我吧！在不熟的人面前不喜欢多说话，在不认识的人面前也很少去主动打招呼，有除非别人主动来跟我说话，但

维度表可以看作是用户来分析数据的窗口，维度表中包含事实数据表中事实记录的特性，有些特性提供描述性信息，有些特性指定如何汇总事实数据表数据，以便为分析者提供有用的信息，维度表包含帮助汇总数据的特性的层次结构。例如，包含产品信息的维度表通常包含将产品分为食品、饮料、非消费品等若干类的层次结构，这些产品中的每一类进一步多次细分，直到各产品达到最低级别。在维度表中，每个表都包含独立于其他维度表的事实特性，例如，客户维度表包含有关客户的数据。维度表中的列字段可以将信息分为不同层次的结构级。维度表包含了事实表中指定属性的相关详细信息，比如，详细的产品，客户属性，存储信息等。

维度表是一种存储具有可解释性的维度值的数据表。它用于在数据仓库中定义和组织数据。维度表通常由一组描述维度值的行组成。每一行都描述了一个维度值，比如时间，地点，类别，等等。维度表可以连接到事实。事实表是一种数据表，用于存储衡量某一维度的测量值。它包含一列指示维度值，以及一列或多列指示测量值。事实表可以连接到维度表，以查询和分析给定维度的测量值。

测量量表和维度表的区别如下。量表主要用来测量人们的感觉或主观判断，它的测量逻辑是假定有相同主观感觉的人，会在一个由弱到强的连续线段(维度)的相同位置，标出自己的感觉。量表有助于概念化与操作化过程，它产生量化测量，并且可以和其他变量一起被用来检定假设。维度表：表格里存放了具有独立属性和层次结构的数据，一般由维度编码和对应的维度说明。

维度表。维度表是指一般对事实的描述信息，每一张维表都对应着现实中的一个对象或概念，比如用户、商品等。事实表是事实数据表的简称，主要是包含大量数据，并且数据可以汇总并被记录。

解决excel制作多维度图表的步骤如下：1.在Excel表中做好三个指标的数据，然后用全选数据表格。2.选择PPT中 “插入”选项卡中的“图表”，选择插入“组合”图表。3.选择“同比增长”曲线，然后右键“设置数据系列格式”，再选择“次坐标”即可将曲线调至次坐标。4.我们再通过调整图表样式，展示图表明细数据。选中“图表”，点击选项卡“设计”中“快速布局”中的“布局5”即可。这样就解决了excel制作多维度图表的问题了。

1. 数据仓库的概述数据仓库是企业级数据管理系统的基础，用于集成、管理和存储组织的数据，主要用于支持分析和决策制定。数据仓库可以用来存储企业内部的各种数据，包括从各种数据源中提取的、经过清洗和整合后的数据，这些数据可以用来进行各种分析和报表生成。2. 数据仓库的基本元素数据仓库的基本元素主要包括以下四个表：事实表、维度表、数据源表和映射表。（1）事实表事实表是由一组度量和一个或多个外键组成的表。度量是指要分析和计算的数据指标，而外键则用于链接事实表和维度表。（2）维度表维度表包含多个被常规地使用的维度的所有属性，这些属性用于对度量进行分组和分析。维度通常包括时间、地理位置、产品和客户等，每个维度都对应一个维度表。（3）数据源表数据源表包含来自各种数据源的原始数据，应该是从外部数据源中提取出来的未处理的数据。数据源表一般比较大，但是包含的数据是非常粗糙的，常常需要进行清洗、转换和整合。（4）映射表映射表用于在不同的表之间建立关联，通常是事实表和维度表之间的关联。映射表将事实表的外键或维度表的主键与其他表的主键联系起来。3. 数据仓库的架构数据仓库的架构主要分为三层：数据源层、ETL层和OLAP层。（1）数据源层数据源层包含企业内部所有的数据源，这些数据可以是来自各种业务系统的数据、传感器数据和外部数据等。数据源层的主要目的是提供原始数据，不进行任何处理。（2）ETL层ETL层是用于将数据从数据源层中提取、清洗、转换和整合的层。ETL层将数据转换成安全、一致和有意义的格式，以便更好地支持商业智能和决策制定。（3）OLAP层OLAP层是数据仓库最终被用户和应用程序使用的层。OLAP层包含一个或多个数据立方体，用户和应用程序可以使用这些数据立方体进行高性能和灵活的行和列分析。4. 数据仓库的优点（1）为企业提供一致的数据视图，支持跨部门和内部的数据共享和管理。（2）提供了一种快速且可靠的方式来访问企业数据，随时随地提供商业智能和决策制定支持。（3）支持大规模数据存储和处理，为企业提供了强大的数据仓库和分析能力。5. 数据仓库的缺点（1）建立和维护数据仓库需要大量的人力、时间和资源投入。（2）数据仓库需要增量更新及操作的支持，否则日常运营无法满足需求。（3）数据仓库的构建周期比较长，对企业的数据处理能力和数据质量要求较高。6. 数据仓库的应用数据仓库广泛应用于商业智能、数据分析和决策制定领域，包括以下应用：（1）在银行、保险等金融领域进行风险控制和贷款评估等分析。（2）在零售和供应链管理领域进行库存管理、销售分析和采购分析等。（3）在医疗保健领域进行病例管理、药品分析和医疗账单管理等。7. 数据仓库的未来数据仓库在数字化和信息化的战略之下，将继续发挥重要的作用。在未来，数据仓库将更加注重使用大数据技术，包括实时数据、流数据和非结构化数据等。同时，数据仓库在云计算、人工智能和机器学习领域都将得到更多的应用扩展。

事实表的度量字段可以合并到维度表中。1、事实表每个数据仓库都包含一个或者多个事实数据表，事实表是对分析主题的度量，它包含了与各维度表相关联的外键，并通过连接Join方式与维度表关联。事实表的度量通常是数值类型，且记录数会不断增加，表规模迅速增长。例如，现存在一张订单事实表，其字段Prodid商品id可以关联商品维度表、TimeKey订单时间可以关联时间维度表等。2、维度表维度表可以看作用户分析数据的窗口，维度表中包含事实数据表中事实记录的特性，有些特性提供描述性信息，有些特性指定如何汇总事实数据表数据，以便为分析者提供有用的信息。维度表包含帮助汇总数据的特性的层次结构，维度是对数据进行分析时特有的一个角度，站在不同角度看待问题，会有不同的结果。

维度表。应交税费科目用于核算企业按照税法等规定计算应交纳的各种税费，包括增值税、消费税、所得税、资源税、土地增值税等，应交税费是维度表，应交税费是指企业根据在一定时期内取得的营业收入、实现的利润等。

涉及的知识点太多了。等待有缘人给你描述。

事实表的度量字段可以合并到维度表中。事实表和维度表合并到一起才能够描述一个完整的业务事件。维度表就是你观察该事物的?度(维度)，事实表就是你要关注的内容。

在Tableau中，使用双轴图制作方法就可以实现制作多维度图表了。具体内容可以看一下Tableau举个栗子。

类似于客户这种实体维度。。。有时候数据量是比较大的。比如银行客户，上千万，交易事实表上十亿数据量大的维度是很难避免的，除非你行业的数据量本来就小。金融、电信、互联网这些行业的数据仓库中会有大量的维度，维度里面的记录数也很大。

其实只要遵循一定的表命名逻辑也可以查的到（针对CUBE），如下：实表（Fact Table）：/BI0/ + F/E + CUBE名 --- 标准cube； /BIC/ + F/E + CUBE名 --- 客制cube；F表：是通过存放通过请求传输的数据E表：是通过对F表进行compression后存放的数据维表（Dimension Table）： /BI0/D + 维度名 --- 标准cube； /BIC/D + 维度名 --- 客制cube；

维度属性通常不是静态的，而是会随时间变化的，数据仓库的一个重要特点就是反映历史的变化，所以如何保存维度的历史状态是维度设计的重要工作之一。保存维度数据的历史状态，通常有以下两种做法，分别是全量快照表和拉链表 1 ）全量快照表 离线数据仓库的计算周期通常为每天一次，所以可以每天保存一份全量的维度数据。这种方式的优点和缺点都很明显 优点是简单而有效，开发和维护成本低，且方便理解和使用。 缺点是浪费存储空间，尤其是当数据的变化比例比较低时。 2 ）拉链表 拉链表的意义就在于能够更加高效的保存维度信息的历史状态。 拉链表是记录每条信息的生命周期，一旦一条记录的生命周期结束，就重新开始一条新的记录，并把当期日期放入生效开始日期，如果当前信息至今有效，再生效结束日期种填入一个极大值 （1）什么是拉链表 拉链表适合于：数据发生变化，但是变化频率并不高的维度（即：缓慢变化维） 比如：用户信息会发生变化，但是每天变化的比例不高。如果数据量有一定规模，按照每日全量的方式保存效率很低。比如：1亿用户*365天，每天一份用户信息（做每日全量效率低） 通过，生效开始日期<=某个日期且生效结束日期>=某个日期如果事实表中一条记录在某个维度表中有多条记录与之对应，称为多值维度。例如，下单事实表中的一条记录为一个订单，一个订单可能包含多个商品，所会商品维度表中就可能有多条数据与之对应。 针对这种情况，通常采用以下两种方案解决。 第一种：降低事实表的粒度，例如将订单事实表的粒度由一个订单降低为一个订单中的一个商品项。 第二种：在事实表中采用多字段保存多个维度值，每个字段保存一个维度id。这种方案只适用于多值维度个数固定的情况。 建议尽量采用第一种方案解决多值维度问题 维表中的某个属性同时有多个值，称之为“多值属性”，例如商品维度的平台属性和销售属性，每个商品均有多个属性值。 针对这种情况，通常有可以采用以下两种方案。 第一种：将多值属性放到一个字段，该字段内容为key1:value1，key2:value2的形式，例如一个手机商品的平台属性值为“品牌:华为，系统:鸿蒙，CPU:麒麟990”。 第二种：将多值属性放到多个字段，每个字段对应一个属性。这种方案只适用于多值属性个数固定的情况

度量值不是取自维度表。根据查询相关资料信息度量值不属于任何一张事实表或者维度表，它是属于模型的。度量值只有当放入图表时才会进行计算，未拖入图表时只是暂时占用内存。

我看出你的问题了，就是要在DB2 下创建一张这种表呗，你把原来的那个表的SQL复制过来改一下就可以跑了吧

1、方便地保存数据 2、数据一致性 3、适应变化 4、及时展现数据 5、信息安全 6、数据权威 7、支撑业务 1、理解业务 理解用户 2、为用户提供高质量、相关的、可访问的信息 3、维护数仓/分析环境 1、维度模型和3NF模型包含的数据是一样的，只是维度模型存储的数据更易理解，查询性能更高，包装得更灵活 事实表： 2、维度模型中的事实表来自对业务过程性能的 度量 3、事实表中每行对应一个度量事件 4、每行中的数据是一个特定级别的细节数据，称为 粒度 5、事实表通常分为事务、累计快照、周期快照 6、事实表主键通常成为组合键 维度表： 7、维度表包含与业务过程度量事件有关的文本 环境 8、数仓分析环境取决于维度属性的质量和深度 1、Kimball 1、收集业务需求与数据实现 2、维度设计过程：选择业务过程、声明粒度、确认维度、确认事实 3、业务过程是组织完成的操作型活动（订单、注册） 4、粒度：事务表里的每一行表示的是什么 5、维度：用于描述环境 6、事实：对业务过程进行度量 7、灵活扩展：事实粒度一致时可直接创建列，通过新的维度列关联维度至事实，可以在维度表上简历新列添加属性，可以使事实表粒度更原子化 1、事实表行对应一个度量事件 2、可加、半可加是针对维度而言的，部分维度可加的是半可加。 3、事实表中的外键不能存在空值 4、最好保证事实度量是一致的 5、事务事实表：一行对应空间或时间上某点的度量事件，比如订单表、日志表 6、周期快照事实表：每行汇总了发生在某一周期的多个度量事件，比如一个用户在一天里的点击、退出次数 7、累计快照事实表：每行汇总了发生在过程开始和结束之间可预测步骤内的度量事件，比如订单有提单、支付、成单、配送、评价的可作为度量的过程 8、无事实事务表：可能存在某些事件仅仅记录 多维实体 ，没有数字化的事实 9、聚集事实表：对原子粒度事实表数据进行上卷 感觉多数还是事务和聚集事实表 1、维度表应当具有单一主键列，它是扁平非规范表 2、维度表需要主键，可以为维度表生成无语义的整数型主键，可以借助UDF来进行生成 3、操作型系统中自然键不能满足需求时可以采用持久性超自然键 4、将常用维度退化到事实表中，清楚地表明没有关联的维度 5、同一维度可能存在不同的层次，一级城市，二级城市 6、可以建立将不同维度合并到一起的杂项维度，而不要为每个标识或属性定义不同维度 7、 雪花维度： 低粒度属性作为辅助表通过属性键连接到基本维度，当这一过程中包含多重维度表层次时，建立的多级层次结构被称为雪花模式 8、支架维度：被引用的辅助维度成为支架维度，比如银行账户维度可以引用开户日期维度 当不同的维度表的属性具有相同列名和领域内容时，称维度表具有一致性 1、原样保留 2、重写 3、增加行 4、增加新属性（列） 1、固定深度位置层次，能够提佛那个可预测的、快速的查询性能 2、其他还可能存在可变深度层次、层次桥接、路径字符属性可变深度层次，但这些最好向固定深度层次进行统一 1、蜈蚣事实表：存在多层次维度外键 2、事实表也可分配代理键 3、多遍SQL以避免事实表间的连接 1、聚集事实也可作为维度进行处理（例如金额大于多少的用户） 2、步骤维度：在日志表里可以为行为顺序进行编号，探究行为发生的过程，这个维度叫步骤维度

事实表。合同是平等主体的自然人、法人、其他组织之间设立、变更终止民事权利义务关系的协议，合同是事实表，事实表，即为事实数据表的简称。主要特点是含有大量的数据，并且这些数据是可以汇总，并被记录的。

苏宁八大产业,每个产业有自己的数据集市,每个数据集市有自己的维度表，没有统一的维度管理(包括管理规范和系统支撑)。业务痛点包含以下几个方面： 建立统一的维度管理系统，实现对维度信息的统一管控，并为集团的数据产品提供统一的维度数据服务，包含维度开发管理，维度信息管理及维度数据服务三个方面。 维度数据 如上图所示，ETL将采集的数据，进行数据清洗之后存储到维度数据仓库（磐石）中，维度系统再将维度数据仓库中的数据同步达到维度库系统。 维度数据存储方式：维度数据一般以一百万的数据量作为分割点，一百万以上数据量的维度采用的存储是HBASE，一百万以下的数据采用的存储是MYSQL。 维度数据同步方式：存储到HBASE的维度数据采用的是BULKLOAD导入，存储到MYSQL的维度数据采用的是SPARKSQL+RDD写入。针对数据同步都已经实现通过页面配置任务的方式一键同步，节省人工。 为什么采用这种存储方式？ 1， 针对数据量的大小采用不同的存储引擎，节约存储资源，提高维度服务的稳定性。 2， 实时指标的计算：OALP需要关联维度表和事实表做指标数据加速（实时计算指标数据）。这种需要实时的查询维度表的所有维度属性，调用量非常庞大，所以采用了直接查询HBASE的方式。 3， 维度需要提供基于维度值ID查询维度值名称的服务(包括批量精确查询和模糊查询)，HBASE在精确查询上性能较高。MYSQL由于数据量不大，可以再加一层分布式缓存，提高精确查询维度值的性能。 维度建模 1， 选择业务过程 根据业务场景以及可用数据源 2， 声明粒度 根据事实表及应用场景，确定汇总粒度，一般尽可能的用最细粒度 3， 确定维度 根据确定的粒度，定义对应的维度，最细粒度，也是最低层次的维度 4， 确定事实 确认将哪些事实放到事实表中，维度表只是做关联，不做维度数据的查询服务。 维度定义 1. 当增加新的维度时，编码号将在已用号码的基础上递增，四位十进制编码号不能满足需求时，可增加编码号长度为五位十进制数，以此类推。 2. 当删除已有的维度时，其编码号将不再利用。 3. 当修改已有的维度时，其编码号不变。 4. 当拆分已有的维度或合并两个及两个以上的维度时（数据应用场景需要），其编码号的使用原则按照删除原维度，并新增拆分/合并后的维度执行。 维度管理 维度：目前维度平台支持快速定义维度,通过设置维度的基本信息，选择维度映射的维度表，做好维度与维度表的映射，设定维度的一些特性（布尔维度，时间维度，杂项维度等），检测维度的定义结果。达到了让业务人员能够只是通过页面操作就可以制定需要的维度。 维度表：数据开发人员可以通过维度库平台定义维度表，定义好之后可以集成数据仓库的同步任务一键将仓库的数据同步到维度表中，将维度表与维度做映射关系。 维度层级：维度库平台支持定义维度层级，只要是维度库平台上有的维度表并且做好维度与维度的映射关系之后，就可以定义需要的维度层级，根据维度层级提供维度值的上卷下钻查询服务。 维度血缘：提供了维度，指标，报表的血缘关系，以及还准备做的维度数据的血缘，维度，指标，报表调用次数的血缘等等。 维度服务 1. 维度服务调用申请： 调用维度服务，需要在维度库管理系统中申请调用权限。等维度管理系统授权之后，生成维度服务调用授权码，在调用维度服务的时候带上维度服务调用授权码，维度服务会根据授权码判定是否有访问权限。 2. 维度系统提供的服务： 1,对存储在HBASE的维度表，我们又加了一层存储到ELASTICSEARCH（提供维度值的模糊查询服务） 2，针对负载较高的HBASE表，加了一层本地缓存，解决热点问题。 3，对存储在MYSQL的维度表，我们又加了一层存储到分布式缓存ZEDIS（提供维度值精确查询服务）。提供了定时或者手动刷新缓存数据的功能，以及缓存数据的监控机制。 监控分析 由于维度服务的调用量是亿万级别的，系统的监控统计，采用的是Log4j+kafka+druid的架构，如下图所示，应用将调用日志采用log4j- KafkaLog4jAppender写入kafka中，再将kafka与druid集成，准实时的输入druid中，业务基于druid做统计分析，查看维度服务调用成功或失败的情况。 除了维度服务的调用监控，平台还有针对维度值的数据量监控（主要监控暴增或者突然没有维度数据的情况），维度值数据质量的监控（根据维度表和事实表做数据比对，分析维度值数据的差异情况）。维度数据同步任务的监控（每个维度表的数据同步情况监控，异常告警到具体的任务负责人）。通过各种有效的监控手段，来提升维度服务的稳定性和准确性。 1. 未来平台会更加的完善,会有越来越多的维度在平台上建设,提供更加稳定和高效的维度查询服务。 2. 能够支持更多个性化的维度，能够支持维度的数据版本（例如过去一段时间的维度值），支撑全集团所有数据产品的维度调用服务，将平台打造成苏宁主数据服务的航空母舰。 3. 通过维度数据资产体系的建立，实现集团一切业务数据化，连接打通数据孤岛，驱动一切数据业务化，助力企业数字化转型，让数据做到真正意义上的产生价值。 4. 通过提供各种维度数据支持数据产品及各类应用产品，帮助各岗位用户在日常经营决策中做出正确决策。 目前平台的现状及以后的规划 1， 完善系统监控功能点：缓存任务较多，没有有效的监控，告警机制。 2， 完善业务监控功能点：数据量监控，数据异常监控，告警功能 3， 落地维度新增、变更、下线全流程审核管理功能. 4， 完善应用层的维度、指标、报表数据链路的血缘分析图谱，全方位透析资产， 5， 打通全链路维度变更通知的消息机制，降低数据链路变更带来的风险， 6， 多系统用户资源隔离、限流，保障多个部门在使用和体验上的一致性， 7， 支持用户自定义维度、完善个人工作台，基于通用维度进行维度的衍生， 8， 维度门户的建设，将业务端和管理端进行隔离，提升用户体验

还是走的维度模型的思路?

本文介绍数据仓库中维度数据建模的过程描述，并举一个示例以加深对相关概念的理解。 维度模型是数据仓库领域大师Ralph Kimall所倡导，他的《数据仓库工具箱》，是数据仓库工程领域最流行的数仓建模经典。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。 1、通过对业务需求以及可用数据源的综合考虑，确定对哪种业务过程开展建模工作 2、建立的第一个维度模型应该是一个最有影响的模型——它应该对最紧迫的业务问题作出回答，并且对数据的抽取来说是最容易的。 注：粒度是指数据仓库的数据单位中保存数据的细化或综合程度的级别，细化程度越高，粒度就越小 1、应该先优先考虑为业务处理获取最有原子性的信息而开发维度模型。原子型数据是所收集的最详细的信息，这样的数据不能再做更进一步的细分。 2、数据仓库几乎总是要求在每个维度可能得到的最低粒度上对数据进行表示的原因，并不是因为查询想看到每个低层次的行，而是因为查询希望以很精确的方式对细节知识进行抽取。 一个经过仔细考虑的粒度定义确定了事实表的基本维度特性。同时，经常也可能向事实表的基本粒度加入更多的维度，而这些附加的维度会在基本维度的每个组合值方面自然地取得唯一的值。如果附加的维度因为导致生成另外的事实行而违背了这个基本的粒度定义，那么必须对粒度定义进行修改以适应这个维度的情景。 确定将哪些事实放到事实表中。粒度声明有助于稳定相关的考虑。事实必须与粒度吻合。在考虑可能存在的事实时，可能会发现仍然需要调整早期的粒度声明和维度选择 维度建模中有一些比较重要的概念，理解了这些概念，基本也就理解了什么是维度建模。 额，看了这一句，其实是不太容易理解到底什么是事实表的。 比如一次购买行为我们就可以理解为是一个事实，下面我们上示例。 图中的订单表就是一个事实表，你可以理解他就是在现实中发生的一次操作型事件，我们每完成一个订单，就会在订单中增加一条记录。 我们可以回过头再看一下事实表的特征，在维度表里没有存放实际的内容，他是一堆主键的集合，这些ID分别能对应到维度表中的一条记录。 我们的图中的用户表、商家表、时间表这些都属于维度表，这些表都有一个唯一的主键，然后在表中存放了详细的数据信息。 下面我们将以电商为例，详细讲一下维度建模的建模方式，并举例如果使用这个模型（这点还是很重要的）。 假设我们在一家电商网站工作，比如某宝、某东。我们需要对这里业务进行建模。下面我们分析几点业务场景： 好，基于这几点，我们来设计我们的模型。 下面就是我们设计出来的数据模型，和之前的基本一样，只不过是换成了英文，主要是为了后面写sql的时候来用。 我就不再解释每个表的作用了，现在只说一下为什么要这样设计。 首先，我们想一下，如果我们不这样设计的话，我们一般会怎么做？ 如果是我，我会设计下面这张表。你信不信，我能列出来50个字段！其实我个人认为怎么设计这种表都有其合理性，我们不论对错，单说一下两者的优缺点。 先说我们的维度模型： 再说我们这张大款表的优缺点： 数据模型的建立必须要为更好的应用来服务，下面我先举一个例子，来切实地感受一下来怎么用我们的模型。 需求 ：求出2016年在帝都的男性用户购买的LV品牌商品的总价格。 实现 ： 维度建模是一种十分优秀的建模方式，他有很多的优点，但是我们在实际工作中也很难完全按照它的方式来实现，都会有所取舍，比如说为了业务我们还是会需要一些宽表，有时候还会有很多的数据冗余。

factory="com.alibaba.druid.pool.DruidDataSourceFactory" 6 auth="Container" 7 type="javax.sql.DataSource" 8 driverClassName="oracle.jdbc.OracleDriver" 9 url="jdbc:oracle:thin:@192.168.1.229:1521:lead"10 username="lead_oams"11 password="p"12 maxActive="50"13 maxWait="10000"14 removeabandoned="true"15 removeabandonedtimeout="60"16 logabandoned="false"17 filters="stat"/>18

双维度（X轴）可视化效果图：双轴（Y轴）可视化效果图数据图表皆出自免费的BDP个人版。

星型布局模式的特点是在事实表外侧只有一层维度表。星型布局是数据仓库中最常用的模型之一，其特点是在事实表外侧只有一层维度表，这些维度表与事实表之间通过外键依赖关系进行关联。特点包括：1、易于理解：星型模型以简洁的方式呈现事实表和维度表之间的关系，易于理解和查询。2、高效：星型模型的简洁性使得数据查询速度更快，因为查询时只需要通过单一的关联路径访问事实表和维度表。3、易于拓展：星型模型支持很好的可扩展性，新增的维度表可以轻松地和事实表进行关联。4、存储空间相对较小：相较于其他模型如雪花模型，星型模型的存储空间较少。5、数据粒度较大：星型模型总的数据粒度较大，因为数据只存在于各个维度的交叉点上，不像其他模型可以通过多维度的层级关系精细地描述数据。星型布局模式的用途1、数据分析：星型布局模式提供了一个简单而有效的方式，通过将数据整合到一个简单一致的结构中，使得对数据的分析变得轻松快捷。因此，它对数据分析师和决策者具有很高的价值。2、决策支持：星型布局模式便于将数据以维度为中心组织，使得快速定位需要的信息变得更加方便。当需要做出决策时，此模式提供了一种可靠的方式来建立数据分析牢固的基础。3、报表生成：通过将数据整合到星型模式中，生成报表变得更加容易。数据仓库的星型模式是标准化的，这就允许企业应用简单的报表工具来生成各种基于事实的统计数据。4、报告和KPIs（关键绩效指标）的管理：在星型模式中，以数据仓库中的事实表为中心，提供了一种有机的方式来管理务实的KPIs。5、BI（商业智能）应用开发：企业可以利用星型模式来构建BI应用程序，BI应用程序可以直接访问数据仓库，更轻松地创建适合业务需求的可视化报表和图表。

1、首先选择是否展开横向、纵向节点。2、其次点击样式，勾选显示序号。3、然后冻结表格维度，包括行表头和列表头。4、最后联动传递指标过滤条件，取消勾选即可冻结finebi维度表头。

在建模复杂的操作型源数据时，通常会遭遇大量五花八门的指标和标志。它们包含小范围的离散值，处理这些较低粒度的标志和指标可以采用以下几种方法。 1、忽略这些标志和指标。 2、保持事实表行中的标志和指标不变。 3、将每个标志和指标放入其自己的维度中：如果外键的数量处于合理的范围中）不超过20个），则在事实表中增加不同的外键是可以接受的，但是，若外键列表已经很长的，应该避免将更多的外键加入到事实表中。 4、将标志和指标存储到订单表头维度中。 处理这些标志和指标的适当替换方法是，仔细研究它们，并将它们包装为一个或多个杂项维度。杂项维度就像厨房中的垃圾抽屉，厨房的垃圾抽屉用于放置各种各样的家用物品。例如，橡皮圈、回形针电池等，尽管如果采用专门的垃圾抽屉会非常容易定位橡皮圈，但难以存在足够的存储能力，不能保证为单一目的的分配存储空间。杂项抽屉使您能够满意的存放东西，还能维持其他主要和经常使用的盘子和碟子的存储空间。 杂项维度是对低粒度的标志和指标的分组，通过建立杂项维度，将标志和指标从事实表中移出，并将它们放入到有用的多维框架中。 如果具有高度非关联的属性，包含更多的数量值，则将它们合并为单一的杂项维度为主没有多的意义。在建模表头/明细数据维度时需要避免两个常见的设计错误。 1、将事务表头当成维度。采用这样的设计方法对每个新订单来说，将在维度表中增加一行。在事实表中平均增加5行，如果某个订单通常包含五个明细项，则纬度大小将是事实表的20%，订单事实的大小与与之关联纬度的大小应该有数量级的差别。即纬度表不应该与事实表以同样的速率增长。 2、在列表事实中没有继承表头纬度。订单表表头不能被当成是整体维度而是被当成事实表。 不要在单一事实表中混淆类似订单表头或订单明细事实粒度。在事实表中包含一个附加的及时计数器，设置为可加值0或者1，表示列表内容发货是否及时。同样，可以增加一个延迟度量，表示天数，可以是正的或者负的。表示介于请求日期和实际发货日期之间的时间。 有时用户希望分析整个订单流水线的情况，用户希望更好地理解产品生产速度，或者知道产品在流水线中流动的速度有多快。累积快照事实表可提供此类业务场景。

作者：宋天龙 如需转载请联系华章 科技 数据缺失分为两种：一种是 行记录的缺失 ，这种情况又称数据记录丢失；另一种是 数据列值的缺失 ，即由于各种原因导致的数据记录中某些列的值空缺。 不同的数据存储和环境中对于缺失值的表示结果也不同，例如，数据库中是Null，Python返回对象是None，Pandas或Numpy中是NaN。 在极少数情况下，部分缺失值也会使用空字符串来代替，但空字符串绝对不同于缺失值。从对象的实体来看，空字符串是有实体的，实体为字符串类型；而缺失值其实是没有实体的，即没有数据类型。 丢失的数据记录通常无法找回，这里重点讨论数据列类型缺失值的处理思路。通常有4种思路。 1. 丢弃 这种方法简单明了，直接删除带有缺失值的行记录（整行删除）或者列字段（整列删除），减少缺失数据记录对总体数据的影响。 但丢弃意味着会消减数据特征 ，以下任何一种场景都不宜采用该方法。 2. 补全 相对丢弃而言，补全是更加常用的缺失值处理方式。通过一定的方法将缺失的数据补上，从而形成完整的数据记录，对于后续的数据处理、分析和建模至关重要。常用的补全方法如下。 3. 真值转换法 在某些情况下，我们可能无法得知缺失值的分布规律，并且无法对于缺失值采用上述任何一种补全方法做处理；或者我们认为数据缺失也是一种规律，不应该轻易对缺失值随意处理，那么还有一种缺失值处理思路—真值转换。 该思路的根本观点是， 我们承认缺失值的存在，并且把数据缺失也作为数据分布规律的一部分 ，将变量的实际值和缺失值都作为输入维度参与后续数据处理和模型计算中。但是变量的实际值可以作为变量值参与模型计算，而缺失值通常无法参与运算，因此需要对缺失值进行真值转换。 以用户性别字段为例，很多数据库集都无法对会员的性别进行补足，但又舍不得将其丢弃掉，那么我们将选择将其中的值，包括男、女、未知从一个变量的多个值分布状态转换为多个变量的真值分布状态。 然后将这3列新的字段作为输入维度替换原来的1个字段参与后续模型计算。 4. 不处理 在数据预处理阶段，对于具有缺失值的数据记录不做任何处理，也是一种思路。这种思路主要看后期的数据分析和建模应用， 很多模型对于缺失值有容忍度或灵活的处理方法 ，因此在预处理阶段可以不做处理。 常见的能够自动处理缺失值的模型包括：KNN、决策树和随机森林、神经网络和朴素贝叶斯、DBSCAN（基于密度的带有噪声的空间聚类）等。这些模型对于缺失值的处理思路是： 在数据建模前的数据归约阶段，有一种归约的思路是 降维 ，降维中有一种直接选择特征的方法。假如我们通过一定方法确定带有缺失值（无论缺少字段的值缺失数量有多少）的字段对于模型的影响非常小，那么我们根本就不需要对缺失值进行处理。 因此，后期建模时的字段或特征的重要性判断也是决定是否处理字段缺失值的重要参考因素之一。 对于缺失值的处理思路是先通过一定方法找到缺失值，接着分析缺失值在整体样本中的分布占比，以及缺失值是否具有显著的无规律分布特征，然后考虑后续要使用的模型中是否能满足缺失值的自动处理，最后决定采用哪种缺失值处理方法。 在选择处理方法时，注意投入的时间、精力和产出价值，毕竟，处理缺失值只是整个数据工作的冰山一角而已。 在数据采集时，可在采集端针对各个字段设置一个默认值。以MySQL为例，在设计数据库表时，可通过default指定每个字段的默认值，该值必须是常数。 在这种情况下，假如原本数据采集时没有采集到数据，字段的值应该为Null，虽然由于在建立库表时设置了默认值会导致“缺失值”看起来非常正常，但本质上还是缺失的。对于这类数据需要尤其注意。 异常数据是数据分布的常态，处于特定分布区域或范围之外的数据通常会被定义为异常或“噪音”。产生数据“噪音”的原因很多，例如业务运营操作、数据采集问题、数据同步问题等。 对异常数据进行处理前，需要先辨别出到底哪些是真正的数据异常。从数据异常的状态看分为两种： 大多数数据挖掘或数据工作中，异常值都会在数据的预处理过程中被认为是噪音而剔除，以避免其对总体数据评估和分析挖掘的影响。但在以下几种情况下，我们无须对异常值做抛弃处理。 1. 异常值正常反映了业务运营结果 该场景是由业务部门的特定动作导致的数据分布异常，如果抛弃异常值将导致无法正确反馈业务结果。 例如：公司的A商品正常情况下日销量为1000台左右。由于昨日举行优惠促销活动导致总销量达到10000台，由于后端库存备货不足导致今日销量又下降到100台。在这种情况下，10000台和100台都正确地反映了业务运营的结果，而非数据异常案例。 2. 异常检测模型 异常检测模型是针对整体样本中的异常数据进行分析和挖掘，以便找到其中的异常个案和规律，这种数据应用围绕异常值展开，因此异常值不能做抛弃处理。 异常检测模型常用于客户异常识别、信用卡欺诈、贷款审批识别、药物变异识别、恶劣气象预测、网络入侵检测、流量作弊检测等。在这种情况下，异常数据本身是目标数据，如果被处理掉将损失关键信息。 3. 包容异常值的数据建模 如果数据算法和模型对异常值不敏感，那么即使不处理异常值也不会对模型本身造成负面影响。例如在决策树中，异常值本身就可以作为一种分裂节点。 数据集中的重复值包括以下两种情况： 去重是重复值处理的主要方法，主要目的是保留能显示特征的唯一数据记录。但当遇到以下几种情况时，请慎重（不建议）执行数据去重。 1. 重复的记录用于分析演变规律 以变化维度表为例。例如在商品类别的维度表中，每个商品对应的同1个类别的值应该是唯一的，例如苹果iPhone7属于个人电子消费品，这样才能将所有商品分配到唯一类别属性值中。但当所有商品类别的值重构或升级时（大多数情况下随着公司的发展都会这么做），原有的商品可能被分配了类别中的不同值。如下表所示展示了这种变化。 此时，我们在数据中使用Full join做跨重构时间点的类别匹配时，会发现苹果iPhone7会同时匹配到个人电子消费品和手机数码2条记录。对于这种情况，需要根据具体业务需求处理。 2. 重复的记录用于样本不均衡处理 在开展分类数据建模工作时，样本不均衡是影响分类模型效果的关键因素之一。解决分类方法的一种方法是对少数样本类别做简单过采样，通过随机过采样，采取简单复制样本的策略来增加少数类样本。 经过这种处理方式后，也会在数据记录中产生相同记录的多条数据。此时，我们不能对其中的重复值执行去重操作。 3. 重复的记录用于检测业务规则问题 对于以分析应用为主的数据集而言，存在重复记录不会直接影响实际运营，毕竟数据集主要是用来做分析的。 但对于事务型的数据而言， 重复数据可能意味着重大运营规则问题 ，尤其当这些重复值出现在与企业经营中与金钱相关的业务场景时，例如：重复的订单、重复的充值、重复的预约项、重复的出库申请等。 这些重复的数据记录通常是由于数据采集、存储、验证和审核机制的不完善等问题导致的，会直接反映到前台生产和运营系统。以重复订单为例： 因此，这些问题必须在前期数据采集和存储时就通过一定机制解决和避免。如果确实产生了此类问题，那么数据工作者或运营工作者可以基于这些重复值来发现规则漏洞，并配合相关部门，最大限度地降低由此而带来的运营风险。 本文摘编自《Python数据分析与数据化运营》（第2版），经出版方授权发布。

最好用一级公司表的 pk_Id 进行关联，你进行关联的那个字段可能会出现重复的状况，导致发生unique 约束不匹配，^-^.

这种设计提高了模型的灵活性。但是在某个别情况下，这种设计不是最优的。BI 提供了行项目维度选项。就是说，将维度标识为行项目维度，并且该维度表仅分配一个信息对象，即行项目信息对象。激活信息立方体时，系统不会对行项目维度创建新的维度表，而是将信息对象的SID 直接保存到信息立方体的事实表中，该字段直接指向信息对象的主数据标识符表。换句话说，系统忽略了使用维度表的路线。从星状结构图表中的信息块→维度→信息对象变成了行项目维度中的信息块→信息对象的连接方式。信息立方体的事实表直接与主数据表的SID关联，而没有维度表，在该行项目维度中只有一个特性。常见的应用场景还有销售订单，发票号等。

日期变换：(1)dt转日期to_date(from_unixtime(unix_timestamp("${dt}","yyyyMMdd")))(2)日期转dtregexp_replace("${date}","-","")(3)dt转当月1号日期to_date(from_unixtime(unix_timestamp(concat(substr("${dt}",1,6),"01"),"yyyyMMdd")))trunc(to_date(from_unixtime(unix_timestamp("${dt}","yyyyMMdd"))),"MM")-- 下月1号日期trunc(add_months(to_date(from_unixtime(unix_timestamp("${dt}","yyyyMMdd"))),1),"MM")(4)dt转当周星期一日期next_day(date_add(to_date(from_unixtime(unix_timestamp("${dt}","yyyyMMdd"))), -7), "Mo")date_sub(next_day(to_date(from_unixtime(unix_timestamp("${dt}","yyyyMMdd"))),"MO"),7)-- 下周星期一日期next_day(to_date(from_unixtime(unix_timestamp("${dt}","yyyyMMdd"))),"MO")(5)dt前六天日期(dt为星期天时得到的是本周周一的日期)date_add(to_date(from_unixtime(unix_timestamp("${dt}","yyyyMMdd"))), -6)(5)dt转当季第一天日期if(length(floor(substr("${dt}",5,2)/3.1)*3+1)=1,concat(substr("${dt}",1,4),"-0",floor(substr("${dt}",5,2)/3.1)*3+1,"-01"),concat(substr("${dt}",1,4),"-",floor(substr("${dt}",5,2)/3.1)*3+1,"-01"))(6)dt转半年第一天日期if(length(floor(substr("${dt}",5,2)/6.1)*6+1)=1,concat(substr("${dt}",1,4),"-0",floor(substr("${dt}",5,2)/6.1)*6+1,"-01"),concat(substr("${dt}",1,4),"-",floor(substr("${dt}",5,2)/6.1)*6+1,"-01"))(7)dt转当年1号日期concat(substr("${dt}",1,4),"-01-01")(8)在同时有日周月粒度时要注意数据的时间范围，有时每月的第一个自然周会跨月，比如2019年3月的第一周的日期是20190225-20190303where agent_business_date between date_add_day("${dt}",-31) and to_date(from_unixtime(unix_timestamp("${dt}","yyyyMMdd")))where dt between regexp_replace(date_add_day("${dt}",-31),"-","") and "${dt}"-------------------------------------------------------------------------------------------- 日期维度表表结构edw_public.dim_esf_edw_pub_date------------------------------------------------------------------------------------------col_name data_type comment------------------------------------------------------------------------calendar_date 　　string 日期，格式为"YYYY-MM-DD"week_english_name string 星期英文名week_chinese_name string 星期中文名day_of_week_number int 所属一周当中的第几天calendar_month_code string 日期所属月份，格式为"YYYY-MM"calendar_month_number 　　int 所属月份数字month_english_name string 月份英文名month_chinese_name string 月份中文名day_of_month_number int 所属月份当中的第几天calendar_quater_code 　　string 日期所属季度，格式为"YYYY-QT"calendar_quater_number 　　int 所属季度数字day_of_quater_number 　　int 所属季度当中的第几天calendar_half_year_code 　　string 日期所属半年，格式为"YYYY-HY"calendar_half_year_number int 所属半年数字，1为上半年，2为下半年calendar_year_code string 日期所属年份，格式为"YYYY"day_of_year_number int 所属年份当中的第几天work_day_flag 　　string 工作日标志: Y - 是/ N - 否holiday_flag 　　string 节假日标志: Y - 是/ N - 否-- 日期维度表的使用-- 当天日期SELECTcalendar_dateFROMedw_public.dim_esf_edw_pub_dateWHEREcalendar_date = regexp_replace("${dt}","(\d{4})(\d{2})(\d{2})","$1-$2-$3")-- Finereport中日周月季半年年 各周期末日期的算法select${if(粒度 == 1," case when date(max(calendar_date))>=date(date_add("day",-1,current_date)) then date(date_add("day",-1,current_date)) else date(max(calendar_date)) end as period_end_date","")}${if(粒度 == 2," distinct case when day_of_week_number = 1 and date_add("day",6,date(calendar_date)) >=date(date_add("day",-1,current_date)) then date(date_add("day",-1,current_date)) when day_of_week_number = 7 and date(calendar_date) >=date(date_add("day",-1,current_date)) then date(date_add("day",-1,current_date)) when day_of_week_number = 1 then date_add("day",6,date(calendar_date)) when day_of_week_number = 7 then date(calendar_date) else date(calendar_date) end as period_end_date ","")}${if(粒度 == 3," case when date(max(calendar_date))>=date(date_add("day",-1,current_date)) then date(date_add("day",-1,current_date)) else date(max(calendar_date)) end as period_end_date ","")}${if(粒度 == 4," case when date(max(calendar_date))>=date(date_add("day",-1,current_date)) then date(date_add("day",-1,current_date)) else date(max(calendar_date)) end as period_end_date ","")}${if(粒度 == 5," case when date(max(calendar_date))>=date(date_add("day",-1,current_date)) then date(date_add("day",-1,current_date)) else date(max(calendar_date)) end as period_end_date ","")}${if(粒度 == 6," case when date(max(calendar_date))>=date(date_add("day",-1,current_date)) then date(date_add("day",-1,current_date)) else date(max(calendar_date)) end as period_end_date ","")}fromedw_public.dim_esf_edw_pub_datewhere calendar_date >= "${开始时间}" and calendar_date <= "${结束时间}"${if(粒度 == 1," group by calendar_date ","")}${if(粒度 == 2," and day_of_week_number in (1,7) ","")}${if(粒度 == 3," group by calendar_month_code ","")}${if(粒度 == 4," group by calendar_quater_code ","")}${if(粒度 == 5," group by calendar_year_code ","")}${if(粒度 == 6," group by calendar_half_year_code ","")}-- Finereport中日周月季半年年 各周期期初期末日期的算法(这种计算方法当前日期是20190330，输入的日期范围是2019-03-01至2091-03-28则输出的月日期范围是2019-03-29)select${if(粒度 == 1,"date(calendar_date) as period_start_date, date(calendar_date) as period_end_date ","")}${if(粒度 == 2,"case when day_of_week_number = 1 then date(calendar_date) when day_of_week_number = 7 then date_add("day",-6, date(calendar_date)) end as period_start_date, case when day_of_week_number = 1 and date_add("day",6, date(calendar_date)) >=date(date_add("day",-1,current_date)) then date(date_add("day",-1,current_date)) when day_of_week_number = 7 and date(calendar_date)>=date(date_add("day",-1,current_date)) then date(date_add("day",-1,current_date)) when day_of_week_number = 1 then date_add("day",6, date(calendar_date)) when day_of_week_number = 7 then date(calendar_date) end as period_end_date ","")}${if(粒度 == 3,"date(calendar_date) as period_start_date, case when date_add("day",-day(date(calendar_date)),date_add("month",1,(date(calendar_date))))>=date(date_add("day",-1,current_date)) then date(date_add("day",-1,current_date)) else date_add("day",-day(date(calendar_date)),date_add("month",1,(date(calendar_date)))) end as period_end_date ","")}${if(粒度 == 4,"calendar_date as period_start_date,date_add("day",-1,date_add("month",1,date(substr(calendar_date,1,4)||"-"||cast(cast(floor(cast(substr(calendar_date,6,2) as int)/3.1)*3+3 as int) as varchar)||"-01"))) as period_end_date ","")}${if(粒度 == 5,"date(concat(substr(calendar_date,1,4),"-01","-01")) as period_start_date,case when date(concat(substr(calendar_date,1,4),"-12","-31"))>= date(date_add("day",-1,current_date)) then date(date_add("day",-1,current_date)) else date(concat(substr(calendar_date,1,4),"-12","-31")) end as period_end_date","")}${if(粒度 == 6,"date(min(calendar_date)) as period_start_date,case when date(max(calendar_date))>= date(date_add("day",-1,current_date)) then date(date_add("day",-1,current_date)) else date(max(calendar_date)) end as period_end_date","")}fromedw_public.dim_esf_edw_pub_datewhere calendar_date >= "${开始时间}" and calendar_date <= "${结束时间}"${if(粒度 == 1," and 1 = 1 ","")}${if(粒度 == 2," and day_of_week_number in (1,7) ","")}${if(粒度 == 3," and day_of_month_number = 1","")}${if(粒度 == 4," and day_of_quater_number = 1","")}${if(粒度 == 5," and day_of_year_number = 1","")}${if(粒度 == 6," group by calendar_half_year_code ","")}-------------------------------------------------------------------------------------------------- 根据输入的时间范围计算期末日期------------------------------------------------------------------------------------------------select t1.*from-- 日周月季年半年不同粒度的统计数据各存为了一张表edw_reports.adm_xf_edw_house_sub_project_report_00${dtype}ly_di t1--日报join(-- 日SELECTcalendar_dateFROMedw_public.dim_esf_edw_pub_dateWHEREcalendar_date BETWEEN "${bdt}" AND "${edt}"AND "${dtype}" = "1_dai"UNION-- 月SELECTMAX(calendar_date) AS calendar_dateFROMedw_public.dim_esf_edw_pub_dateWHEREcalendar_date BETWEEN "${bdt}" AND "${edt}"AND "${dtype}" = "2_dai"GROUP BYcalendar_month_numberUNION-- 周SELECTcalendar_dateFROMedw_public.dim_esf_edw_pub_dateWHEREcalendar_date BETWEEN "${bdt}" AND "${edt}"AND day_of_week_number = 7AND "${dtype}" = "3_dai"UNION-- 季SELECTMAX(calendar_date) AS calendar_dateFROMedw_public.dim_esf_edw_pub_dateWHEREcalendar_date BETWEEN "${bdt}" AND "${edt}"AND "${dtype}" = "4_dai"GROUP BYcalendar_quater_codeUNION-- 年SELECTMAX(calendar_date) AS calendar_dateFROMedw_public.dim_esf_edw_pub_dateWHEREcalendar_date BETWEEN "${bdt}" AND "${edt}"AND "${dtype}" = "5_dai"GROUP BYcalendar_year_codeUNION-- 半年SELECTMAX(calendar_date) AS calendar_dateFROMedw_public.dim_esf_edw_pub_dateWHEREcalendar_date BETWEEN "${bdt}" AND "${edt}"AND "${dtype}" = "6_dai"GROUP BYcalendar_half_year_codeUNIONSELECTMAX(calendar_date) AS calendar_dateFROMedw_public.dim_esf_edw_pub_dateWHEREcalendar_date BETWEEN "${bdt}" AND "${edt}"ORDER BYcalendar_date) t2on t1.statistic_date = t2.calendar_datewherestatistic_date between "${bdt}" and "${edt}"${if(len(tenant_name) == 0,"","and house_sub_project_organization_short_name = "" + tenant_name + """)}${if(len(status) == 0,"","and house_sub_project_cooperation_status_code = " + status)}${if(len(tenant_type) == 0,"","and house_sub_project_organization_business_type_code= " + tenant_type)}${if(len(project_type) == 0,"","and house_sub_project_cooperation_type_code= " + project_type)}order by statistic_date

　　中西方友谊的区别：　　1、面对同样的情境中国人，西方人各自如是说——　　在人际交往时，第一印象的要素是：　　中国人说：他这人心眼儿好！　　西方人说：他令我眼前一亮！　　分析中西的“描述人格维度”表的第一项，可以发现中国人重个人品质，西方人重外在表现。一说“这个人”，西方人首先想到的是“这个人”的外在表现：是否有活力？是否热情？是否健谈？……而中国人是从“这个人”的内在修养和道德品质来看，价值判断、道德判断是描述人的前提。中国人关心的是该人“是好人还是坏人”，“是小人还是君子”，外表印象并不很重要。这一点在中国人的交友、择偶方面表现很明显。　　应用：如果你和西方人打交道，应该明了西方人很注重你给别人的第一印象。外向开朗有活力的形象往往能给对方以好印象。在与人交往，比如做生意时，这样的印象往往可以使事儿好办得多。　　而西方人如果要想和中国人交上朋友，“日久见人心”便显得很重要。中国人要看你的优秀品质，外表的虚话中国人不信！　　2、在友谊的维持中：　　中国人说：近朱者赤，近墨者黑。　　西方人说：他到哪儿，哪儿就有笑声，我们都喜欢他。　　把西方“人格维度表”的第二项和中国大学生“人格维度表”的第四项对比一下，可以发现西方的人际交往特点是直接指向他人的，是较留于表面的浅层次的东西，比如令人愉快，有感染力等。而中国年轻人的人际交往特点是直接指向个人品质的，是内在的东西，如善良宽厚，好心肠、和善等。究其原因是因为中国人生活比较封闭，人际交往圈子小，所以非常注重选择交往对象的品质。西方人爱开鸡尾酒会，一大群人凑一块儿，打打哈哈，聊聊天气。　　而中国人则讲究三五好友，一杯清茶，推心置腹地深入交流。实际上，为了寻找人格相似的同伴，中国人更愿意和那些有相同人格的人交朋友。比如，“意气相投”和“人以群分”就表明中国人更倾向于和相似的个体在一起，最后形成群体。正因为两种人际观念不同，所以常会听说一些中国留学生到国外时常显得很孤僻，不合群，他们总想和人品好的人做朋友，而不习惯于和周围人泛泛的交往。　　应用：现在中国年轻人人际交流的圈子不断扩大，如果只重视内在的东西，而不注重表面形式的话，人际交往也会产生困难。在人际交往中不但要看对方的内心，表面浅层次的东西也不可忽视。这对年轻学生来说，是走向社会前的一个非常重要的修炼内容。　　3、为何西方人朋友圈在个性领域没有很强的相似性？　　许多西方文化是强调独立自主的个体主义文化，个体倾向于将自己看作独特的、与众不同的，甚至在诸如婚恋关系和亲子关系这样的亲密关系中，强调的仍然是个性。　　一个人如果跟别人具有同样的处事态度，可能双方都会感觉良好，感觉脾气相投；但是个性相同，可就不见得有很好的感觉，极少有人会对自己完全满意，如果对方完全把自己的缺陷呈现出来，自己可能就不会感到很舒服。　　4、集体主义文化让东方人更喜欢选择跟自己相似的人交朋友。　　相对而言，大部分东方文化本质上是集体主义的。集体主义文化一个最主要的特点是他们强调人际间的共通性。人们有强烈的动机努力和他人保持一致。他人，特别是重要的人物，是构成完整自我的高度积极成分。在理解别人的个性方面，东方人也似乎处于特别有利的位置，因为东方文化所强调的人际共通性，使他们在人际敏感性方面更为突出。

维度表可以看作是用户来分析数据的窗口，纬度表中包含事实数据表中事实记录的特性，有些特性提供描述性信息，有些特性指定如何汇总事实数据表数据，以便为分析者提供有用的信息，维度表包含帮助汇总数据的特性的层次结构。例如，包含产品信息的维度表通常包含将产品分为食品、饮料、非消费品等若干类的层次结构，这些产品中的每一类进一步多次细分，直到各产品达到最低级别。 　　在维度表中，每个表都包含独立于其他维度表的事实特性，例如，客户维度表包含有关客户的数据。维度表中的列字段可以将信息分为不同层次的结构级。

解决excel制作多维度图表的步骤如下：1.在Excel表中做好三个指标的数据，然后用全选数据表格。2.选择PPT中 “插入”选项卡中的“图表”，选择插入“组合”图表。3.选择“同比增长”曲线，然后右键“设置数据系列格式”，再选择“次坐标”即可将曲线调至次坐标。4.我们再通过调整图表样式，展示图表明细数据。选中“图表”，点击选项卡“设计”中“快速布局”中的“布局5”即可。这样就解决了excel制作多维度图表的问题了。

ODS全称为Operational Data Store，即操作型数据存储，是“面向主题的、集成的、可变的、反映当前数据值的和详细的数据的集合，用来满足企业综合的、集成的以及操作型的处理需求”(Bill.Inmon)。ODS是数据仓库体系结构中的一个可选部分，ODS具备数据仓库的部分特征和OLTP系统的部分特征。 事实数据表 数据仓库架构中的中央表，它包含联系事实与维度表的数字度量值和键。事实数据表包含描述业务（如银行事务或产品销售）内特定事件的数据。 维度表 数据仓库中的表，其条目描述事实数据表中的数据。维度表包含创建维度所基于的数据。 举个实际的例子:银行对存款记账，A表中存放实际数据，包括账号、所属机构号、存款金额等，B表存放机构号和机构名称的对应关系。则A是事实表，B是维表。

问题一：什么叫数据库（表？）的维度啊？ 从多个角度（时间、地域、机构等方面）研究一个对象的信处，其中，被研究对象为实体，研究角度就成为维度。 问题二：如何用一张excel表格同事记录3种维度的数据，比如包含用户维度、时间维度、信息维度？ 学习一下透视表！可以实现您的需求 问题三：excel表格如何把两个维度转换成一个维度 使用多重数据透视表来二维转1维，具体也可以百度一下，关键词：二维转一维 +多重数据透视表 问题四：构建维度表格所需要的结构性要素包括什么 构建维度表格所需要的结构性要素包括： 劳动分工、非个人化、参与决策程 度、权力层次及形式化。 问题五：什么是ODS?还有什么是事实表和维度表啊？希望高手指教~ ODS全称为Operational Data Store，即操作型数据存储，是“面向主题的、集成的、可变的、反映当前数据值的和详细的数据的 *** ，用来满足企业综合的、集成的以及操作型的处理需求”(Bill.Inmon)。ODS是数据仓库体系结构中的一个可选部分，ODS具备数据仓库的部分特征和OLTP系统的部分特征。 事实表就是按某个分析领域组合的数据表 纬度表则是这个领域上的分析指标的组合表 解释2: 简单点说； 事实表就是交易表。 维度表就是基础表。 用来解释事实表中关键字纬度的具体内容。 解释3: 事实数据表 数据仓库架构中的中央表，它包含联系事实与维度表的数字度量值和键。事实数据表包含描述业务（如银行事务或产品销售）内特定事件的数据。 维度表 数据仓库中的表，其条目描述事实数据表中的数据。维度表包含创建维度所基于的数据。 再举个实际的例子。银行对存款记账，A表中存放实际数据，包括账号、所属机构号、存款金额等，B表存放机构号和机构名称的对应关系。则A是事实表，B是维表。 事实表 每个数据仓库都包含一个或者多个事实数据表。事实数据表可能包含业务销售数据，如现金登记事务 所产生的数据，事实数据表通常包含大量的行。事实数据表的主要特点是包含数字数据（事实），并且这些数字信息可以汇总，以提供有关单位作为历史的数据，每个事实数据表包含一个由多个部分组成的索引，该索引包含作为外键的相关性纬度表的主键，而维度表包含事实记录的特性。事实数据表不应该包含描述性的信息，也不应该包含除数字度量字段及使事实与纬度表中对应项的相关索引字段之外的任何数据。 包含在事实数据表中的“度量值”有两中：一种是可以累计的度量值，另一种是非累计的度量值。最有用的度量值是可累计的度量值，其累计起来的数字是非常有意义的。用户可以通过累计度量值获得汇总信息，例如。可以汇总具体时间段内一组商店的特定商品的销售情况。非胆计的度量值也可以用于事实数据表，单汇总结果一般是没有意义的，例如，在一座大厦的不同位置测量温度时，如果将大厦中所有不同位置的温度累加是没有意义的，但是求平均值是有意义的。 一般来说，一个事实数据表都要和一个或多个纬度表相关联，用户在利用事实数据表创建多维数据集时，可以使用一个或多个维度表。 维度表 维度表可以看作是用户来分析数据的窗口，纬度表中包含事实数据表中事实记录的特性，有些特性提供描述性信息，有些特性指定如何汇总事实数据表数据，以便为分析者提供有用的信息，维度表包含帮助汇总数据的特性的层次结构。例如，包含产品信息的维度表通常包含将产品分为食品、饮料、非消费品等若干类的层次结构，这些产品中的每一类进一步多次细分，直到各产品达到最低级别。 在维度表中，每个表都包含独立于其他维度表的事实特性，例如，客户维度表包含有关客户的数据。维度表中的列字段可以将信息分为不同层次的结构级。 问题六：量表各 维度的阿尔法 系数是什么 5分 内部一致性信度又称内部一致性系数，是指用来测量同一个概念的多个计量指标的一致性程度。内部一致性信度可以从两个方面进行评价，即Cronbach α系数分析和综合信度ρo系数分析。 学术界普遍使用内部一致性系数(Cronbachα)检验量表的内部一致性信度。Hair，Anderson，Taehan，eta1．(1988)指出，内部一致性系数大于0．7表明量表的可靠性较高；在探索性研究中，内部一致性系数可以小于0．7，但应大于0．6；Peter(2002)指出，问项数量小于6个时，内部一致性系数大于0．6，表明量表是有效的。本研究利用各个潜变量的Cronbachα系数处于0．793～0．931(见下表)，都超过了0．7可接受水平，表明各个概念的量表都具有较高的可靠性。 你所说的各维度a系数，就是各维度的内部一致性信度值。 问题七：excel 多维度图表 一个图可以设置主次坐标轴系 当然运用数字规律，可以设置为4个段落来显示 问题八：【谁知道这种经典多维度统计数据表是什么软件做的？】 我在来面试的一个小伙子的展未文件里也看到了这样的统计报表 查看原帖>>

如图，制作步骤：1、适当调整数据；2、使用数据生成 柱状图，如果数据不对就微调下；3、将柱状图中对应效益的数据点击柱状，然后鼠标右键“更改系列图表类型”然后选择 “折线图”，重复此步骤将3组效益数据都改为 折线图；4、获得的效果如右图，然后再修饰，调整颜色、图例、标签等。

1、打开tableau public，并连接数据源2、进入工作表并编辑图表3、分别计算百分比，年增长率和复合增长率，并采用双轴图表4、修改图表标题5.保存这样多维度图表就制作完成了。

powerbi地图不显示空白的原因：1、产品表中的产品名称不全，订单表中有某些产品，是产品表没有涵盖的，因此不显示空白。2、维度表存在遗漏部分数据事实表里有而维度表里未定义在维度表里把信息补全，也会不显示空白。

是多维度“维”是一种度量，没有长宽高，单纯的一个点，如奇点。 　　一维 只有长度；二维 平面世界 只有长宽；三维 长宽高 立体世界。如果再加上其他参数就可以形成多维度。

根据我区教育事业发展的需要，为切实解决我区教师不足、学科结构不合理等问题，经浈江区人民政府研究，决定向社会公开选聘在职在编教师20名。按照公开、平等、竞争、择优的原则，现就有关事项公告如下：一、选聘范围本次选聘范围为向社会公开选聘(不含浈江区、不含韶关市直学校) 的在职在编教师。二、选聘名额及岗位选聘名额为20名，具体选聘岗位详见《韶关市浈江区2023年公开选聘教师岗位信息表》(附件1)。三、报考条件(一)年龄、职称及学历要求：公办中小学在职在编教师，年龄需在35岁以下(1987年2月28日以后出生)，并取得国家承认的本科及以上学历。特级教师、市级及以上优秀教师、市级及以上名师、研究生及以上学历、高级及以上职称教师的年龄可放宽至40岁(1982年2月28日以后出生)。(二)资格条件：选聘对象除符合岗位要求的条件(详见附件1)外，还须具备以下基本资格条件：1.遵守中华人民共和国宪法和法律，具备良好的品行和职业道德;2.具备岗位所需的专业知识或技能条件;3.身体健康;4.2019-2020、2020-2021、2021-2022学年度年度考核为合格及以上等次(说明：女性因正常休产假当年不定等次的除外)。(三)岗位优选条件满足选聘年龄、职称及学历要求和资格条件并获得以下资格之一者将优先考虑：1.获得市级及以上教育行政主管部门授予或评定的名校长、优秀校长、骨干校长、优秀教师、名教师、学科带头人、骨干教师、名班主任、优秀班主任、优秀辅导员;2.市级及以上“百千万工程”培养对象;3.近五年获得论文(发表)、课例、公开课、说课、基本功竞赛等教学教研活动市级及以上等级奖励的;辅导学生参加市级及以上各类竞赛项目获奖的优秀辅导老师奖;4.获得中级及以上专业技术职称的。有以下情形之一的，不得参加选聘：1.受党纪、政纪处分期未满;2.正在接受纪检监察机关调查、司法机关侦查，或涉嫌犯罪、司法程序尚未终结;3.被依法列为失信联合惩戒对象的人员;4.有法律、法规和政策规定的不得参加选聘的其他情形。四、选聘程序采取网上报名、资格审查、维度评价、专业技能考试(说课)、体检、政审等选聘程序的方式进行。(一)网上报名及资格审查1.网上报名。有意应聘者于2023年3月3日17:30前，将以下报名材料以电子文档的形式发送至邮箱：zjqjyjrsg@126.com进行报名，邮件名标注为“浈江区2023年公开选聘专任教师+本人姓名+岗位(学科)”。(1)《韶关市浈江区2023年公开选聘教师报名表》(见附件2，用A4纸打印，需亲笔签名后扫描成电子文档);(2)居民身份证、学历证、教师资格证、专业技术资格证的扫描件;(3)2019-2020、2020-2021、2021-2022学年度《年度考核表》复印件各一份(需盖有与原件相符及单位公章);(4)考生承诺书(附件4);(5)满足岗位优选条件的其他相关材料。将以上材料按顺序将原件扫描成一个PDF文件，按规定命名通过网络发送至指定邮箱。所有填报和提交的材料均要真实有效，凡弄虚作假者，取消选聘资格。在报名时间结束后，如出现岗位没有人报名或报名人数少于选聘人数的情况，将视网上报名情况对岗位选聘人数进行调剂。例如：初中地理岗位没有人报名，将岗位数调剂到报名人数相对较多的岗位。2.面试资格审查和发放准考证。核对网上提交的报名材料，对报考人员的岗位条件、学历层次等内容进行审核，依据选聘条件进行维度评价，按岗位选聘人数1：3的比例择优确定参加面试资格审查的对象，选定参加面试资格审查的对象由浈江区教育局进行通知，被通知人员收到通知后按规定的时间携带报名材料原件及本人近期正面免冠同版蓝底大一寸彩色照片2张提交给浈江区教育局人事股进行现场面试资格审查，面试资格审查合格后现场发放准考证，准考证作为参加考试和体检的凭证。面试资格审查时需提交“所在学校同意报考证明，证明上有当地教育局出具‘同意报考"的意见，并盖公章”;提供现场资格审查资料不齐全的，不予发放准考证。(二)报名注意事项1.报考人员只能选择一个岗位报名，报考多个岗位的，取消报名资格。2.不得报考聘用后即构成回避关系的岗位。凡与聘用单位负责人员有夫妻关系、直系血亲关系、三代以内旁系血亲或者近姻亲关系的应聘人员，不得应聘该单位负责人员的秘书或者人事、财务、纪律检查岗位，以及有直接上下级领导关系的岗位。3.考生须承诺不主动放弃面试、体检、考察、聘用资格，若被聘用，保证按时报到。违背承诺者将记录在案，且3年内不得参加本区各级各类事业单位公开招聘。(三)考试环节采取人才维度评价+结构化面试相结合的办法进行。根据维度评价的得分从高到低，按照选聘岗位人数1:3的比例确定进入面试人选。1.人才评价维度评价按照《2023年浈江区教育系统公开选聘教师评价维度表》(见附件3)对报考人员情况进行评分，从学历、职称、年龄、工作表现等方面对基本情况进行量化打分，满分为100分(按60%折算入综合成绩)。评价维度表得分另行在韶关市浈江区人民政府门户网()人事招考栏公布。2.面试(1)面试对象。根据评价维度表得分从高分到低分按岗位招聘人数以1：3比例确定面试人选(面试人选需进行资格审查)，报名人数少于1：3比例的则按实际报名人数面试。如有面试人员放弃面试机会，按人才评价维度表得分从高到低依次递补。无递补对象的不再递补。(2)面试方式：结构化面试方式进行。面试满分为100分，成绩按四舍五入保留小数点后2位，合格线为60分。面试成绩低于合格线分数的考生，不能进入体检和考察环节。面试得分按40%的比例纳入综合成绩。(3)面试时间及地点。具体面试名单、时间和地点另行在韶关市浈江区人民政府门户网站( )人事招考栏公布。3.成绩综合成绩(满分100分)=人才评价维度得分(满分100分*60%)+面试成绩(满分100分*40%)，成绩按四舍五入保留小数点后3位，如同一岗位考生最终成绩相同的，则按照人才评价维度表得分高低顺序确定名次;如人才评价维度表得分仍相同的，按面试主评委给分高低顺序确定名次。4.考试相关要求考生应携带准考证和有效的身份证于规定时间内到达考试地点抽签、候考，未按时到达考试地点或擅自离场的取消考试资格。5.考生综合成绩及进入体检名单于面试结束后7个工作日内在韶关市浈江区人民政府门户网站()公布。五、体检及考察(一)体检。根据考生的综合成绩从高到低，按1:1比例确定体检人选进行体检。体检在指定的综合性公立医院进行，体检标准及项目执行《关于调整广东省事业单位公开招聘教师岗位人员体检标准的通知》(粤人社发〔2011〕134号)。体检不合格人员可在规定时间内申请复检一次，结果以复检结论为准。(二)考察。对体检合格人员由浈江区教育局组织考察，按《广东省事业单位公开招聘人员考察实施细则(试行)》(粤人社发〔2010〕276号)进行考察。内容主要包括拟聘人员的思想政治表现、道德品质、遵纪守法、工作实绩、廉洁自律、计划生育以及是否需要回避等方面的情况，同时对拟聘人员资格条件进行复审。(三)体检、考察不合格的，按照考生考试综合成绩从高分到低分依次等额递补。六、确定拟聘人员并公示根据考试综合成绩、考察和体检结果，确定拟聘用人员名单。拟聘用人员名单将在韶关市浈江区人民政府门户网站( )进行公示。公示期间，对拟聘人员名单有异议的，可以实名形式提出，不接受匿名投诉。七、办理聘用手续1.经考试、体检、考察合格的人员，公示结果无异议的，确定为拟聘用人员，按有关规定和程序办理聘用手续。聘用手续办完后签订事业单位聘用合同。2.所选聘教师为事业单位编制人员，享受国家及省政策规定薪酬待遇。因受学校岗位结构的限制，本次新选聘的教师暂聘用在专业技术十一级或十二级岗位，经考核合格，待学校岗位有空缺的情况下，可参加本单位组织的岗位竞聘进行岗位调整。八、其他注意事项(一)本次考试在疫情常态化防控下开展，报考者应当按照有关疫情防控要求，做好考试工作。在考试过程中，将按照疫情防控有关要求，落实防疫措施，必要时主管部门将综合考虑各种因素对有关工作安排进行适当调整，并及时在有关网站发布公告，请报考者理解、支持和配合。(二)准考证是考生参加录用考试各环节的重要证件，请妥善保管。考生参加笔试、面试、体检时，必须同时携带准考证和本人有效居民身份证(与报名时一致)。(三)递补期限为拟聘人员公示期满之日起30日内。本公告由韶关市浈江区教育局负责解释。联系电话：0751-8917293韶关市浈江区教育局2023年2月8日附件（点击查看）：附件1：韶关市浈江区2023年公开选聘教师岗位信息表.xls附件2：韶关市浈江区2023年公开选聘教师报名表.doc附件3：韶关市浈江区2023年公开选聘教师评价维度表.xls附件4：考生承诺书.doc自考/成考有疑问、不知道自考/成考考点内容、不清楚当地自考/成考政策，点击底部咨询官网老师，免费领取复习资料：https://www.87dh.com/xl/

两种情况:1.如果俩事实表没关联,只是有一个共同的维度,那么在biee里只用在展现层把两个度量拖到一块就行了2.如果俩事实表有关联,可以把其中一个度量复制一个副本,把这个副本作为另一个事实表的一个维度举个例子,一个度量是每个月的定量,但也要做聚合运算的,另一个是每天都变的变量,俩度量通过某种关系关联,那么可以把定量的度量复制出一个副本,作为变量度量的一个维度,再通过时间维做运算.

标记-标签，把里面的【显示标记标签】和【允许标签覆盖其他标记】两个选项勾上，并把字体放大，tableau就可以在地图上完整的显示各个省份的名称如果想了解更多关于地图的可以看看：Tableau帮助手册 地图和地理数据分析

报表与窗体都是以表或查询中的数据为基础生成的对象。但窗体用来在屏幕上显示数据，而报表则是在纸上交付信息的一种方式，在报表中，可以对数据进行分类汇总，还可以控制与设定报表中对象的外观或大小，并且按照自己的喜爱和要求的格式把它们打印出来。 在Access中，有两种方法创建报表：使用报表向导或使用报表的设计视图。一般情况下，我们都是首先应用报表向导快速创建一个报表的基本结构，然后再使用设计视图对创建的报表进行修改。 打开一个数据库文件，在【创建】功能区中单击【报表向导】按钮，打开【报表向导】对话框，在对话框的【表/查询】下拉列表中选择为报表提供数据的数据源，在【可用字段】列表中选择表中的字段，单击这个按钮把它添加到右侧的【选定字段】列表中，完成字段添加后，单击【下一步】按钮。使用向导可以添加分组级别。在左侧的列表框中选择一个选项，设置报表以这个字段来分组，完成设置后，单击【下一步】按钮，进入下一步的设置。 这时，使用向导可以确定排序顺序和汇总信息，完成设置后，单击【下一步】按钮，进入下一步设置。 使用向导，可以设置报表的布局方式，单击【下一步】按钮。 使用向导，能设置报表的标题，这个标题将在打印预览时显示在标题栏上，同时作为报表的文件名。在【请为报表指定标题】文本框中输入报表标题后，单击【完成】按钮创建报表，在Access 2010自动打开报表。关闭报表预览后，Access 2010将显示报表设计界面。希望我能帮助你解疑释惑。

没有冗余代码 方便

报表只是数据展现的工具，不够灵活，而BI里面包含报表功能，BI更侧重于数据决策，报表则更侧重于数据展现和图形化分析。如果要做BI报表，可以考虑观远数据，亿级数据秒级响应，满足底层架构可扩展，多终端无缝对接。

关键是你的表格数据格式和数据结构，图片上13行的日期是日期格式吧，下面的表格每一个月应该不是一样的日期天数吧！也是需要自动生成吧

可以看一下tableau帮助文档

多维度量表能把所有题放进去进行信度分析。多维度量表能把所有题放进去进行信度分析的原因有以下：1、综合性评估：多维度量表包括多个维度或构面，能够全面地评估被测量的概念或现象。将所有题目放入量表可以确保涵盖不同维度，从而提供更全面和准确的测量结果。2、内部一致性：信度分析的一个主要目标是评估量表内部的一致性，即题目之间的相关性。通过将所有题目放入同一个量表中进行分析，可以更好地检测题目之间的内部一致性，确定是否存在相关问题或冗余问题。3、统计分析方便性：将所有题目放入一个量表中进行信度分析可以简化数据处理和统计分析的过程。它可以提供更清晰的数据结构，方便进行计算和进一步的统计分析。信度指的是在测量中能够稳定且一致地测量相同内容的能力。信度系数可以用来评估测量工具的可靠性和一致性。

在量表满足单一维度性的前提下，不需要用到各个分量表的得分而只需要使用量表总分，总量表信度足够高，就不用去纠结各个分量表的信度，直接使用所有分量表汇总后的大总分，配套报告一个总量表的总体信度就好了。多维度量表，就是该量表不同的维度（分量表）测量的是同一构念的不同位面。这些不同位面之间有联系也有区别，在统计上反映为有相关，但相关性并不是非常高。

只需计算出量表总分即可。在量表满足单一维度性的前提下，如果不需要用到各个分量表的得分而只需要使用量表总分，反正总量表信度足够高，那就不用去纠结各个分量表的信度，直接使用所有分量表汇总后的大总分，配套报告一个总量表的总体信度就好了。所谓多维度量表，就是该量表不同的维度（分量表）测量的是同一构念（construct）的不同位面（facet/dimension）。这些不同位面之间有联系也有区别，在统计上反映为有相关，但相关性并不是非常高。举个例子，有一个测量“职业压力”的量表，其下有两个分量表：“人际压力”量表（10题），测量的是这个职业的人际环境给从业人员带来的压力；“躯体压力”量表（8题）。测量的是这个职业的体力劳动强度给人的压力。由于二者都属于职业压力的一部分，因此可以将二者（共18题）的分数相加来反映从业者感受到的整体压力。但另一方面，这两个压力又并非高度相关，如果是这种情况，计算这18题的整体信度就没有太大意义。只有保证单一维度的前提下，信度的计算才有意义。