数仓面试题及详细答案.docxVIP

数仓面试题及详细答案

一、基础概念类

1.什么是数据仓库？它和数据库的核心区别是什么？

答案：数据仓库（DataWarehouse，简称DW）是一个面向主题的、集成的、非易失的、随时间变化的数据集合，主要用于支持企业管理层的决策分析。

核心区别主要体现在4个方面：

①面向对象不同：数据库面向业务操作（OLTP，联机事务处理），比如电商的订单创建、支付等实时操作；数据仓库面向决策分析（OLAP，联机分析处理），比如分析季度销售趋势、用户消费偏好等。

②数据特性不同：数据库数据是实时的、动态的，会频繁增删改；数据仓库数据是历史的、静态的，以批量加载和查询为主，几乎不修改。

③数据粒度不同：数据库数据粒度细，比如一条具体的订单记录；数据仓库数据粒度粗，会按时间、地域等维度聚合，比如按天统计某地区的订单总量。

④设计理念不同：数据库按业务模块设计（如订单表、用户表、商品表），避免冗余；数据仓库按主题设计（如销售主题、用户主题），允许适度冗余以提升查询效率。

2.数据仓库的分层架构是什么？各层的作用是什么？

答案：主流的数仓分层为“ODS→DWD→DWS→ADS”四层架构，部分场景会增加DWT（明细汇总层），核心目的是“隔离原始数据、规范数据加工、提升复用性”，具体作用如下：

①ODS层（操作数据存储层）：直接同步业务数据库的原始数据，结构和原始表基本一致，不做过多加工（仅做清洗，如去除脏数据、格式标准化）。作用是保留原始数据备份，避免直接操作业务库影响线上业务，同时为后续分层提供数据源。

②DWD层（数据明细层）：对ODS层数据进行清洗、转换、整合，比如关联维度表、处理缺失值/异常值、拆分复合字段（如把地址字段拆分为省/市/区）。作用是生成结构化、标准化的明细数据，为上层汇总提供基础。

③DWS层（数据服务层）：按主题对DWD层数据进行轻度汇总，比如按用户、商品、时间等维度聚合。作用是沉淀通用的汇总指标（如用户日活跃数、商品日销量），供多个ADS层需求复用，减少重复计算。

④ADS层（应用数据服务层）：面向具体的业务需求，对DWS/DWD层数据进行最终加工，生成直接可用的指标或报表数据。作用是直接对接业务系统（如BI报表、决策系统），满足前端查询需求。

3.什么是数据集市？它和数据仓库的区别？

答案：数据集市（DataMart）是面向特定业务部门（如销售部、财务部）的小型数据集合，专注于该部门的决策分析需求，数据来源于数据仓库。

区别：①范围不同：数据仓库是企业级的，覆盖全公司所有业务主题；数据集市是部门级的，聚焦单一业务领域。②粒度不同：数据仓库粒度更细、数据更全面；数据集市粒度较粗，只保留部门所需的核心数据。③建设周期不同：数据仓库建设周期长（数月到数年），是“自上而下”的建设模式；数据集市建设周期短（数周），是“自下而上”的补充模式。

二、数仓建模类

1.什么是星型模型？什么是雪花模型？两者的优缺点及适用场景是什么？

答案：两者都是数仓建模的经典维度模型，核心区别在于维度表的层级结构。

①星型模型：以事实表为中心，所有维度表直接关联到事实表，维度表之间无关联，结构像“星星”。优点：结构简单、易于理解和维护；查询时关联表少，效率高；适合OLAP场景的快速汇总分析。缺点：维度表存在数据冗余（如地区维度表中同时存储省、市、区信息）。适用场景：业务逻辑简单、追求查询效率的场景，比如中小企业的数仓、快速迭代的业务需求。

②雪花模型：在星型模型基础上，维度表会进一步拆分出子维度表（比如地区维度拆分为国家表、省份表、城市表），维度表之间存在层级关联，结构像“雪花”。优点：数据冗余少，符合第三范式；维度表结构更灵活，便于维护维度属性的变更。缺点：查询时需要关联多个层级的维度表，关联复杂度高，查询效率较低；理解和维护成本高。适用场景：业务逻辑复杂、维度属性多变、对数据冗余敏感的场景，比如大型企业的复杂业务分析。

2.什么是事实表？什么是维度表？如何区分？

答案：事实表和维度表是维度建模的核心组成部分，核心区分在于“存储的是业务度量数据”还是“业务描述性数据”。

①事实表：存储业务过程中的度量数据（可量化、可统计的数值），比如订单金额、销量、点击量等。核心特征：包含业务主键（如订单ID、交易ID）、外键（关联维度表）、度量字段；数据量大，按时间递增；几乎不修改，只新增。常见类型：事务事实表（记录单次业务事件，如订单表）、周期快照事实表（按固定周期记录状态，如用户日活跃度表）、累积快照事实表（记录业务全生命周期状态，如订单从创建到完成的各节点时间表）。

②维度表：存储描述性信息，用于解释事实表中的度量数据，比如用户信息（姓名、性别、地区）、商品信息（名称、分类、价格）、时间信息（年、季、月、日）。核心特征