- 综合排序
- 最热优先
- 最新优先
- 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 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？ 其中VIP等级共有8个值，-1~6；用户信用评价等级共有18个值。假设基于VIP等级和用户信用评价等级构建微型维度，则在此微型维度中共有8*18个组合，即144条记录，代理键可能是1~144。
2K31编辑于 2023-09-06 - 来自专栏往期博文
数学建模番外篇8：画图配色
前面已经总结了各类画图类型/套路/技巧，此篇来总结一下配色。 之前有提到，通常在白底背景下，颜色以淡色为主会显得比较美观。
62910编辑于 2022-06-14 - 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 - 来自专栏往期博文
数学建模暑期集训8：熵权法
在本专栏第三篇博文中列举了熵权法的公式数学建模学习笔记（三）熵权法Excel实现，但用Excel实现的讲解视频已经无法观看，这篇博文就来用matlab实现熵权法，比excel手动操作更加方便。 个结果也为0 else lnp(i) = log(p(i)); end end end 主函数（和Topsis结合使用） %% 第一步：把数据复制到工作区 ，并将这个矩阵命名为X % （1）在工作区右键，点击新建（Ctrl+N)，输入变量名称为X % （2）在Excel中复制数据，再回到Excel中右键，点击粘贴Excel数据（Ctrl+Shift+V） % （3）关掉这个窗口，点击X变量，右键另存为，保存为mat文件（下次就不用复制粘贴了，只需使用load命令即可加载数据） % （4）注意，代码和数据要放在同一个目录下哦。 ，主要依据的是指标的变异程度（即一个指标中的各个数据方差越大，所含的信息量就越大，那么该指标的权重会越大）。
1.2K20编辑于 2022-06-14 - 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 （四）使用调度 在对数据仓库进行 增量更新时必须使用调度（图八：pic8.jpg），即对事实数据表进行增量更新处理，在使用调度前要考虑到事实数据量，需要多长时间更 新一次，比如希望按天进行查看，那么我们最好按天进行抽取 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。 历史拉链法：所谓拉链，就是记录历史，记录一个事务从开始，一直到当前状态的所有变化信息(参数新增开始结束日期); 8. 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。 以下是一个简单的文档示例：{ "_id": ObjectId("60a8e03c8f61b9423fe2a303"), "name": "John", "age": 30, "email // 用户集合{ "_id": ObjectId("60a8e03c8f61b9423fe2a303"), "name": "John", "age": 30, "email": "john { "product": "Macbook Pro", "quantity": 1 } ]}// 订单集合{ "_id": ObjectId("60a8e03c8f61b9423fe2a304 "), "user_id": ObjectId("60a8e03c8f61b9423fe2a303"), "product": "iPhone", "quantity": 1}在这个示例中，
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？ 但这个问题又很重要，因为有标杆认识到差距才能进步，有伙伴邀笔者去讲讲数据建模，说实话，笔者也不知道怎么讲，因为这个跟企业自己的业务和数据太相关了，所谓的业界的标准建模理论和方法也变得无足轻重。 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？
2.5K80发布于 2018-02-24 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？ 迭代不能拍脑袋决定，得看数据反馈进行策略调整：结语数据建模是把业务价值和技术实现连起来的“结合点”，一个好的模型：让业务的人看得懂、用着顺，让技术的人改起来方便、跑起来顺畅。 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。 以国家统计局2025年1-8月份的数据为例，仅规模以上工业企业就需要处理庞大的生产、销售和利润数据。 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
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。 ：使用nn.Sequential按层顺序构建模型，继承nn.Module基类构建自定义模型，继承nn.Module基类构建模型并辅助应用模型容器(nn.Sequential,nn.ModuleList, 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 pycharm标记的错误 python中的导入路径要诀：从哪里开始运行，就从哪里开始导入 1.4 开发流程总结 创建项目scrapy startproject 项目名 明确目标：在items.py文件中进行建模
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 - 来自专栏企鹅号快讯
Python数据建模-回归分析
主题 数据建模 我还是一次性将一些理论的知识整理完呗，大家可以选择性地看看就好，后续会找一些实例来练练。 一、分类与预测 分类与预测是预测问题的2种主要实现类型。 （是不是勾起了使用python建模的兴趣了哈哈哈） 这里是使用Scikit-Learn对数据进行逻辑回归分析，最重要的特征筛选有很多方法，主要包含在scikit-learn的feature_selection 3）稳定性选择（stability selection） 是一种基于二次抽样和选择算法相结合的方法，主要的思想就是在不同的数据子集和特征子集上运行特征选择算法，不断重复，最终汇总特征选择结果。 小节： 1）因篇幅有限，本文只是讲一下逻辑回归建模的一些算法，后续还会继续讲一下决策树、人工神经算法等的一些python实例； 2）本文的使用到的Scikit-Learn，是一种机器学习的建模方法，我从网上也找到了一些栗子 ，大家可以看一下附录提供的链接； 3）附录还有一个也是关于逻辑回归建模的另一个栗子，大家可以点击一下链接看看；
2.9K90发布于 2018-02-26 - 来自专栏铭毅天下
干货 | Elasticsearch 数据建模指南
如何设计阶段优化建模才能提高响应速度？ 以上这些疑问也均是数据建模问题。 数据建模是为存储在数据库中的资源创建和分析数据模型的过程。 数据建模主要目的是表示系统内的数据类型、对象之间的关系及其属性。 数据模型有助于了解需要哪些数据以及应如何组织数据。 从以上两个反例，以及这条招聘信息中便可以窥探出数据建模的重要性。下面我们具体说说如何做数据建模。 2、Elasticsearch 如何数据建模？ 我们再来分析一下数据建模的流程，如下图所示。 数据建模的流程图 首先，根据业务选择合适的数据类型。 有 Elasticsearch 建模问题欢迎留言交流。 本文成文于：2021年8月11日
1.5K10编辑于 2022-05-23 - 来自专栏云计算linux
大数据实训之数据建模
, 针对于分析系统, 我们会使用维度建模, 对于业务系统, 我们会使用ER建模 什么是数据库建模 在设计数据库时，对现实世界进行分析、抽象、并从中找出内在联系，进而确定数据库的结构，这一过程就称为数据库建模 常见的数据库建模有关系建模和维度建模 关系建模 关系建模将复杂的数据抽象为两个概念——实体和关系，并使用规范化的方式表示出来。 维度建模 维度模型以数据分析作为出发点，不遵循三范式，故数据存在一定的冗余。 (城市,省份,国家)进行对应的地区维度进行统计 4 根据账户, 客户的信息进行对应的 维度建模 在OLAP的数据仓库的设计中, 为了方便我们的查询效率, 通常采用的是维度建模, 在维度建模的设计中 事实表作为数据仓库建模的核心，需要根据业务过程来设计，包含了引用的维度和业务过程有关的度量。
35410编辑于 2024-12-07
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