去规范化时要走多深
How deep to go when denormalising
我对 OLTP 数据库进行反规范化以在 DWH 中使用。
目前我正在对学习小组进行非规范化。
- 每个研究组都有一个指向 1 个项目的关键。
- 每个项目都有一个指向 1 个部门的键。
- 每个系都有一个指向 1 所大学的键。
- 每所大学都有一个指向 1 个城市的键。
现在我知道您应该对您的 OLTP 中的 sh*t 进行非规范化，但在这个 dwh 部门中将是一个独立的维度。这也适用于大学。从 studygroup 添加一个指向 department 的键是否足够，或者尽可能地非规范化并将 department 的所有属性及其 M:1 相关表中的所有属性添加到维度 studygroup 是否更明智？即使部门和大学将自己维度？
换句话说：far/deep 你去规范化的时候怎么样？
维度模型背后的关键概念是：
- 将你的事实 table 保存在 3NF（第三范式）中；
- De-normalize 你的维度转换为 2NF（第二范式）
因此，理想情况下，模型中唯一应该具有的连接是事实 table 与相关维度之间的连接。
作为这一理念的一部分：
- 避免 "snow flake" 设计，其中维度包含其他维度的键。在不违反 3NF/2NF 规则的情况下，总是可以提出一个允许与雪花具有相同功能的数据模型；
- 切勿直接在 2 个不同的维度（即部门和研究组）之间进行任何直接连接。维度之间的所有关系都必须通过事实tables来解决；
- 永远不要在 2 个单独的事实 table 之间有任何直接连接。事实 table 之间的任何关系都必须通过共享维度来解决。
最后，请考虑维度设计，除了优化查询数据之外，还有第二个重要目的：它是业务的语义模型（或它所代表的任何其他内容）。因此，在决定将数据元素组合成维度和事实时，请考虑它们 "logical affinity" - 它们应该对最终用户具有直观意义。如果您很难向 BI 分析师解释您的维度或事实的含义 table，很可能您犯了建模错误。
比如你的情况应该考虑大学、院系、学习小组等之间的逻辑关系，很可能University/Department形成一个自然的层次。如果是这样，它们应该属于同一个维度。另一方面，学习小组可能不会 - 让我们假设，可以跨多个大学 and/or 多个部门组建学习小组。这种 Many:Many 关系清楚地表明它们应该通过事实 table 来解决。另外，大学与院系之间的关系是stable（很少变化），而study groups的形成和解散非常频繁，因此应该单独建模。
一般来说，如果您看到维度元素之间的 1:1 或 1:M 关系，通常表明它们应该 de-normalized 到相同的 table（再次，只有当它们的组合合乎逻辑时）。如果关系是 M:M，它们很可能属于不同的 table（你可以强制它们进入相同的 table，但通常这样的 table 看起来像弗兰肯斯坦生物） .
您可以通过使您的问题更具体来获得更好的帮助 - 画出您的维度模型，post它，并要求 具体 issues/challenges有。对于一般概念，Kimball 和 Inmon 的书籍是您最好的朋友。
我对 OLTP 数据库进行反规范化以在 DWH 中使用。 目前我正在对学习小组进行非规范化。
- 每个研究组都有一个指向 1 个项目的关键。
- 每个项目都有一个指向 1 个部门的键。
- 每个系都有一个指向 1 所大学的键。
- 每所大学都有一个指向 1 个城市的键。
现在我知道您应该对您的 OLTP 中的 sh*t 进行非规范化，但在这个 dwh 部门中将是一个独立的维度。这也适用于大学。从 studygroup 添加一个指向 department 的键是否足够，或者尽可能地非规范化并将 department 的所有属性及其 M:1 相关表中的所有属性添加到维度 studygroup 是否更明智？即使部门和大学将自己维度？
换句话说：far/deep 你去规范化的时候怎么样？
维度模型背后的关键概念是：
- 将你的事实 table 保存在 3NF（第三范式）中；
- De-normalize 你的维度转换为 2NF（第二范式）
因此，理想情况下，模型中唯一应该具有的连接是事实 table 与相关维度之间的连接。
作为这一理念的一部分：
- 避免 "snow flake" 设计，其中维度包含其他维度的键。在不违反 3NF/2NF 规则的情况下，总是可以提出一个允许与雪花具有相同功能的数据模型；
- 切勿直接在 2 个不同的维度（即部门和研究组）之间进行任何直接连接。维度之间的所有关系都必须通过事实tables来解决；
- 永远不要在 2 个单独的事实 table 之间有任何直接连接。事实 table 之间的任何关系都必须通过共享维度来解决。
最后，请考虑维度设计，除了优化查询数据之外，还有第二个重要目的：它是业务的语义模型（或它所代表的任何其他内容）。因此，在决定将数据元素组合成维度和事实时，请考虑它们 "logical affinity" - 它们应该对最终用户具有直观意义。如果您很难向 BI 分析师解释您的维度或事实的含义 table，很可能您犯了建模错误。
比如你的情况应该考虑大学、院系、学习小组等之间的逻辑关系，很可能University/Department形成一个自然的层次。如果是这样，它们应该属于同一个维度。另一方面，学习小组可能不会 - 让我们假设，可以跨多个大学 and/or 多个部门组建学习小组。这种 Many:Many 关系清楚地表明它们应该通过事实 table 来解决。另外，大学与院系之间的关系是stable（很少变化），而study groups的形成和解散非常频繁，因此应该单独建模。
一般来说，如果您看到维度元素之间的 1:1 或 1:M 关系，通常表明它们应该 de-normalized 到相同的 table（再次，只有当它们的组合合乎逻辑时）。如果关系是 M:M，它们很可能属于不同的 table（你可以强制它们进入相同的 table，但通常这样的 table 看起来像弗兰肯斯坦生物） .
您可以通过使您的问题更具体来获得更好的帮助 - 画出您的维度模型，post它，并要求 具体 issues/challenges有。对于一般概念，Kimball 和 Inmon 的书籍是您最好的朋友。