一、从关系表和电子表格到数据立方体
数据仓库和数据仓库技术基于多维数据模型。这个模型把数据看成是数据立方体形式。多维数据模型围绕中心主题组织，该主题用事实表表示。事实是数值度量的。
数据立方体允许以多维数据建模和观察，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。
事实表包括事实的名称或度量，一个n维的数据立方体叫做基本方体。给定一个维的集合，可构造一个方体的格，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维方体存放在最高层的汇总，称作顶点方体；存放在最底层汇总的方体则称为基本方体。
二、数据仓库的概念模型
最流行的数据仓库概念模型：多维数据模型。这种模型可以是星型模式、雪花模式、或事实星座模式的形式存在。
（1）星型模式（star schema）：事实表在中心，周围围绕地连接着维表（每一维），事实表含有大量数据，没有冗余。
维表location 中 city 和 country 属性重叠即属性冗余（造成空间浪费和数据不一致性）
（2）雪花模式（snowflake schema）：是星型模式的变种，其中某些维表是规范化（将冗余字段用新的表来表示）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。
（3）事实星座模式（fact constellations）：多个事实表共享维表，这种模式可看做星型模式集，因此称为星系模式（galaxy schema，星型模式的集合），或者事实星座（fact constellation）
三、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
（1）立方体定义（事实表）
define cube<cube_name>[<dimension_list>]:
<measure_list>
（2）维定义（维表）
define dimension <dimension_name> as
(<attribute_or_subdimension_list>)
（3）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<dimension_name> as
<dimension_name_first_time>in cube
<cube_name_first_time>
实例：使用DMQL定义星型模式
define 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 dimesion item as (item_key,item_name,brand,type,supplier_type)
define 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定义雪花型模式
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 location as (location_key,street,city(city_key,province_or _state,country)) 规范化，用新表去除冗余
实例：使用DMQL定义事实星座模式
define cube sales[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) 第一次定义
define dimesion item as (item_key,item_name,brand,type,supplier_type)
define dimension branch as (branch_key,branch_name,branch_type)
define dimension location as (location_key,street,city,province_or _state,country)
define cube shipping[time,item,shipper,from_location,to_location]:
dollar_cost=sum(cost_in_dollars),unit_shipped=count(*)
define dimension time as time in cube sales 第二次可直接引用
define dimension item as item in cube sales
define dimension shipper as(shipper_key,shipper_name,location as location in cube sales,shipper_type)
define dimension from_location as location in cube sales
define dimension to_location as location in cube sales
四、度量的分类
一个数据立方体的度量是一个数值函数，该函数可以对数据立方体的每一个点求职。度量可以根据其所用的聚类函数分为三类：
分布的（distributive）:将函数用于n个聚集值得到的结果和将函数用于所有数据得到的结果一样 count(),sum(),min(),max()
代数的（algebraic）：函数可以由一个带M个参数的代数函数计算（M为有界整数），而每个参数值都可以有一个分布的聚集函数求导 avg(),min_N(),standard_deviation()
整体的（holistic）:描述函数的子聚集所需的存储没有一个常数界。median(),mode(),rank()
五、概念分层和多维数据模型上的OLAP操作
（1）概念分层：一个概念分层定义一个映射序列，将不同的属性连接成一个整体。利于不同层次的数据进行汇总，按属性进行汇总。
（2）多维数据模型上的OLAP操作
上卷（roll-up）：汇总数据，通过一个维 的概念分层向上攀升或者通过维规约
下钻（drill-down）:上卷的逆操作，由不太详细的数据到更详细的数据，可以通过沿维的概念分层向下或引入新的维来实现。
切片和切块（slice and dice）:投影和选择操作
转轴（pivot）:立方体的重定位，可视化，或将一个3维立方体转化为一个3维平面序列
其他OLAP操纵：钻过（drill_across）:执行涉及多个事实表的查询
钻透（drill_through）:使用关系SQL机制，钻到数据立方体的底层，到后端关系表
六、数据仓库设计：
如何设计有效的数据仓库，就需要进行需求分析，则需要构建一个商务分析框架
（1）数据仓库设计的四种视图
i: 自顶向下视图：允许我们选择数据仓库所需的相关信息
ii: 数据源视图：揭示被操作数据库系统所捕获、存储和管理的信息
iii: 数据仓库视图：有事实表和维表所组成
iiii: 商务查询视图：从最终用户的角度透视数据仓库中的数据
（2）数据仓库的设计过程
i: 自顶向下法（由总体设计和规划开始：成熟）、自底向上法（以实验和原型开始：快速）或者两者结合的混合方法
ii: 从软件过程的观点：瀑布式方法：在运行下一步前，每一步都进行结构化和系统的分析；
螺旋式方法：功能渐增的系统的快速产生，相继版本之间间隔很短
iii: 典型的数据仓库设计过程
选取待建模的商务过程；选取商务过程的粒度；选取用于每个事实表记录的维；选取将安放在事实表中的度量
数据仓库服务器大部分都是关系数据库服务器。
数据仓库也是数据库，但是是分离的数据库。
（3）三种数据仓库模型
企业仓库：搜集关于跨越整个组织的主题的所有信息
数据集市：企业范围数据的一个子集，对于特定的客户是有用的：其范围限于选定的主题，比如一个商场的数据集市
独立的数据集市 VS 非独立的数据集市（数据来自于企业的数据仓库）
虚拟仓库：操作数据库上的一系列视图，只有一些可能的汇总图被物化
（4）数据仓库开发- 一个推荐的方法
七、OLAP 服务器类型
（1）关系OLAP服务器（POLAP）
使用关系数据库或扩展的关系数据库存放并管理数据仓库的数据，而用OLAP中间件支持其余部分
包括每个DBMS 后端优化，聚集导航逻辑的实现，附加的工具和服务
较大的可扩展性
（2）多维OLAP服务器（MOLAP）
基于数组的多维存储引擎（稀疏矩阵技术）
能对预计算的汇总数据快速索引
（3）混合OLAP服务器（HOLAP）
结合上述两种技术，更大的使用灵活性
（4）特殊的SQL服务器
在星型和雪花模型上支持SQL查询