维度建模：星型模型与雪花模型

维度建模基本概念：

• 事实表（Fact Table）： 存储度量值（如订单金额、数量），包含维度外键
• 维度表（Dimension Table）： 存储描述性属性（如时间、地区、产品详情）

星型模型（Star Schema）：

结构： 事实表在中心，维度表直接连接事实表，呈星形辐射状。

           [时间维度表]
               |
[产品维度表] — [事实表] — [地区维度表]
               |
          [用户维度表]

特点：

• 维度表不规范化（包含冗余数据）
• 查询时Join少，性能好
• 维度表宽（列多但行少）

优点： 查询简单、性能高、易于理解 缺点： 维度表数据冗余大（占用更多存储）

雪花模型（Snowflake Schema）：

结构： 维度表进一步规范化，拆分为多个子维度表，呈雪花状。

[产品类别表] — [产品维度表] — [事实表] — [地区维度表] — [城市表]
                                    |
                              [时间维度表]

特点：

• 维度表规范化（分解为子表）
• 减少数据冗余
• Join更多（查询更复杂）

优点： 存储空间少、数据一致性高（修改一处即可） 缺点： 查询时Join多、性能下降、维护复杂

对比表： | 维度 | 星型模型 | 雪花模型 | |------|----------|----------| | 规范化程度 | 低（反范式） | 高（第三范式） | | Join数量 | 少 | 多 | | 查询性能 | 快 | 较慢 | | 存储空间 | 大（冗余） | 小 | | ETL复杂度 | 简单 | 复杂 | | BI工具支持 | 好 | 一般 | | 维护成本 | 低 | 高 |

选型建议：

• 星型模型：OLAP查询为主、追求查询性能、维度变化不频繁
• 雪花模型：存储受限、维度层次复杂、需要严格的数据一致性
• 生产实践： 多数场景使用星型模型，仅对变化缓慢的大维度使用雪花化