1 / 25

SQL – OLAP 3. óra

SQL – OLAP 3. óra. MD szemantikai séma modell. hónap. termék. forgalom. dátum. kategória. bolt. munkahét. Hogyan modellezzük egzaktabb módon?. nincs egységes modell. Cabibbo- Torlone szemantikai modell. A modell elemei: - Dimenzió-sémák - Fogalom-sémák - Adatkocka-sémák

erik
Download Presentation

SQL – OLAP 3. óra

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. SQL – OLAP 3. óra

  2. MD szemantikai séma modell hónap termék forgalom dátum kategória bolt munkahét Hogyan modellezzük egzaktabb módon? nincs egységes modell

  3. Cabibbo- Torlone szemantikai modell A modell elemei: - Dimenzió-sémák - Fogalom-sémák - Adatkocka-sémák - Adatbázis-sémák Grafikus jelölésrendszert is alkalmaz Egyszerűsített megközelítés ER-jellegű leírás

  4. Cabibbo-Torlone modell Grafikus ábrázolás mező dimenzió tulajdonság dimenzió-szint dimenzió hierarchia tény-dimenzió kapcsolat változó többértékű dimenzió kocka nem OO alapú

  5. Cabibbo-Torlone modell létszám munkaügy betegállomány selejt db db forgalom érték nap név termék dátum termék negyedév kategória gyártó telep név

  6. Cabibbo-Torlone modell univerzum : U fogalom-nevek halmaza: C = {c}  U típusok halmaza : T  U dimenzió-sémák halmaza: D = {d,R} dimenzió-séma: d = (L,<,P) L dimenzió szintek (L  C) < : szint hierarchia (<  L  L) P: tulajdonság (P : L  2(C  T) ) dimenzió-bázisok : R r(d) = {h  L(d) | h’ : h < h’} R = {r(d)}

  7. Cabibbo-Torlone modell ténytábla-sémák halmaza: F = {f} ténytábla-séma: f = {(A1:I1,..,An:In) , I0} f  C Ai  C Ii  r(R) I0  2(C  T) adatbázis-séma: DB = (C, T, D{d(L,<,P),R}, F{f(A:I):I0})

  8. TERMEK ear nev TELEPHELY cim nev OSSZDB SELEJTDB ERTEKESITES KATEGORIA nev VEZETO nev DATUM nap VAROS megn BEOSZTAS megn alapfiz HO ho MEGYE megn EV ev Minta séma felírása C = {alapfiz, beosztas, ear, ertekesites, ev, cím, osszdb, selejtdb, telephely, termek, …} T = {int, char} D = {dtermek, ddatum,dtelep, R} dtermek = { {termek, kategoria}, {kategoria < termek}, {termek  (ear,int), termek  (nev,char), kategori  (nev,char)} } …

  9. TERMEK ear nev TELEPHELY cim nev OSSZDB SELEJTDB ERTEKESITES KATEGORIA nev VEZETO nev DATUM nap VAROS megn BEOSZTAS megn alapfiz HO ho MEGYE megn EV ev Minta séma felírása R = {termek, datum, telephely} F = {ertekesites} ertekesites = { (termelte:telephely, termek:termek, datum:datum), {(osszdb,int) (selejtdb,int)} } DB = {C,T,D,F}

  10. Cabibbo-Torlone modell Formális felírás előnyei: - egyértelműbb jelentés - könnyebben feldolgozható - tömörebb leírás - könnyebben konvertálható - alapot adhat további egyértelmű bővítésekre néhány további modell: • - Li-Wang(1996) • - Agrawal-Gupta-Sarawagi(1997) • ADAPT • …

  11. termek telep dátum MD műveletek Itt sincs egységes modell gyakorlatban elterjedt műveletek: - szűrés - aggregálás - szintváltás - összekapcsolás - kibontás … mintaként a relációs algebra jöhet szóba adatkockán értelmezett, adatkockát előállító operátorok

  12. MD műveletek Szelekcio (slice and dice) - változó szelekció f(v)(F) A feltételnek eleget tévő cellák maradnak meg, a többi cella NULL értékű lesz - attributum szelekció f(D.a)(F) A feltételnek eleget tévő dimenzió értékek maradnak meg, a többi kikerül a kockából selejtdb > osszdb*0.2 (ertekesites) selejtdb > osszdb*0.2 (ertekesites)

  13. MD műveletek Projekció (slice and dice) - változó projekció v(F) A kijelölt változók maradnak meg a cellában - attributum projekció D.a (F) A kijelölt attributumok maradnak meg a dimenziónál  selejtdb (ertekesites) selejtdb ( selejtdb > osszdb*0.2 (ertekesites))

  14. MD műveletek Dimenzió összevonás (roll up) - attributum szintű D1.D2(F) A megadott dimenzióból a megadott dimenzióba való áttérés a dimenzió hierarchia mentén aggregáltabb adatokra való áttérés megváltozik a szint a megadott dimenziónál durvább felbontást kapunk  termek.kategoria (ertekesites)

  15. MD műveletek Dimenzió kibontás (drill down) - attributum szintű D(F) A megadott attributum részletező dimenziójára való áttérés a dimenzió hierarchia mentén részletezőbb adatokra való áttérés megváltozik a szint az aktuális dimenziónál finomabb felbontást kapunk  varos (ertekesites)

  16. MD műveletek Aggregáció (fold) - dimenzió szintű D, aggr(F) A megadott dimenziók maradnak meg, az összevont cellák tartalmából az aggr aggregáció alapján képződik az eredő cella összesítőbb adatokra való áttérés szűkül a dimenzió készlet, csökken a dimenziószám durvább felbontást kapunk  termek, termelte, sum() (ertekesites)

  17. MD műveletek Kiterítés (unfold) - dimenzió szintű D(F) Behozza a kockába a megadott dimenziót (ha lehet) részletezőbb adatokra való áttérés bővül a dimenzió készlet, növekszik a dimenziószám finomabb felbontást kapunk  termek (ertekesites)

  18. MD műveletek Szorzás(join) - adatkocka szintű F1  F2 A megadott adatkockákból olyan eredő adatkocka készítése, melyre - dimenzióhalmaza a F1 és F2 dimenzió halmazának uniója - váltózólistája a két lista összevonása, párosa - változó értékei a megfelelő koordinátájú értékek párosa ertekesites  rendeles

  19. MD műveletek F1 F2 d24 2 d26 a d23 1 2 d24 a D2 d22 3 D2 d23 b d21 5 d21 c d11 d12 d31 d32 D1 D3 F1  F2 (d11, d23,d31) = (1,null) (d11, d24,d31) = (2,a) (d11, d26,d31) = (null,null) …

  20. MD műveletek Kiterjesztés (extension) - változó szintű v(F) Új változó hozzáadása, melynek értéke a meglévő változókból származtatható Pivotálás - adatkocka szintű D1,D2,aggr (F) Áttérés aggregációk sorozatával kétdimenziós adatkockára  selejtdb / osszdb (ertekesites) termek,datum (ertekesites)

  21. MD műveletek Forgatás (rotation) - dimenzió szintű d1,d2(F) A megadott dimenziók helyet cserélnek egymással részletezés szintje változatlan dimenziószám nem változik más elrendezést biztosít ábrázoláshoz fontos  termek,bolt (ertekesites)

  22. MD műveletek Rendezés (ordering) - dimenzió szintű od,kif(F) A megadott dimenzió előfordulásainak rendezése részletezés szintje változatlan dimenziószám nem változik más elrendezést biztosít ábrázoláshoz fontos o termek, nev (ertekesites)

  23. MD műveletek • Mintapéldák • - Az x-nél olcsóbb termékekre vonatkozó adatok • TERMEK.ear > x (ERTEKESITES) • - Az x-nél rosszabb selejtarányú eladásra vonatkozó adatok: • selejtdb/osszdb > x (ERTEKESITES) • Adatkocka a selejtarányok nélkül • osszdb (ERTEKESITES) • Az x-nél nagyobbeladások ahol a terméknek csak a neve szerepel • TERMEK.nev (osszdb > x (ERTEKESITES))

  24. MD műveletek • Mintapéldák • - Értékesítési adatok város szerinti bontásban • TELEPHELY.varos (ERTEKESITES) • Az x-nél rosszabb selejtarányú eladásra vonatkozó adatok megye • bontásban: • VAROS.megye(TELEPHELY.varos(selejtdb/osszdb > x (ERTEKESITES))) • Áttérés hónap bontásról napi bontásra • HO (C) • ahol C = DATUM.ho (ERTEKESITES) • Értékesítési adatok termék és idő dimenzióban • TERMEK, DATUM, Sum (ERTEKESITES)

  25. MD műveletek • Mintapéldák • Az x-nél rosszabb selejtarányú eladásra vonatkozó adatok megye • és hónap bontásban: • MEGYE, HONAP, Sum(DATUM.ho (VAROS.megye(TELEPHELY.varos • (selejtdb/osszdb > x (ERTEKESITES)))) • Az értékesítési adatok összevonása egy • KOLTSEG (ertek, TELEPHELY,HO) adatkockával: • TELEPHELY, HONAP, Sum (DATUM.ho (ERTEKESITES))  KOLTSEG • - Havi költségadatok megjelenítése dollárban • TELEPHELY, Sum (ertek/ 225 dollar (KOLTSEG))

More Related