智能物流_2(編輯修改稿)
2025-03-01 16:52 本頁面
【文章內(nèi)容簡介】 它隸屬于數(shù)據(jù)倉庫。– 為某個部門或某項業(yè)務(wù)提供對應(yīng)目的或應(yīng)用范圍的數(shù)據(jù)。– 提高查詢效率及準(zhǔn)確性。（ Data Warehouse, DW）數(shù)據(jù)倉庫 數(shù)據(jù)集市數(shù)據(jù)來源 系統(tǒng)，內(nèi)部、外部數(shù)據(jù) 數(shù)據(jù)倉庫范圍 企業(yè)級 部門級或工作組級主題 企業(yè)主題 部門級或工作組級數(shù)據(jù)顆粒 最細(xì)的粒度 較粗的粒度歷史數(shù)據(jù) 大量的歷史數(shù)據(jù) 適度的歷史數(shù)據(jù)優(yōu)化 處理海量數(shù)據(jù)、數(shù)據(jù)索引 便于訪問和分析、快速查詢數(shù)據(jù)倉庫與數(shù)據(jù)集市的區(qū)別p 聯(lián)機分析處理技術(shù)出現(xiàn)的背景l(fā) 聯(lián)機事物處理（ On Line Transaction Processing, OLTP）在1993年前被普遍使用，以處理日常業(yè)務(wù)。l 聯(lián)機分析處理技術(shù)（ On Line Analytical Processing, OLAP）在1993年由數(shù)據(jù)庫之父 E. F. Cold 提出， 滿足日益增長的數(shù)據(jù)處理需求。（ On Line Analytical Processing，OLAP）p被替代原因：252。數(shù)據(jù)存儲量小252。對數(shù)據(jù)的查詢分析能力不能滿足需求252。只能提供簡單的查詢結(jié)果OLTP OLAP數(shù)據(jù)來源 底層數(shù)據(jù)庫 數(shù)據(jù)倉庫面向?qū)ο?操作人員和底層管理人員 決策人員和高層管理人員作用 對數(shù)據(jù)進(jìn)行查詢、增加、刪除、修改等 對數(shù)據(jù)倉庫進(jìn)行信息的分析處理處理類型 日常事務(wù)型（應(yīng)用） 決策型（分析）OLTP與 OLAP的區(qū)別（ On Line Analytical Processing，OLAP）p “維 ”的概念OLAP是從多角度分析，對數(shù)據(jù)進(jìn)行進(jìn)一步了解，傳統(tǒng)的關(guān)系型數(shù)據(jù)庫不能滿足要求，需要一種新的技術(shù)叫做多維數(shù)據(jù)庫。維 (Dimension),是聯(lián)機分析處理的核心概念，是我們觀察世界的角度，是一種高層次的類型劃分。 “ 維 ” 可以表示屬性，例如時間屬性可稱為時間維，地點屬性稱為地點維等。20231 2 3 4 5 6 …2023時間牙膏香皂牙刷洗發(fā)水護發(fā)素銷售種類華北華南東北西北地區(qū)西南銷售額￥（ On Line Analytical Processing，OLAP）p OLAP的定義– OLAP 委員會對其定義：使分析人員、管理人員或執(zhí)行人能夠從多種角度對從原始數(shù)據(jù)中轉(zhuǎn)化出來的、能夠真正為用戶所理解的、并真實反映企業(yè)維特性的信息進(jìn)行快速、一致、交互地存取，從而獲得對數(shù)據(jù)的更深入了解的一類軟件技術(shù)。它滿足決策者在多維環(huán)境、復(fù)雜結(jié)構(gòu)下的特定要求，對數(shù)據(jù)進(jìn)行各種操作以得到查詢結(jié)果，并以報表形式展示，側(cè)重決策支持。– E. F. Cold 描述 OLAP系統(tǒng)的 12條準(zhǔn)則（ On Line Analytical Processing，OLAP）p OLAP的功能特征（ On Line Analytical Processing，OLAP）p OLAP 的多維分析方法OLAP 中的多維分析是指對以多維形式組織起來的數(shù)據(jù)采取各種分析動作，剖析數(shù)據(jù)，使最終用戶能從多角度、多側(cè)面觀察數(shù)據(jù)，從而深入地了解數(shù)據(jù)中的信息、內(nèi)涵。p 多維分析方法包括：252。 切片（ Slice）：對多維數(shù)據(jù)中的任意二維作為觀察角度。– 原理：舍棄部分維度，集中分析二維數(shù)據(jù)。252。 切塊（ Dice）：選定多維數(shù)據(jù)中的任意三維作為觀察角度。– 原理：舍棄部分維度，集中分析三維數(shù)據(jù)。252。 旋轉(zhuǎn)（ Pivot）：改變維的方向，使用戶從不同角度來分析數(shù)據(jù)。– 原理：交換行和列，或者把某一行維變成列維。252。 下鉆（ Drill down）：將某一維度的衡量單位縮小，進(jìn)而更加具體的了解數(shù)據(jù)。– 原理：從匯總數(shù)據(jù)深入到細(xì)節(jié)數(shù)據(jù)。252。 上卷（ Drill up）：在某一維上將低層次的細(xì)節(jié)數(shù)據(jù)概括到高層次的匯總數(shù)據(jù)– 原理：下鉆的逆過程，減少維數(shù)。 (Data Mining, DM)p 數(shù)據(jù)挖掘的定義數(shù)據(jù)挖掘（ Data Mining, DM）也叫知識發(fā)現(xiàn)（ Knowledge Discovery in Database, KDD），是從龐大的數(shù)據(jù)集合中發(fā)現(xiàn)新的規(guī)律或模式的過程。過程中使用人工智能、機器學(xué)習(xí)、統(tǒng)計分析、數(shù)據(jù)庫系統(tǒng)等工具。數(shù)據(jù)挖掘的目標(biāo)是針對特定的數(shù)據(jù)、特定的問題，選擇一種或者多種挖掘算法，找到有價值的、未知的關(guān)系、趨勢，提取有效信息，對知識進(jìn)行提煉，最后以合適的知識模式展示出來，用于進(jìn)一步分析決策工。機器學(xué)習(xí)概率論 數(shù)據(jù)庫數(shù)據(jù)挖掘 (Data Mining, DM)p 數(shù)據(jù)挖掘方法l 分類區(qū)隔216。分類（ Classification） :對數(shù)據(jù)庫中的示例數(shù)據(jù)進(jìn)行分析，對每個類別做出對應(yīng)描述，挖掘分類規(guī)則。當(dāng)遇到新數(shù)據(jù)時，在已被描述的類別中找到與自己相匹配的，從而確定新數(shù)據(jù)的類別。216。分群（ Clustering） :分群也叫做聚類，其輸入集是還沒有進(jìn)行任何分類的數(shù)據(jù)。其目的是根據(jù)一定的規(guī)則，合理地劃分記錄集合，使組之間的差別盡可能大，組內(nèi)的差別盡可能小，例如市場劃分等。l 序列規(guī)則216。關(guān)聯(lián)分析（ Association）：分析兩個事物同時出現(xiàn)的規(guī)律。216。序列分析（ Sequence）：發(fā)現(xiàn)事物的出現(xiàn)規(guī)律與時
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1