中文字幕乱偷乱码亚洲,免费毛片AV无码专区,久久棕色综合欧美亚洲

您當(dāng)前所在位置：首頁(yè) → 數(shù)據(jù)庫(kù) → MSSQL → SQL Server數(shù)據(jù)倉(cāng)庫(kù)相關(guān)概念及構(gòu)建流程

SQL Server數(shù)據(jù)倉(cāng)庫(kù)相關(guān)概念及構(gòu)建流程 時(shí)間：2015-06-28 00:00:00 來(lái)源：IT貓撲網(wǎng) 作者：網(wǎng)管聯(lián)盟 我要評(píng)論(0)

基本概念：

1.多維數(shù)據(jù)集：多維數(shù)據(jù)集是聯(lián)機(jī)分析處理 (OLAP) 中的主要對(duì)象，是一項(xiàng)可對(duì)數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)進(jìn)行快速訪問(wèn)的技術(shù)。多維數(shù)據(jù)集是一個(gè)數(shù)據(jù)集合，通常從數(shù)據(jù)倉(cāng)庫(kù)的子集構(gòu)造，并組織和匯總成一個(gè)由一組維度和度量值定義的多維結(jié)構(gòu)。

2.維度：是多維數(shù)據(jù)集的結(jié)構(gòu)性特性。它們是事實(shí)數(shù)據(jù)表中用來(lái)描述數(shù)據(jù)的分類的有組織層次結(jié)構(gòu)(級(jí)別)。這些分類和級(jí)別描述了一些相似的成員集合，用戶將基于這些成員集合進(jìn)行分析。

3.度量值：在多維數(shù)據(jù)集中，度量值是一組值，這些值基于多維數(shù)據(jù)集的事實(shí)數(shù)據(jù)表中的一列，而且通常為數(shù)字。此外，度量值是所分析的多維數(shù)據(jù)集的中心值。即，度量值是最終用戶瀏覽多維數(shù)據(jù)集時(shí)重點(diǎn)查看的數(shù)字?jǐn)?shù)據(jù)。您所選擇的度量值取決于最終用戶所請(qǐng)求的信息類型。一些常見的度量值有 sales、cost、expenditures 和 production count 等。

4.元數(shù)據(jù)：不同 OLAP 組件中的數(shù)據(jù)和應(yīng)用程序的結(jié)構(gòu)模型。元數(shù)據(jù)描述 OLTP 數(shù)據(jù)庫(kù)中的表、數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)集市中的多維數(shù)據(jù)集這類對(duì)象，還記錄哪些應(yīng)用程序引用不同的記錄塊。

5.級(jí)別：級(jí)別是維度層次結(jié)構(gòu)的一個(gè)元素。級(jí)別描述了數(shù)據(jù)的層次結(jié)構(gòu)，從數(shù)據(jù)的最高(匯總程度最大)級(jí)別直到最低(最詳細(xì))級(jí)別。

6.數(shù)據(jù)挖掘：數(shù)據(jù)挖掘使您得以定義包含分組和預(yù)測(cè)規(guī)則的模型，以便應(yīng)用于關(guān)系數(shù)據(jù)庫(kù)或多維 OLAP 數(shù)據(jù)集中的數(shù)據(jù)。之后，這些預(yù)測(cè)模型便可用于自動(dòng)執(zhí)行復(fù)雜的數(shù)據(jù)分析，以找出幫助識(shí)別新機(jī)會(huì)并選擇有獲勝把握的機(jī)會(huì)的趨勢(shì)。

7.多維 OLAP (MOLAP)：MOLAP 存儲(chǔ)模式使得分區(qū)的聚合和其源數(shù)據(jù)的復(fù)本以多維結(jié)構(gòu)存儲(chǔ)在分析服務(wù)器計(jì)算機(jī)上。根據(jù)分區(qū)聚合的百分比和設(shè)計(jì)，MOLAP 存儲(chǔ)模式為達(dá)到最快查詢響應(yīng)時(shí)間提供了潛在可能性。總而言之，MOLAP 更加適合于頻繁使用的多維數(shù)據(jù)集中的分區(qū)和對(duì)快速查詢響應(yīng)的需要。

8.關(guān)系 OLAP (ROLAP)：ROLAP 存儲(chǔ)模式使得分區(qū)的聚合存儲(chǔ)在關(guān)系數(shù)據(jù)庫(kù)的表(在分區(qū)數(shù)據(jù)源中指定)中。但是，可為分區(qū)數(shù)據(jù)使用 ROLAP 存儲(chǔ)模式，而不在關(guān)系數(shù)據(jù)庫(kù)中創(chuàng)建聚合。

9.混合 OLAP (HOLAP)：HOLAP 存儲(chǔ)模式結(jié)合了 MOLAP 和 ROLAP 二者的特性。

10.粒度：數(shù)據(jù)匯總的層次或深度。

11.聚合|聚集：聚合是預(yù)先計(jì)算好的數(shù)據(jù)匯總，由于在問(wèn)題提出之前已經(jīng)準(zhǔn)備了答案，聚合可以改進(jìn)查詢響應(yīng)時(shí)間。

12.切塊：由多個(gè)維的多個(gè)成員限定的分區(qū)數(shù)據(jù)，稱為一個(gè)切塊。

13.切片：由一個(gè)維的一個(gè)成員限定的分區(qū)數(shù)據(jù)，稱為一個(gè)切片。

14.數(shù)據(jù)鉆?。鹤罱K用戶從常規(guī)多維數(shù)據(jù)集、虛擬多維數(shù)據(jù)集或鏈接多維數(shù)據(jù)集中選擇單個(gè)單元，并從該單元的源數(shù)據(jù)中檢索結(jié)果集以獲得更詳細(xì)的信息，這個(gè)操作過(guò)程就是數(shù)據(jù)鉆取。

15.數(shù)據(jù)挖掘模型：數(shù)據(jù)挖掘使您得以定義包含分組和預(yù)測(cè)規(guī)則的模型，以便應(yīng)用于關(guān)系數(shù)據(jù)庫(kù)或多維 OLAP 數(shù)據(jù)集中的數(shù)據(jù)。之后，這些預(yù)測(cè)模型便可用于自動(dòng)執(zhí)行復(fù)雜的數(shù)據(jù)分析，以找出幫助識(shí)別新機(jī)會(huì)并選擇有獲勝把握的機(jī)會(huì)的趨勢(shì)。

實(shí)例構(gòu)建過(guò)程與分析

1.現(xiàn)在以一個(gè)比較簡(jiǎn)單的實(shí)例來(lái)分析和探討MS SQL SERVER 數(shù)據(jù)倉(cāng)庫(kù)的構(gòu)建過(guò)程。實(shí)際上數(shù)據(jù)倉(cāng)的構(gòu)建是相當(dāng)復(fù)雜的，他結(jié)合了數(shù)據(jù)倉(cāng)庫(kù)的前端技術(shù)和很強(qiáng)的業(yè)務(wù)要求。在這兒只是以一個(gè)簡(jiǎn)單的實(shí)例來(lái)說(shuō)明他大致的構(gòu)建流程。

2.構(gòu)建數(shù)據(jù)倉(cāng)庫(kù)模型，他包括兩部分，一是要考慮原來(lái)的數(shù)據(jù)源能夠提供哪些有用的數(shù)據(jù)，也就是經(jīng)過(guò)數(shù)據(jù)的篩選之后能夠?yàn)閿?shù)據(jù)倉(cāng)庫(kù)所用。二是要看公司業(yè)務(wù)層需要什么樣的分析結(jié)果。這要和公司的高級(jí)決策層緊密配合，完全了解他的業(yè)務(wù)需求，因?yàn)閿?shù)據(jù)倉(cāng)庫(kù)的使用者主要是公司的高級(jí)決策者。

在這一階段要做好很多前期的工作，因?yàn)槟愕脑紨?shù)據(jù)庫(kù)中的數(shù)據(jù)也許和你的正要建立的數(shù)據(jù)倉(cāng)庫(kù)的需求也許有很大的出入，結(jié)構(gòu)完全是兩馬事。你如何才能將你的原始數(shù)據(jù)提取出來(lái)，作為數(shù)據(jù)倉(cāng)庫(kù)的有用數(shù)據(jù)呢，你的原始數(shù)據(jù)庫(kù)中存儲(chǔ)的是零碎的事務(wù)數(shù)據(jù)，而你的數(shù)據(jù)倉(cāng)庫(kù)中要的是經(jīng)過(guò)轉(zhuǎn)化和提煉過(guò)的統(tǒng)計(jì)數(shù)據(jù)，比如說(shuō)，你的原始數(shù)據(jù)庫(kù)中存儲(chǔ)這每天的所有存款和取款記錄，而你的數(shù)據(jù)倉(cāng)庫(kù)并不關(guān)心你的每條記錄的數(shù)據(jù)，而是希望在最短的時(shí)間內(nèi)，以最快的速度統(tǒng)計(jì)出這個(gè)月的所有存款和取款的總數(shù)量，如果這種查詢放在原來(lái)的數(shù)據(jù)庫(kù)上來(lái)做的話，也就失去了數(shù)據(jù)倉(cāng)庫(kù)的意義，超大規(guī)模的數(shù)據(jù)使你無(wú)法查詢下去，這時(shí)候你就要將對(duì)這個(gè)查詢有意義的數(shù)據(jù)轉(zhuǎn)化到數(shù)據(jù)倉(cāng)庫(kù)，這就是數(shù)據(jù)清洗，即ETL。實(shí)現(xiàn)數(shù)據(jù)清洗有很多的方法，也有很多的細(xì)節(jié)問(wèn)題，比如，數(shù)據(jù)類型的匹配，數(shù)據(jù)格式的轉(zhuǎn)換，異地?cái)?shù)據(jù)表數(shù)據(jù)集中到一起時(shí)有主鍵重復(fù)，以及你如何定期，按時(shí)的將數(shù)據(jù)加工到數(shù)據(jù)倉(cāng)庫(kù)中來(lái)等等。在我的示例中沒有嚴(yán)格的經(jīng)過(guò)著一步，因?yàn)槲覜]有規(guī)范的原始數(shù)據(jù)庫(kù)，也沒有規(guī)范的業(yè)務(wù)需求。我只是運(yùn)用星型模型和雪花模型做了幾個(gè)典型的數(shù)據(jù)倉(cāng)庫(kù)表。其表關(guān)系如下：

窗口中FACT為事實(shí)表，TIME，ADDRESS，DETAIL分別為時(shí)間維，地址維，詳細(xì)地址維，DETAIL又是ADDRESS的子維。他們又構(gòu)成雪花模型。其中都有部分?jǐn)?shù)據(jù)。

現(xiàn)在，數(shù)據(jù)倉(cāng)庫(kù)已經(jīng)建立成功，下一步就是在OLAP服務(wù)器上建立元數(shù)據(jù)數(shù)據(jù)庫(kù)。這個(gè)數(shù)據(jù)庫(kù)和我們以前所說(shuō)的數(shù)據(jù)庫(kù)不同，他是存放元數(shù)據(jù)的數(shù)據(jù)庫(kù)，比如我們下一步要?jiǎng)?chuàng)建的多維數(shù)據(jù)集、角色、數(shù)據(jù)源、共享維度和挖掘模型等。然后需要和早期在 ODBC 數(shù)據(jù)源管理器中建立的數(shù)據(jù)源連接，使其與數(shù)據(jù)倉(cāng)庫(kù)連接上。這些工作做好了之后，就可以用數(shù)據(jù)倉(cāng)庫(kù)中的維表來(lái)建立共享維度，現(xiàn)在以時(shí)間維和地址維為例。其創(chuàng)建過(guò)程一樣。依此點(diǎn)下一步即可創(chuàng)建時(shí)間維(TIME)，下面用ADDRESS和DETAIL建立雪花模型共享維度,點(diǎn)下一步即可創(chuàng)建DETAIL維。創(chuàng)建完成之后都要進(jìn)行處理才能生效。維度創(chuàng)建好了之后就該創(chuàng)建多維數(shù)據(jù)集了。多維數(shù)據(jù)集是一種基于維表和事實(shí)表的數(shù)據(jù)集，以他來(lái)對(duì)數(shù)據(jù)倉(cāng)庫(kù)進(jìn)行快速的訪問(wèn)。我們的多維數(shù)據(jù)集結(jié)構(gòu)如下：

DETAIL(SREET)

DETAIL(MARK)

ADDRESS(PROVINCE，CITY)

TIME(YEAR，DAY)

到現(xiàn)在一個(gè)簡(jiǎn)單的數(shù)據(jù)倉(cāng)庫(kù)架構(gòu)已經(jīng)建立成功，我們利用前端分析工具來(lái)對(duì)建立的數(shù)據(jù)倉(cāng)庫(kù)做查詢，看能否實(shí)現(xiàn)我們的簡(jiǎn)單的業(yè)務(wù)要求，先以EXCEL作為查詢工具。我們除了用EXCEL，ENGLISH QUERY 等現(xiàn)成工具做查詢外，還可以用MDX函數(shù)直接對(duì)OLAP做查詢

到現(xiàn)在為止，一個(gè)簡(jiǎn)單的數(shù)據(jù)倉(cāng)庫(kù)已經(jīng)創(chuàng)建成功，可以實(shí)現(xiàn)一些簡(jiǎn)單的業(yè)務(wù)查詢。這個(gè)實(shí)例主要是分析數(shù)據(jù)倉(cāng)庫(kù)的創(chuàng)建過(guò)程以及進(jìn)一步加深對(duì)數(shù)據(jù)倉(cāng)庫(kù)的認(rèn)識(shí)和了解，進(jìn)一步理解其中的基本概念。

關(guān)鍵詞標(biāo)簽：SQL Server

相關(guān)閱讀

文章評(píng)論

查看所有0條評(píng)論>>