了解 Power BI 中的数据建模：Joins、Relationships 和 Schemas 解析
Source: Dev.to
继续我之前的文章 “How Excel Is Used in Real‑World Data Analysis,”，我现在在探索 Power BI。过去两周让我大开眼界——我发现，虽然 Excel 仍然至关重要，但其他工具也能完成许多相同的任务（往往做得更好）。以下是我迄今为止学到的概念，或许能帮助你在自己的学习旅程中前行。
📊 什么是数据模型？
- Data Model – 对数据在数据库中如何组织和存储的可视化表示。可以把它看作一张地图，展示每个表中存放了哪些数据以及表之间的关联方式。
- Data Modeling – 创建这张“地图”的过程：连接数据源、定义关系，并将所有内容安排成支持分析的结构。
我将使用一个示例数据集来说明这些概念，该数据集包含四个表（Customers、Products、Stores、Sales），分别位于 Excel 的不同工作表中。
📁 示例数据集（Excel 视图）
此处应放置工作簿的截图，显示四个工作表。
数据集已经是干净的，但如果您需要先进行整理，请在构建模型之前使用 Power BI 的 Transform Data（Power Query）。
🛠️ 在 Power BI 中处理数据的三种方式
| 视图 | 如何访问 | 功能 |
|---|---|---|
| 表视图 | 打开空白报告 → 获取数据 → 选择 Excel 工作簿 | 将原始表加载到 Power BI。 |
| 模型视图 | 点击 模型 图标（截图中已高亮） | 用于创建和管理表之间关系的可视化画布。 |
| 报表视图 | 点击 报表 图标（位于表视图图标上方的那个） | 构建可视化；也可以在此管理关系。 |
提示： 三种视图均可通过功能区或左侧导航窗格访问。
🔗 管理关系
- 加载数据后，转到 Model View（或在任意视图中使用 Manage Relationships）。
- 单击 Manage Relationships → 会弹出一个带有绿色 + New Relationship 按钮的弹窗。
- 在对话框中，选择要关联的两个表，并选择共享列（例如，
CustomerID在 Sales 与 Customers 之间）。 - 对其他表对重复上述操作。
结果是一个 Data Model，大致如下所示：
Insert a diagram of the model showing Sales at the centre linked to Customers, Products, and Stores.
🔀 Joins vs. Relationships
| Concept | What It Does |
|---|---|
| Join | 将两个表中的行合并为一个表（在 Power Query 中通过 Merge Queries 执行）。 |
| Relationship | 定义表之间的关联方式，同时保持表的独立性；Power BI 利用这些关联自动过滤和聚合数据。 |
🔧 Power BI 中的连接类型（Power Query → Merge Queries）
| 连接类型 | 描述 |
|---|---|
| 左外连接 | 保留 所有 左表的行并匹配右表的行。未匹配的行返回 null。 |
| 右外连接 | 保留 所有 右表的行并匹配左表的行。未匹配的行返回 null。 |
| 全外连接 | 保留 两个 表的 所有 行；未匹配的行返回 null。 |
| 内连接 | 只返回在 两个 表中都有匹配的行（行数会减少）。 |
| 左反连接 | 返回左表中 没有 在右表中匹配的行。 |
| 右反连接 | 返回右表中 没有 在左表中匹配的行。 |
在 Merge Queries 对话框中，窗口底部会显示匹配了多少行——快速的合理性检查。
🔗 Power BI 中的关系类型
-
One‑to‑Many (1:M) – 主表中的一行对应次表中的多行。
示例: Sales → Customers, Sales → Products, Sales → Stores. 这是最常见的关系，能够实现平滑的聚合。 -
Many‑to‑many (M:M) – 一个表中的多行对应另一个表中的多行。
注意: 可能导致计算错误；尽量避免。 -
One‑to‑one (1:1) – 表中的一行恰好对应另一表中的一行。虽少见，但在将大表拆分为逻辑部分时很有用。
-
Active vs. Inactive – 可以在同两个表之间定义多个关系。Power BI 默认使用 active 关系。若要使用非活动关系，需要显式引用（例如使用
USERELATIONSHIP）。
基数 & 交叉过滤方向
| 属性 | 说明 |
|---|---|
| Cardinality | 描述关系类型（1:M、M:M、1:1）。 |
| Cross‑filter direction | 确定过滤器在关联表之间的流向。 |
| Single direction | 过滤器仅从“一侧”流向“多侧”（或按定义的方向）。 |
| Bidirectional | 过滤器双向流动，对某些计算有用，但可能影响性能。 |
⭐ 星型模式
星型模式是一种数据模型设计，其中中心的 事实 表（例如 Sales）被多个 维度（查找）表（例如 Customers、Products、Stores）环绕。
- 事实表 存储事务数据（销售额、数量、日期）。
- 维度表 存储描述性属性（客户名称、产品类别、店铺位置）。
我们的模型遵循此模式：Sales 是事实表，链接到三个维度表。
🚀 要点
- 数据建模 是 Power BI 中任何稳健分析的基础。
- 关系 使表保持独立，但能够实现强大的自动过滤。
- 连接 在需要单一合并表进行进一步转换时非常有用。
- 了解 基数、交叉过滤方向 以及 活动 vs. 非活动 关系，可帮助微调性能和准确性。
- 设计 星型模式 可简化报表并提升查询速度。
随意尝试示例数据集，尝试不同的连接类型，并玩转关系设置。练习得越多，Power BI 越直观！
分析愉快！
Source: …
数据建模概述
- 查找表 – customers（客户），products（产品），stores（门店）
- 中心（事实）表 – 存储可度量（定量）数据，如 quantity sold（销售数量）、price（价格）、stock levels（库存水平）等。
查找表也称为 维度表，因为它们为事实提供上下文。它们包含描述性（定性）信息，如 names（名称）、cities（城市）、categories（类别）、email addresses（电子邮件地址）等。
雪花模型
雪花模型 是星型模型的一种变体，其中维度表进一步规范化为子维度表。在实际操作中，你会在星型模型的维度表上进行扩展，以创建这些额外的层级。
平面表（DLAT）
平面表（或 DLAT – 数据湖访问表）将通常在事实表和维度表之间拆分的所有内容合并为单个表。
示例： 一个包含所有业务信息并充当自身数据库的单个 Excel 工作表。
关键要点
- 首先清理数据 – 在构建模型之前使用 Power Query（或任何 ETL 工具）。
- 优先使用星型模型 – 它使关系易于理解，并帮助避免多对多连接，这会使计算复杂化并导致错误。