#Power BI 中的模式与数据建模

Source: Dev.to

介绍

数据建模是 Power BI 中最重要的步骤之一。精心设计的数据模型可以提升性能、准确性和分析的便利性，而糟糕的模型则可能导致报表运行缓慢和洞察错误。本文阐述了 Power BI 中的模式和数据建模概念。

什么是 Schema？

Schema 是在 Power BI 报表中使用的表的逻辑排列。Schema 有助于确定：

• 数据如何连接
• 过滤器在表之间如何流动
• 查询执行的效率

Power BI 中的模式类型

星系模式

维度被拆分为子维度，子维度可以进一步划分为更小的表。

星形模式

Power BI（以及 Excel）中最常见的模式。它包括：

• 一个事实表
• 多个维度表

优势

• 更快的查询性能
• 更简洁的 DAX 公式
• 可预测的过滤行为
• 易于理解

雪花模式

维度表被规范化为额外的维度表，形成更复杂的关系网络。

影响

• 查询时需要更多的连接，可能降低性能
• 更复杂的过滤行为
• DAX 公式变得更难编写和维护

事实表和维度表

事实表

• 存储用于分析的定量数据（度量）
• 包含数值和大量行
• 使用键（例如 CustomerID）引用维度表

维度表

• 提供描述性信息，为事实提供上下文
• 包含文本或分类数据，行数通常少于事实表
• 用于过滤和分组（例如 日期、产品、客户、地点）

关系

关系将一个表中的列连接到另一个表中的列，通常通过键实现。

Example

Sales[ProductID] → Product[ProductID]

一对多（推荐）

• 维度表中的一条记录对应事实表中的多条匹配记录
• 用于星型模式
• 过滤器从维度表流向事实表（单向）

一对一（罕见）

• 每个值在两个表中各出现一次
• 过滤器双向流动，可能导致混乱和性能问题
• 仅在必要时使用

多对多（尽可能避免）

• 当两个表都包含重复值时出现
• 可能导致结果模糊，除非必要否则应避免

关系的最佳实践

• 在可能的情况下保持关系为 一对多
• 使用 单向 过滤（维度 → 事实）
• 为简化和性能优先选择星型模式
• 确保正确定义关系，以避免错误的总计、视觉效果缓慢以及切片器失效

星形模式 vs. 雪花模式

结论

良好的数据建模是有效 Power BI 报告的基础。通过使用结构良好的模式，例如星型（必要时也可使用雪花型）并定义正确的关系，您可以提升性能，确保计算准确，并创建易于理解和维护的报告。投入时间进行恰当的建模可带来更快速的洞察和更可靠的决策。