Power BI 中的数据建模与模式

Source: Dev.to

理解 Power BI 中的数据建模

数据模型类型

• 概念数据建模 – 定义业务需要哪些数据以及概念之间的关系（例如，客户、产品）。
• 逻辑数据建模 – 添加列、属性、事实和维度；识别实体及其关系。
• 物理数据建模 – 描述数据在物理层面的存储、组织和访问方式（例如，产品键）。该模型与 DBMS 配合使用，侧重于性能相关的属性。

关键术语

• Dimensional model – 为报告中的数据检索提供便利的组织方式。
• Fact table – 表示一次事件；可能包含度量值。
• Dimension table – 提供描述性上下文的信息类别（名词）。
• Attribute – 维度表中的列，用于描述对象。

良好数据模型的特征

• 易于理解和使用。
• 提供可预测的性能。
• 能够扩展以处理大数据集。
• 灵活且易于适应。

Fact 和 Dimension 表

Fact Table

• 示例： 成本、折扣、销售数量。
• 特征：
  • 行数众多（粒度高）。
  • 存储用于聚合的数值（SUM、AVERAGE、COUNT）。

Dimension Table

• 回答事件的“谁、什么、在哪里、何时、如何、为何”。
• 行数少于 Fact 表，但列可能很多，包含大量文本列。
• 每个维度由单一主键定义。
• 包含业务过程名词的描述性特征。
• 维度属性是查询约束、分组和报表标签的主要来源。
• 示例： 日期、地区、客户详情。

模式类型

Star Schema

• 因其星形结构得名，中心是 Fact 表，周围环绕着 Dimension 表。

Snowflake Schema

• 星形模式的规范化版本，维度表进一步拆分为相关表。

Power BI 中的关系

• Cardinality – 一对多、一对一、多对多。
• Cross‑filter direction – 单向或双向。
• Active vs. inactive relationships – 决定默认在计算中使用哪些关系。

良好数据建模的重要性

• 报表的准确性。
• 提升数据质量和完整性。
• 改善性能。
• 可扩展性和灵活性。

结论

一个设计良好的数据模型对 Power BI 的性能、准确性和可扩展性至关重要。恰当的建模可确保查询快速、计算正确、报表直观；而建模不当则会导致仪表板卡顿、洞察错误以及内存浪费。