数据仓库入门教程

1、数仓基础

（1）什么是数仓。

通俗的说，就是存放着大量数据的地方，它英文名称为Data Warehouse，可简写为DW。数仓最常见的组件是hive，clickhouse。

（2）用来做什么

大量的数据放在一起，有利于中寻找有用的信息，主要是用来做三方面的事情：

了解现状：掌握占比、同比、环比等重要指标
辅助决策：这里举个例子，上世纪90年代，沃尔玛引入算法后发现尿布与啤酒的关联度极高，市场调研发现是太太们叮嘱丈夫下班后为小孩买尿布，顺手就会带上啤酒
预测走势：通过数据的分析，判断业务未来的变化

（3）为什么用数仓做而不是关系型数据库

如果没有数仓，报表、分析系统的数据可能就需要从OLTP的库中来，这样做有以下缺点：

性能问题，OLAP业务往往会涉及到大量的数据，这会影响OLTP应用sql的性能
数据格式的不统一，例如金额单位，时间单位
业务系统变更频繁，数据库字段变更速度较快
安全问题
误用业务数据

（4）数仓的特征

集成（核心特征）通常OLTP应用的数据都是比较分散的，数仓则会把这些数据集中到一起，有两个目的，一是要统一所有的数据的矛盾之处，二是要进行数据综合和计算
面向主题（核心特征）网上乱七八糟概念太多，用人话解释，就是看问题的维度
非易失性一是指数据一般会被保留很久时间，二是指通常都是查看操作，很少有删除和修改这类操作
时变性指数据是按照时间顺序追加的，它们都带有时间属性

（5）数仓和数据库的区别

本质上还是OLAP和OLTP的区别。

OLTP：On-Line Transaction Processing，面向事务的处理系统，指系统的关注点主要集中在：响应时间、数据的安全性、完整性和并发支持的用户数等问题，主要使用传统的数据库系统作为数据管理的主要手段，主要用于操作型处理，像Mysql，Oracle等关系型数据库一般属于OLTP。

OLAP：On-Line Analytical Processing，面向分析的处理系统，一般针对某些主题的历史数据进行分析，支持管理决策。

	冗余设计	针对数据的主要操作	数据规模	延迟	事务
数仓	刻意冗余	分析	大	高	不支持
数据库	避免冗余	捕获	小	低	支持

2、数仓架构

ODS（数据源层Operational Data Store）ODS 层，是最接近数据源中数据的一层，为了考虑后续可能需要追溯数据问题，因此对于这一层就不建议做过多的数据清洗工作，原封不动地接入原始数据即可，至于数据的去噪、去重、异常值处理等过程可以放在后面的 DWD 层来做
DW（数据仓库层Data Warehouse）

1）DWD (数据明细层Data WareHouse Detail)

一般保持和 ODS 层一样的数据粒度，并且提供一定的数据质量保证。DWD 层要做的就是将数据清理、整合、规范化、脏数据、垃圾数据、规范不一致的、状态定义不一致的、命名不规范的数据都会被处理同时，为了提高数据明细层的易用性，该层会采用一些维度退化手法，将维度退化至事实表中，减少事实表和维表的关联。

另外，在该层也会做一部分的数据聚合，将相同主题的数据汇集到一张表中，提高数据的可用性。

其实上面的话，总结成一句人话，就是对此层会对数据做一个初步的处理，包括清洗，整理以及聚合之类的操作。

2）DWM(数据中间层Data WareHouse Middle)

基于 DWD 层上的基础数据，整合汇总成分析某一个主题域的服务数据，一般是宽表。DWS 层应覆盖 80% 的应用场景。又称数据集市或宽表。

按照业务划分，如主题域流量、订单、用户等，生成字段比较多的宽表，用于提供后续的业务查询，OLAP 分析，数据分发等。

3）APP(数据应用层)

这时候已经是可以提供给业务直接使用的数据层了。

3、数仓建模方法

（1）范式建模：同关系型数据库三大范式，分别是:

每个属性值唯一，不具有多义性 ;
每个非主属性必须完全依赖于整个主键，而非主键的一部分 ;
每个非主属性不能依赖于其他关系中的属性，因为这样的话，这种属性应该归到其他关系中去

(2)维度建模（最常用的方法）：分为两种表：事实表和维度表，维度建模就是在这两种表的基础之上来构建数据集市的。

维度表：指根据分析数据的角度，来创建的表，所谓维度，即指分析事物的角度，这个思想是重中之重，常见的角度有时间、地域、终端、用户等。

事实表：必然存在的一些数据，像采集的日志文件，订单表，都可以作为事实表。特征：是一堆主键的集合，每个主键对应维度表中的一条记录，客观存在的，根据主题确定出需要使用的数据。用人话讲，事实表，就是包含着ODS层，DWS，DWD层的表，可以说，除过维度表，在维度建模中，其他所有表，几乎都是事实表。