【導讀】數(shù)據(jù)處理技術，靈活、交互式地提供統(tǒng)計、趨勢分析和預測報告。使分析人員、管理人員或執(zhí)行人員能夠從多角度對信息進行快速、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?？蛻舳藢懸粭lMDX語句，傳給服務器端，傳過去時實際上是一個XML/A（XMLfor. analysis），返回來的也是一個XML/A文件。MDX語句生成的對象不外乎MEMBER、TUPLE、本文重點介紹MDX語言在OLAP中的應用和實現(xiàn)。由于現(xiàn)在無論是書籍還是網(wǎng)上都。松使用MDX語言的目標進而整理和規(guī)范了MDX的一些介紹和使用。作為本文的重中之重做了詳細的介紹。具體的說就是自己給自己一個問題，然后自己再。分析，找出答案，分析答案。真誠地希望通過本文可以對數(shù)據(jù)挖掘方面的工作有所幫助。

　　

【正文】 [ALL PRODUCTS].[DRINK]) } ON ROWS FROM SALES WHERE([CUSTOMERS].[ALL CUSTOMERS].[USA],[TIME].[1997]) 結(jié)果 如圖 所示 ： 圖 語句（ 2）： SELECT {([MEASURES].MEMBERS)} ON COLUMNS, { ([TIME].[1997],[CUSTOMERS].[ALL CUSTOMERS].[USA],[PRODUCT]. [ALL PRODUCTS].[DRINK]) } ON ROWS FROM SALES 26 結(jié)果 如圖 ： 圖 從兩個表中可以看到結(jié)果 基本 一樣 ， 僅僅是第二個結(jié)果中多顯示了 1997 和 USA 這兩個顯示欄，這是因為第一個語句中只要求顯示（ [PRODUCT]. [ALL PRODUCTS].[DRINK])即沒有要求點明是 1997 和 USA。 但是從語句上看得話會發(fā)現(xiàn) 目標維度和切片器維度不同了， 這是為什么呢？ 語句（ 1）中比語句（ 2）中多用了一個 WHERE 語句，這并不是畫蛇添足，而是恰恰體現(xiàn)了 MDX 語言的靈活性。 雖然兩個程序是以不 同的目標軸為起點，但是我們可以從空間的角度想象一下兩個不同的切片 的過程 。第一個是把 ([PRODUCT]. [ALL PRODUCTS].[DRINK])作為軸維度，以時間維作為了切片器維度；第二個是以 [TIME].[1997]為軸維度，以 [ALL CUSTOMERS].[USA],[PRODUCT]. [ALL PRODUCTS].[DRINK]為切片器維度。 將兩個相同范圍內(nèi)的維度進行類似 X 軸和 Y 軸的變換查詢，使得立方體（ 把整個數(shù)據(jù)和數(shù)據(jù)集看做是組成了一個立方體）可以在空間中任意轉(zhuǎn)換，進而進行切片等操作，即旋轉(zhuǎn) 的 意義 ????。 27 鉆取 鉆取包括上鉆和下鉆，即根據(jù)維的層次提升所關心的數(shù)據(jù)或降低觀察層次 下面通過一個實例來分析鉆取的過程。 問題 11： 查出每種產(chǎn)品大類 前兩 名產(chǎn)品小類型號的銷售記錄，以及小類型號占大類的百分比 ？ 語句： WITH MEMBER [MEASURES].[PERCTOTALSALES] AS 39。 SUM( TOPCOUNT([PRODUCT]., 2, [UNIT SALES]), [UNIT SALES] ) /([PRODUCT].CURRENTMEMBER, [UNIT SALES])39。, FORMAT_STRING = 39。.0%39。 SELECT [STORE].[(ALL)].MEMBERS ON COLUMNS, GENERATE( [PRODUCT].[BRAND NAME].MEMBERS, UNION( TOPCOUNT( [PRODUCT]., 2, [UNIT SALES] ) * {[UNIT SALES]}, { ([PRODUCT].CURRENTMEMBER, [MEASURES].[PERCTOTALSALES]) } ) ) ON ROWS FROM SALES 結(jié)果 如圖 所示 ： 圖 分析： 我們可以先分析下題目可以看出來，要先找出前半部分的結(jié)果 （既要找出 “ 每種 產(chǎn)品大類 前兩 名產(chǎn)品小類型號的銷售記錄 ”） 再找出后半部分的結(jié)果 （既要 找出“ 小 28 類型號占大類的百分比 ”） ，進而得到要的結(jié)果。 那么，從 MDX 語句上我們可以再來比較一下這方面的過程 ????： （ 1） 查出每種產(chǎn)品大類 前兩 名產(chǎn)品小類型號的銷售記錄 ？ 語句： WITH MEMBER [MEASURES].[PERCTOTALSALES] AS 39。 SUM( TOPCOUNT([PRODUCT]., 2, [UNIT SALES]), [UNIT SALES] ) /([PRODUCT].CURRENTMEMBER, [UNIT SALES])39。 SELECT [STORE].[(ALL)].MEMBERS ON COLUMNS, GENERATE( [PRODUCT].[BRAND NAME].MEMBERS, UNION( TOPCOUNT( [PRODUCT]., 2, [UNIT SALES] ) * {[UNIT SALES]}, { ([PRODUCT].CURRENTMEMBER, [MEASURES].[PERCTOTALSALES]) } ) ) ON ROWS FROM SALES 結(jié)果 如圖 所示 ： 圖 這樣，就得到了問題（ 1）的答案： 每種產(chǎn)品大類 前兩 名產(chǎn)品小類型號的銷售記錄 。 然后，要得到 小類型號占大類的百分比 ，就要在此基礎上再分析和計算，也就是要做 29 一次鉆取的過程，說白 了就是根據(jù) 維的層次提升所關心的數(shù)據(jù) ，也就是上鉆。 那上鉆知道了，下鉆呢？ 下面，我們還是以一個實例來看下下鉆的過程，以及和上鉆的不同。 問題 12： 查出一定條件下的前 4 名產(chǎn)品的銷售記錄，例如銷售量在 500 到 3000 之間的 ????。 語句： WITH SET [LASTQUARTER] AS 39。TAIL(FILTER([TIME].[QUARTER].MEMBERS, NOT ISEMPTY([TIME].CURRENTMEMBER)))39。 SET [LAST4QUARTERS] AS 39。 [LASTQUARTER].ITEM(0).ITEM(0).LAG(3) : [LASTQUARTER].ITEM(0).ITEM(0)39。 MEMBER [MEASURES].[GROUPAVG] AS 39。AVG([PRODUCT]., [UNIT SALES])39。 MEMBER [MEASURES].[ALLAVG] AS 39。AVG( [PRODUCT].[PRODUCT NAME].MEMBERS, [UNIT SALES])39。 MEMBER [MEASURES].[ABC] AS 39。[PRODUCT].39。 SELECT [LAST4QUARTERS] ON COLUMNS, { [UNIT SALES], [GROUPAVG], [ALLAVG],[MEASURES].[ABC] } ON ROWS FROM SALES WHERE ([EBONY PLUMS]) 結(jié)果 如圖 所示 ： 圖 分析 ： 我們還是先從題目本身來看，要 先 得到 銷售量在 500 到 3000 之間 的所有商品的銷售記錄，進而再在此基礎上再得到前四名商品的相關的記錄 ????。 這便是 降低了所觀察的層次，也就是下鉆。 比較上鉆和下鉆，其實都是在維德層次上做相應的操作，不同是僅僅在于數(shù)據(jù)和層次的操作。 30 下面，我們 再 來看 一個例子 問題 13： 找出銷售額在前、后 10 名的產(chǎn)品銷售記錄，并列出總排名，就是找出銷售情況最好和最壞的產(chǎn)品 ??4? 。 語句： WITH SET [ORDEREDBRANDS] AS 39。ORDER( [PRODUCT].[BRAND NAME].MEMBERS, [UNIT SALES], BDESC )39。 MEMBER [MEASURES].[BRAND RANK] AS 39。RANK( [PRODUCT].CURRENTMEMBER, [ORDEREDBRANDS] )39。 SELECT {[BRAND RANK], [UNIT SALES]} ON COLUMNS, UNION( HEAD( [ORDEREDBRANDS], 10 ), TAIL( [ORDEREDBRANDS], 10 ) ) ON ROWS FROM SALES 結(jié)果 如圖 ： 圖 可以看出來，在這個例子中，既有上鉆又有下鉆。其實，絕大多數(shù)的鉆取的查詢都是上鉆和下鉆的結(jié)合，也有一些人認為其實不必要分的那么清楚，但是我覺得還是都了解一下為好，這樣也有利于對 鉆取的理解。 總的來說：無論是切片，切塊，旋轉(zhuǎn)還是鉆取都是 OLAP 中分析的重要步驟，都是把數(shù)據(jù)倉庫擬想為一個立方體，進而進行一切的操作 ????。 31 5. 結(jié)論 在關系數(shù)據(jù)庫中使用 SQL語言來查詢、管理和操作數(shù)據(jù)庫中的數(shù)據(jù)。在 SQL Server中使用 MDX 語句來進行多維數(shù)據(jù)庫的操作和管理， MDX 不但可以用在 SSAS 中進行多維數(shù)據(jù)庫的查詢管理，也可使用在 SSIS 和 SSRS 中分別輔助處理 ETL 過程和報表開發(fā)過程。 所以 MDX 語言的熟練掌握不但對數(shù)據(jù)庫的學習和使用很有幫助，而且對我們以后學習其他的語言或是數(shù)據(jù)庫軟件 都有拋磚引玉的效果。 當然， MDX 語句沒有標準化，不同的 BI 解決方案提供 使用不同的多維數(shù)據(jù)查詢技術，所以 SQL Server 中的 MDX 語言只能在 SQL Server 中使用，如果要進行其它數(shù)據(jù)庫如 ORACLE,Hyperion 的查詢，就要了解與其相對應的 MDX，可能在語法或一些用法上不同于 SQL Server 中的 MDX。 但是，有了 在 SQL Server 中使用 MDX 語句 的經(jīng)驗，再在其他的環(huán)境下使用 MDX 語言就輕車熟路了。 通過三個學期以來對 SQL Server 2020 的學習和使用，尤其是對數(shù)據(jù)倉庫與數(shù)據(jù)挖掘技 術的實習，結(jié)合這次對 MDX 語言的應用 與分析，對 SQL Server 2020 有了更深刻的認識。使得我 養(yǎng)成了提出問題，分析問題，解決問題的良好習慣，同時對數(shù)據(jù)倉庫與數(shù)據(jù)挖掘技術有了全面的了解與掌握。豐富了課本上所學內(nèi)容，感到受益匪淺！ 同時也使得我對學習其他知識有了一個規(guī)范的思路。 學海無涯。時代在不停地進步，一些軟件和相關的語言也層出不窮，所以我們無論是在學校還是以后走出校園都要繼續(xù)自我深造，要勇作時代的潮流引導者！ 32 6． 參考文獻 [1] 張維明主編 ． 數(shù)據(jù)倉庫原理與 應用 ． 北京 :電子工業(yè)出版社， [2] 王珊、羅力編著 ． 從數(shù)據(jù)庫到數(shù)據(jù)倉庫 ． 北京 :中國人民大學數(shù)據(jù)與知識工程研究所， 1997 [3] 王珊主編 ． 數(shù)據(jù)倉庫技術與聯(lián)機分析處理 ． 北京 :科學出版社 ,1998． 18 [4] 彭木根 編著。數(shù)據(jù)倉庫與實現(xiàn)。北京：電子工業(yè)出版社， [5] 姚家奕 等編著。多維數(shù)據(jù)分析。北京：電子工業(yè)出版社， [6] 陳京民等編著 ． 數(shù)據(jù)倉庫與數(shù)據(jù)挖掘技術 ． 北京 :電子工業(yè)出版社， [7] 陳京民 ． 數(shù)據(jù)倉庫開發(fā)的規(guī)劃研究 ． 計算機與網(wǎng)絡， [8] 劉翔 編著。數(shù)據(jù)倉庫與數(shù)據(jù)挖掘技術。上海：上海交通大學出版社， [9] ,Rough Sets. Fuzzy Sets and Knowledge Discovery. SpringerVerlag,1994 [10] Lou Essential Guide to Data Warehousing. PrenticeHall,2020 [11] . The Data Warehouse Toolkit. John Wiley amp。 Sons,1996 [12] Inmon W H. Building Data Warehouse. Second Edition. John Wiley,1996 [13] 數(shù)據(jù)挖掘工具的選擇 [14] 李紀民、王珊 ． OLAP的兩種支持技術 ． 計算機世界 , [15] . Data Mining:Building Competitive Advantage. PrenticeHall,1997 33 致謝 在 完成畢業(yè) 論文的幾個月里，我特別感謝鐘教授 從一而終 對我 的詳細指導，使我 的學習撥云見日，更全面更快捷地掌握了數(shù)據(jù)倉庫與數(shù)據(jù)挖掘技術，同時也要感謝我的同學 們的幫助，其實有很多問題我開始并不是很懂，但是通過鐘教授和同學們的幫忙和 耐心地給我講解， 我才一步一步地掌握了這門技術。 可以說沒有 他們 的幫助和鼓勵我是不會順利完成的，在此特別要衷心地對 他 們表示感謝。我還要感謝我的 母校 武漢科技大學和電子技術學院 。我還要感謝我 的所有指導員和所有的老師， 他們 教育 了我， 培育了我，給我們一個很好的學習和鍛煉的空間 ，使我 們 能全身心地投入學習 和鍛煉 中，我一定會好好做人，好好工作，好好回報他們 ，回報社會！ 34 [1]