Amazon Quick Sight 多数据集关系的数据建模模式

在这篇文章中,我们从概念转向模式。对于每个模式,您将找到表结构、用例、实施步骤和示例 SQL 查询。我们还介绍了需要额外建模步骤的高级场景的解决方法,并总结了当前的限制。

来源:亚马逊云科技 _机器学习

在本系列的第 1 部分中,我们介绍了 Amazon Quick Sight 多数据集关系,并介绍了维度建模的基本概念、设计干净数据模型的最佳实践,以及何时使用运行时连接与预连接数据集的决策框架。如果您尚未阅读第 1 部分,我们建议您从这里开始。

在这篇文章中,我们从概念转向模式。对于每个模式,您将找到表结构、用例、实施步骤和示例 SQL 查询。我们还介绍了需要额外建模步骤的高级场景的解决方法,并总结了当前的限制。

注意:当前版本中的所有多数据集关系都使用内连接。只有两个数据集中具有匹配键的行才会出现在查询结果中。相应地设计您的数据模型。

支持的模式

Quick Sight 多数据集关系本身支持以下七个场景。每个场景都映射到一个通用的数据建模模式,并具有具体的实施指南和示例 SQL。

场景 1:简单星型模式

最常见和推荐的模式。中心事实数据集与多维数据集相关。

用例

  • 按客户群和地区划分的总销售额。
  • 按产品类别划分的每月收入趋势。
  • 按平均订单价值排名前 10 名的商店。
  • 实施

  • 为每个事实表和维度表创建单独的数据集。
  • 通过匹配键定义关系:
  • SALES_FACT.CUSTOMER_ID → CUSTOMER_DIM.CUSTOMER_ID
  • SALES_FACT.产品_ID → 产品_DIM.产品_ID
  • SALES_FACT.TIME_ID → TIME_DIM.TIME_ID
  • SALES_FACT.STORE_ID → STORE_DIM.STORE_ID

    所有连接都是单跳(事实到维度),不需要链接。

    非规范化维度支持快速 GROUP BY 操作,无需额外连接。

    示例查询

  • 按客户群和地区划分的总销售额:
  • 场景 2:雪花模式维度表被标准化为多级链。按地理层次划分的销售明细(国家 → 州 → 城市)。按品牌和类别独立划分的产品性能。