- 综合排序
- 最热优先
- 最新优先
- 来自专栏23号杂货铺
『 懒人10分钟—大数据篇（一）』数据建模是什么？
—— 23号老板 0 1 概念 原创：lianxiaobao 文章概览 |— 概念 |— 建模方法 |— 模型层次划分 |— 数据模型规范 |— 建模指导 ODS |— ODS常用的设计方法 |— 应用场景 1、什么是数据模型？ 2、典型数据仓库建模方法 - 范式模型 - ER实体关系模型 - 纬度模型 建模四步曲：确定业务流程->确定粒度->确定纬度->确定事实表 3、模型层次划分 ? 4、数据模型规范 - 物理、逻辑模型设计规范 - 标准编码规范 - 中英文缩写规范 0 2 理解 下面我就对如何建模做一些简单的介绍，如果想更细致的学习数仓知识推荐《阿里巴巴— 建模指导 ODS，全称是Operational Data Store 操作数据存储。
10.3K41发布于 2019-09-27 - 来自专栏大数据学习与分享
数据建模-维度建模-维度设计
作为维度建模的核心，我们在企业级的数据仓库中必须保证维度的唯一性。以淘宝商品维度为例，我们有且只允许有一个维度定义。 第二步：确定主维度表。 二、第二部分 在Kimball维度建模中，通常将度量称为“事实”，将环境描述为“维度”，维度是用于分析事实所需要的多样环境。 （3）同一类数据基于范式建模，拆分成同一类型数据库中多张的物理表，比如商品，有商品主表和商品扩展表，商品主表存商品基本信息；商品扩展表存储商品特殊信息，如不同产品线定制化的信息等；比如会员，有会员主表和会员扩展表 02 快照维表 维度的基本概念中介绍了自然键和代理键的定义，在Kimball的维度建模中，必须使用代理键作为每个维度表的主键，用于处理缓慢变化维度。 但在阿里巴巴数据仓库建设的实践过程中，虽然我们使用的是Kimball的维度建模的理论，但实际并未使用代理键。我们是如何处理缓慢变化维度，如何记录变化历史的呢？为什么不使用代理键呢？
2K31编辑于 2023-09-06 - 来自专栏波波烤鸭
PowerDesigner数据建模
PowerDesigner安装 云盘地址:https://pan.baidu.com/s/1MZnQhPZ6ityza9N9nAD3bw 提取码：8qpi 傻瓜式安装 E-R图 E-R图(实体关系图) 1.创建模型 生成数据库脚本 ? ? ? ? ?
91841发布于 2019-04-02 - 来自专栏数据饕餮
数据仓库专题（7）-维度建模10大基本原则
遵循这些原则进行维度建模可以保证数据粒度合理，模型灵活，能够适应未来的信息资源，违反这些原则你将会把用户弄糊涂，并且会遇到数据仓库障碍。 二、正文 原则1、载入详细的原子数据到维度结构中 维度建模应该使用最基础的原子数据进行填充，以支持不可预知的来自用户查询的过滤和分组请求，用户通常不希望每次只看到一个单一的记录，但是你无法预测 当然，原子数 据也可以通过概要维度建模进行补充，但企业用户无法只在汇总数据上工作，他们需要原始数据回答不断变化的问题。 原则10、不断平衡需求和现实，提供用户可接受的并能够支持他们决策的DW/BI解决方案 维度建模需要不断在用户需求和数据源事实之间进行平衡，才能够提交可执行性好的设计，更重要的是，要符合业务的需要， 需求和事实之间的平衡是DW/BI 从业人员必须面对的事实，无论是你集中在维度建模，还是项目策略、技术/ETL/BI架构或开发/维护规划都要面对这一事实。
1.8K50发布于 2019-01-14 - 来自专栏大数据与微服务架构
数据挖掘与建模
数据挖掘是基于统计学原理，利用机器学习中的算法工具实现价值信息的发现。机器学习是一种实现人工智能的方法，深度学习是实现机器学习的一种技术。 ? 非线性分类经典算法包括K近邻（KNN）、支持向量机（SVM）、决策树（D Tree）、朴素贝叶斯（NB） 2、回归分析：反映事务数据属性在时间上的特征，预测数据间的相关关系，与分类区别在于，分类是预测目标的离散变量 二、无监督学习（事先没有任何训练数据样本，需要直接对数据进行建模，即不提供经验和训练样本，完全靠自己摸索） 1、关联分析：描述数据库中数据之间存在关系的规则。 2、聚类分析：训练样本标签信息未知，通过学习揭示数据内在性质及规律。 典型算法：K均值算法（K-means）、DBSCAN（具有噪声的基于密度的聚类方法）。 三、沃尔玛经典营销案例：啤酒与尿布 ? 模型发现：20世纪90年代的美国沃尔玛超市中，管理人员分析销售数据时发现了一个令人难于理解的现象：在某些特定的情况下，“啤酒”与“尿布”两件看上去毫无关系的商品会经常出现在同一个购物篮中。
1.2K30发布于 2020-04-11 - 来自专栏斑斓
MongoDB的数据建模
MongoDB是一种面向Document的NoSQL数据库，如果我们还是按照RDB的方式来思考MongoDB的数据建模，则不能有效地利用MongoDB的优势；然而，我们也不能因为Document的灵活性 适度的建模是非常有必要的，尤其对于相对复杂的关联关系。因为在MongoDB中，处理这种关联关系既可以使用Link，也可以使用Embedded。 这种建模方式还带来另一种可能，就是原本Person->Tasks的one-to-N关系就可以变为N-to-N关系，因为一个Task可以被多个Person所拥有。 如果采用Embedded方式，则会导致Task数据的冗余。 one-to-few one-to-many one-to-squillions 但我认为该怎么实现关联，应该从Entity之间的领域关系来判断，我们可以引入DDD的Aggregation设计概念作为建模的依据
1.3K60发布于 2018-03-07 - 来自专栏大数据解决方案
ETL和数据建模
一、什么是ETL ETL是数据抽取（Extract）、转换（Transform）、加载（Load ）的简写，它是将OLTP系统中的数据经过抽取，并将不同数据源的数据进行转换、整合，得出一致性的数据，然后加载到数据仓库中 二、数据仓库的架构 数据仓库（Data Warehouse \ DW）是基于OLTP系统的数据源，为了便于多维分析和 多角度展现将其数据按特定的模式进行存储而建立的关系型数据库，它不同于多维数据库，数据仓库中的数据是细节的 主题要体现某一方面的各分析角度（维度）和统 计数值型数据（量度），确定主题时要综合考虑，一个主题在数据仓库中即为一个数据集市，数据集市体现了某一方面的信息，多个数据集市构成了数据仓库。 增量数据文件：数据文件的内容为数据表的增量信息，包含表内新增及修改的记录。 全量数据文件：数据文件的内容为数据表的全量信息，包含表内的所有数据。 追加算法：一般用于事件表，事件之间相对独立，不存在对历史信息进行更新; 10.
1.9K20发布于 2021-11-19 - 来自专栏新智元
重磅 | 谷歌开源大规模语言建模库，10亿+数据，探索 RNN 极限
研究测试取得了极好的成绩，另外开源的数据库含有大约 10 亿英语单词，词汇有 80 万，大部分是新闻数据。这是典型的产业研究，只有在谷歌这样的大公司才做得出来。 这个数据库含有大约 10 亿个单词，词汇有 80 万单词，大部分都是新闻数据。由于训练中句子是被打乱了的，模型可以不理会文本，集中句子层面的语言建模。 我们相信，虽然很多工作都在小型的数据集，比如Penn Tree Bank （PTB）上展开，但是，更大型的任也是很重要的，因为过拟合并不是目前语言建模中的一个主要限制，而只是PTB 任务中的一个主要特点 进一步来看，考虑到当下的硬件趋势和网页大量可用的文本数据，进行大型的建模将会比过去更加简单。所以，我们希望我们的工作能给研究者带来启发和帮助，让他们在PTB之外可以使用传统的语言模型。 与计算机视觉领域的Imagenet类似，我们认为，在大型数据集上研究，并且在清晰的基准上进行建模将能提上语言建模。
1.1K40发布于 2018-03-23 - 来自专栏飞鸟的专栏
MongoDB的数据建模
MongoDB是一个基于文档模型的NoSQL数据库，它的数据建模与传统的关系型数据库有很大的不同。在MongoDB中，数据是以文档的形式存储的，文档是一种类似于JSON的数据格式，非常灵活和扩展。 集合中的每个文档都可以有不同的结构，不同于传统数据库中表中的行，它们可以有不同的列和数据类型。 以下是一些关键的设计考虑因素：数据的一致性在MongoDB中，数据的一致性需要通过应用程序来保证。在设计文档模式时，需要确保每个文档都包含完整的数据，以避免应用程序在查询时需要多次访问数据库。 在将数据分布到多个节点时，需要确保数据的相关性。通常可以将数据根据其相关性分组到同一个集合中，这样可以避免在查询时需要访问多个集合。此外，还可以考虑使用分片(sharding)来分散数据负载。 这种设计方式可以减少重复数据，同时也可以提高查询性能和数据一致性。
1.4K40编辑于 2023-05-09 - 来自专栏喵叔's 专栏
RavenDB数据建模--总结
只需将数据存储进去并通过键访问数据即可。同时我们还学习了使用过期功能来存储与时间相关的数据。 从键/值存储的简单模型开始，我们开始考虑真实的文档模型，学习了如何构建嵌入值来存储本质上是文档一部分的数据，还研学习了如何对关系和集合、多对一和多对多关联进行建模。 然后，我们介绍了更高级的建模技术，例如如何处理引用和配置数据，以及如何处理时态信息和分层结构。 接下来，我们讨论了建模时必须考虑的一些约束，例如如何处理文档的增长以及RavenDB中文档的良好大小。 我们学习了并发控制以及变化向量如何用于乐观并发和缓存，并且学习了为什么我们应该避免在模型中缓存聚合数据。 然后我们学习了如何处理带有附件的二进制数据，以及使用修订功能进行审计和更改跟踪，并且了解了我们可以在 RavenDB 中如何让文档数据过期。简要介绍了索引和查询时的引用处理。
76130编辑于 2022-05-25 - 来自专栏文渊之博
数据仓库建模
应用层模型由各应用按需自行建设，其中基础数据模型一般采用ER模型，融合数据模型采用维度建模思路。 三、两种经典的数据仓库建模方法 前面的分层设计中你会发现有两种设计方法，关系建模和维度建模，下面分别简单介绍其特点和适用场景。 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服务，因此它重点解决用户如何更快速完成分析需求，同时还有较好的大规模复杂查询的响应性能，更直接面向业务。 运营商以前都是关系建模，现在其实边界越来越模糊，很多大数据业务变化很快，采用维度建模也比较方便，不需要顶层设计。 四、企业建模的三点经验 维度建模就不说了，只要能理解业务过程和其中涉及的相关数据、维度就可以，但自顶向下的关系建模难度很大，以下是关系建模的三个建设要点。
2K31发布于 2020-06-19 - 来自专栏数据库
论道数据仓库维度建模和关系建模
为什么要数据仓库建模呢？ Inmon的ER建模优点体现在规范性较好，冗余小，数据集成和数据一致性方面得到重视，适用于较为大型的企业级、战略级的规划，但缺点是需要全面了解企业业务、数据和关系，对于建模人员要求很高，实施周期非常长， 但Inmon和kimball关于关系建模和维度建模的争论其实也没什么值得探讨的，没有谁更好，在企业内，这两种建模方式往往同时存在，底层用关系建模合适一点，技术的优雅换来了数据的精简，往上维度建模更合适一些 在数据建模上，很多人纠结于如何建模，用关系建模、维度建模亦或其它？ 想想企业的数据仓库模型，有多大的比例在日常的运营中进行了改进呢，有10%吗？
2.5K80发布于 2018-02-24 - 来自专栏软件方法
建模答题赛第2赛季第10轮（纠正某些书上的建模错误）
[改错题]很多书中的建模示例都存在问题。请根据《软件方法（上）》第2版的知识，指出以下材料存在的问题。 ?
63920发布于 2019-10-08 - 来自专栏历史专栏
【愚公系列】2023年10月 智能制造理论篇-MES系统的数据建模
一、MES系统的数据建模（概念） 1.面向关联的分类数据单元模型 针对制造执行过程数据种类繁多的特点，我们可以通过对数据进行分类处理，以建立清晰的数据结构模型。 2.MES基础资源如何建模 2.1 人员基础数据建模： 人员基础数据建模主要涵盖以下内容： 员工信息：记录每个员工的基本信息，如姓名、工号、职位、部门等。 2.2 设备基础数据建模： 设备基础数据建模主要包括以下内容： 设备属性：记录每台设备的型号、规格、生产速率、容量等关键属性。这些属性有助于对设备进行分类、识别和区分。 2.3 物料基础数据建模： 物料基础数据建模主要涉及以下内容： 物料描述与编码：对每种物料进行描述，并为其分配唯一的识别编码，如物料名称、型号、批次等。 通过适当的建模，可以将人员、设备和物料的基础数据组织起来，并与相应的属性和关联信息进行关联。这样的建模能够提供清晰和结构化的数据视图，帮助企业更好地管理和利用这些基础数据，以支持生产过程的高效运行。
42700编辑于 2025-06-02 数据建模怎么做？一文讲清数据建模全流程
其实数据建模这事儿，就是把业务需求和技术实现连起来的那根线，看着基础，却藏着不少坑。 今天我就不跟你扯教科书上的理论了，就从实际应用的角度，把数据建模的全流程拆解开，重点说说这四个核心问题：需求该怎么接模型该怎么设计落地时要避开哪些坑后续怎么跟着迭代一、需求分析数据建模第一步，80%人都会踩坑 数据建模的方法不少，像维度建模、实体关系建模、数据湖建模等等。但实际干活的时候，最常用的还是维度建模，特别是星型模型和雪花模型。为啥呢？ 出现这些情况，就得考虑优化模型了：性能下降：以前10秒能出结果的查询，现在要1分钟，可能是数据量太大了，也可能是索引失效了；满足不了新需求：业务方需要新的维度（比如“用户社交关系”）或者新的度量（比如“ 别追求一开始就做出“完美模型”，在业务迭代中不断优化，这才是数据建模最实在的经验。
1.2K10编辑于 2025-08-22数据仓库建模基石：维度建模与范式建模深度对比与选型指南
数据仓库建模概述：为何建模是数据基石 在数字化浪潮席卷各行各业的今天，数据已成为企业最宝贵的资产之一。 数据建模：构建数据世界的蓝图 如果说数据仓库是企业数据的"容器"，那么数据建模就是设计这个容器内部结构的"蓝图"。数据建模是通过定义数据结构、关系、约束和规则，将业务需求转化为具体数据模型的过程。 AI技术的普及也为数据建模带来了新的可能性。机器学习算法可以辅助建模过程，自动识别数据特征和关系，推荐最优的建模方案。同时，数据建模还需要考虑隐私保护和合规要求，特别是在处理个人敏感数据时。 选型决策的关键因素 基于以上案例分析，建模方法的选择需要考虑多个维度： 数据特征维度： 数据量大小：大数据量场景更适合维度建模 数据更新频率：高频更新场景需要范式建模的支持 数据复杂度：复杂关系数据适合范式建模 未来展望：数据建模在AI与大数据时代的新趋势 AI驱动的建模范式变革 随着人工智能技术在2025年的深度应用，数据建模正在经历根本性的变革。
98210编辑于 2025-11-29- 来自专栏飞鸟的专栏
MongoDB的数据关系建模
简介MongoDB是一种面向文档的数据库，因此在进行数据建模时，其与传统的关系型数据库有所不同。MongoDB支持多种数据关系建模方法，包括嵌入式数据模型和引用式数据模型。 数据关系建模MongoDB中的数据关系建模方法包括嵌入式数据模型和引用式数据模型。嵌入式数据模型在嵌入式数据模型中，一个文档可以包含另一个文档。这种关系称为嵌入式关系。 使用MongoDB数据关系建模的最佳实践以下是在使用MongoDB数据关系建模时的一些最佳实践：使用嵌入式数据模型时，考虑嵌套层数的问题。通常情况下，不建议超过嵌套3层，否则可能会影响查询性能。 当数据需要在多个文档中共享时，使用引用式数据模型可以更好地管理数据。例如，一个订单可能需要关联到多个客户和产品，这时使用引用式数据模型会更加方便。在使用引用式数据模型时，需要仔细考虑引用文档的结构。 引用文档的结构应该尽量简单，以便于使用简单的查询来检索相关数据。在使用引用式数据模型时，可以使用MongoDB的聚合框架来联接多个文档。
1.1K20编辑于 2023-05-09 - 来自专栏Python与算法之美
图片数据建模流程范例
我们在实践中通常会遇到的数据类型包括结构化数据，图片数据，文本数据，时间序列数据。 我们将分别以titanic生存预测问题，cifar2图片分类问题，imdb电影评论分类问题，国内新冠疫情结束时间预测问题为例，演示应用Pytorch对这四类数据的建模方法。 本篇我们示范cifar2图片数据建模流程。 cifar2数据集为cifar10数据集的子集，只包括前两种类别airplane和automobile。 输出如下： torch.Size([10, 8, 1, 1]) 构建模型代码： class Net(nn.Module): def __init__(self):
2.1K10发布于 2020-07-20 scrapy数据建模与请求
学习目标：应用 在scrapy项目中进行建模应用 构造... 请注意，本文编写于 1724 天前，最后修改于 993 天前，其中某些信息可能已经过时。 学习目标： 应用 在scrapy项目中进行建模 应用 构造Request对象，并发送请求 应用 利用meta参数在不同的解析函数中传递数据 1. 数据建模 通常在做项目的过程中，在items.py中进行数据建模 1.1 为什么建模 定义item即提前规划好哪些字段需要抓，防止手误，因为定义好之后，在运行过程中，系统会自动检查 配合注释一起可以清晰的知道要抓取哪些字段 ，没有定义的字段不能抓取，在目标字段少的时候可以使用字典代替 使用scrapy的一些特定组件需要Item做支持，如scrapy的ImagesPipeline管道类，百度搜索了解更多 1.2 如何建模 在 User-Agent： # scrapy发送的每一个请求的默认UA都是设置的这个User-Agent USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10
80320编辑于 2023-05-17- 来自专栏大数据文摘
用户画像数据建模方法
本文将用户数据划分为静态信息数据、动态信息数据两大类。 ? 静态信息数据 用户相对稳定的信息，如图所示，主要包括人口属性、商业属性等方面数据。 这类信息，自成标签，如果企业有真实信息则无需过多建模预测，更多的是数据清洗工作，因此这方面信息的数据建模不是本篇文章重点。 3.3 数据建模方法 下面内容将详细介绍，如何根据用户行为，构建模型产出标签、权重。一个事件模型包括：时间、地点、人物三个要素。 上述模型权重值的选取只是举例参考，具体的权重值需要根据业务需求二次建模，这里强调的是如何从整体思考，去构建用户画像模型，进而能够逐步细化模型。 内容地址、行为类型、时间衰减，决定了权重模型是关键，权重值本身的二次建模则是水到渠成的进阶。模型举例偏重电商，但其实，可以根据产品的不同，重新定义接触点。
2.4K60发布于 2018-05-22
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号