【文章內(nèi)容簡介】 ByPressBookYGroup ByPriceBookYGroup ByRagesBookYGroup ByCDBookYGroup ByNumberSellNumberSellItemYSumSumSellSumSellItemYSumShelfDateBookYGroup By：SELECT TOP(100) PERCENT , , , , , , ,SUM() AS SellNumber,SUM() AS SellSum, FROM INNER JOIN ON = INNER JOIN ON = GROUP BY , , , , , , ,ORDER BY 列別名表輸出排序類型排序順序分組依據(jù)篩選器IDSellItemYIDSellIDSellYCustomerIDSellYTimeSellYBookIDSellItemYISBNBookYNameBookYPressBookYPriceBookYNumberSellItemYDiscountSellItemYSumSellItemY（）：SELECT , AS SellID, , , , , , , , , , FROM INNER JOIN ON = INNER JOIN ON = 列別名表輸出排序類型排序順序分組依據(jù)DATEPART(week,)WeekY升序1Group ByIDBookY升序2Group BySumSellSumSellItemYSum：SELECT TOP (100) PERCENT DATEPART(week, ) AS Week, , SUM() AS SellSumFROM INNER JOIN ON = INNER JOIN ON = GROUP BY DATEPART(week, ), ORDER BY Week, 設(shè)計好了以上的表和視圖是為了對其中的數(shù)據(jù)進行預(yù)測和分析，這些創(chuàng)建給以后的實現(xiàn)部分做了很好的鋪墊。 圖書銷售 Analysis Services 設(shè)計 數(shù)據(jù)源設(shè)計 在數(shù)據(jù)源設(shè)計運用了數(shù)據(jù)挖掘技術(shù)，首先用“數(shù)據(jù)源向?qū)А?、。其中會員表中存儲了書店注冊會員的基本個人信息；同時為了支持?jǐn)?shù)據(jù)的分析，設(shè)計中還要向會員表中增加兩個計算列。兩個計算列分別為Age和DayConsume。它們的表達式分別為“YEAR(GETDATE()YEAR())”和“CAST(Score AS Decimal)/DATEDIFF(DAY,RegTime,GETDATE())” 是用來計算會員的年齡和會員的積分除以其注冊天數(shù)以得到該會員的日平均消費金額。合理地使用計算列，能夠大大方便挖掘結(jié)構(gòu)和挖掘模型的創(chuàng)建，同時避免修改源數(shù)據(jù)庫中的基礎(chǔ)表格和視圖。在Analysis Services項目中也需要向圖書表中加入兩個計算器分別DaySellNumber和DaySellSum，計算表達式為：“SellNumber/DATEDIFF(DAY,ShelfDate,GETDATE())”、“SellSum/DATEDIFF(DAY,ShelfDate,GETDATE())”。它們是用來計算圖書日均銷量。為了對會員購書的有關(guān)信息進行挖掘，在數(shù)據(jù)源視圖中還應(yīng)將會員表和圖書銷售視圖關(guān)聯(lián)起來。數(shù)據(jù)源的設(shè)計對以后數(shù)據(jù)挖掘起到?jīng)Q定的作用。在本設(shè)計中使用了多個數(shù)據(jù)挖掘的方法。這些方法大大方便了界面的分析和預(yù)測。管理者通過預(yù)測的信息知道內(nèi)部圖書銷售的各個情況和了解會員的相關(guān)活動信息。 本系統(tǒng)設(shè)計的挖掘模型（1）貝葉斯挖掘模型：是用來對會員級別的分析。主要運用了“Microsoft Na239。ve Bayes”挖掘技術(shù)對數(shù)據(jù)源視圖中的會員表作為事例對Levels和DayConsume列作為可預(yù)測列進行預(yù)測。（2）決策樹挖掘模型：來分析會員的消費水平最有可能處在哪個區(qū)間，主要運用“Microsoft 決策樹”挖掘技術(shù)對數(shù)據(jù)源視圖中的會員表作為事例對Levels進行忽略，而對DayConsume進行可預(yù)測。（3）聚類分析挖掘模型：是用來分析會員的年齡和學(xué)歷進行分析。是忽略Area、Levels、Gender,而Age和Degree作為輸入列對DayConsume進行預(yù)測。（4）關(guān)聯(lián)規(guī)則挖掘模型：用于分析會員與圖書之間的關(guān)聯(lián)，進而向會員推薦其他可能感興趣圖書。在設(shè)計中用會員表作為事例表嵌套圖書銷售表，Gender、Age、Degree、Area作為輸入列，BookSell進行預(yù)測。（5）時序挖掘模型：是用于圖書的分析，用每周銷售視圖來做事例，ID和 Week作為輸入鍵對SellSum進行預(yù)測。（6）神經(jīng)網(wǎng)絡(luò)挖掘模型：是預(yù)測新書的銷量，圖書表作為事例，Category、Press、Price、Pages和CD列進行輸入，對DaySellNumber進行預(yù)測。（7）順序分析挖掘模型：用于實現(xiàn)圖書銷售的關(guān)聯(lián)分析，會員表作為事例，圖書銷售表銷售表作為嵌套表，對Name進行預(yù)測。（8）線性回歸挖掘模型：是對圖書價格的預(yù)測，圖書表作為事例,Pages為輸入列，對Price進行預(yù)測。 。： protected SqlConnection _connDatabase。 protected AdomdConnection _connAnalysis。protected AdomdCommand _cmd。其中前兩個數(shù)據(jù)連接對象分別指向SQL Server數(shù)據(jù)庫BookSell和Analysis Server數(shù)據(jù)庫，后一個數(shù)據(jù)命令對象則用于在Analysis Services數(shù)據(jù)庫上執(zhí)行DMX查詢對象的創(chuàng)建都在窗體的構(gòu)造函數(shù)中完成：public CustomerAnalysisForm(SqlConnection connectionDatabase, AdomdConnection connectionAnalysis) { _connDatabase = connectionDatabase。 _connAnalysis = connectionAnalysis。 _cmd = ()。 InitializeComponent()。 }窗體在初始化和關(guān)閉將打開和關(guān)閉相應(yīng)的數(shù)據(jù)連接；窗體的初始化過程同時還使用SQL數(shù)據(jù)命令將所有會員的ID號載入到“會員編號”組合框（cmbcustomerID）中：private void CustomerAnalysisForm_Load(object sender, EventArgs e) { SqlCommand cmd1 = new SqlCommand(SELECT DISTINCT [ID] FROM [Customer] ORDER BY [ID], _connDatabase)。 SqlDataReader reader1 = ()。 while (()) (reader1[0])。 ()。 = false。 }選擇會員編號并按下“載入會員信息”按鈕后，程序?qū)⒃俅瓮ㄟ^SQL命令來讀取會員的個人信息，并顯示在窗體上部的各個控件中： private void btnLoadInfo_Click(object sender, EventArgs e) { if ( == ) { (會員編號不能為空, 錯誤, , )。 return。 } SqlCommand cmd1 = ()。 = SELECT [Birthday], [Area], [Degree], [Gender], [RegTime], [Levels], [Score] FROM [Customer] WHERE [ID]= + 。 SqlDataReader reader1 = ()。 if (()) { = (DateTime)reader1[0]。 if (reader1[1] != ) = reader1[1].ToString()。 if (reader1[2] != ) = reader1[2].ToString()。 if ((bool)reader1[3]) = true。 else = true。 = (DateTime)reader1[4]。 = reader1[5].ToString()。 = (int)reader1[6]。 } ()。 } 窗體下部是一個TabControl容器控件，它的4個TabPage頁分別用于實現(xiàn)會員的級別分析、消費分析、類型分析和圖書推薦功能。當(dāng)用戶按下“會員級別”標(biāo)簽頁中的“預(yù)測”按鈕后，程序首先根據(jù)相關(guān)輸入來構(gòu)造DXM預(yù)測查詢字符串，而后調(diào)用貝葉斯模型CustomerLevels來預(yù)測會員級別:private void btnPredictLevels_Click(object sender, EventArgs e) { if ( == || == ) { (地區(qū)或?qū)W歷不能為空, 錯誤, , )。 return。 } int iAge = 。 = (SELECT Predict([Levels]), PredictHistogram([Levels]) From [CustomerLevels] NATURAL PREDICTION JOIN (SELECT {0} AS [Age], 39。{1}39。 AS [Area], 39。{2}39。 AS [D