olap 多维分析_OLAP(在线分析处理)| OLAP多维数据集和操作

olap 多维分析

In the previous article of OLAP, we have seen various applications of OLAP, Various types of OLAP, advantages, and disadvantages of OLAP. In this article, we will learn about the,

在OLAP的上一篇文章中,我们了解了OLAP的各种应用,各种类型的OLAP,OLAP的优缺点 。 在本文中,我们将了解

  1. OLAP Cube

    OLAP多维数据集

  2. OLAP Cube Operations

    OLAP多维数据集操作

1)OLAP多维数据集 (1) OLAP Cube)

An OLAP cube may be a multi-dimensional array of knowledge. The online analytical process (OLAP) may be a computer-based technique of analyzing knowledge to appear for insights. The term cube here refers to a multi-dimensional dataset, that is additionally known as a Hypercube if the quantity of dimensions is larger than three. A cube is also thought of as a multi-dimensional generalization of a two- or three-dimensional program. For instance, a corporation may like to summarize monetary knowledge by product, by time-period, and by the town to check actual and budget expenses. Product, time, cities and situation (actual and budget) are the data's dimensions as shown in the figure. A cube isn't a "cube" within the strict mathematical sense, as all the edges aren't essentially equal.

OLAP多维数据集可以是知识的多维数组。 在线分析过程(OLAP)可能是一种基于计算机的技术,用于分析知识以获取见解。 术语“多维数据集”在这里是指多维数据集,如果维的数量大于3,则又称为“超多维数据集”。 多维数据集也被认为是二维或三维程序的多维概括。 例如,公司可能希望按产品,时间段和镇来汇总货币知识,以检查实际和预算支出。 产品,时间,城市和情况(实际和预算)是数据的尺寸,如图所示。 在严格的数学意义上,多维数据集不是“多维数据集”,因为所有的边实际上都不相等。

OLAP Cube


Fig 1: OLAP Cube

图1:OLAP多维数据集

2)OLAP多维数据集操作 (2) OLAP Cube Operations)

Since OLAP servers work on data of multidimensional view, we are going to discuss OLAP operations in multidimensional information.

由于OLAP服务器可以处理多维视图的数据,因此我们将在多维信息中讨论OLAP操作。

Here is the list of OLAP operations,

这是OLAP操作的列表,

  • Roll-up

    卷起

  • Drill-down

    下钻

  • Slice

  • Dice

    骰子

  • Pivot (rotate)

    枢轴旋转

2.1。 卷起 (2.1. ROLL UP)

Roll-up is performed by rising up a planning hierarchy for the dimension location. Initially the conception hierarchy was "street < town < province < country". On rolling up, aggregation of data is done by ascending the hierarchy of location from the level of street to the level of the country. A roll-up involves summarizing the information on a dimension. The summarization rule may be Associate in Nursing mixture operate, like computing totals on a hierarchy or applying a collection of formulas like "profit = sales - expenses". General aggregation functions are also pricey to cipher once rolling up: if they can not be determined from the cells of the cube, they need to be computed from the bottom information, either computing them on-line (slow) or precomputing them for attainable rollouts (large space). Aggregation functions that will be determined from the cells square measure referred to as complex aggregation functions, and permit economical computation.

汇总是通过提升维度位置的计划层次结构来执行的。 最初,概念层次是“街道<城镇<省<国家”。 汇总时,数据的汇总是通过将位置层次结构从街道级别提升到国家/地区级别来完成的。 汇总涉及汇总有关维度的信息。 汇总规则可以是“护理中的助理人员”混合操作,例如在层次结构上计算总计或应用诸如“利润=销售-费用”之类的公式集合。 通用聚合函数一旦汇总就需要付出昂贵的代价:如果无法从多维数据集的单元中确定它们,则需要从底层信息中进行计算,要么在线(缓慢)计算它们,要么对其进行预先计算以实现可扩展性(大空间)。 由单元平方确定的聚合函数称为复杂聚合函数,可以经济地进行计算。

For example, it is easy to calculate COUNT, MAX, MIN, and SUM in OLAP, as this can be computed for each cell of the OLAP cube and then rolled up, since on overall sum (or count, etc.) is the sum of sub-sums, but it is difficult to support MEDIAN, as that must be computed for every view separately: the median of a collection isn't the median of medians of subsets.

例如,很容易在OLAP中计算COUNT,MAX,MIN和SUM,因为可以对OLAP多维数据集的每个单元格进行计算,然后汇总,因为总和(或计数等)是总和子和,但很难支持MEDIAN,因为必须分别针对每个视图进行计算:集合的中位数不是子集的中位数。

Let us understand it with a diagrammatic flow,

让我们以图解流程了解它,

OLAP Cube | Roll up


Fig 2.1 : Roll up Operation

图2.1:汇总操作

2.2。 向下钻取 (2.2. DRILL DOWN)

Drill-down is performed by stepping down the hierarchy for the dimension time. Initially, the conception hierarchy was "day < month < quarter < year." On drilling down, the dimension of time exists in descended from i.e. from the extent of the quarter to the extent of the month. When drill-down is performed, one or additional dimensions from the information cube are supplemental. It navigates knowledge from less elaborate information to extremely elaborate data.

通过在维度时间上降低层次结构来执行向下钻取。 最初,概念层次结构是“天<月<季度<年”。 在向下钻取时,时间的维数是从四分之一的范围降到一个月的范围。 执行向下钻取时,信息多维数据集中的一个或其他维度是补充。 它可以将知识从不太复杂的信息导航到极其复杂的数据。

OLAP Cube | Drill Down


Fig 2.2 : Drill Down Operation

图2.2:下钻操作

2.3。 OLAP切片 (2.3. OLAP SLICING)

The slice operation selects one specific dimension from a given cube and provides a replacement sub-cube.

切片操作从给定的多维数据集中选择一个特定的维度,并提供替换子多维数据集。

Slice is that the act of selecting an oblong set of a cube by selecting one worth for one in all its dimensions, making a replacement cube with one fewer dimension.

切片是指通过在其所有维度中为一个立方体选择一个值来选择一个长方形的立方体的动作,从而使替换的立方体的尺寸减少了一个。

The picture shows a slicing operation.

图片显示了切片操作。

Slicing is performed for the dimension "time" using the criteria time = "Q1".

使用标准时间=“ Q1”对维“时间”执行切片。

Subcube is formed by using or selecting one or two dimensions.

通过使用或选择一维或二维来形成子多维数据集。

OLAP Cube | Slicing


Fig 2.3 : OLAP Slicing

图2.3:OLAP切片

2.4。 OLAP骰子 (2.4. OLAP DICING)

Dice selects 2 or additional dimensions from a given cube and provides a brand new sub-cube. think about the subsequent diagram that shows the dice operation. The dice operation produces a subcube by permitting the analyst to choose specific values of multiple dimensions. the image shows a dicing operation. The dicing operation on the cube which involves three dimensions is based on the following selection criteria,

Dice从给定的多维数据集中选择2个或其他维度,并提供一个全新的子多维数据集。 考虑下面显示骰子操作的图。 骰子操作通过允许分析人员选择多维的特定值来生成子多维数据集。 该图显示了切块操作。 涉及三个维度的多维数据集上的切块操作基于以下选择标准,

  • (location = "Toronto" or "Vancouver")

    (位置=“多伦多”或“温哥华”)

  • (time = "Q1" or "Q2")

    (时间=“ Q1”或“ Q2”)

  • (item =" Mobile" or "Modem")

    (项目=“移动”或“调制解调器”)

OLAP Cube | DICING


Fig 2.4 : Cube Dicing

图2.4:立方体切丁

2.5。 OLAP PIVOT (2.5. OLAP PIVOT)

The pivot operation is additionally referred to as rotation. It rotates the info axes seeable to produce an alternate presentation of knowledge. take into account the subsequent diagram that shows the pivot operation. Pivot permits AN analyst to rotate the cube in the area to check its varied faces. As an example, cities may well be organized vertically and product horizontally whereas viewing information for a selected quarter. Pivoting may replace the product with periods to check information across time for one product. The picture shows a pivoting operation: the full cube is turned, giving another perspective on the data.

枢转操作另外称为旋转。 它旋转可见的信息轴以产生替代的知识表示。 请考虑以下显示枢轴操作的图表。 Pivot允许分析人员旋转该区域中的多维数据集以检查其变化的面。 例如,在查看选定季度的信息时,很可能垂直组织城市,水平组织产品。 数据透视可能会用句点替换产品,以跨时间检查一种产品的信息。 该图显示了枢轴操作:旋转了整个立方体,从而为数据提供了另一个视角。

OLAP Cube | PIVOT


Fig 2.5 : Olap Pivot

图2.5:Olap枢轴

翻译自: https://www.includehelp.com/basics/olap-online-analytical-processing-olap-cube-and-operations.aspx

olap 多维分析

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/542630.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

dede mysql语句_让dede运行php代码和mysql语句

一、dede运行php代码举例1&#xff1a;{dede:name runphpyes}$str "hello ";me $str;me . "world";{/dede:name}结果&#xff1a;hello world说明&#xff1a;"name"为任意定义的名字&#xff0c;me 表示当前的值&#xff0c;也就是要输出最后…

每周一书-2016年8月28日到9月4日获奖读者公布

每周一书-2016年8月28日到9月4日获奖读者公布 上次送出的《Bootstrap基础教程》&#xff0c;已经被幸运者收到了。我们先来回顾下《改善C程序代码的125个建议》活动文章下的精彩留言。 这是一段高屋建瓴的评述&#xff0c;足见作者对C语言的了解和热爱层度&#xff0c;当然也得…

c构造函数和析构函数_C ++构造函数和析构函数| 查找输出程序| 套装2

c构造函数和析构函数Program 1: 程序1&#xff1a; #include<iostream>using namespace std;class Sample{private:int X;int Y;public:Sample(int x, int y){X x;Y y;}void set(int x, int y){X x;Y y;}void print(){cout<<X<<" "<<Y&…

python map函数的作用_Python的map函数

map()是 Python 内置的高阶函数&#xff0c;它接收一个函数 f 和一个 list&#xff0c;并通过把函数 f 依次作用在 list 的每个元素上&#xff0c;得到一个新的 list 并返回。 例如&#xff0c;对于list [1, 2, 3, 4, 5, 6, 7, 8, 9] 如果希望把list的每个元素都作平方&#xf…

idea java no sdk_java - intelliJ IDEA 13错误:请选择Android SDK

java - intelliJ IDEA 13错误&#xff1a;请选择Android SDK我已经在Error: Cannot find any configured Android SDK上安装了intelliJ 12.1.2和Error: Cannot find any configured Android SDK。现在我使用intelliJ 13.0.1创建了一个空的android应用程序项目(也使用模拟器作为…

该怎样在KeyShot中进行贴图

2019独角兽企业重金招聘Python工程师标准>>> 在渲染物体的时候&#xff0c;贴图常常是不可缺少的部分&#xff0c;贴图主要用于描述对象表面的物质形态&#xff0c;构造真实世界中自然物质表面的视觉表象。不同的贴图能给人带来不同的视觉感受&#xff0c;KeyShot3D…

python淘宝cookies抢购_Python实现淘宝秒杀聚划算抢购自动提醒源码

说明 本实例能够监控聚划算的抢购按钮&#xff0c;在聚划算整点聚的时间到达时发出提醒&#xff08;音频文件自己定义位置&#xff09;并自动弹开页面&#xff08;URL自己定义&#xff09;。 同时还可以通过命令行参数自定义刷新间隔时间&#xff08;默认0.1s&#xff09;和监控…

kadane算法_使用KADANE的算法求最大子阵列和

kadane算法What is a sub-array? 什么是子阵列&#xff1f; A sub-array is basically an arrays contiguous part. For example, if we have an array of integers [1,2,3] so the sub-arrays that we can form from the given array are [1], [2] , [3] , [1,2] , [2,3] , …

java汽车油耗计算_转发一个手机油耗计算器 (java)

今天在一个汽车论坛上看见的&#xff0c;试了试&#xff0c;还真不错。比以前那个Fuel Consumption 功能要强大,虽然都是JAVA软件。小罗盘手机计算器是作者独自产品策划、美术设计、程序开发、测试发布的手机应用软件&#xff0c;是为作者的一个朋友写的&#xff0c;当然我们用…

6.dubbo常用的xml配置有哪些_【面试篇】必须掌握的Spring 常用注解

阅读文本大概需要5分钟。注解本身没有功能的&#xff0c;就和 xml 一样。注解和 xml 都是一种元数据&#xff0c;元数据即解释数据的数据&#xff0c;这就是所谓配置。本文主要罗列 Spring|Spring MVC相关注解的简介。Spring部分1、声明bean的注解Component 组件&#xff0c;没…

Linux的iptables常用配置范例(2)

iptables -F #清除所有规则 iptables -X #清除所有自定义规则 iptables -Z #各项计数归零 iptables -P INPUT DROP #将input链默认规则设置为丢弃 iptables -P OUTPUT DROP #将output链默认规则设置为丢弃 iptables -A INPUT -i lo -j ACCEPT iptables -A OUTPUT -o lo …

aptitude 命令_C-命令行参数Aptitude问题与解答

aptitude 命令C programming Command Line Arguments Aptitude Questions and Answers: In this section you will find C Aptitude Questions and Answers on Command Line Arguments – Passing values with running programs, separate argument values, number of argument…

文件上传java逻辑_Java 文件上传 实例

import java.io.*;import java.util.*;import javax.servlet.*;import javax.servlet.http.*;public class Upload {private String saveDir "."; // 要保存文件的路径private String contentType ""; // 文档类型private String charset "";…

matlab数值计算pdf_Gnuplot科学绘图(九)——栅格以及方程数值解估算

Gnuplot科学绘图系列内容Gnuplot科学绘图(一)——从安装到简单函数绘图(文末有彩蛋)Gnuplot科学绘图(二)——坐标取值范围及刻度(文末有彩蛋)Gnuplot科学绘图(三)——点线风格Gnuplot科学绘图(四)——多组数据绘图Gnuplot科学绘图(五)——输出eps 图片Gnuplot科学绘图(六)——输…

dda算法_计算机图形学中的DDA(数字差分分析仪)算法

dda算法DDA(数字差分分析仪)算法 (DDA (Digital Differential Analyzer) Algorithm) In computer graphics, the DDA algorithm is the simplest algorithm among all other line generation algorithms. Here, the DDA is an abbreviation that stands for "Digital Diff…

购物商城框架java_基于jsp的购物商城-JavaEE实现购物商城 - java项目源码

基于jspservletpojomysql实现一个javaee/javaweb的购物商城, 该项目可用各类java课程设计大作业中, 购物商城的系统架构分为前后台两部分, 最终实现在线上进行购物商城各项功能,实现了诸如用户管理, 登录注册, 权限管理等功能, 并实现对各类购物商城相关的实体进行管理。该购物…

c语言++数组名【数字】_C ++程序在数组中打印所有非重复数字

c语言数组名【数字】Problem statement: Write a C program to print all the non-repeated numbers in an array in minimum time complexity. 问题陈述&#xff1a;编写一个C 程序&#xff0c; 以最小的时间复杂度将所有未重复的数字打印在数组中 。 Input Example: 输入示例…

java最接近对点及距离_最接近点对问题_分治法

一、问题描述给定平面上的n个点&#xff0c;找其中的一对点&#xff0c;使得在n个点组成的所有点对中该点对间的距离最小。二、解题思路及所选算法策略的可行性分析思路&#xff1a;利用分治法来解决问题。递归子结构求最接近点对总体可分为几个步骤&#xff1a;1、当问题规模小…

python return用法_初学Python要了解什么 装饰器知识汇总有哪些

初学Python要了解什么&#xff1f;装饰器知识汇总有哪些&#xff1f;在Python学习过程中&#xff0c;有多种方法对函数和类进行加工&#xff0c;相对于其它方式&#xff0c;装饰器语法简单&#xff0c;代码可读性高。因此&#xff0c;装饰器在Python项目中有广泛的应用&#xf…

android emulator虚拟设备分析第三篇之pipe上的qemud service

一、概述 本篇和第二篇是强相关的&#xff0c;需要结合第二篇一起看。 以boot-properties为例&#xff0c;注意不需要看ANDROID-QEMUD.TXT&#xff0c;这个是和guest os中的qemud进行相关的&#xff0c;已废弃。 启动emulator时&#xff0c;有一个参数-prop <key><val…