数据仓库建模：定义事实表粒度及事实表关联非最低粒度的维度的情况

事实表粒度

维度建模中一个非常重要的步骤是定义事实表的粒度。定义了事实表的粒度，则事实表能表达数据的详细程度就确定了。定义粒度的例子如下：

1．客户的零售单据上的每个条目。

2．保险单上的每个交易。

定义好事实表的粒度有很大的用处。

第一个用处就是用来确定维度是否与该事实表相关。例如，对于粒度细到医疗单据上条目项的事实表来说，医疗结果是不会作为维度和它进行关联的，因为它们不在同一个粒度上。但是，对于一般的E/R数据模型来说，医疗单据是和医疗结果是进行关联的。通常的规范化建模里没有粒度的概念，它们表示的是实体之间的关系，这也是规范化建模和维度建模中一个较大的不同之处。

定义成原子的事实表粒度后，可以选择较多的维度来对该事实表进行描述。也就是说，事实表的粒度越细，能记载的信息就会越多。原子粒度的事实表对维度建模来说是至关重要的。

前面列举的几个例子中的粒度定义都是最低粒度的，这些事实表的数据是原子的，不能再进行细分了。但是我们可以在这个基础上定义高粒度的聚集事实表。举例如下：

1．一天一个仓库一个产品的销售总量。

2．每月的保险交易总数。

3．每月诊断治疗的交费金额。

这些高粒度的聚集事实表总是具有较少的维度。通常在建立这些聚集事实表的时候，我们会去掉一些维度或者缩减某些维度的范围。也正因为如此，聚集事实表应该和其对应的原子事实表一起使用。当需要更详细信息时，可以访问其对应的原子事实表。

扫描二维码关注公众号，回复： 5589547 查看本文章

第二个用处是定义好事实表的粒度后，能更清楚的确定哪个事实与该事实表相关。简单的说，事实必须对于该粒度是正确的，不同粒度的事实是不能定义在该事实表中的。

总结来说，我们定义事实表的粒度及维度建模时可以采用如下的步骤：

1．熟悉源数据的情况。

2．定义事实表的粒度，最好定义到原子粒度。

3．将与这个粒度的相关信息都添加为维度。

4．添加与该粒度相关的度量信息为事实。

事实表关联非最低粒度的维度的情况

如果将事实表与维度表进行关联，建模，通过如下例子说明，

事实表fact_table,将会用level2code来关联维度表：
在这里插入图片描述

维度表dim_table,level3code是最低粒度，level2code及level1code是父级维度：
在这里插入图片描述

构建cube，会生成如下模型：

在这里插入图片描述

其实，事实表与维表进行关联（即join）操作生成模型，选择一致性维度进行关联，关联之后可以再进行上卷等操作，进而在更高粒度上进行聚合展示。

select * from
	(
	 select 
	 	level2code,
	 	sum(sales) as sales 
	 from 
	 	fact_table 
	 group by 
	 	level2code
	) a 
	join
	dim_table b
	on a.`level2code` = b.`level2code`

在这里插入图片描述

进而再第一次join的基础上，可以进行聚合，可以获取更高粒度上的数据