文章部分图参考自：多维数据模型各种类型（星型、雪花、星座、交叉连接） - 知乎 (zhihu.com)
文章部分文字canla一篇文章搞懂数据仓库：四种常见数据模型（维度模型、范式模型等）-腾讯云开发者社区-腾讯云 (tencent.com)
目录
一、维度模型
（1）、星型模型（Star Schema）
（2）、雪花模型（Snowflake Schema）
（3）、星座模型（Galaxy Schema）
（4）、交叉连接
二、选择模型的考虑因素
一、维度模型
在数据仓库的设计和实施过程中，选择合适的数据模型对于优化查询性能和提升数据分析效率至关重要。星型模型、雪花模型和星座模型是3种流行的数据仓库建模方法，它们各自具有独特的结构、优势和局限性。本文将深入探讨这三种模型的特点、适用场景以及如何根据业务需求进行选择。
维度建模四个步骤：
选择业务处理过程 > 定义粒度 > 选择维度 > 确定事实
（1）、星型模型（Star Schema）
星型模型是一种简单直观的数据模型。其主要目的是优化查询性能，使数据分析更加高效。星型模型的设计思路源自于对多维数据模型的需求，即通过简化数据结构来支持快速的查询操作。
1、结构：
星型模型由一个中心的事实表（Fact Table）和多个维度表（Dimension Tables）构成。中心事实表包含与业务过程相关的事实指标，维度表则描述了这些事实的上下文信息。事实表包含了可度量的数据，如销售额或利润，而维度表则包含了描述这些数据的属性，如时间、地点或产品类型。事实表与维度表之间通过外键连接，形成一个类似星形的结构。
2、优缺点：
优点：
- 易于理解和查询：星型模型的结构简单明了，易于理解和查询，适用于简单的分析需求。
- 性能较高：星型模型具有较好的查询性能，因为所有的维度信息都存储在维度表中，减少了表的连接操作，查询优化相对容易，能快速处理大量数据。
缺点：
- 数据冗余：维度表可能存在数据冗余，也可能导致数据不一致性，也增加了存储空间的消耗。
- 维护难度大：灵活性有限，星型模型对于新增维度的处理相对困难，需要进行表结构的修改。
（2）、雪花模型（Snowflake Schema）
雪花模型是在星型模型的基础上进行了维度表的规范化，将维度表进一步分解为多个层次的规范化表。它的目的是通过数据规范化来减少冗余，并提升存储效率。雪花模型的名字源于其表结构的层次化外观，类似雪花的形状。
1.结构：
在雪花模型中，维度表被进一步分解成多个子表，形成一个层次结构。这种规范化使得维度数据被拆分到更细粒度的表中，从而减少数据冗余。例如，产品维度表可能会被拆分成产品类别和产品子类别表。
事实表:订单事实表(与星型模型相同)
维度表:日期维度表(与星型模型相同)
维度表:客户维度表(与星型模型相同)维度表:产品维度表
产品ID | 产品名称 | 类别 |··
规范化表:产品类别表
类别ID | 类别名称 | 父类别ID |··
2.优缺点：
优点：
- 减少冗余数据：雪花模型通过规范化维度表，减少了数据冗余，节省了存储空间。
- 灵活性高：雪花模型支持灵活的维度层次，适用于需要频繁变更或扩展维度的场景，有助于保持数据的一致性。
缺点：
- 查询性能较差：由于表结构复杂，查询时需要进行多个连接，性能可能受影响。
- 难以理解和维护：雪花模型的结构复杂，维度表的规范化可能增加了数据模型的理解和维护的复杂性。
（3）、星座模型（Galaxy Schema）
星座模型，又称为星型集合模型（Fact Constellation Schema），是对星型模型的一种扩展。它允许多个星型模型共享维度表，因此适用于需要整合多个业务领域的数据仓库。星座模型的出现满足了更复杂数据整合的需求。
1.结构：
星座模型由多个星型模型组成，这些星型模型共享某些维度表。例如，一个数据仓库可能同时包含销售和库存的星型模型，这些模型共享时间和产品维度表，从而形成一个星座结构。
2.优缺点：
优点：
- 整合多个业务领域：适合处理复杂的业务数据，支持多角度分析。
- 提高维度表的复用性：通过共享维度表，减少了数据重复。
缺点：
- 设计复杂：涉及多个星型模型，设计和维护较为复杂。
- 查询优化难度大：由于涉及多种业务数据，查询优化和性能调优比较复杂。
（4）、交叉连接
从一张表到另一张表有多条筛选路径彼此相连接，属于交叉连接模式
二、选择模型的考虑因素
1、数据复杂性：
如果业务需求较简单，维度层次不复杂，可以选择星型模型。
如果业务需求复杂，维度层次较多，可以选择雪花模型。
2、查询性能要求：
如果对查询性能有较高的要求，可以选择星型模型。
如果对存储空间有较高的要求，可以选择雪花模型。
3、可维护性和扩展性：
如果数据模型相对稳定，变更频率较低，可以选择星型模型。
如果需要频繁变更或扩展维度，可以选择雪花模型。
