《数据仓库和数据挖掘的OLAP技术课件》由会员分享，可在线阅读，更多相关《数据仓库和数据挖掘的OLAP技术课件（64页珍藏版）》请在金锄头文库上搜索。
1、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
2、. 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
3、。 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，但他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）,数据仓库的构建与使用,数据仓库的构建包括一系列的数据预处理过程 数据清理 数据集成 数据变换 数据仓库的使用热点是商业决策行为，例如： 增加客户聚焦
4、产品重定位 寻找获利点 客户关系管理,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,查询驱动方法和更新驱动方法的比较,查询驱动的方法 需要负责的信息过滤和集成处理 与局部数据源上的处理竞争资源 对于频繁的查询，尤其是涉及聚集（汇总）操作的查询
5、，开销很大（决策支持中常见的查询形式） 更新驱动的方法（带来高性能） 数据经预处理后单独存储，对聚集操作提供良好支持 不影响局部数据源上的处理 集成历史信息，支持负责的多维查询,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,OLAP VS. OLTP (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(
6、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,OLAP VS. OLTP (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,OLAP VS. OLTP (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,更多的区别见教科书P28，表2-1,为什么需要
7、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
8、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,time_key day day_of_the_week month quarter year,time 维表,location_key street city state_or_province country,location 事实表,Sales 事实表,time_key,item_key,branch_key,location_key
9、,units_sold,dollars_sold,avg_sales,度量,item_key item_name brand type supplier_type,item 维表,branch_key branch_name branch_type,branch 维表,多维数据模型 (3),在数据仓库中，数据立方体是n-D的(n维） （关系表和电子表格是几维的？） 示例 AllElectronics的销售数据按维time, item的2-D视图 (P30, 表2-2) AllElectronics的销售数据按维time, item和location的3-D视图 (P30, 表2-3) AllE
10、lectronics的销售数据按维time, item和location的3-D视图的3-D数据立方体表示 (P31, 图2-1) 销售数据的4-D立方体表示 (P31, 图2-2) 多维数据模型为不同角度上的数据建模和观察提供了一个良好的基础,多维数据模型 (4),在数据仓库的研究文献中，一个n维的数据的立方体叫做基本方体。给定一个维的集合，我们可以构造一个方体的格，每个都在不同的汇总级或不同的数据子集显示数据，方体的格称为数据立方体。0维方体存放最高层的汇总，称作顶点方体；而存放最底层汇总的方体则称为基本方体。,数据立方体一个方体的格,all,time,item,location,supp
11、lier,time,item,time,location,time,supplier,item,location,item,supplier,location,supplier,time,item,location,time,item,supplier,time,location,supplier,item,location,supplier,time, item, location, supplier,0-D(顶点) 方体,1-D方体,2-D 方体,3-D 方体,4-D(基本) 方体,数据仓库的概念模型,最流行的数据仓库概念模型是多维数据模型。这种模型可以以星型模式、雪花模式、或事实星座模式
12、的形式存在。 星型模式（Star schema）: 事实表在中心，周围围绕地连接着维表（每维一个），事实表含有大量数据，没有冗余。 雪花模式（Snowflake schema）: 是星型模式的变种，其中某些维表是规范化的，因而把数据进一步分解到附加表中。结果，模式图形成类似于雪花的形状。 事实星座（Fact constellations）: 多个事实表共享维表, 这种模式可以看作星型模式集，因此称为星系模式（galaxy schema），或者事实星座（fact constellation）,星型模式实例,Sales Fact Table,time_key,item_key,branch_key
13、,location_key,units_sold,dollars_sold,avg_sales,Measures,雪花模式实例,Sales Fact Table,time_key,item_key,branch_key,location_key,units_sold,dollars_sold,avg_sales,Measures,事实星座模式实例,Sales Fact Table,time_key,item_key,branch_key,location_key,units_sold,dollars_sold,avg_sales,Measures,Shipping Fact Table,tim
14、e_key,item_key,shipper_key,from_location,to_location,dollars_cost,units_shipped,一种数据挖掘查询语言: DMQL,DMQL首先包括定义数据仓库和数据集市的语言原语，这包括两种原语定义：一种是立方体定义，一种是维定义 立方体定义 (事实表) define cube : 维定义 (维表) define dimension as () 特殊案例 (共享维表的定义) 第一次作为维表定义 “cube definition” 然后：define dimension as in cube ,实例：使用DMQL定义星型模式,def
15、ine cube sales_star time, item, branch, location: dollars_sold = sum(sales_in_dollars), avg_sales = avg(sales_in_dollars), units_sold = count(*) define dimension time as (time_key, day, day_of_week, month, quarter, year) define dimension item as (item_key, item_name, brand, type, supplier_type) defi
16、ne dimension branch as (branch_key, branch_name, branch_type) define dimension location as (location_key, street, city, province_or_state, country),实例：使用DMQL定义雪花模式,define cube sales_snowflake time, item, branch, location: dollars_sold = sum(sales_in_dollars), avg_sales = avg(sales_in_dollars), units_sold = count(*) define dimension time as (time_key, day, day_of_week, mo
