Power BI 中的 Schema 与数据建模：全面指南

Source: Dev.to

Introduction

Power BI 是一款强大的商业智能工具，用于分析数据。
数据建模是将数据结构化为表并定义它们之间关系的过程，以支持高效的分析。模式指的是数据模型的组织结构——即你选择组织表及其关系的具体安排。

数据建模始于明确需要分析的内容。典型的问题包括：

• 正在衡量什么？
• 结果将如何比较？

明确的目标指导模型的结构。

Fact Tables

事实表存储业务活动中的可度量数据。如果它：

• 包含数值型数据
• 记录交易或事件
• 持续增长

则被视为事实表。

示例： 销售交易、订单、付款

常见事实表列

• SalesAccount
• Quantity
• OrderID
• ProductKey

Dimension Tables

维度表为事实提供意义。它们描述：

• 谁执行了操作
• 涉及了什么
• 何时发生
• 在哪里发生

示例： 客户、产品、日期、地点

维度使数据能够被过滤、分组和汇总。

Relationships

关系将维度表链接到事实表，通常为 一对多：

• 维度表位于 “一” 端
• 事实表位于 “多” 端

过滤流从维度到事实，且首选单向过滤。正确的关系确保结果准确。

Schema Designs

Star Schema

星型模式将中心事实表直接连接到多个维度表，形成星形结构。

优势

• 易于理解
• 查询性能更快
• 简化 DAX 计算
• 减少关系中的歧义

考虑因素

• 使用更多存储空间
• 维度表中存在一定的数据冗余

典型布局

• FactSales
• DimCustomer
• DimProduct
• DimDate
• DimRegion

每个维度都直接连接到事实表。Microsoft 推荐在 Power BI 中使用此设计。

Snowflake Schema

雪花模式将维度表规范化为多个相关表，形成更复杂的结构。

优势

• 减少数据冗余
• 使用更少的存储空间
• 适用于非常大的维度表
• 更好的数据规范化

缺点

• 由于需要大量连接，结构更复杂
• 由于额外的连接，性能较慢
• 编写和维护 DAX 更困难
• 用户理解难度更大

由于这些缺点，雪花模式通常不适合作为大多数 Power BI 报表的设计。

Conclusion

数据建模是实现高效 Power BI 报表的基础。了解模式、事实表与维度表以及它们之间的关系，使分析师能够构建快速、准确且易于维护的模型。