Sniegpārslas shēma salīdzinājumā ar zvaigžņu shēmu

Izvēloties datu noliktavas datu bāzes shēmu, sniegpārsla un zvaigžņu shēmas mēdz būt populāra izvēle. Šajā salīdzinājumā tiek apskatīta zvaigžņu un sniegpārslu shēmu piemērotība dažādiem scenārijiem un to raksturojums.

Salīdzināšanas tabula

Sniegpārsliņu shēmas un zvaigžņu shēmas salīdzinājuma tabula

	Sniegpārslas shēma	Zvaigžņu shēma
Apkopes / maiņas vienkāršība	Nav atlaišanas, tāpēc sniegpārslu shēmas ir vieglāk uzturēt un mainīt.	Tam ir lieki dati, tāpēc to ir mazāk viegli uzturēt / mainīt
Lietošanas ērtums	Sarežģītāki jautājumi un līdz ar to mazāk viegli saprotami	Zemāka vaicājuma sarežģītība un viegli saprotama
Vaicājuma veiktspēja	Vairāk ārvalstu atslēgu un tādējādi ilgāks vaicājuma izpildes laiks (lēnāks)	Mazāks ārvalstu atslēgu skaits un līdz ar to īsāks vaicājuma izpildes laiks (ātrāks)
Datawarehouse tips	Labi izmantojams datawarehouse kodolā, lai vienkāršotu sarežģītas attiecības (daudz: daudz)	Piemērots datu kartēm ar vienkāršām attiecībām (1: 1 vai 1: daudz)
Pievienojas	Lielāks pievienošanos skaits	Mazāk pievienojas
Izmēru tabula	Sniegpārsliņu shēmai katrā dimensijā var būt vairāk nekā viena dimensiju tabula.	Zvaigžņu shēmā ir tikai vienas dimensijas tabula katrai kategorijai.
Kad lietot	Ja izmēru tabula ir salīdzinoši liela, sniegpārsla ir labāka, jo tā samazina vietu.	Kad dimensiju tabulā ir mazāk rindu, mēs varam izvēlēties shēmu ar zvaigznīti.
Normalizācija / normalizēšana	Izmēru tabulas ir normalizētas, bet faktu tabula ir normalizēta	Gan dimensiju, gan faktu tabulas ir normalizētas
Datu modelis	Pieeja no apakšas uz augšu	Augšupēja pieeja

Saturs: sniegpārsliņu shēma vs zvaigžņu shēma

• 1 piemēri
  • 1.1 Zvaigžņu shēmas piemērs
  • 1.2 Sniegpārslas shēmas piemērs
• 2 Atsauces

Piemēri

Apsveriet mazumtirgotāja datu bāzi, kurā ir daudz veikalu, un katrā veikalā tiek pārdoti daudzi produkti daudzās produktu kategorijās un dažādiem zīmoliem. Datu noliktavai vai datu tirgotājam šādam mazumtirgotājam būtu jāsniedz analītiķiem spēja izpildīt pārdošanas pārskatus, kas sagrupēti pēc veikala, datuma (vai mēneša, ceturkšņa vai gada) vai produktu kategorijas vai zīmola.

Zvaigžņu shēmas piemērs

Ja šajā datu martā tiktu izmantota zvaigžņu shēma, tas izskatās šādi:

Zvaigžņu shēmas piemērs

Faktu tabula būtu pārdošanas darījumu ieraksts, savukārt datuma, veikala un produkta dimensiju tabulas ir. Katra dimensiju tabulas ir savienotas ar faktu tabulu, izmantojot to galveno atslēgu, kas ir faktu tabulas sveša atslēga. Piemēram, tā vietā, lai faktiskā tabulas rindā saglabātu faktisko darījuma datumu, tiek saglabāts date_id. Šis datums_id atbilst unikālai rindai tabulā Dim_Date, un šajā rindā tiek saglabāti arī citi datuma atribūti, kas nepieciešami grupēšanai pārskatos. piemēram, nedēļas diena, mēnesis, gada ceturksnis utt. Dati tiek denormalizēti, lai būtu vieglāk ziņot.

Tas ir, kā ar iekšējo savienojumu palīdzību var iegūt pārskatu par televizoru skaitu, ko pārdod pēc zīmola un pa valstīm.

Sniegpārslas shēmas piemērs

Tajā pašā scenārijā var izmantot arī sniegpārsliņu shēmu, un tādā gadījumā tā būtu strukturēta šādi:

Sniegpārslas shēmas piemērs (noklikšķiniet, lai palielinātu)

Galvenā atšķirība, salīdzinot ar zvaigznes shēmu, ir tāda, ka dati dimensiju tabulās ir vairāk normalizēti. Piemēram, tā vietā, lai saglabātu mēnesi, ceturksni un nedēļas dienu katrā tabulas Dim_Date rindā, tās tālāk tiek sadalītas pašu izmēru tabulās. Līdzīgi kā tabulā Dim_Store, valsts un valsts ir ģeogrāfiski atribūti, kas tiek noņemti ar vienu soli - tā vietā, lai tos saglabātu tabulā Dim_Store, tagad tie tiek glabāti atsevišķā Dim_Geography tabulā..

Tas pats ziņojums - pārdoto televizoru skaits pa valstīm un zīmoliem - tagad ir nedaudz sarežģītāks nekā zvaigžņu shēmā:

SQL vaicājums, lai iegūtu pārdoto produktu skaitu pa valstīm un zīmoliem, kad datu bāzē tiek izmantota sniegpārsliņu shēma.

Atsauces

• wikipedia: sniegpārsla_skema
• wikipedia: Star_schema