一、维度建模的基本概念

1.1维度建模的定义

维度建模（dimensional modeling）是专门用于分析型数据库、数据仓库、数据集市建模的方法，数据集市可以理解为是一种小型的数据仓库。

1.2 维度表（dimension）

维度表示你要对数据进行分析时所用的一个量，比如，你要分析产品销售情况，你可以选择按照类别来进行分析，或者按照区域进行分析。这样的按照XX进行分析的就构成了一个维度。再比如“昨天下午我在星巴克话费200元喝了一杯卡布奇诺”，那么以消费为主题进行分析从这段消息中可以提取三个维度：时间维度（昨天下午）、地点维度（星巴克）、商品维度（卡布奇诺）。通常来说维度表信息比较固定，且数据量小。

1.3 事实表（fact_table）

表示对分析主题的度量。事实表包含了与各维度表相关联的外键，并调用JOIN方式与维度表关联。事实表的度量通常是数值型的，且记录数会不断增加，表规模迅速增长。比如上面消费的例子，他的消费事实表结构示例如下所示：

消费事实表：prod_id（引用商品维度表id）、timekey(引用时间维度表)、place_id（引用地点维度表）、unit（销售量）。

总的来说，在数据仓库中不需要严格按照规范化设计原则，因为数据仓库的主导功能就是面向分析，以查询为主，不涉及数据更新操作。事实表的设计是以能够正确记录历史信息为准则，维度表的设计是以能够以合适的角度来聚合主题内容为原则。

二、维度建模的三种方式

2.1 星型模型

星型模型（star schema）是最常用的维度建模方式。星型模型是以事实表为中心，所有的维度表都直接连接在事实表身上，像星星一样。

1. 维度表只和事实表关联，维度表之间没有关联；
2. 每个维度主键为单列，且该主键被放在事实表中，作为两边连接的外键。
3. 以事实表为核心，维度表围绕核心呈星型分布。

2.2 雪花模型

雪花模型（snawflake schema）是对星型模式的扩展。雪花模式的维度表可以拥有其他维度表。虽然这种模型相比星型模型更规范一些，但是由于这种模型不太容易理解，维护成本比较高，而且性能方面需要关联多层维度表，性能也比星型模型要低，所以一般不是很常用。

2.3 星座模型

星座模型是星型模型延伸而来，星型模型是基于一张事实表，而星座模型是基于多张事实表的而且共享维度信息。

前面介绍的两种维度建模的方式是对应单事实表，但是在很多时候维度空间的事实表不止一个，而一个维度表也可能被多个事实表用到，在业务发展后期，绝大部分维度表建模都是采用星座模型。

三、模型命名规范

维度表命名遵循 dim_<dimension_name>的规则，其中dimension_name用来描述维度的内容。

维度一般是指 人员（who）、时间（when）、地点（where）、事件（what）来划分。

事实表的命名遵循fact_<fact_name> 的规则，其中fact_name用来描述事实表的内容。

事实表一般是以多少（how much）来划分的。