新闻详情

新闻详情

首页 / 资讯中心 / 详情

维度表和事实表的区别

发布时间:2026/11/17 8:16:52来源:尧图网络
维度表和事实表的区别
文章目录一、什么是事实表Fact Table二、什么是维度表Dimension Table三、事实表和维度表的核心区别最清晰表格四、一个图秒懂事实表 维度表如何组合五、为什么要区分维度表和事实表六、实际业务中的例子七、总结在数据仓库Data Warehouse和 BI 分析中我们最常见的两类表就是事实表Fact Table维度表Dimension Table它们经常一起出现是构建数据仓库模型星型模型、雪花模型的核心。这篇文章将用最简洁的方式让你彻底理解它们。一句话总结事实表存“发生了什么”事件维度表存“事件的描述信息”。事实表记录可统计的数据维度表记录统计的依据。如果你理解了这句话维度/事实表的核心就懂了。一、什么是事实表Fact Table事实表存储的是业务发生的事件可度量的指标数值外键指向维度 常见事实行为示例下单下单数量、金额登录登录次数支付支付金额浏览浏览次数✔ 事实表的特点表很大数据量百万、千万、甚至亿级以数值型字段为主度量指标经常追加Append不更新包含多个维度表的外键 示例订单事实表 fact_orderorder_iduser_idproduct_idstore_idamountquantityorder_time10011501300159.912023-12-0110022502300299.022023-12-01amount、quantity 就是事实指标可求和user_id、product_id 就是维度外键二、什么是维度表Dimension Table维度表存储的是业务实体的属性信息用于解释事实表中某条事实是什么 常见维度维度示例用户维度用户年龄、性别、地址商品维度商品分类、品牌时间维度年、月、日、季度地区维度国家、省、市✔ 维度表特点表比较小几千、几万行多为文本字段描述性信息更新频率低被事实表引用 示例商品维度表 dim_productproduct_idproduct_namecategorybrandprice501零食A食品XX品牌10.0502衣服B服装YY品牌49.0维度表帮助你解释事实表中的 product_id 代表什么商品。三、事实表和维度表的核心区别最清晰表格对比项事实表Fact维度表Dimension存储内容事件、行为、度量指标事物的描述信息数据体量大百万级~亿级小千~万级字段类型数值型为主文本型为主外键/主键事实表 - 维度表维度表被事实表引用更新方式insert appendoccasional update典型字段金额、数量、次数名称、类别、时间、地区一句话事实表存数量维度表存属性。四、一个图秒懂事实表 维度表如何组合下面是典型的星型模型Star Schemadim_user | dim_product --- fact_order --- dim_store | dim_timefact_order事实表通过外键连接多个维度表。最终做分析时用维度筛选按日期、商品、用户用事实求和金额、数量这就是 OLAP 模型。五、为什么要区分维度表和事实表原因很简单提升查询性能主干事实 可复用维度数据整洁、结构清晰维度复用多个事实表共享维度支持切片、切块、钻取等 BI 分析方式BI 工具如 Tableau、Power BI都依赖这种模型。六、实际业务中的例子例计算每个省份的订单金额fact_order 存金额、用户 IDdim_user 存用户地址、省、市SQLSELECTu.province,SUM(f.amount)AStotal_amountFROMfact_order fJOINdim_user uONf.user_idu.user_idGROUPBYu.province;这就是维度 事实的典型组合查询方式。七、总结事实表记录“发生的业务事件”包含可统计的数值维度表记录“事件的描述信息”用于分析和过滤。事实表大、经常新增、数值多维度表小、文本多、更新少。二者通过外键关联构成星型或雪花模型是数据仓库的核心设计。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉