目录
数据仓库维度模型设计
1、维度建模
维度建模是数据仓库领域最流行的数仓建模经典。维度建模以分析决策的需求出发构建模型，构建的数据模型为分析需求模型，因此他的重点在于坚决用户如何快速的完成数据分析需求，同时还有较好的大规模复杂查询相应性能。
2、事实表
发生再现实世界中的操作型事件产生的可度量数值，存储再事实表中。从最低的粒度级别来看，事实表对应一个度量时间，反之亦然。
3、维度表
每个维度表都包含单一的主键列。维度表的主键可以作为与之关联的任何事实表的外键，维度表通常比较宽，是扁平非规范表，包含大量的低粒度的文本属性。维度表示你要对数据进行分析时所用的一个量。
维度建模的三种模式
1、星型模型
星型模型是最常用的维度建模方式，是以事实表为中心，所有的维度表直接连接再事实表上，类似星星一样，所以叫做星型建模，一般来说，星型建模具有以下特点：
a.维度表和事实表关联，维度表之间没有关联；
b.每个维度表主键为单列，且该主键放置在事实表中，作为两边连接的外键；
c.以事实表为核心，维度表围绕核心呈星型分布。
2、雪花模式
雪花模式是对星型模式的扩展，雪花模式的维度表可以拥有其他维度表的，虽然这种模型比星型模型更规范一些，但是维护成本较高，而且性能方面需要关联多成维度表，性能上比星型表要低，一般不用。
3、星座模型
星座模型是由星型模型延伸而来，星型模型是基于一张事实表的，而星座模式是基于多张事实表的，而且共享维度信息。
数据仓库基本理论知识
1、数据仓库为什么要分层？
分层的目的在于管理数据的时候，能数据有一个更加清晰的掌控，详细来讲，主要有以下几个原因。
a.清晰的数据结构：每一个数据分层都有它的作用域，我们在使用的时候方便定位和理解；
b.数据血缘追踪：简单来说，我们最终给业务呈现的是一个能直接使用的业务表，但是它的来源有很多，如果有其中的一张源表出现了问题，方便我们快速准确的定位到问题。
c.减少重复开发：规范数据仓库分层，开发一些通用的中间层数据，能够极大的减少重复运算。
d.把复杂问题简单化：将一个复杂的任务分解成多个步骤来完成，每一层只处理单一的步骤，比较简单和容易理解。
e.屏蔽原始数据的异常：屏蔽业务的影响，不必改一次业务就需要重新接入数据。
2、数据分层思想
数据分层可以根据自己的业务需求来分成不同的层次，但是最基础的分层思想理论上将数据分为三层，ODS层，DW层和DWD层，基于这个分层之上再添加新的层次，来满足不用的业务需求。
未完待续。。。
