22数据仓库与数据挖掘的olap技术.pptVIP

数据仓库和数据挖掘的OLAP技术 数据仓库和数据挖掘的OLAP技术 什么是数据仓库？ 多维数据模型 数据仓库的体系结构 数据仓库实现 数据立方体技术的进一步发展 从数据仓库到数据挖掘 什么是数据仓库? 数据仓库的定义很多，但却很难有一种严格的定义 它是一个提供决策支持功能的数据库，它与公司的操作数据库分开维护。 为统一的历史数据分析提供坚实的平台，对信息处理提供支持 “数据仓库是一个面向主题的、集成的、随时间而变化的、不容易丢失的数据集合，支持管理部门的决策过程.”—W. H. Inmon（数据仓库构造方面的领头设计师） 建立数据仓库(data warehousing): 构造和使用数据仓库的过程。 数据仓库关键特征一——面向主题 围绕一些主题，如顾客、供应商、产品等 关注决策者的数据建模与分析，而不是集中于组织机构的日常操作和事务处理。 排除对于决策无用的数据，提供特定主题的简明视图。 数据仓库关键特征二——数据集成 一个数据仓库是通过集成多个异种数据源来构造的。 关系数据库，一般文件，联机事务处理记录 使用数据清理和数据集成技术。 确保命名约定、编码结构、属性度量等的一致性。 当数据被移到数据仓库时，它们要经过转化。 数据仓库关键特征三——随时间而变化 数据仓库的时间范围比操作数据库系统要长的多。 操作数据库系统: 主要保存当前数据。 数据仓库:从历史的角度提供信息（比如过去 5-10 年） 数据仓库中的每一个关键结构都隐式或显式地包含时间元素，而操作数据库中的关键结构可能就不包括时间元素。 数据仓库关键特征四——数据不易丢失 尽管数据仓库中的数据来自于操作数据库，但他们却是在物理上分离保存的。 操作数据库的更新操作不会出现在数据仓库环境下。 不需要事务处理，恢复，和并发控制等机制 只需要两种数据访问: 数据的初始转载和数据访问（读操作） 数据仓库与异种数据库集成 传统的异种数据库集成: 在多个异种数据库上建立包装程序（wrappers）和中介程序（mediators ） 查询驱动方法——当从客户端传过来一个查询时，首先使用元数据字典将查询转换成相应异种数据库上的查询；然后，将这些查询映射和发送到局部查询处理器 缺点：复杂的信息过虑和集成处理，竞争资源 数据仓库: 更新驱动 将来自多个异种源的信息预先集成，并存储在数据仓库中，供直接查询和分析 高性能 数据仓库与操作数据库系统 操作数据库系统的主要任务是联机事务处理OLTP 日常操作: 购买，库存，银行，制造，工资，注册，记帐等 数据仓库的主要任务是联机分析处理OLAP 数据分析和决策 OLTP和OLAP的主要区别： 用户和系统的面向性: 顾客 VS. 市场 数据内容: 当前的、详细的数据 VS. 历史的、汇总的数据 数据库设计:实体－联系模型(ER)和面向应用的数据库设计 VS. 星型/雪花模型和面向主题的数据库设计 视图: 当前的、企业内部的数据 VS. 经过演化的、集成的数据 访问模式: 事务操作 VS. 只读查询（但很多是复杂的查询） OLTP系统和OLAP系统的比较 为什么需要一个分离的数据仓库? 提高两个系统的性能 DBMS是为OLTP而设计的：存储方式,索引, 并发控制, 恢复 数据仓库是为OLAP而设计：复杂的 OLAP查询, 多维视图，汇总 不同的功能和不同的数据: 历史数据: 决策支持需要历史数据，而这些数据在操作数据库中一般不会去维护 数据汇总：决策支持需要将来自异种源的数据统一（如聚集和汇总） 数据质量: 不同的源使用不一致的数据表示、编码和格式，对这些数据进行有效的分析需要将他们转化后进行集成 从关系表和电子表格到数据立方体 数据仓库和数据仓库技术基于多维数据模型。这个模型把数据看作是数据立方体形式。多维数据模型围绕中心主题组织，该主题用事实表表示。事实是数值度量的。 数据立方体允许以多维数据建模和观察。它由维和事实定义。 维是关于一个组织想要记录的视角或观点。每个维都有一个表与之相关联，称为维表。 事实表包括事实的名称或度量以及每个相关维表的关键字 在数据仓库的研究文献中，一个n维的数据的立方体叫做基本方体。给定一个维的集合，我们可以构造一个方体的格，每个都在不同的汇总级或不同的数据子集显示数据，方体的格称为数据立方体。0维方体存放最高层的汇总，称作顶点方体；而存放最底层汇总的方体则称为基本方体。 数据立方体——一个方体的格 数据仓库的概念模型 最流行的数据仓库概念模型是多维数据模型。这种模型可以以星型模式、雪花模式、或事实星座模式的形式存在。 星型模式（Star schema）: 事实表在中心，周围围绕地连接着维表（每维一个），事实表含有大量数据，没有冗余。 雪花模式（Snowflake schema）: 是星型模式的变种，其