星型模型与雪花型模型对比
请比较数据仓库中星型模型（Star Schema）和雪花型模型（Snowflake Schema）的设计差异、优缺点，并给出选型建议。
回答
我还是少年
一、星型模型：
结构：
- 中心：一张事实表（包含度量值+外键）
- 周围：多张维度表（非规范化，维度表直接连接事实表）
- 示例：
销售事实表直连客户维、产品维、时间维、门店维
优点：
- 查询性能好（Join路径短，只需一次Join）
- 对BI工具友好
- 理解简单
缺点：
- 数据冗余（维度表非规范化）
- 维护成本高（维度数据一致性需ETL保证）
二、雪花型模型：
结构：
- 事实表仍是中心
- 维度表规范化（分解为多张表）
- 示例：
产品维→产品分类维（产品维存分类ID）
优点：
- 数据冗余少，存储成本低
- 维度数据一致性更好（分类信息只存一份）
- ETL维护相对简单
缺点：
- 查询需多次Join，性能下降
- BI工具建模复杂
- 对用户理解不友好
对比表： | 维度 | 星型 | 雪花型 | |------|------|--------| | Join次数 | 1次（事实→维表） | 多次（事实→维表→子维表）| | 查询性能 | 高 | 低 | | 存储 | 冗余大 | 冗余小 | | 维度层次 | 扁平 | 分层 | | ETL复杂度 | 低 | 中 | | 数据一致性 | 人工保证 | 结构保证 |
选型建议：
优先星型：
- OLAP查询性能优先（大多数场景）
- BI工具（Tableau/Superset）对接
- 维度层次不复杂（≤2层）
优先雪花型：
- 维度层次深（如地理：国家→省→市→区）
- 存储成本敏感（大数据量）
- 维度一致性要求极高
现代大数据实践：
- 常用宽表（大宽表）替代星型/雪花型
- 数据湖中倾向于存储优化（Parquet列存）+计算优化（CBO/物化视图）