数据挖掘、数据仓库和数据挖掘的OLAP技术.pptVIP

数据仓库和数据挖掘的OLAP技术 数据仓库－数据挖掘的有效平台 数据仓库中的数据清理和数据集成，是数据挖掘的重要数据预处理步骤 数据仓库提供OLAP工具，可用于不同粒度的数据分析 很多数据挖掘功能都可以和OLAP操作集成，以提供不同概念层上的知识发现 分类 预测 关联 聚集 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 数据仓库区别于其他数据存储系统 “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 数据仓库关键特征一——面向主题 面向主题，是数据仓库显著区别于关系数据库系统的一个特征 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 数据仓库是从历史的角度提供信息 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，但它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 异种数据库的集成方法 传统的异种数据库集成:（查询驱动） 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 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 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 数据分析和决策支持，支持以不同的形式显示数据以满足不同的用户需要 OLTP VS. OLAP (1) 用户和系统的面向性 面向顾客（事务） VS. 面向市场（分析） 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 OLTP VS. OLAP(2) 数据视图 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） 任务单位 简短的事务 VS. 复杂的查询 访问数据量 数十个 VS. 数百万个 OLTP VS. OLAP(3) 用户数 数千个 VS. 数百个 数据库规模 100M-数GB VS. 100GB-数TB 设计优先性 高性能、高可用性 VS. 高灵活性、端点用户自治 度量 事务吞吐量 VS. 查询吞吐量、响应时间 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 多维数据模型 (1) 数据仓库和OLAP工具基于多维数据模型 在多维数据模型中，数据以数据立方体(data cube)的形式存在 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。 多维数据模型围绕中心主题组织，该主题用事实表表示 事实表包括事实的名称或度量以及每个相关维表的关键字 事实指的是一些数字度量 多维数据模型 (2) ——示例 多维数据模型 (3) 在数据仓库中，数据立方体是n-D的(n