1：引言
数据的处理主要分为两种：操作型数据处理和分析型数据处理，前者可以称为oltp，后者可以称为olap。
2：olap定义
联机分析处理的定义有以下几种:
olap是以海量数据为基础的复杂分析技术，支持各级管理决策人员从不同的角度，快速灵活地对数据仓库中的数据进行复杂查询
和多维分析处理，并且能以直观易懂的形式将查询和分析结果提供给决策人员，从而辅助各级管理人员作出正确的决策。
3：olap的特点
支持海量数据
支持复杂查询计算
多维分析
快速灵活
支持决策
4：olap与oltp的区别
olap与oltp是两类不同的应用，oltp是对数据库中数据的联机查询和增删改操作，它以数据库为基础；而olap适合以数据仓库为
基础的数据分析处理；
olap中历史的，导出的以及经过综合提炼的数据主要来自于oltp所依赖的底层数据库，olap数据较oltp数据需要多一步综合处理
或多维化操作。
数据的处理主要分为两种：操作型数据处理和分析型数据处理，前者可以称为oltp，后者可以称为olap。
2：olap定义
联机分析处理的定义有以下几种:
olap是以海量数据为基础的复杂分析技术，支持各级管理决策人员从不同的角度，快速灵活地对数据仓库中的数据进行复杂查询
和多维分析处理，并且能以直观易懂的形式将查询和分析结果提供给决策人员，从而辅助各级管理人员作出正确的决策。
3：olap的特点
支持海量数据
支持复杂查询计算
多维分析
快速灵活
支持决策
4：olap与oltp的区别
olap与oltp是两类不同的应用，oltp是对数据库中数据的联机查询和增删改操作，它以数据库为基础；而olap适合以数据仓库为
基础的数据分析处理；
olap中历史的，导出的以及经过综合提炼的数据主要来自于oltp所依赖的底层数据库，olap数据较oltp数据需要多一步综合处理
或多维化操作。
主要区别
oltp:原始数据，细节性数据，当前数据，可更新，一次性处理的数据量小，面向应用，事务驱动，面向操作人员，支持日常操作
olap:导出数据，综合性或提炼性数据，历史数据，不可更新，但周期进行追加或刷新，一次处理的数据量大，面向分析，分析驱
动，面向决策人员，支持管理需要。
5：多维数据模型的概念
a:定义
多维数据模型是olap中的一项核心技术。
多维数据模型是数据分析时用户的数据视图，是面向分析的数据模型，用于给分析人员提供多种观察的视角和面向分析的操作。
多维数据模型的数据结构可以用多维数组来表示，如：维度1，维度2...维度n。度量1，度量2...度量n
多维数据模型也可以用多维立方体来直观展现，其中维表示用户的观察视角，多维空间中的点表示度量的值。
b：常用术语
1：维---维是人们观察事物的特定角度，是事物的某个属性，比如时间，地点，产品。每个维都有唯一的名称，比如时间维，地区
维，产品维。
2：维成员---维成员就是维的取值。如果一个维是多个层次的，那么维成员就是不同层次上的取值的组合。比如，地区维，维成员
就可以是“北京”，“上海”“杭州”等；而日期维包括年，月，日三个层次，那么它的为成员就是“2018年12月3日”，但并不是
每个层次上都有取值，比如“2018年8月”也可以是维成员。
3：维层---维是观察事物的角度，维层就是这个角度的细节程度，不同的细节程度对应着不同的维层。比如，日期维，可以从“年”
这一细节程度去观察，也可以从“季度”“月份”去观察，因此年，季度，月份等就是日期维的不同层次。层之间有一定的层次级别。
4：维层次---维层次是维层的不同划分。比如，日期维可以按照“年-季度-月”划分，也可以按照“年-星期-日”划分。两种划分规则
就是日期维的两个维层次。再比如产品维，可以按照产品，类型，种类划分，也可以按照承销商，代理商，制造商划分。
5：维属性---就是维成员所具有的特性，维属性可以在每个维成员上定义，也可以在维层上定义。如果在维层上定义，那么该维层
上的所有维成员都有这些属性，比如产品维的某一个成员“洗衣机”，他有一个洗涤重量的属性，这就是维属性。
6：度量---度量就是要分析的目标或对象。常见的度量值有销售量，供应量，利润等。度量一般有名称，数据类型，单位，计算公式
等属性。度量还可以分为可累计型和不可累计型。
7：数据方体---多维数据模型的空间展现就是数据数据方体，也称为多维立方体。一个数据方体由多个维度和度量组成，n维立方体
可以看作是由一系列的n-1维立方体组成。
8：数据单元---在一个数据立方体中，当每一个维上都有确定的维成员，那么就可以唯一确定多维空间中的一个点。一个数据单元可以
有多个度量值，比如一个三维立方体，有三个维度：日期维，地区维，时间维，那么2018-8-8，北京，冰箱，就可以确定一个数据单元
这个数据单元上的度量值就可以是利润，销售额，销售数量等。
6：常见的多维数据模型
常见的多维数据模型有星型模型，雪花模型，事实群模型。
1：星型模型
星型模型是多维数据模型的基本结构，通常由位于中心的一张表和其周围的多张表组成。中心的表叫做事实表，周围的表叫做维度表。
事实表是用来存储事实的度量值和各种维度表的主码值。维度表用来保存维的信息，即每个维成员的属性信息和层次信息。事实表
通过维度表的主码与各维度表相连。
星型模型不支持维的层结构，每个维只有一个维表。如果一个维表有多个维层，那么所有的维层属性都必须放在这一个维表里面。
因此就会因为没有规范化而产生一定的冗余。
1：维---维是人们观察事物的特定角度，是事物的某个属性，比如时间，地点，产品。每个维都有唯一的名称，比如时间维，地区
维，产品维。
2：维成员---维成员就是维的取值。如果一个维是多个层次的，那么维成员就是不同层次上的取值的组合。比如，地区维，维成员
就可以是“北京”，“上海”“杭州”等；而日期维包括年，月，日三个层次，那么它的为成员就是“2018年12月3日”，但并不是
每个层次上都有取值，比如“2018年8月”也可以是维成员。
3：维层---维是观察事物的角度，维层就是这个角度的细节程度，不同的细节程度对应着不同的维层。比如，日期维，可以从“年”
这一细节程度去观察，也可以从“季度”“月份”去观察，因此年，季度，月份等就是日期维的不同层次。层之间有一定的层次级别。
4：维层次---维层次是维层的不同划分。比如，日期维可以按照“年-季度-月”划分，也可以按照“年-星期-日”划分。两种划分规则
就是日期维的两个维层次。再比如产品维，可以按照产品，类型，种类划分，也可以按照承销商，代理商，制造商划分。
5：维属性---就是维成员所具有的特性，维属性可以在每个维成员上定义，也可以在维层上定义。如果在维层上定义，那么该维层
上的所有维成员都有这些属性，比如产品维的某一个成员“洗衣机”，他有一个洗涤重量的属性，这就是维属性。
6：度量---度量就是要分析的目标或对象。常见的度量值有销售量，供应量，利润等。度量一般有名称，数据类型，单位，计算公式
等属性。度量还可以分为可累计型和不可累计型。
7：数据方体---多维数据模型的空间展现就是数据数据方体，也称为多维立方体。一个数据方体由多个维度和度量组成，n维立方体
可以看作是由一系列的n-1维立方体组成。
8：数据单元---在一个数据立方体中，当每一个维上都有确定的维成员，那么就可以唯一确定多维空间中的一个点。一个数据单元可以
有多个度量值，比如一个三维立方体，有三个维度：日期维，地区维，时间维，那么2018-8-8，北京，冰箱，就可以确定一个数据单元
这个数据单元上的度量值就可以是利润，销售额，销售数量等。
6：常见的多维数据模型
常见的多维数据模型有星型模型，雪花模型，事实群模型。
1：星型模型
星型模型是多维数据模型的基本结构，通常由位于中心的一张表和其周围的多张表组成。中心的表叫做事实表，周围的表叫做维度表。
事实表是用来存储事实的度量值和各种维度表的主码值。维度表用来保存维的信息，即每个维成员的属性信息和层次信息。事实表
通过维度表的主码与各维度表相连。
星型模型不支持维的层结构，每个维只有一个维表。如果一个维表有多个维层，那么所有的维层属性都必须放在这一个维表里面。
因此就会因为没有规范化而产生一定的冗余。
2：雪花模型
雪花模型是在星型模型的基础上发展而来的，每一个维度不再只有一张维度表，而是可以有多张维度表。雪花模型和星型模型的主要
区别在于：雪花模型会根据维层对维度表进行规范化。经过规范化的维表不仅易于存储，而且能节省空间，但是在查询时就需要比较
多的连接操作。因此，我们在处理时，可以将雪花模型和星型模型进行综合，对于较小的维度表仍然使用星型模型的不规范形式，对
于较大的维度表则使用雪花模型的规范形式。
3：事实群模型
事实群模型类似于星型模型，区别只是多张事实表之间可以共享同一张维度表。
事实群模型类似于星型模型，区别只是多张事实表之间可以共享同一张维度表。
7：常用的分析操作
1：多维分析基础---聚集函数
聚集就是对细节数据进行综合的过程。
最常用的五中聚集函数：求和（sum），计数（count），最大值（max），最小值（min），平均值（avg），求中间值（median），
排序（rank）；
2：切片：slice
就是在数据方体的某一维上选定一个维成员的动作，即限定多维数组某一维度只取一个特定值。
比如地区维，选定“北京”这一个维成员，这样就得到一个切片。
3：切块：dice
就是在数据方体的某一维上选定某个区间的全部维成员的动作，即限定多维数组某一个维度只取一定区间的值。
比如地区维，选定“北京”“上海”“广州”，这样就得到一个切块。当这一区间只有一个维成员时，就得到一个切片。因此
切块可以由多个切片操作叠合而成。
4：旋转
改变数据方体维的次序的动作称为旋转，旋转操作对数据不做任何改变，只是改变立方体摆放的视角。
5：下钻
下钻操作就是在某个分析的过程中，用户可能需要从更多的维或者某个维的更细层次上观察数据，这时候就需要通过下钻操作
来实现。比如将日期维从季节层次下钻到月份层次，下钻前用户只能看到季度数据，而下钻后就可以看到月份数据。
下钻操作主要有两种类型：一是现有的维下钻取更细节一层的数据，比如日期维上的季度数据下钻到月份数据
二是增加更多的维，比如现在只分析了三个维度的数据，但是问题仍然无法解决，这时候就需要更多
维度的数据。
6：上卷
上卷操作是相对下钻操作而言的，下钻可以看到更多更细节数据，因此上卷操作就是看到更少更综合数据。因此，上卷操作也
分为两种，一是上卷到更高层次的数据，另一种是减少维度。
1：多维分析基础---聚集函数
聚集就是对细节数据进行综合的过程。
最常用的五中聚集函数：求和（sum），计数（count），最大值（max），最小值（min），平均值（avg），求中间值（median），
排序（rank）；
2：切片：slice
就是在数据方体的某一维上选定一个维成员的动作，即限定多维数组某一维度只取一个特定值。
比如地区维，选定“北京”这一个维成员，这样就得到一个切片。
3：切块：dice
就是在数据方体的某一维上选定某个区间的全部维成员的动作，即限定多维数组某一个维度只取一定区间的值。
比如地区维，选定“北京”“上海”“广州”，这样就得到一个切块。当这一区间只有一个维成员时，就得到一个切片。因此
切块可以由多个切片操作叠合而成。
4：旋转
改变数据方体维的次序的动作称为旋转，旋转操作对数据不做任何改变，只是改变立方体摆放的视角。
5：下钻
下钻操作就是在某个分析的过程中，用户可能需要从更多的维或者某个维的更细层次上观察数据，这时候就需要通过下钻操作
来实现。比如将日期维从季节层次下钻到月份层次，下钻前用户只能看到季度数据，而下钻后就可以看到月份数据。
下钻操作主要有两种类型：一是现有的维下钻取更细节一层的数据，比如日期维上的季度数据下钻到月份数据
二是增加更多的维，比如现在只分析了三个维度的数据，但是问题仍然无法解决，这时候就需要更多
维度的数据。
6：上卷
上卷操作是相对下钻操作而言的，下钻可以看到更多更细节数据，因此上卷操作就是看到更少更综合数据。因此，上卷操作也
分为两种，一是上卷到更高层次的数据，另一种是减少维度。