数据仓库理论

一、数据仓库简介

1.1、 数据仓库

数据仓库为一个面向主题的、集成的、随时间变化的、非易失的数据集合，用于支持管理者的决策过程。

• 操作型系统和分析型系统
• 数据仓库架构

1.2 、etl

• 数据抽取

  • 逻辑抽取（增量抽取|全量抽取）
  • 物理抽取（联机抽取|脱机抽取）

• 数据转换

  • 只装载特定的数据列。例如，某列为空的数据不装载。
  • 统一数据编码。例如，性别字段，有些系统使用的是1和0，有些是‘M’和‘F’，有些是‘男’和‘女’，统一成‘M’和‘F’。
  • 自由值编码。例如，将‘Male’改成‘M’
  • 预计算。例如，产品单价*购买数量＝金额。
  • 基于某些规则重新排序以提高查询性能。
  • 合并多个数据源的数据并去重。
  • 预聚合。例如，汇总销售数据。
  • 行列转置。
  • 将一列转为多列。例如，某列存储的数据是以逗号作为分隔符的字符串，将其分割成多列的单个值。
  • 合并重复列。
  • 预连接。例如，查询多个关联表的数据。
  • 数据验证。针对验证的结果采取不同的处理，通过验证的数据交给装载步骤，验证失败的数据或直接丢弃，或记录下来做进一步检查。

• 数据装载

  • 实现方式
    • 先删除再插入
    • replace into
    • merge into

1.3、 数据仓库的需求

基本需求

• 安全性
• 可访问性
• 自动化

数据需求

• 准确性（数据从哪里来？何时抽取？怎么转换）
• 时效性
• 历史可追溯性

数据转换的目的：统一数据类型、处理拼写错误、消除数据歧义、解析为标准格式等

1.4、 data vault

DataVault模型有中心表（Hub）、链接表（Link）、附属表（Satellite）三个主要组成部分。中心表记录业务主键，链接表记录业务关系，附属表记录业务描述。

二、数据转换与装载

2.1、数据清洗

数据清洗是对数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，提供一致性。

1、脏数据

• 残缺数据
• 错误数据
• 重复数据
• 差异数据

2、数据清洗

• 预处理
• 标准化处理。地名、产品名等格式化
• 查重
• 出错处理和纠正

3、渐变维

更新数据的方式：

• SCD1:直接覆盖已经存在的值，不维护记录的历史。SCD1一般用于修改错误数据
• SCD2:在源数据发生变化时，給维度记录建立一个新的“版本”记录，从而维护维度历史。SCD2不删除、修改已存在的数据。

三、维度表

四、事实表

事实表中的数字度量值可划分为可加、半可加、不可加三类

三种不同类型的事实表：

• 事物事实表：以每个事物或事件为单位。例如订单表。
• 周期快照事实表：这种事实表不保存全部的数据， 只保存固定时间间隔的数据。例如每天或每月的销售额，或每月的账户余额等。
• 累积快照事实表：累积快照用于跟踪事实表的变化。例如，数据仓库可能需要累积或存储销售订单从下订单的时间开始，到订单中的商品被打包、运输和到达的各阶段的时间点数据来跟踪订单的生命周期进展情况。当这个过程进行时，随着以上各种时间的出现，事实表里的记录也要不断更新。

五、其他

• 通过存储格式减少存储空间。：Snappy（有效平衡压缩率和解压缩速度）、Gzip（最高压缩率的归档数据压缩）