维上选定维成员“若在时间维上选定维成员“1997年年11月”月”得到时间维上的切片（地区、“得到时间维上的切片（地区、“1997年年11月”、产品
31、、销售额）月”、产品、销售额）Data Warehousing and Online Analytical Processing 切片的定义（切片的定义（）定义 2 选定多维数组的一个二维子集 设多维数组（维1，维2，维n，变量）除维 i，维 j 外，每个维都取定一个维成员Vk（1kn且ki，k j）则：多维数组的二维子集（V1,Vi-1,维i,Vi+1,Vj-1,维j,Vj+1,Vn,变量）简单表示为:（维i,维j,变量）为维i 和维 j 上的一个切片 按定义2进行切片，所得切片是一个二维“平面”（其它维的维成员都已确定）。二维“平面”易想象，易观察。Data Warehousing and
32、 Online Analytical Processing 切片举例（切片举例（）多维数组：（地区、时间、产品、销售渠道、销售额）选取地区维与产品维，其它维选定维成员 时间：1997年1月 销售渠道：零售 得：（地区、“1997年1月”，产品，“零售”，销售额）即为：1997年1月零售的产品销售情况（各地区各种产品的销售额）Data Warehousing and Online Analytical Processing 切块的定义切块的定义()定义 1 在多维数组的某一维上选定某一区间的维成员，即限制某一维的取值区间 切片是切块的特例，即限制的取值区间只取一个维成员 切块可看作由多个邻接的切
33、片迭合而成 例如：多维数组（地区，时间，产品，销售额）在时间维上选定一区间：“1997年1月至1997年10月”得：（地区，“1997年1月至1997年10月”,产品，销售额）为一切块 Data Warehousing and Online Analytical Processing 切块的定义切块的定义()定义 2 选定多维数组的一个三维子集 设多维数组（维1，维2，维n，变量）选定三个维：维 i，维 j，维 k，（该三个维上可取任意 维成员或某一空间），其他维上都取定一个维成员 得：（维 i，维 j，维 k，变量）为一个切块。Data Warehousing and Online Anal
34、ytical Processing 切片和切块切片和切块 在一个或多个维度上的投影操作 customers store customer=“Smith”Data Warehousing and Online Analytical Processing 旋转的含义旋转的含义 旋转：改变一个报告或页面显示的内容 时间维 产品维 产品维 时间维 行列交换(a)把一个横向为时间，纵向为产品的报表 旋转成为 横向为产品和纵向为时间的报表 Data Warehousing and Online Analytical Processing 旋转的含义（续旋转的含义（续）地区 北京 上海 时间 产品 销售量
35、销售量 第一季度 ：第二季度 ：地区 北京 上海 时间 第一季度 第二季度 .产品 :将某行维换向列维(b)把一个纵向为时间和产品，横向为地区的报表变成 一个纵向为产品和横向为地区和时间的报表。Data Warehousing and Online Analytical Processing 旋转的含义（续旋转的含义（续）地区维 时间维 产品维 产品维 时间维 地区维 旋转以改变 页面显示 (c)把一个横向为时间，纵向为产品的报表变成 一个横向仍为时间和纵向旋转为地区的报表。Data Warehousing and Online Analytical Processing 钻取操作钻取操作 d
36、ay 2 s1s2s3p1444p2s1s2s3p11250p2118s1s2s3p156450p2118s1s2s3sum671250sump1110p219129.向下钻取向下钻取 向上向上钻取钻取 聚集函数：聚集函数：Sum（）（）day 1 sale(s1,*,*)sale(*,*,*)sale(s2,p2,*)Data Warehousing and Online Analytical Processing OLAP的其它操作的其它操作 Drill through（穿透）钻取操作的进一步衍生，尤其对于ROLAP模式，直接得到最为底层的细节数据，数据通常以关系表的形式给出 Rankin
37、g（排序）对数据单元的度量取值进行排序，获得top/bottom的若干数据取值。Data Warehousing and Online Analytical Processing OLTP与与OLAP的的比较：从数据的层面来看比较：从数据的层面来看 OLTP 数据 OLAP 数据 原始数据 导出数据 细节性数据 综合性或提炼性数据 当前值数据 历史数据 可更新 不可更新，但周期性刷新 一次处理的数据量小 一次处理的数据量大 面向应用，事务驱动 面向分析，分析驱动 面向操作人员，支持日常操作 面向决策人员，支持管理需要 OLAP所用数据来自OLTP数据库 进行了预综合和多维化处理 OLAP更强调
38、界面的可视化和灵活性 可视化：多维报表，各种统计图形，灵活性：切片、切块、旋转；逐层细化，Data Warehousing and Online Analytical Processing OLAP&OLTP的主要的主要区别：区别：不同的性能需求不同的性能需求 联机事务处理(OLTP):快速的相应时间非常重要(1 second)在任何时候，数据随时更新，必须保持数据的一致性和完整性 联机分析处理(OLAP):查询可能耗费大量的资源 可能使得CPUs 和磁盘处于紧张的工作状态 操作通常基于某一个时间点的静态的数据“快照”OLAP与OLTP必须实现环境分离 OLAP可能导致OLTP系统性能的降低，
39、甚至崩溃 例如:分析查询需要计算所有的销售量 为保证数据的一致性，防止脏数据的读出，对销售表进行“加锁”新的销售事务无法提交 Data Warehousing and Online Analytical Processing 联机事务处理(OLTP):为保证数据的一致性，需要设计规范化的模式 复杂的数据模型，包含大量的数据表 查询和修改操作相对比较受限 联机分析处理(OLAP):简单的数据模型非常重要 允许业务人员执行各类即席查询 通常采用非规范化的模型 更少的连接操作 提高查询性能 更少的数据表 易于理解数据模式 OLAP&OLTP的主要的主要区别：区别：不同的数据建模需求不同的数据建模需求
40、 Data Warehousing and Online Analytical Processing OLTP系统主要服务于某一个特定的应用系统 例如:在线商场的订单管理系统 OLAP需要集成多个不同的数据源 包含销售、订单、采购等 OLAP包含历史数据 确定长时间范围内的一些模式 发现一段时间内的变化情况 数据集成是OLAP系统的重点之一 OLAP&OLTP的主要的主要区别：区别：分析需要数据源的综合分析需要数据源的综合 Data Warehousing and Online Analytical Processing 讨论内容讨论内容 数据分析模型 OLAP的提出 多维数据结构 多维数据操
41、作 多维数据模型的实现 Data Warehousing and Online Analytical Processing 多维数据模型的实现技术多维数据模型的实现技术 Relational OLAP(ROLAP)利用关系数据库来存储和管理基本数据和聚合数据，并利用一些中间件来支持缺失数据的处理 具有良好的可扩展性 Multidimensional OLAP(MOLAP)利用多维数据库来存放和管理基本数据和聚合数据，其中需要对稀疏矩阵处理技术 对预综合的数据进行快速索引 Hybrid OLAP(HOLAP)利用关系数据库来存储和管理基本数据，利用多维数据库来存储和管理聚合数据 Data War
42、ehousing and Online Analytical Processing 多维数据的组织存放（细节数据）多维数据的组织存放（细节数据）例 维1：产品；维成员：冰箱、彩电、空调；维2：地区；维成员：东北、西北、华北；变量：销售量 RDB中的数据组织 MDB中的数据组织 产品名称产品名称 地区地区 销售量销售量 冰箱冰箱 东北东北 50 冰箱冰箱 西北西北 60 冰箱冰箱 华北华北 100 彩电彩电 东北东北 40 彩电彩电 西北西北 70 彩电彩电 华北华北 80 空调空调 东北东北 90 空调空调 西北西北 120 空调空调 华北华北 140 东北东北 西北西北 华北华北 冰箱冰箱
43、50 60 100 彩电彩电 40 70 80 空调空调 90 120 140 Data Warehousing and Online Analytical Processing MDB方法的优点（细节数据）方法的优点（细节数据）清晰简明，占用存储少 性能好，尤其像“冰箱销售总量是多少？”的查询 RDB方法：找出有关“冰箱”的记录，再对销售量求和 MDB方法：找到有关“冰箱”的行，按行求和 Data Warehousing and Online Analytical Processing 多维数据的组织存放（综合数据）多维数据的组织存放（综合数据）RDB中的数据组织 产品名称产品名称 地区地区
44、 销售量销售量 冰箱冰箱 东北东北 50 冰箱冰箱 西北西北 60 冰箱冰箱 华北华北 100 冰箱冰箱 总和总和 210 彩电彩电 东北东北 40 彩电彩电 西北西北 70 彩电彩电 华北华北 80 彩电彩电 总和总和 190 空调空调 东北东北 90 空调空调 西北西北 120 空调空调 华北华北 140 空调空调 总和总和 350 总和总和 东北东北 180 总和总和 西北西北 250 总和总和 华北华北 320 总和总和 总和总和 750 Data Warehousing and Online Analytical Processing 多维数据的组织存放（综合数据）多维数据的组织存放
45、（综合数据）MDB中的数据组织 表中交点处的数字称为数据单元 MDB中的维对应RDB中的数据域（列）MDB中的数据单元（包括相关的维成员）对应RDB中的记录（行）本表中有16个数据单元，上一表中有16条记录 输入成员输入成员 输入成员输入成员 导出成员导出成员 导出成员导出成员 东北东北 西北西北 华北华北 总和总和 冰箱冰箱 50 60 100 210 彩电彩电 40 70 80 190 空调空调 90 120 140 350 总和总和 180 250 320 750 Data Warehousing and Online Analytical Processing MDB方法的优点（综合数
46、据）方法的优点（综合数据）多维概念表达清晰，占用存储少 对数据进行综合的速度快（只需按行/列累加）在RDB中，“总和”作为某个域上的取值（属性值）与列定义语义不符 Data Warehousing and Online Analytical Processing 多维数据库存储多维数据库存储 由许多（经压缩的）类似于数组的对象构成 每个对象由聚集成组的单元块组成 每个单元块按类似于多维数据的结构存储 通过直接偏移计算进行存取 每个对象带有（压缩的）索引和指针结构 分析时常需维间的组合 从而需“旋转”（数据立方体）及“切片”须高效的稀疏数据处理能力 Data Warehousing and On
47、line Analytical Processing 用关系结构表示多维数据用关系结构表示多维数据 关系数据库使用广泛，相当成熟 用二维表 表达多维概念 用两类表来表示多维结构:事实表，维表 事实(fact)表 用来存储变量值和各维的码值 维表 用来存储维的描述信息(元数据)，包括层次和类等 Data Warehousing and Online Analytical Processing 星型模式（星型模式（Star Schema）产品代码 产品维表 地理维表 销售事务表 销售渠道维表 邮 政 编 码 产品代码 销售商代码 邮政编码 总收益 销售数量 财政星期序号 销 售 商 代 码 时间维
48、表 财政星期序号 Data Warehousing and Online Analytical Processing 星型模式（星型模式（Star Schema）销售事务表为事实表 四个维表：产品、销售渠道、地理、时间 事实表中的变量值为总收益、销售量 维表码值为：产品代码、销售商代码、邮政编码、财政星期序号 事实表与维表的连接操作实现数据的多维查询，查询变量的值及对应的维成员 Data Warehousing and Online Analytical Processing 雪花模式雪花模式(Snow Flake Schema)地理维表 销售事务表 销售渠道维表 城市名称 国家 地区 邮政编
49、码 产品代码 销售商代码 邮政编码 成本 总收益 销售数量 财政星期序号 销 售 商 代 码 当前时间 财政星期序号 财政年度序号 时间维表 财政年度表 财政星期表 财政星期序号 财政星期名称 财政年度序号 财政年度名称 财政星期序号 邮 政 编 码(续1)零售商代码 零售商名称 销售店代码 销售店名称 零售商表 零售商店表 Data Warehousing and Online Analytical Processing 雪花模式雪花模式(续）续）商标表 公司表 产品表 产品小类表 产品类表 产品代码 产品名称 产品小类代码 产品小类名称 产品类代码 产品类名称 公司代码 公司名称 商标代码
50、 商标名称 商标代码 公司代码 产品类代码 产品小类代码 产品代码 产品维表 产品代码(续1)Data Warehousing and Online Analytical Processing 雪花模式雪花模式(Snow Flake Schema)维的层次和类组合构成复杂的维 无法用一张维表表示复杂的维 用多张表来描述复杂的维 每个维层次对应一张表；每个类属性对应一张表；维表用来存放上述各表（对应层次的表、对应类的表）的码值 Data Warehousing and Online Analytical Processing 多维数据的存取多维数据的存取(事实的提取事实的提取)通过事实表和维表的