第11篇：高级数据建模与关系设计

1. 数据建模的核心原则

Power BI 的数据建模直接影响报表性能和计算逻辑。一个优秀的数据模型应该遵循以下原则：

原则	说明
星型模型优先	事实表在中心，维度表环绕
关系方向正确	从维度表指向事实表（一对多）
避免双向关系	除非必要，尽量使用单向关系
合理命名	表名、字段名清晰易懂

---

2. 星型模型 vs 雪花模型

2.1 星型模型

        ┌─────────┐
        │ 维度-日期 │
        └────┬────┘
             │
┌────────┐   │   ┌────────┐
│维度-产品-产品├───┼───┤维度-客户│
└────┬───┘   │   └────┬───┘
     │       ↓       │
     │  ┌──────────┐ │
     └──→│ 事实-销售 │←┘
        └──────────┘

优点：

• 查询性能最优
• DAX 计算简洁
• 易于理解和维护

2.2 雪花模型

┌────────┐     ┌────────┐
│子类别表│←────│ 产品表 │
└────────┘     └────┬───┘
                   │
               ┌───↓────┐
               │事实-销售│
               └────────┘

问题：

• 增加关联层级
• DAX 计算复杂化
• 性能可能下降

建议： 将雪花模型扁平化为星型模型。

---

3. 关系类型详解

3.1 一对多关系（最常用）

维度表（一端）────→ 事实表（多端）

// 从事实表计算维度值
CALCULATE(
    SUM(Sales[Amount]),
    Product[Category] = "电子产品"
)

3.2 多对多关系

当两表都有重复键时，需要中间桥接表：

表A ──→ 桥接表 ←── 表B

示例场景： 多个销售员可以负责多个客户

销售员表 ──→ 销售员-客户桥接表 ←── 客户表

关键配置：

• 桥接表与两端都是多对一关系
• 关系方向从桥接表指向两表
• 使用 MANYTOMANY 关系时需谨慎

3.3 一对一关系

极少使用，通常可以合并为一个表：

员工表 ←──→ 员工详细信息表  // 建议：合并

---

4. 关系方向与交叉筛选

4.1 单向筛选

维度 ──→ 事实

筛选从维度传递到事实，不反向传递。

// 正常工作
CALCULATE(
    SUM(Sales[Amount]),
    Product[Category] = "电子产品"
)

4.2 双向筛选

维度 ←──→ 事实

使用场景：

• 复杂的多对多关系
• 需要"向下钻取"筛选

风险：

• 可能导致歧义计算
• 影响性能
• 调试困难

最佳实践： 默认使用单向，仅在必要时开启双向。

---

5. 不活跃关系

当两表间存在多个关系时，只有一个处于活跃状态：

销售表 ──[订单日期]──→ 日期表（活跃）
       │
       └──[发货日期]──→ 日期表（不活跃）

使用 USERELATIONSHIP 激活：

// 按订单日期计算销售额
销售额 = SUM(Sales[Amount])

// 按发货日期计算销售额
发货销售额 = 
CALCULATE(
    SUM(Sales[Amount]),
    USERELATIONSHIP(Sales[ShipDate], Date[Date])
)

---

6. 计算组与计算表

6.1 计算表

从现有数据创建新表：

// 创建聚合汇总表
汇总表 = 
SUMMARIZE(
    Sales,
    Product[Category],
    "销售额", SUM(Sales[Amount]),
    "订单数", COUNTROWS(Sales)
)

// 创建日历表
日历表 = 
CALENDARS(
    MIN(Sales[OrderDate]),
    MAX(Sales[OrderDate])
)

6.2 计算组（外部工具）

需要使用 Tabular Editor 创建：

计算组：时间智能
├── 计算项：本月
├── 计算项：上月
├── 计算项：年初至今
└── 计算项：去年同期

优势： 减少重复度量值，统一时间智能逻辑。

---

7. 高级建模技巧

7.1 角色扮演维度

同一维度表扮演多个角色：

// 创建订单日期角色
订单日期 = 
CALCULATETABLE(
    VALUES(Date),
    ALL(Date),
    USERELATIONSHIP(Sales[OrderDate], Date[Date])
)

// 创建发货日期角色
发货日期 = 
CALCULATETABLE(
    VALUES(Date),
    ALL(Date),
    USERELATIONSHIP(Sales[ShipDate], Date[Date])
)

7.2 快照事实表

处理余额类数据（库存、账户余额）：

库存快照表
├── 产品ID
├── 快照日期
└── 库存数量

关键： 避免用 SUM，使用 LASTNONBLANK：

期末库存 = 
CALCULATE(
    LASTNONBLANK(Inventory[Quantity], 1),
    DATESINPERIOD(
        Date[Date],
        MAX(Date[Date]),
        -1,
        DAY
    )
)

7.3 渐变维度（SCD）

处理维度历史变更：

版本	字段	值
v1	客户名称	张三
v2	客户名称	张三（已更名）

// 获取当前有效版本
当前客户名 = 
CALCULATE(
    MAX(Customer[Name]),
    Customer[ValidFrom] <= MAX(Date[Date]),
    Customer[ValidTo] >= MAX(Date[Date])
)

---

8. 性能优化检查清单

检查项	工具	建议
表行数	DAX Studio	事实表 > 1000万行需分区
列基数	VertiPaq Analyzer	高基数列考虑移除
关系数量	Power BI Desktop	避免 > 10 个关系
双向关系	模型视图	减少使用
计算列	模型视图	改为 Power Query 处理

---

9. 最佳实践总结

✅ 使用星型模型
✅ 事实表细长，维度表宽短
✅ 关系从维度指向事实
✅ 默认单向筛选
✅ 不活跃关系 + USERELATIONSHIP
✅ 时间维度使用独立日期表
✅ 避免计算列，优先 Power Query

❌ 避免双向关系滥用
❌ 避免多对多直接关系
❌ 避免计算列用于计算
❌ 避免高基数列用于关系

---

10. 小结

本篇介绍了高级数据建模：

主题	要点
模型设计	星型优先，雪花扁平化
关系类型	一对多为主，多对多用桥接表
筛选方向	单向默认，双向慎用
角色扮演	不活跃关系 + USERELATIONSHIP
特殊场景	快照表、渐变维度

下一篇，我们将深入 DAX 高级计算与性能优化。