教程索引目录请访问：《大数据技术入门级系列教程》

在上一篇数据仓库分层设计中，我们还提到了各个层除了原始表还进行了一些加工，在加工的时候还提到了事实表、维度表，本文带你粗略的理解一下事实表、维度表，数据模型中的星型模型、雪花模型。

事实表、维度表有的时候很模糊，造成了在数仓建设中一些不符合标准。

事实表（fact）

首先什么是事实呢？事实就是描述一个事物真实的发生了，一个用户把商品加入购物车这个事件在数据库中就是一条记录，这个就是在数据库汇总描述了一个事实。

事实，也分为三种，可加型事实，半可加型事实，不可加型事实。

• 可加型事实，指的是在所有维度加起来都有意义的度量。
• 半可加型事实，指的是在特定维度下加起来有意义，另一些维度下加起来无意义的度量。
• 不可加型事实，是指在所有维度下，加起来都没有意义的度量。

比如我们银行卡账单里的流水，无论是按时间求和还是按购物场所求和，怎么求和都有意义，是某个维度下的流水总数，这个就是可加型事实。

同样是我们的银行卡账单，如果你把余额都加起来，只有某个时间点把所有用户的余额都加起来才有意义，如果是按购物场所将用户余额求和，那么得出的数字什么意义也没有，这个就是半可加型事实。

同样是我们的银行卡账单，里面的卡号，无论你在什么维度下求和都没有意义，就是不可加型事实。

维度表（dimension）

什么是维度，维度是看待事实的角度。

同样是上面的银行卡账单数据，我们可以用时间角度来看，也可以从消费场所来看，也可以从消费渠道来看，这些就是他们的维度数据，比如消费渠道里可能有支付宝、微信、京东、线下POS、线下ATM，这些都是这个事实的维度。

星型模型和雪花模型

既然我们对数据进行了拆分，分为事实表和维度表，那么他们的模型结构怎么设计呢，这里就需要提一下星型模型和雪花模型。

星型模型

正如其名，这个结构像是一个星星，中间是事实表，周围围绕这各个维度表，通过外键相关联，在下方我画了一个示意图，星型虽然很快就可以取到我们需要的数据，但是其中会有很大的数据冗余，比如地区维度表，就需要存储 A省B市C区D街、A省B市E区F街，其中A省B市出现了冗余

雪花模型

雪花的样子大家应该都见过吧，从中间向四周发射，每个分支上又发射出多条线，雪花模型和雪花非常像，中间是事实表，周围围绕这各个维度表，维度表周围可能还有一圈维度表，在下方我画了一个示意图，也就是说当有一个或多个维表没有直接连接到事实表上,而是通过其他维表连接到事实表上，就是雪花模型。

雪花模型是对星型模型的扩展，它对星型模型的维表进一步层次化，原有的各维表可能被扩展为小的事实表，例如我下面的示意图，将地区维度表再分解为省、市、区县、街道维度，这样就降低了数据冗余程度，但想要拿到地区还需要关联多个维表，提高了复杂性。

总结

查询性能角度来看雪花型模型更有利于度量值的聚合，因此性能要高于星型模型。模型复杂度角度来看星型模型更简单方便处理。层次结构角度来看雪花模型更贴近真实系统，结构关系清晰。存储角度来看，雪花模型具有关系数据模型的所有优点，不会产生冗余数据，而相比之下星型模型会产生数据冗余。

到底用哪个没有标准答案，需要你在实际生产环境中去取舍，不过一般星型模型用的多，查询效率高，硬盘已经不贵了可以忍。