精通 Power BI 中的 Schema 与数据建模

I’m happy to translate the article for you, but I need the actual text of the post. Could you please paste the content you’d like translated (excluding any code blocks or URLs you want to keep unchanged)? Once I have the text, I’ll provide a Simplified‑Chinese version while preserving the original formatting and markdown.

介绍

在 Power BI 中，华丽的仪表板的价值取决于其背后的架构。虽然直接跳到创建生动的图表很诱人，但真正的魔力发生在数据模型的幕后。设计一个稳健的模式——即数据交互的蓝图——是构建任何专业报告的最关键步骤。没有坚实的基础，即使是外观最好的可视化也可能出现性能迟缓，更危险的是产生不准确的洞察。

Fact Tables (The “What Happened?”)

• Purpose: 记录在特定时间点发生的具体事件或交易。
• Data Type: 主要是定量的数值数据（度量），例如销售额、销售数量或温度读数。
• Structure: 非常“长”（数百万或数十亿行），但“瘦”，主要由数字和指向其他表的外键组成。
• Example: 一个 Sales 表，列出商店中生成的每一张收据。

维度表（“谁、哪里、何时？”）

• 目的：通过描述业务流程中涉及的实体，为事实提供上下文。
• 数据类型：定性、描述性数据（属性），例如产品名称、客户地址或日期层次结构（年、月、季度）。
• 结构：通常是“宽表”，因为它们包含许多描述性文本列，但相较于事实表来说“短”（例如，1000 万条销售记录 vs. 500 个唯一产品）。
• 示例：一个 Product 表，列出您所销售的所有商品的名称、颜色、类别和品牌。

为什么区分很重要

在 Power BI 中，通常通过维度进行过滤并计算事实。例如，您会使用维度表中的产品名称来过滤事实表中的总收入。将这两者混淆是导致模型混乱和计算错误的主要原因。

金标准：星型模式

星型模式因其在模型视图中的外观而得名：中心是单个事实表，周围辐射出多个维度表，形似星星的各个点。

为什么 Power BI 喜爱星型模式

• 简化的 DAX：直接的关系使编写度量值更容易，减少了复杂变通的需求。
• 快速性能：过滤器只需从维度表走一步到事实表，就能实现近乎即时的计算。
• 易用性：模型对终端用户直观友好，他们知道从外部表获取“类别”，从中心表获取“数值”。

雪花模式

雪花模式发生在维度表被进一步拆分为子维度时（例如，一个产品表连接到单独的类别表，类别表再连接到部门表）。虽然通过减少冗余文本可以节省少量存储空间，但雪花化通常会使 Power BI 模型变慢且更难以导航。只要可能，将子维度展平回单个宽表，以保持清晰的星型模式。

为什么性能很重要

良好的建模不仅仅是为了整洁；它直接影响 Power BI 最关键的两个方面：

• DAX 效率：在星型模式中，过滤上下文清晰明确，因此度量值（如“总销售额”或“同比增长”）计算更快，因为引擎无需遍历多个连接。
• 准确的报告：关系设置错误可能导致笛卡尔积，进而产生极度膨胀的数字。

比较

结论

随着技术的演进，我们用于可视化数据的工具将持续变化，但数据建模的原则保持不变。精通星型模式是任何 Power BI 开发者的终极“作弊码”。通过将名词（维度）与动词（事实）分离，并保持干净的一对多关系，您可以确保报告不仅美观，而且准确、快速且可扩展。