数据仓库建模方法OLTP系统建模方法在线事务处理(OLTP )系统中，主要操作是随机读写
经常使用关系模型来保证数据一致性和减少冗馀
关系模型使用3正则化规则来减少冗馀
在线分析(OLAP ) OLAP系统，主要操作是复杂的分析查询； 关注数据整合和分析、处理性能
OLAP根据数据的存储方法分为ROLAP、MOLAP和HOLAP
OLAP系统分类rolap (关系OLAP，关系OLAP )—使用关系模型构建，存储系统通常为RDBMS
多维OLAP (多维OLAP ) :通过预先聚合计算并以多维数组的形式存储数据结果，缩短查询分析时间
混合OLAP (混合OLAP，混合体系结构的OLAP ):ROLAP与MOLAP集成； 低层为关的情况
型，高层为多维矩阵型； 查询效率高于ROLAP，低于MOLAP
ROLAP系统的建模方法典型的数据仓库建模方法有ER模型、维模型、数据值、Anchor
在维模型维模型中，表分为维表、事实表，维是事实的组织
维度一般包括分类、时间、地区等
相关概念1. 粒度
“粒度”是多维数据集中数据的详细程度和级别。 数据越详细，粒度越小，级别越低； 数据整合度越高，粒度越高。
例如，地址数据中“北京市”的粒度大于“北京市海淀区”。
2.维（Dimension）
这是人们观察数据的特定角度，是思考问题时的属性。 这些属性的集合构成了维(或维)，如时间维和地理维
存储维数据的表称为维表，如表所示是时间维表。 维表中的数据具有包含维属性和维成员的维层次结构。
3.度量或事实
度量(Measure )是多维数据集内的信息单元，也称为数值(Fact )来存储数据。 通常是数值型的数据，具有加法性。
也就是说，DW关心的主题的数值显示
4.多维数据集
数据仓库和OLAP服务基于多维数据模型，将多维数据集视为数据多维数据集(data cube )格式。 多维数据集可以用多维数组表示。 这是维和度量列表的组合。
多维数组可以表示为(维1、维2、…、维n、度量列表)
维度模型的维度模型可分为星形模型、雪花模型和星座模型
创建维模型后，便于对数据进行多维分析
维度表是观察事实度量的视点。 每个度量表都有多个维表，可以在维表级别对度量值进行聚集或细化。 例如，可以按时间维汇总一年的销售额，或按区域维向下钻取每个城市的销售额。 这些都是OLAP的多维分析操作(下一节)。 (可附加性)
星型模型标准的星型模型只有一层维，分析性能最好
雪花模型雪花模型具有多层维度，比较接近三态设计，比较灵活，是星形模型的进一步规范。 消除一部分冗馀。
星座模型星座模型基于多个事实表，事实表之间共享一些维表
它是大型数据仓库的常态，是业务增长的结果，与模型设计无关
例如，对于单个销售主题和商品存储主题，如果时间和位置维相同，则维表可以通用。
OLAP多维分析OLAP的主要操作是复杂的查询，可以将多个表关联起来使用聚合函数，如COUNT、SUM和AVG
OLAP直观地定义了复杂的查询操作，如钻头、切片、切割和旋转
通过钻取不同级别维的分析并改变维的级别来改变分析的粒度
钻头包括向上滚动、向下滚动
累计也称为向上钻取，是指从低级到高级的切换
向下钻取是指从较高级别切换到较低级别
“切片”(Slice )、“剪切”(cut ) Dice选择并分割维称为切片
根据多维度进行的切片称为切割
“旋转”(Pivot )的“维度方向”(divension direction )类似于“翻转”(Roll-up )坐标轴
复杂的查询统计信息是一系列OLAP基本操作的重叠结果。
例如，对于表中的多维数据集，2014年统计“华东”分区总销售量的过程在位置维中从“城市”上滚到“分区”，在年份维中为“年=2014”，在分区维中为“分区=“华东”，如图所示
下一个实验教程：数据仓库和数据挖掘4 (上)
参考资料[0]洋葱主编.数据仓库与数据挖掘(第二版) .清华大学出版社，2019
[1]狂野列车萧，数据仓库与数据挖掘教程，清华大学出版社，2006
[2]聪明的白汤编着.数据仓库原理与实践，人民邮电出版社，2003 .
[3] twdbm着数据仓库技术与实现，电子工业出版社，2002.6。
[4] [加]韩家炜，[加]康柏，范明等翻译，数据挖掘概念与技术，机械工业出版社，2005。
[5]现实树叶，ngdh着，数据挖掘原理与技术，电子工业出版社，2003。