Power BI 中的模式和数据建模：适合初学者的分步指南

Source: Dev.to

要为您提供准确的翻译，请提供您希望翻译的完整文本（除代码块、URL 和源链接外）。您可以直接粘贴文章内容，我将按照要求保持原始格式、Markdown 语法和技术术语，仅翻译正文部分为简体中文。

介绍

数据建模是使用 Power BI 时 最重要的技能 之一。即使你的数据本身是正确的，糟糕的数据建模也会导致报表运行缓慢、数字错误以及视觉效果混乱。

本文将 从零开始 解释 Power BI 中的模式和数据建模工作原理。内容编写旨在让初学者 一步一步、点击点击 地构建出正确的模型。

你将学习到：

• Power BI 中数据建模的含义
• 事实表 vs. 维度表
• 星型模式和雪花模式
• 关系（多对一、基数、过滤方向）
• 为什么良好的建模能提升性能和准确性
• 如何在 Power BI 中创建干净的数据模型（一步一步）

Power BI 中的数据建模是什么？

数据建模 是以下过程：

• 组织表格
• 定义表格之间的关系
• 构建数据结构，使 Power BI 能高效分析

将数据建模想象成 设计房屋的基础——如果基础薄弱，所有上层建筑都会出现问题。

为什么良好的数据建模至关重要？

• 性能 – 设计良好的模型加载更快，对查询的响应更迅速
• 准确性 – 正确的关系确保计算和聚合结果准确
• 可扩展性 – 良好的模型能够处理不断增长的数据量而不出现性能下降
• 可维护性 – 简洁的模型更易于更新和排查问题
• 用户体验 – 快速、准确的报表有助于做出更好的业务决策

在 Power BI 中，数据建模主要在以下位置进行：

• 模型视图 – 关系图
• 数据视图 – 表结构

事实表和维度表

事实表

事实表是数据模型中的核心表，包含关于业务流程的定量数据（度量）。可以把它们看作“发生了什么”表。

事实示例

• 销售额
• 销售数量
• 利润
• 产量

事实表的特征

• 包含数值度量（销售额、数量、成本、利润）
• 通常有很多行（可以包含数百万记录）
• 包含指向维度表的外键
• 表示业务事件或交易
• 通常列较少（列宽窄），但行很多（行长）

示例：Sales_Fact 表

维度表

维度表存储描述性信息（上下文）。

维度示例

• 日期
• 产品
• 客户
• 位置

维度表的特征

• 包含文本或类别
• 小于事实表
• 用于过滤和分组

示例：Product_Dimension 表

什么是 Schema？

schema 是定义事实表和维度表如何连接的结构。

在 Power BI 中，最常见的两种 schema 是：

• Star schema ⭐ (recommended)
• Snowflake schema ❄️

Source: …

星型模式（强烈推荐）

什么是星型模式？

星型模式具有：

• 一个中心事实表
• 多个直接连接到它的维度表

它看起来像一个星形。

为什么星型模式是 Power BI 的最佳选择

• ✔ 性能更快
• ✔ DAX 公式更简洁
• ✔ 聚合更准确
• ✔ 易于理解

Power BI 的引擎（VertiPaq）针对星型模式进行了优化。

步骤指南：在 Power BI 中创建星型模式

步骤 1 – 加载数据

1. 打开 Power BI Desktop。
2. 点击 Home 选项卡 → Get Data。
3. 选择你的数据源（Excel、CSV、SQL 等）。
4. 点击 Load。

步骤 2 – 在数据视图中检查表

1. 点击左侧面板的 Data 图标（表格）。
2. 打开每个表并识别：
   • 事实表（包含数值列）
   • 维度表（包含描述性列）

步骤 3 – 转到模型视图

• 点击左侧的 Model 图标（图表）。
• 你会看到每个表以盒子的形式显示。

步骤 4 – 创建关系

1. 从 Product_Dim 拖动 ProductID。
2. 将其放到 Sales_Fact 中的 ProductID 上。
3. 在 Create Relationship 窗口中设置：
   • Cardinality（基数）： One to Many (1:)*
   • Cross filter direction（交叉过滤方向）： Single
   • 确保维度表位于 1 端。
4. 点击 OK。

对其他维度（日期、客户、地点）重复相同的过程。

雪花模式

什么是雪花模式？

snowflake schema 是一种变体，其中维度表被规范化并连接到其他维度表，形成“雪花”模式。

为什么 … (原始来源中此部分被截断)

注意： 原始内容在 “Why S” 之后突然结束。应补充本节的其余部分，以完整讨论雪花模式。

Snowflake 在 Power BI 中不太理想

• ❌ 性能较慢
• ❌ 关系更复杂
• ❌ DAX 公式更难写

Power BI 在维度是 去规范化（扁平化）时表现更好。

最佳实践： 在可能的情况下将雪花模型转换为星型模型。

理解 Power BI 中的关系

基数

• 一对多 (1:*) – 最常见且推荐
• 多对多 – 除非绝对必要，否则避免

过滤方向

• 单向 – 推荐
• 双向 – 可能导致错误的总计

规则： 过滤应从 维度 → 事实 流向。

为什么良好的数据建模至关重要

性能

准确性

不良建模可能导致：

• 双重计数
• 总计错误
• 误导性报告

正确的建模可确保：

• 准确的聚合
• 可靠的业务决策

常见初学者错误（避免这些）

• ❌ 多个事实表直接相连
• ❌ 到处都是多对多关系
• ❌ 不必要的雪花模型
• ❌ 将事实表用作过滤器

✔ 始终以星型模式的思维进行设计。

结论

数据建模在 Power BI 中 不是可选的——它是必不可少的。

总结：

• 对数字使用 事实表
• 对描述使用 维度表
• 构建 星型模式
• 使用 一对多关系
• 将过滤方向保持为 单向

当您的数据模型干净整洁时，其他所有工作都会变得更容易——包括 DAX、可视化和性能。