数据领域面试题试题集解析.pdfVIP

数据领域面试题试题集解析

面试问答题（共20题）

第一题

请解释术语“维表（DimensionTable）”在数据仓库（DataWarehouse）中的含义，

并说明它在星型模型（StarSchema）或雪花模型（SnowflakeSchema）中扮演的角色

和作用。

答案：

维表（DimensionTable）：

维表是数据仓库中的一种核心表，它存储与业务度量（Metrics）相关的描述性背

景信息或上下文。维度的本质是回答“谁（Who）、什么（What）、何时（When）、何地（Where）、

为何（Why）”等问题。维表通常包含分类或描述性的数据，用以elapsedTime限或

breakdown业务数据。例如，在销售场景中，日期维表存储了年、季、月、日等信息，

顾客维表存储了顾客ID、姓名、性别、年龄段等，产品维表存储了产品ID、名称、类

别、颜色等信息。

在星型模型和雪花模型中的作用：

维表在两种模型中都扮演着关键的描述性角色，但具体的实现方式和优缺点有所不

同：

•在星型模型（StarSchema）中：

•角色：维表是星型模型中的“角点”（Corners），直接与一个或多个事实表（Fact

Table）相关联。它们作为连接事实表和业务领域概念的桥梁。

•作用：

1.提供分析和报告所需的多维视角。用户可以通过对维表进行切片、切块（Slice

andDice）来对事实表中的度量数据进行分组和汇总。

2.方便数据的语义理解和业务用户的使用。维表的命名通常具有明显的业务含义。

3.支持快速查询。由于维表通常经过规范化，且只有一个事实表与之连接，查询优

化器更容易生成高效的执行计划。

4.维表通常存储在数据仓库的边缘（Leaves），与事实表物理上分开，与中心事实

表之间是多对一的关系。

•在雪花模型（SnowflakeSchema）中：

•角色：维表不仅连接事实表，而且还可能进一步规范化。例如，一个汇总的日

期维度可以有多个更细分的子维度（如新冠疫苗的日期CertaintySubsetTable、

季节性季节性DateSeasonalityTable等）连接到事实表。这种细化导致维表

本身形成一个类似雪花的层次结构。

•作用：

1.继续提供描述性背景信息。

2.在某些情况下可以减少重复数据（如在一个维度内部，某个属性可能被重复写入

多个记录，通过细分维度可以避免）。

3.可能导致更复杂的数据结构和查询路径，因为需要连接更多的中间维度表。

4.查询响应时间可能相对星型模型要慢一些，因为需要跨越更多的表和连接。

总结：无论在哪种模型中，维表的核心作用都是提供业务上下文，使得对存储在

事实表中的量化度量数据进行语义丰富的分析成为可能。星型模型倾向于使用较少、较

大的维表以提高查询效率，而雪花模型则倾向于使用更多、更细分的维表以减少数据冗

余，但可能牺牲一些查询性能。

解析：

1.定义准确：答案首先明确了维表的定义，强调其存储描述性信息、回答业务问

题（谁、什么、何时等）的角色，并举例说明（如日期、顾客、产品维表）。

2.区分星型与雪花模型：答案详细说明了维表在两种不同数据模型中的具体角色

和区别。对于星型模型，解释了它是角点，与事实表直接连接，有利于快速查询

和用户理解。对于雪花模型，解释了维表可能被进一步规范化，形成层次结构，

这有助于减少冗余，但也增加了复杂性和可能的查询延迟。

3.阐述作用：答案清晰阐述了维表的关键作用，如提供多维视角、方便语义理解、

支持切片切块分析，以及在星型模型中的查询优化优势。

4.结构清晰：答案结构合理，先定义，再分模型解释，最后总结，逻辑清晰易于

理解。

5.术语恰当：使用了数据仓库领域的常用术语，如事实表（FactTable）、星型模

型（StarSchema）、雪花模型（SnowflakeSchema）、切片切块（SliceandDice）、

查询优化器（QueryOptimizer）等。

这道题考察了对数据仓库基本