维度表(ds层是什么意思)
资讯
2023-10-22
210
1. 维度表,ds层是什么意思?
O(original)DS层: 原始数据存储层 原始数据不做处理,保持原貌,直接导入!分区表,以数据导入的日期作为分区字段。DWD(detail)层: 数据明细存储层将原始数据展开明细!展开明细时,通常会进行ETL操作!将维度表进行维度退化!将敏感数据脱敏!分区表,以数据导入的日期作为分区字段。
DWS(service)层: 数据服务存储层 为ads层提供数据服务! 将ADS层需要的数据,每天聚合!分区表,以数据导入的日期作为分区字段。
DWT(topic)层: 数据主题存储层 为ads层提供数据服务! 将ADS层需要的数据,累积聚合!全量表!每天需要更新表中的字段的值!
2. 什么情况会用到SqlServer的integration?
Microsoft Integration Services 是用于生成企业级数据集成和数据转换解决方案的平台。使用 Integration Services 可解决复杂的业务问题,具体表现为:复制或下载文件,发送电子邮件以响应事件,更新数据仓库,清除和挖掘数据以及管理 SQL Server 对象和数据。这些包可以独立使用,也可以与其他包一起使用以满足复杂的业务需求。Integration Services 可以提取和转换来自多种源(如 XML 数据文件、平面文件和关系数据源)的数据,然后将这些数据加载到一个或多个目标。
Integration Services 包含一组丰富的内置任务和转换、用于构造包的工具以及用于运行和管理包的 Integration Services 服务。可以使用 Integration Services 图形工具来创建解决方案,而无需编写一行代码;也可以对各种 Integration Services 对象模型进行编程,通过编程方式创建包并编写自定义任务以及其他包对象的代码。
Integration Services 提供一系列支持业务应用程序开发的内置任务、容器、转换和数据适配器。您无需编写一行代码,就可以创建 SSIS 解决方案来使用 ETL 和商业智能解决复杂的业务问题,管理 SQL Server 数据库以及在 SQL Server 实例之间复制 SQL Server 对象。
下列情况说明了 SSIS 包的典型用途。
合并来自异类数据存储区的数据
数据通常存储在很多个不同的数据存储系统中,从所有源中提取数据并将其合并到单个一致的数据集中确实有一定的难度。这种情况的出现有多个原因。例如:
许多单位要对存储在早期数据存储系统中的信息进行归档。这些数据在日常操作中可能不重要,但对于需要收集过去很长一段时间内的数据的趋势分析来说很重要。
单位的各个部门可能会使用不同的数据存储技术来存储操作数据。包可能需要先从电子表格以及关系数据库中提取数据,然后才能合并数据。
数据可能存储在对相同数据使用不同架构的数据库中。包可能需要先更改列的数据类型或将多个列的数据组合到一列中,然后才能合并数据。
Integration Services 可以连接到各种各样的数据源,包括单个包中的多个源。包可以使用 .NET 和 OLE DB 访问接口连接到关系数据库,还可以使用 ODBC 驱动程序连接到多个早期数据库。包还可以连接到平面文件、Excel 文件和 Analysis Services 项目。
Integration Services 包含一些源组件,这些组件负责从包所连接的数据源中的平面文件、Excel 电子表格、XML 文档和关系数据库中的表及视图提取数据。
然后,通常要用 Integration Services 包含的转换功能对数据进行转换。数据转换为兼容格式后,就可以将其物理合并到一个数据集中。
数据在合并成功且应用转换后,通常会被加载到一个或多个目标。Integration Services 包含将数据加载到平面文件、原始文件和关系数据库时所用的目标。数据也可以加载到内存中的记录集中,供其他包元素访问。
填充数据仓库和数据集市
数据仓库和数据集市中的数据通常会频繁更新,因此数据加载量通常会很大。
Integration Services 包含一个可直接将数据从平面文件大容量加载到 SQL Server 表和视图中的任务,还包含一个目标组件,该组件可以在数据转换过程的最后一步将数据大容量加载到 SQL Server 数据库中。
SSIS 包可配置为可重新启动。这意味着可以从某个预先确定的检查点(包中的某个任务或容器)重新运行包。重新启动包这一功能可节省很多时间,尤其是包需要处理来自一大批源的数据时。
可以用 SSIS 包加载数据库中的维度表和事实数据表。如果维度表的源数据存储在多个数据源中,包可以将该数据合并到一个数据集中,并在单个进程中加载维度表,而不是为每个数据源使用单独的进程。
更新数据仓库和数据集市中的数据可能很复杂,因为这两种类型的数据存储区通常都包含可能难以通过数据转换过程管理的渐变维度。由于能够动态创建用于插入和更新记录、更新相关记录以及向表添加新列的 SQL 语句,因此,渐变维度向导可自动支持渐变维度。
此外,Integration Services 包中的任务和转换可以处理 Analysis Services 多维数据集和维度。包更新了建立多维数据集所基于的数据库中的表后,您可以使用 Integration Services 任务和转换来自动处理多维数据集和维度。自动处理多维数据集和维度有助于使以下两种环境中的用户始终获得最新的数据:访问多维数据集和维度中信息的用户和访问关系数据库中数据的用户。
Integration Services 还可以在数据加载到其目标之前计算函数。如果数据仓库和数据集市存储了聚合信息,那么 SSIS 包可以计算 SUM、AVERAGE 和 COUNT 之类的函数。SSIS 转换还可以透视关系数据,并将其转换为不太规范的格式,以便更好地与数据仓库中的表结构相兼容。
清除数据和将数据标准化
无论数据是加载到联机事务处理 (OLTP)、联机分析处理 (OLAP) 数据库、Excel 电子表格还是加载到文件,都需要在加载前将数据进行清理和标准化。数据可能由于下列原因而需要更新:
数据由一个单位的多个部门提供,每个部门使用不同的约定和标准。可能需要对数据进行不同的格式处理,然后才能使用这些数据。例如,可能需要将名和姓组合到一列中。
数据是租用或购买的。可能需要将数据进行标准化和清理以满足业务标准,然后才能使用这些数据。例如,单位需要验证所有记录使用了相同的状态缩写集或相同的产品名称集。
数据是区域设置特定的。例如,数据可能使用不同的日期/时间和数值格式。如果要合并来自不同区域设置的数据,那么在加载数据前必须先将其转换到同一区域设置以避免数据损坏。
Integration Services 包含一些内置转换,可将其添加到包中以清理数据和将数据标准化、更改数据的大小写、将数据转换为不同类型或格式或者根据表达式创建新列值。例如,包可将姓列和名列连接成单个全名列,然后将字符更改为大写。
Integration Services 包还可以使用精确查找或模糊查找来找到引用表中的值,通过将列中的值替换为引用表中的值来清理数据。通常,包首先使用精确查找,如果该查找方式失败,再使用模糊查找。例如,包首先尝试通过使用产品的主键值来查找引用表中的产品名。如果此搜索无法找到产品名,包再尝试使用产品名模糊匹配方式进行搜索。
另一种转换通过将数据集中相似的值分组到一起来清理数据。有些记录可能是重复的,所以不应未经进一步计算就将其插入到数据库中。这种转换对识别此类记录很有用。例如,通过比较客户记录中的地址可以识别许多重复的客户。
将商业智能置入数据转换过程
数据转换过程需要内置逻辑来动态响应其访问和处理的数据。
可能需要根据数据值对数据进行汇总、转换和分发。根据对列值的评估,该过程甚至可能需要拒绝数据。
若要满足此需求,SSIS 包中的逻辑可能需要执行以下类型的任务:
合并来自多个数据源的数据。
计算数据并应用数据转换。
根据数据值将一个数据集拆分为多个数据集。
将不同的聚合应用到一个数据集的不同子集。
将数据的子集加载到不同目标或多个目标。
Integration Services 提供了用于将商业智能置入 SSIS 包的容器、任务和转换。
容器通过枚举文件或对象和计算表达式来支持重复运行工作流。包可以计算数据并根据结果重复运行工作流。例如,如果日期在当月,则包执行某一组任务;如果不在,则包执行另一组任务。
使用输入参数的任务也可以将商业智能置入包中。例如,输入参数的值可以筛选任务检索的数据。
转换可以计算表达式,然后根据结果将数据集中的行发送到不同的目标。数据划分完成后,包可以对数据集的每个子集应用不同的转换。例如,表达式可以计算日期列,添加相应期间的销售数据,然后仅存储摘要信息。
还可以将一个数据集发送到多个目标,然后对此相同数据应用不同的转换集。例如,一组转换可以汇总此数据,而另一组转换通过查找引用表中的值并添加其他源的数据来扩展此数据。
使管理功能和数据加载自动化
管理员经常希望将管理功能自动化,例如备份和还原数据库、复制 SQL Server 数据库及其包含的对象、复制 SQL Server 对象和加载数据。Integration Services 包可以执行这些功能。
Integration Services 包含专为以下目的设计的任务:复制 SQL Server 数据库对象,例如表、视图和存储过程;复制 SQL Server 对象,例如数据库、登录和统计信息;使用 Transact-SQL 语句添加、更改和删除 SQL Server 对象和数据。
OLTP 或 OLAP 数据库环境的管理通常包括数据的加载。Integration Services 包含几个使数据大容量加载更加便利的任务。可以使用某个任务将文本文件中的数据直接加载到 SQL Server 表和视图中,还可以在对列数据应用转换后使用目标组件将数据加载到 SQL Server 表和视图。
Integration Services 包可运行其他的包。包含多个管理功能的数据转换解决方案可分为多个包,使管理和重用包更为容易。
如果需要在不同的服务器上执行相同的管理功能,可以使用包。包可以使用循环对服务器进行枚举并在多台计算机上执行相同的功能。为了支持 SQL Server 的管理,Integration Services 提供了可以遍历 SQL Server 管理对象 (SMO) 的对象的枚举器。例如,包可使用 SMO 枚举器对某个 SQL Server 安装中的 Jobs 集合中的每个作业执行相同的管理功能。
另外,还可以使用 SQL Server 代理作业来安排 SSIS 包。
3. 数仓建模全流程?
1、建模流程其实就是业务模型->概念模型->逻辑模型->物理模型的这样一个流程,下面我们详细解释一下各个模型阶段都要做什么
业务建模(需求沟通)
根据业务部门进行划分,理清部门之间的关系,然后将各个部门的具体业务程序化,与业务部门开会协商出需求的指标、保存年限、维度等等。
总体来讲,就是要知道他们需要哪些指标以及他们能提供哪些数据。
业务建模的时间最长,而且与公司实际的业务环境息息相关,因此在这里需要根据实际生产环境和业务需求确认好数据仓库使用的工具和平台。
主要解决业务层面的分解和程序化。搞清楚系统边界,确定好主题域
1
1
因此,业务建模阶段其实是一次和业务人员梳理业务的过程,在这个过程中,不仅能帮助我们技术人员更好的理解业务,另一方面,也能够发现业务流程中的一些不合理的环节,加以改善和改进。
概念建模|领域建模(画图想好怎么做)
将业务模型抽象化,分组合并类似的概念,细化概念,抽象出实体与实体之间的联系,理清各组概念之间的联系。
说白了就是画图,把指标需要的哪些数据封装到一个实体里,实体与实体之间的关联等等用ER图表示出来。
先画出局部ER图,最后再综合画出全局ER图。
主要是对业务模型进行抽象处理,生成领域概念模型
1
1
在原有数据库基础上建立了一个比较稳固完善的模型,因为数据仓库是对原有数据库系统中的数据进行集成和重组而形成的数据集合,所以数据仓库的概念模型设计,首先要对原有数据库系统加以分析理解,看在原有的数据库系统中“有什么”、“怎样组织的”和“如何分布的”等,然后再来考虑应当如何建立数据仓库系统的概念模型。
数据仓库的概念模型是面向企业全局建立的,它为集成来自各个面向应用的数据库的数据提供了统一的概念视图。
概念模型的设计是在较高的抽象层次上的设计,因此建立概念模型时不用考虑具体技术条件的限制。
领域概念建模就是运用了实体建模法,从纷繁的业务表象背后通过实体建模法,抽象出实体,事件,说明等抽象的实体,从而找出业务表象后抽象实体间的相互的关联性,保证了我们数据仓库数据按照数据模型所能达到的一致性和关联性
逻辑建模(表设计)
将概念模型实体化,具体考虑概念对应的属性,事件考虑事实属性,维度考虑维度属性。
总体来说就是建表,前面已经画出了关系图,这里只要将表里头有哪些字段考虑出来就可以,如果是事实表就考虑事实字段和业务主键,如果是维度表就考虑维度属性,SCD策略等等。在这里需要确定数据粒度,如果多个指标都用到一个字段,则取粒度最小的指标。如果不确定指标的量度,则取毫秒级作为粒度。
物理建模(建表)
综合现实的大数据平台、采集工具、etl工具、数仓组件、性能要求、管理要求等多方面因素,设计出具体的项目代码,完成数仓的搭建。
2、建模的过程
假设我们现在在构建一张订单表
从多个维度进行统计组合,形成多维度数据集,来从多个角度观察业务过程的好坏
1
1
选择业务过程
确认哪些业务处理流程是数据仓库应该覆盖的,是维度方法的基础。因此,建模的第一个步骤是描述需要建模的业务流程。例如,需要了解和分析一个零售店的销售情况,那么与该零售店销售相关的所有业务流程都是需要关注的。为了描述业务流程,可以简单地使用纯文本将相关内容记录下来,或者使用“业务流程建模标注”(BPMN)方法,也可以使用统一建模语言(UML)或其他类似的方法。
业务过程就是需要那种业务场景下产生的订单表(划分到那个业务线和数据域)
业务过程就是用户下单的订单记录表
选择数据域
申明粒度
粒度就是确认一条记录代表的含义或者是细化到何种程度(一条记录代表一个订单还是多个订单,如拼团的时候团长的单)
在选择维度和事实前必须声明粒度,因为每个候选维度或事实必须与定义的粒度保持一致。在一个事实所对应的所有维度设计中强制实行粒度一致性是保证数据仓库应用性能和易用性的关键。
从给定的业务流程获取数据时,原始粒度是最低级别的粒度。建议从原始粒度数据开始设计,因为原始记录能够满足无法预期的用户查询。汇总后的数据粒度对优化查询性能很重要,但这样的粒度往往不能满足对细节数据的查询需求。
不同的事实可以有不同的粒度,但同一事实中不要混用多种不同的粒度。维度模型建立完成之后,还有可能因为获取了新的信息,而回到这步修改粒度级别。
确认维度
维度的粒度必须和第二步所声明的粒度一致。
维度表是事实表的基础,也说明了事实表的数据是从哪里采集来的。
典型的维度都是名词,如日期、商店、库存等。维度表存储了某一维度的所有相关数据,例如,日期维度应该包括年、季度、月、周、日等数据。
确认事实
这一步识别数字化的度量,构成事实表的记录。它是和系统的业务用户密切相关的,因为用户正是通过对事实表的访问获取数据仓库存储的数据。大部分事实表的度量都是数字类型的,可累加,可计算,如成本、数量、金额等。
3、模型设计的思路
业务需求驱动,数据驱动,构造数据仓库有两种方式:一是自上而下,一是自下而上。
自上而下
Bill Inmon先生推崇“自上而下”的方式,即一个企业建立唯一的数据中心,就像一个数据的仓库,其中数据是经过整合、经过清洗、去掉脏数据的、标准的,能够提供统一的视图。要建立这样的数据仓库,并不从它需要支持哪些应用入手,而是要从整个企业的环境入手,分析其中的概念,应该有什么样的数据,达成概念完成整;
自下而上
Ralph Kimball先生推崇“自下而上”的方式,他认为建设数据仓库应该按照实际的应用需求,加载需要的数据,不需要的数据不要加载到数据仓库中。这种方式建设周期较短,客户能够很快看到结果。(针对客户的需求,需求要什么就做什么)
4、模型落地实现
按照命名规范创建表
开发生成维表和事实表的代码
进行代码逻辑测试,验证数据加工逻辑的正确性代码发布,加入调度并配置相应的质量监控和报警机制
4. 维度表设计原则?
每个维表必须有而且只有一个最明细层作为该维表的颗粒度。
· 任何一个维表若被多个事实表使用,该维表应作为公共维表来设计。
· 除非出于性能考虑,否则每一个非键属性应只出现在一张维表里。
· 需要记录属性变化的维的主键应该是使用代理键,并使用具有业务含义,业务用户可识别的代码作为自然键。业务系统自带的代理键不能做为维表的主键。
· 维表应尽量保存业务使用的代码和ID,以及描述信息。
· 维表的主键(代理键)应做为事实表的外键包含在事实表内。
· 每个维表中要有相应的行记录来处理特殊的情形来避免在事实表中置空值。如记录不存在,以及迟到的维记录。
5. 数据仓库数据集市的区别?
数据仓库和数据集市是两种常见的数据管理和分析架构,它们有一些区别,如下所示:
定义:数据仓库(Data Warehouse):数据仓库是一个集成、主题导向、面向分析的数据存储系统,用于支持企业决策和分析需求。它从多个源系统中提取、转换和加载数据,并将其组织成一种适合分析的结构。数据集市(Data Mart):数据集市是一个小型的、专门用于满足特定业务部门或特定业务需求的数据仓库。它通常是从数据仓库中派生出来的,包含了特定业务领域的数据。
范围:数据仓库:数据仓库通常是一个企业级的数据存储系统,涵盖了整个组织的各个业务领域和功能。它集成了多个源系统的数据,并提供了全面的企业视图。数据集市:数据集市是针对特定业务部门或特定业务需求而创建的,它只包含与该业务领域相关的数据。数据集市可以是独立的,也可以从数据仓库中派生出来。
数据结构:数据仓库:数据仓库采用了一种主题导向的数据模型,通常是星型或雪花型模型。它将数据组织成一系列的事实表和维度表,以支持复杂的分析查询。数据集市:数据集市可以采用与数据仓库相同的数据模型,也可以根据具体需求采用其他数据模型。它的数据结构通常更简单,更专注于满足特定业务需求。
使用者:数据仓库:数据仓库通常面向企业的高层管理人员和决策者,用于支持战略性和战术性的决策分析。数据集市:数据集市主要面向特定业务部门或特定业务需求的用户,用于支持他们的操作性和战术性决策。总的来说,数据仓库是一个集成、全面的数据存储系统,用于支持企业级的决策和分析需求;而数据集市是一个小型、专门用于满足特定业务部门或特定业务需求的数据仓库。数据仓库提供了全面的企业视图,而数据集市更专注于特定领域或需求。
6. 范式建模和维度建模区别?
范式建模和维度建模是两种不同的数据建模方法,其主要区别在于建模的目标和数据结构的设计。
范式建模是一种基于关系型数据库的数据建模方法,其主要目标是实现数据的规范化和一致性。采用范式建模方法,数据结构中每个属性都必须满足第一、二、三范式的要求,以确保数据的正确性和完整性。范式建模通常使用范式化的表格来存储数据,每个表格包含多个属性。
维度建模则是一种面向分析场景的数据建模方法,其主要目标是提高数据的易用性和性能。采用维度建模方法,数据结构中主要是以维度表和事实表的形式存在,其中维度表包含多维数据,事实表则包含具体的数据值。维度建模注重数据的粒度和维度的关系,以确保数据的精确性和灵活性。
因此,范式建模和维度建模的主要区别在于建模的目标和数据结构的设计,范式建模更注重数据的规范化和一致性,而维度建模更注重数据的易用性和性能。在选择建模方法时,需要根据具体的需求和场景进行权衡和选择。
7. 有什么好用的数据可视化软件?
干货预警,全文12288字,配图100+,阅读需要20分钟。赶时间的朋友先点赞▲收藏★评论~
给大家推荐四款免费的可视化工具分别是:Excel、Power BI,Fourish网站、镝数图表。
E01.Excel数据可视化到底有多强大?1-1.到底什么是数据可视化?
数据可视化,可以帮助我们更具象地了解一个事物的特性。例如中国的人口东多西少,利用地图就能很好理解,差异大概有多大。
中国县级市/区分布图
1-2.零基础有哪些值得学习的可视化工具?给大家安利了2款软件和2个网站工具,通过接触这4款工具,也能快速做到举一反三,迅速上手其他可视化工具。
工具1:Excel
推荐Excel的理由有很多:01.普及率高、可定制;02.入门简单、自由操作度高;03.方便与PPT结合展示,工作场合最广泛。也建议日常要处理报表同学都是从Excel学起。
有人会觉得Excel的可视化比较差,那是因为绝大多数同学不知道:主题配色、排版,装饰元素等等细节问题。
下面就给大家看看Excel的作品:
工具2:Power BI
Power BI也是微软出品的可视化工具,原来是基于Excel的三大插件:Power Query、Power Pivot Power View组成。它图表丰富、有第三方图表库,可在线分享报表。
可视化作品如下:
工具3:flourish网页
网址:https://flourish.studio/
这是一个国外的动态可视化网站,只需要导入数据,就可以实现一些超棒可视化效果,如下:
工具一、Excel对于普通的白领职员,刚开始还是建议学习Excel可视化表达。其实不管你学习什么工具,基础图表的原理都是相通的。
如果简单的数据可视化,Excel的普及率、兼容性和在数据储存、数据分析、数据呈现都有着坚实的基础。还有最重要的一条是,某些领导就是要看Excel文件。
对于基础的可视化需求,Excel就足以实现了。太难的图表即使自己会做,还经常要跟领导/观众解释一番。
最近整理了关于Excel数据可视化表达的知识点,并且做了相关案例演示和配套练习资料。文笔差,直接上课件案例(部分)
01五种主流可视化表达形式01.REPT函数
02.条件格式
03.迷你图
04.三维地图
全国地级市(台湾除外)
全国县城/区分布(台湾除外)
05.Excel图表
还想了解更多的内容,请参加我们的课程呐~
由于每个行业都有很深的学问、甚至每个公司的表格、数据输出的列都不一样。这里建议同学们好好学习数据看板制作的原理,再根据自己公司的业务需求和自己对业务的理解,制作属于自己的可视化报表。
一、Excel数据大屏,自动化 Excel方面就是普及率高,每个人电脑几乎都有Excel,打开就可以浏览或修改。Excel也可以做错出挺棒的自动化模板,如下:
我在2020年根据自己工作经验制作的《Excel数据大屏,自动化模板》受到许多同学的认可,因为之前很多工作内容就是搞表格和搞PPT的。
说到制作自动化数据看板,还是Power BI 功能会更出色。不管Excel也好、Power BI也罢,甚至Tableau,Python……,它们都是工具,大家根据自己实际情况学习和使用就好。
个人不太建议,原来没有编程基础的同学,因为临时偶尔不重要的一个工作任务去学习Python类可视化报表哈。虽然我日常也会恰这类的饭。如临时需求,建议找一些专业的外援制作效果应该更好哦。
二、Power BI 自动化模板 许多同学看过我做的Excel自动化模板,其实Power BI自动化模板也不错。它比Excel的可容纳数据量更多,可视化功能更简单和丰富、可以发布网页上等优于Excel的特点。
《Power BI自动化模板》
下面的Power BI网红动态条形图模板,就是利用Power BI制作。如果又新的数据,刷新即可生成新的报表。
可能大家对Power BI还是挺陌生的,它是由微软出版的商业可视化报表软件,而且是完全免费。制作数据看板,它可以轻松跨越多个报表之间,实现数据关联。图表之间也能轻松交互。
Power BI主要有三大模块功能组成。分别是Power Query、Power Pivot和Power View。
01.Power Query功能
Power Query主要功能是获取数据、整理数据。用了12节课演示了常用的数据处理技巧、数据有哪些问题,和如何进行数据清洗。
教大家如何爬取电商手机商品数据、豆瓣电影TOP250数据。
02.Power Pivot功能
Power Pivot主要是数据关联和数据建模的内容。如在多对多关系如何搭建维度表链接2个数据源。如何建立一个最高频的维度表,日期表。
03.Power View功能
在Power View介绍了各种基础图表是如何绘制的,如何从第三方视觉对象。一共介绍了25个系统图表的绘制。
列举了分组、筛选和排序功能的重要性。如何制作出让人看得明白的可视化报表。
04.综合实践,自动化数据看板
最后是综合所有的内容,完整做出一个系统的,多数据报表关联的数据看板。此处列举了社区团购、知乎号、公众号三个系统报表的制作。
这个公众号从19年8月还是21个粉丝,到目前的3.5万粉丝。也感谢大家的关注和支持呢。(1个月,我的Excel公众号从23粉丝涨到1088知乎er!)
阅读量也从最开始的200涨到下载的1800左右叻。
知乎是从15年就注册玩了,也是经历好久才达到了5万粉丝呐,好久也没有复盘过知乎的内容。就借着这个做课程的机会,顺便把自己的粉丝也盘点了一下。
当然,后续我们还会添加补充同学们反馈比较多的问题,让大家在这一门课程就能够轻松上手Power BI并能完成难度一般的数据报表制作。
本站涵盖的内容、图片、视频等数据系网络收集,部分未能与原作者取得联系。若涉及版权问题,请联系我们删除!联系邮箱:ynstorm@foxmail.com 谢谢支持!
1. 维度表,ds层是什么意思?
O(original)DS层: 原始数据存储层 原始数据不做处理,保持原貌,直接导入!分区表,以数据导入的日期作为分区字段。DWD(detail)层: 数据明细存储层将原始数据展开明细!展开明细时,通常会进行ETL操作!将维度表进行维度退化!将敏感数据脱敏!分区表,以数据导入的日期作为分区字段。
DWS(service)层: 数据服务存储层 为ads层提供数据服务! 将ADS层需要的数据,每天聚合!分区表,以数据导入的日期作为分区字段。
DWT(topic)层: 数据主题存储层 为ads层提供数据服务! 将ADS层需要的数据,累积聚合!全量表!每天需要更新表中的字段的值!
2. 什么情况会用到SqlServer的integration?
Microsoft Integration Services 是用于生成企业级数据集成和数据转换解决方案的平台。使用 Integration Services 可解决复杂的业务问题,具体表现为:复制或下载文件,发送电子邮件以响应事件,更新数据仓库,清除和挖掘数据以及管理 SQL Server 对象和数据。这些包可以独立使用,也可以与其他包一起使用以满足复杂的业务需求。Integration Services 可以提取和转换来自多种源(如 XML 数据文件、平面文件和关系数据源)的数据,然后将这些数据加载到一个或多个目标。
Integration Services 包含一组丰富的内置任务和转换、用于构造包的工具以及用于运行和管理包的 Integration Services 服务。可以使用 Integration Services 图形工具来创建解决方案,而无需编写一行代码;也可以对各种 Integration Services 对象模型进行编程,通过编程方式创建包并编写自定义任务以及其他包对象的代码。
Integration Services 提供一系列支持业务应用程序开发的内置任务、容器、转换和数据适配器。您无需编写一行代码,就可以创建 SSIS 解决方案来使用 ETL 和商业智能解决复杂的业务问题,管理 SQL Server 数据库以及在 SQL Server 实例之间复制 SQL Server 对象。
下列情况说明了 SSIS 包的典型用途。
合并来自异类数据存储区的数据
数据通常存储在很多个不同的数据存储系统中,从所有源中提取数据并将其合并到单个一致的数据集中确实有一定的难度。这种情况的出现有多个原因。例如:
许多单位要对存储在早期数据存储系统中的信息进行归档。这些数据在日常操作中可能不重要,但对于需要收集过去很长一段时间内的数据的趋势分析来说很重要。
单位的各个部门可能会使用不同的数据存储技术来存储操作数据。包可能需要先从电子表格以及关系数据库中提取数据,然后才能合并数据。
数据可能存储在对相同数据使用不同架构的数据库中。包可能需要先更改列的数据类型或将多个列的数据组合到一列中,然后才能合并数据。
Integration Services 可以连接到各种各样的数据源,包括单个包中的多个源。包可以使用 .NET 和 OLE DB 访问接口连接到关系数据库,还可以使用 ODBC 驱动程序连接到多个早期数据库。包还可以连接到平面文件、Excel 文件和 Analysis Services 项目。
Integration Services 包含一些源组件,这些组件负责从包所连接的数据源中的平面文件、Excel 电子表格、XML 文档和关系数据库中的表及视图提取数据。
然后,通常要用 Integration Services 包含的转换功能对数据进行转换。数据转换为兼容格式后,就可以将其物理合并到一个数据集中。
数据在合并成功且应用转换后,通常会被加载到一个或多个目标。Integration Services 包含将数据加载到平面文件、原始文件和关系数据库时所用的目标。数据也可以加载到内存中的记录集中,供其他包元素访问。
填充数据仓库和数据集市
数据仓库和数据集市中的数据通常会频繁更新,因此数据加载量通常会很大。
Integration Services 包含一个可直接将数据从平面文件大容量加载到 SQL Server 表和视图中的任务,还包含一个目标组件,该组件可以在数据转换过程的最后一步将数据大容量加载到 SQL Server 数据库中。
SSIS 包可配置为可重新启动。这意味着可以从某个预先确定的检查点(包中的某个任务或容器)重新运行包。重新启动包这一功能可节省很多时间,尤其是包需要处理来自一大批源的数据时。
可以用 SSIS 包加载数据库中的维度表和事实数据表。如果维度表的源数据存储在多个数据源中,包可以将该数据合并到一个数据集中,并在单个进程中加载维度表,而不是为每个数据源使用单独的进程。
更新数据仓库和数据集市中的数据可能很复杂,因为这两种类型的数据存储区通常都包含可能难以通过数据转换过程管理的渐变维度。由于能够动态创建用于插入和更新记录、更新相关记录以及向表添加新列的 SQL 语句,因此,渐变维度向导可自动支持渐变维度。
此外,Integration Services 包中的任务和转换可以处理 Analysis Services 多维数据集和维度。包更新了建立多维数据集所基于的数据库中的表后,您可以使用 Integration Services 任务和转换来自动处理多维数据集和维度。自动处理多维数据集和维度有助于使以下两种环境中的用户始终获得最新的数据:访问多维数据集和维度中信息的用户和访问关系数据库中数据的用户。
Integration Services 还可以在数据加载到其目标之前计算函数。如果数据仓库和数据集市存储了聚合信息,那么 SSIS 包可以计算 SUM、AVERAGE 和 COUNT 之类的函数。SSIS 转换还可以透视关系数据,并将其转换为不太规范的格式,以便更好地与数据仓库中的表结构相兼容。
清除数据和将数据标准化
无论数据是加载到联机事务处理 (OLTP)、联机分析处理 (OLAP) 数据库、Excel 电子表格还是加载到文件,都需要在加载前将数据进行清理和标准化。数据可能由于下列原因而需要更新:
数据由一个单位的多个部门提供,每个部门使用不同的约定和标准。可能需要对数据进行不同的格式处理,然后才能使用这些数据。例如,可能需要将名和姓组合到一列中。
数据是租用或购买的。可能需要将数据进行标准化和清理以满足业务标准,然后才能使用这些数据。例如,单位需要验证所有记录使用了相同的状态缩写集或相同的产品名称集。
数据是区域设置特定的。例如,数据可能使用不同的日期/时间和数值格式。如果要合并来自不同区域设置的数据,那么在加载数据前必须先将其转换到同一区域设置以避免数据损坏。
Integration Services 包含一些内置转换,可将其添加到包中以清理数据和将数据标准化、更改数据的大小写、将数据转换为不同类型或格式或者根据表达式创建新列值。例如,包可将姓列和名列连接成单个全名列,然后将字符更改为大写。
Integration Services 包还可以使用精确查找或模糊查找来找到引用表中的值,通过将列中的值替换为引用表中的值来清理数据。通常,包首先使用精确查找,如果该查找方式失败,再使用模糊查找。例如,包首先尝试通过使用产品的主键值来查找引用表中的产品名。如果此搜索无法找到产品名,包再尝试使用产品名模糊匹配方式进行搜索。
另一种转换通过将数据集中相似的值分组到一起来清理数据。有些记录可能是重复的,所以不应未经进一步计算就将其插入到数据库中。这种转换对识别此类记录很有用。例如,通过比较客户记录中的地址可以识别许多重复的客户。
将商业智能置入数据转换过程
数据转换过程需要内置逻辑来动态响应其访问和处理的数据。
可能需要根据数据值对数据进行汇总、转换和分发。根据对列值的评估,该过程甚至可能需要拒绝数据。
若要满足此需求,SSIS 包中的逻辑可能需要执行以下类型的任务:
合并来自多个数据源的数据。
计算数据并应用数据转换。
根据数据值将一个数据集拆分为多个数据集。
将不同的聚合应用到一个数据集的不同子集。
将数据的子集加载到不同目标或多个目标。
Integration Services 提供了用于将商业智能置入 SSIS 包的容器、任务和转换。
容器通过枚举文件或对象和计算表达式来支持重复运行工作流。包可以计算数据并根据结果重复运行工作流。例如,如果日期在当月,则包执行某一组任务;如果不在,则包执行另一组任务。
使用输入参数的任务也可以将商业智能置入包中。例如,输入参数的值可以筛选任务检索的数据。
转换可以计算表达式,然后根据结果将数据集中的行发送到不同的目标。数据划分完成后,包可以对数据集的每个子集应用不同的转换。例如,表达式可以计算日期列,添加相应期间的销售数据,然后仅存储摘要信息。
还可以将一个数据集发送到多个目标,然后对此相同数据应用不同的转换集。例如,一组转换可以汇总此数据,而另一组转换通过查找引用表中的值并添加其他源的数据来扩展此数据。
使管理功能和数据加载自动化
管理员经常希望将管理功能自动化,例如备份和还原数据库、复制 SQL Server 数据库及其包含的对象、复制 SQL Server 对象和加载数据。Integration Services 包可以执行这些功能。
Integration Services 包含专为以下目的设计的任务:复制 SQL Server 数据库对象,例如表、视图和存储过程;复制 SQL Server 对象,例如数据库、登录和统计信息;使用 Transact-SQL 语句添加、更改和删除 SQL Server 对象和数据。
OLTP 或 OLAP 数据库环境的管理通常包括数据的加载。Integration Services 包含几个使数据大容量加载更加便利的任务。可以使用某个任务将文本文件中的数据直接加载到 SQL Server 表和视图中,还可以在对列数据应用转换后使用目标组件将数据加载到 SQL Server 表和视图。
Integration Services 包可运行其他的包。包含多个管理功能的数据转换解决方案可分为多个包,使管理和重用包更为容易。
如果需要在不同的服务器上执行相同的管理功能,可以使用包。包可以使用循环对服务器进行枚举并在多台计算机上执行相同的功能。为了支持 SQL Server 的管理,Integration Services 提供了可以遍历 SQL Server 管理对象 (SMO) 的对象的枚举器。例如,包可使用 SMO 枚举器对某个 SQL Server 安装中的 Jobs 集合中的每个作业执行相同的管理功能。
另外,还可以使用 SQL Server 代理作业来安排 SSIS 包。
3. 数仓建模全流程?
1、建模流程其实就是业务模型->概念模型->逻辑模型->物理模型的这样一个流程,下面我们详细解释一下各个模型阶段都要做什么
业务建模(需求沟通)
根据业务部门进行划分,理清部门之间的关系,然后将各个部门的具体业务程序化,与业务部门开会协商出需求的指标、保存年限、维度等等。
总体来讲,就是要知道他们需要哪些指标以及他们能提供哪些数据。
业务建模的时间最长,而且与公司实际的业务环境息息相关,因此在这里需要根据实际生产环境和业务需求确认好数据仓库使用的工具和平台。
主要解决业务层面的分解和程序化。搞清楚系统边界,确定好主题域
1
1
因此,业务建模阶段其实是一次和业务人员梳理业务的过程,在这个过程中,不仅能帮助我们技术人员更好的理解业务,另一方面,也能够发现业务流程中的一些不合理的环节,加以改善和改进。
概念建模|领域建模(画图想好怎么做)
将业务模型抽象化,分组合并类似的概念,细化概念,抽象出实体与实体之间的联系,理清各组概念之间的联系。
说白了就是画图,把指标需要的哪些数据封装到一个实体里,实体与实体之间的关联等等用ER图表示出来。
先画出局部ER图,最后再综合画出全局ER图。
主要是对业务模型进行抽象处理,生成领域概念模型
1
1
在原有数据库基础上建立了一个比较稳固完善的模型,因为数据仓库是对原有数据库系统中的数据进行集成和重组而形成的数据集合,所以数据仓库的概念模型设计,首先要对原有数据库系统加以分析理解,看在原有的数据库系统中“有什么”、“怎样组织的”和“如何分布的”等,然后再来考虑应当如何建立数据仓库系统的概念模型。
数据仓库的概念模型是面向企业全局建立的,它为集成来自各个面向应用的数据库的数据提供了统一的概念视图。
概念模型的设计是在较高的抽象层次上的设计,因此建立概念模型时不用考虑具体技术条件的限制。
领域概念建模就是运用了实体建模法,从纷繁的业务表象背后通过实体建模法,抽象出实体,事件,说明等抽象的实体,从而找出业务表象后抽象实体间的相互的关联性,保证了我们数据仓库数据按照数据模型所能达到的一致性和关联性
逻辑建模(表设计)
将概念模型实体化,具体考虑概念对应的属性,事件考虑事实属性,维度考虑维度属性。
总体来说就是建表,前面已经画出了关系图,这里只要将表里头有哪些字段考虑出来就可以,如果是事实表就考虑事实字段和业务主键,如果是维度表就考虑维度属性,SCD策略等等。在这里需要确定数据粒度,如果多个指标都用到一个字段,则取粒度最小的指标。如果不确定指标的量度,则取毫秒级作为粒度。
物理建模(建表)
综合现实的大数据平台、采集工具、etl工具、数仓组件、性能要求、管理要求等多方面因素,设计出具体的项目代码,完成数仓的搭建。
2、建模的过程
假设我们现在在构建一张订单表
从多个维度进行统计组合,形成多维度数据集,来从多个角度观察业务过程的好坏
1
1
选择业务过程
确认哪些业务处理流程是数据仓库应该覆盖的,是维度方法的基础。因此,建模的第一个步骤是描述需要建模的业务流程。例如,需要了解和分析一个零售店的销售情况,那么与该零售店销售相关的所有业务流程都是需要关注的。为了描述业务流程,可以简单地使用纯文本将相关内容记录下来,或者使用“业务流程建模标注”(BPMN)方法,也可以使用统一建模语言(UML)或其他类似的方法。
业务过程就是需要那种业务场景下产生的订单表(划分到那个业务线和数据域)
业务过程就是用户下单的订单记录表
选择数据域
申明粒度
粒度就是确认一条记录代表的含义或者是细化到何种程度(一条记录代表一个订单还是多个订单,如拼团的时候团长的单)
在选择维度和事实前必须声明粒度,因为每个候选维度或事实必须与定义的粒度保持一致。在一个事实所对应的所有维度设计中强制实行粒度一致性是保证数据仓库应用性能和易用性的关键。
从给定的业务流程获取数据时,原始粒度是最低级别的粒度。建议从原始粒度数据开始设计,因为原始记录能够满足无法预期的用户查询。汇总后的数据粒度对优化查询性能很重要,但这样的粒度往往不能满足对细节数据的查询需求。
不同的事实可以有不同的粒度,但同一事实中不要混用多种不同的粒度。维度模型建立完成之后,还有可能因为获取了新的信息,而回到这步修改粒度级别。
确认维度
维度的粒度必须和第二步所声明的粒度一致。
维度表是事实表的基础,也说明了事实表的数据是从哪里采集来的。
典型的维度都是名词,如日期、商店、库存等。维度表存储了某一维度的所有相关数据,例如,日期维度应该包括年、季度、月、周、日等数据。
确认事实
这一步识别数字化的度量,构成事实表的记录。它是和系统的业务用户密切相关的,因为用户正是通过对事实表的访问获取数据仓库存储的数据。大部分事实表的度量都是数字类型的,可累加,可计算,如成本、数量、金额等。
3、模型设计的思路
业务需求驱动,数据驱动,构造数据仓库有两种方式:一是自上而下,一是自下而上。
自上而下
Bill Inmon先生推崇“自上而下”的方式,即一个企业建立唯一的数据中心,就像一个数据的仓库,其中数据是经过整合、经过清洗、去掉脏数据的、标准的,能够提供统一的视图。要建立这样的数据仓库,并不从它需要支持哪些应用入手,而是要从整个企业的环境入手,分析其中的概念,应该有什么样的数据,达成概念完成整;
自下而上
Ralph Kimball先生推崇“自下而上”的方式,他认为建设数据仓库应该按照实际的应用需求,加载需要的数据,不需要的数据不要加载到数据仓库中。这种方式建设周期较短,客户能够很快看到结果。(针对客户的需求,需求要什么就做什么)
4、模型落地实现
按照命名规范创建表
开发生成维表和事实表的代码
进行代码逻辑测试,验证数据加工逻辑的正确性代码发布,加入调度并配置相应的质量监控和报警机制
4. 维度表设计原则?
每个维表必须有而且只有一个最明细层作为该维表的颗粒度。
· 任何一个维表若被多个事实表使用,该维表应作为公共维表来设计。
· 除非出于性能考虑,否则每一个非键属性应只出现在一张维表里。
· 需要记录属性变化的维的主键应该是使用代理键,并使用具有业务含义,业务用户可识别的代码作为自然键。业务系统自带的代理键不能做为维表的主键。
· 维表应尽量保存业务使用的代码和ID,以及描述信息。
· 维表的主键(代理键)应做为事实表的外键包含在事实表内。
· 每个维表中要有相应的行记录来处理特殊的情形来避免在事实表中置空值。如记录不存在,以及迟到的维记录。
5. 数据仓库数据集市的区别?
数据仓库和数据集市是两种常见的数据管理和分析架构,它们有一些区别,如下所示:
定义:数据仓库(Data Warehouse):数据仓库是一个集成、主题导向、面向分析的数据存储系统,用于支持企业决策和分析需求。它从多个源系统中提取、转换和加载数据,并将其组织成一种适合分析的结构。数据集市(Data Mart):数据集市是一个小型的、专门用于满足特定业务部门或特定业务需求的数据仓库。它通常是从数据仓库中派生出来的,包含了特定业务领域的数据。
范围:数据仓库:数据仓库通常是一个企业级的数据存储系统,涵盖了整个组织的各个业务领域和功能。它集成了多个源系统的数据,并提供了全面的企业视图。数据集市:数据集市是针对特定业务部门或特定业务需求而创建的,它只包含与该业务领域相关的数据。数据集市可以是独立的,也可以从数据仓库中派生出来。
数据结构:数据仓库:数据仓库采用了一种主题导向的数据模型,通常是星型或雪花型模型。它将数据组织成一系列的事实表和维度表,以支持复杂的分析查询。数据集市:数据集市可以采用与数据仓库相同的数据模型,也可以根据具体需求采用其他数据模型。它的数据结构通常更简单,更专注于满足特定业务需求。
使用者:数据仓库:数据仓库通常面向企业的高层管理人员和决策者,用于支持战略性和战术性的决策分析。数据集市:数据集市主要面向特定业务部门或特定业务需求的用户,用于支持他们的操作性和战术性决策。总的来说,数据仓库是一个集成、全面的数据存储系统,用于支持企业级的决策和分析需求;而数据集市是一个小型、专门用于满足特定业务部门或特定业务需求的数据仓库。数据仓库提供了全面的企业视图,而数据集市更专注于特定领域或需求。
6. 范式建模和维度建模区别?
范式建模和维度建模是两种不同的数据建模方法,其主要区别在于建模的目标和数据结构的设计。
范式建模是一种基于关系型数据库的数据建模方法,其主要目标是实现数据的规范化和一致性。采用范式建模方法,数据结构中每个属性都必须满足第一、二、三范式的要求,以确保数据的正确性和完整性。范式建模通常使用范式化的表格来存储数据,每个表格包含多个属性。
维度建模则是一种面向分析场景的数据建模方法,其主要目标是提高数据的易用性和性能。采用维度建模方法,数据结构中主要是以维度表和事实表的形式存在,其中维度表包含多维数据,事实表则包含具体的数据值。维度建模注重数据的粒度和维度的关系,以确保数据的精确性和灵活性。
因此,范式建模和维度建模的主要区别在于建模的目标和数据结构的设计,范式建模更注重数据的规范化和一致性,而维度建模更注重数据的易用性和性能。在选择建模方法时,需要根据具体的需求和场景进行权衡和选择。
7. 有什么好用的数据可视化软件?
干货预警,全文12288字,配图100+,阅读需要20分钟。赶时间的朋友先点赞▲收藏★评论~
给大家推荐四款免费的可视化工具分别是:Excel、Power BI,Fourish网站、镝数图表。
E01.Excel数据可视化到底有多强大?1-1.到底什么是数据可视化?
数据可视化,可以帮助我们更具象地了解一个事物的特性。例如中国的人口东多西少,利用地图就能很好理解,差异大概有多大。
中国县级市/区分布图
1-2.零基础有哪些值得学习的可视化工具?给大家安利了2款软件和2个网站工具,通过接触这4款工具,也能快速做到举一反三,迅速上手其他可视化工具。
工具1:Excel
推荐Excel的理由有很多:01.普及率高、可定制;02.入门简单、自由操作度高;03.方便与PPT结合展示,工作场合最广泛。也建议日常要处理报表同学都是从Excel学起。
有人会觉得Excel的可视化比较差,那是因为绝大多数同学不知道:主题配色、排版,装饰元素等等细节问题。
下面就给大家看看Excel的作品:
工具2:Power BI
Power BI也是微软出品的可视化工具,原来是基于Excel的三大插件:Power Query、Power Pivot Power View组成。它图表丰富、有第三方图表库,可在线分享报表。
可视化作品如下:
工具3:flourish网页
网址:https://flourish.studio/
这是一个国外的动态可视化网站,只需要导入数据,就可以实现一些超棒可视化效果,如下:
工具一、Excel对于普通的白领职员,刚开始还是建议学习Excel可视化表达。其实不管你学习什么工具,基础图表的原理都是相通的。
如果简单的数据可视化,Excel的普及率、兼容性和在数据储存、数据分析、数据呈现都有着坚实的基础。还有最重要的一条是,某些领导就是要看Excel文件。
对于基础的可视化需求,Excel就足以实现了。太难的图表即使自己会做,还经常要跟领导/观众解释一番。
最近整理了关于Excel数据可视化表达的知识点,并且做了相关案例演示和配套练习资料。文笔差,直接上课件案例(部分)
01五种主流可视化表达形式01.REPT函数
02.条件格式
03.迷你图
04.三维地图
全国地级市(台湾除外)
全国县城/区分布(台湾除外)
05.Excel图表
还想了解更多的内容,请参加我们的课程呐~
由于每个行业都有很深的学问、甚至每个公司的表格、数据输出的列都不一样。这里建议同学们好好学习数据看板制作的原理,再根据自己公司的业务需求和自己对业务的理解,制作属于自己的可视化报表。
一、Excel数据大屏,自动化Excel方面就是普及率高,每个人电脑几乎都有Excel,打开就可以浏览或修改。Excel也可以做错出挺棒的自动化模板,如下:
我在2020年根据自己工作经验制作的《Excel数据大屏,自动化模板》受到许多同学的认可,因为之前很多工作内容就是搞表格和搞PPT的。
说到制作自动化数据看板,还是Power BI 功能会更出色。不管Excel也好、Power BI也罢,甚至Tableau,Python……,它们都是工具,大家根据自己实际情况学习和使用就好。
个人不太建议,原来没有编程基础的同学,因为临时偶尔不重要的一个工作任务去学习Python类可视化报表哈。虽然我日常也会恰这类的饭。如临时需求,建议找一些专业的外援制作效果应该更好哦。
二、Power BI 自动化模板许多同学看过我做的Excel自动化模板,其实Power BI自动化模板也不错。它比Excel的可容纳数据量更多,可视化功能更简单和丰富、可以发布网页上等优于Excel的特点。
《Power BI自动化模板》
下面的Power BI网红动态条形图模板,就是利用Power BI制作。如果又新的数据,刷新即可生成新的报表。
可能大家对Power BI还是挺陌生的,它是由微软出版的商业可视化报表软件,而且是完全免费。制作数据看板,它可以轻松跨越多个报表之间,实现数据关联。图表之间也能轻松交互。
Power BI主要有三大模块功能组成。分别是Power Query、Power Pivot和Power View。
01.Power Query功能
Power Query主要功能是获取数据、整理数据。用了12节课演示了常用的数据处理技巧、数据有哪些问题,和如何进行数据清洗。
教大家如何爬取电商手机商品数据、豆瓣电影TOP250数据。
02.Power Pivot功能
Power Pivot主要是数据关联和数据建模的内容。如在多对多关系如何搭建维度表链接2个数据源。如何建立一个最高频的维度表,日期表。
03.Power View功能
在Power View介绍了各种基础图表是如何绘制的,如何从第三方视觉对象。一共介绍了25个系统图表的绘制。
列举了分组、筛选和排序功能的重要性。如何制作出让人看得明白的可视化报表。
04.综合实践,自动化数据看板
最后是综合所有的内容,完整做出一个系统的,多数据报表关联的数据看板。此处列举了社区团购、知乎号、公众号三个系统报表的制作。
这个公众号从19年8月还是21个粉丝,到目前的3.5万粉丝。也感谢大家的关注和支持呢。(1个月,我的Excel公众号从23粉丝涨到1088知乎er!)
阅读量也从最开始的200涨到下载的1800左右叻。
知乎是从15年就注册玩了,也是经历好久才达到了5万粉丝呐,好久也没有复盘过知乎的内容。就借着这个做课程的机会,顺便把自己的粉丝也盘点了一下。
当然,后续我们还会添加补充同学们反馈比较多的问题,让大家在这一门课程就能够轻松上手Power BI并能完成难度一般的数据报表制作。
本站涵盖的内容、图片、视频等数据系网络收集,部分未能与原作者取得联系。若涉及版权问题,请联系我们删除!联系邮箱:ynstorm@foxmail.com 谢谢支持!