精华内容
下载资源
问答
  • 2.1 维度模型 2.1.1 星型模型 2.1.2 雪花模型 2.1.3星座模型 2.2 范式模型 2.3 Data Vault模型 2.4 Anchor模型

    目录

    写在前面

    一、为什么要进行数据仓库建模?

    二、四种常见模型

    2.1 维度模型

    2.1.1 星型模型

    2.1.2 雪花模型

    2.1.3 星座模型

    2.2 范式模型

    2.3 Data Vault模型

    2.4 Anchor模型

    三 数据模型的评价标准

    小编有话


    写在前面

    大数据时代,维度建模已成为各大厂的主流方式。

    维度建模从分析决策的需求出发构建模型,为分析需求服务。重点关注用户如何快速的完成数据分析,可以直观的反应业务模型中的业务问题,需要大量的数据预处理、数据冗余,有较好的大规模复杂查询的响应性能。

    系列文章详见「数仓系列文章- 传送门

    一、为什么要进行数据仓库建模?

    • 性能:良好的模型能帮我们快速查询需要的数据,减少数据的IO吞吐
    • 成本:减少数据冗余、计算结果复用、从而降低存储和计算成本
    • 效率:改善用户使用数据的体验,提高使用数据的效率
    • 改善统计口径的不一致性,减少数据计算错误的可能性

    二、四种常见模型

    2.1 维度模型

    维度建模按数据组织类型划分可分为星型模型、雪花模型、星座模型。

    Kimball老爷爷维度建模四个步骤:

    选择业务处理过程 > 定义粒度 > 选择维度 > 确定事实

    2.1.1 星型模型

    星型模型主要是维表和事实表,以事实表为中心,所有维度直接关联在事实表上,呈星型分布。

    2.1.2 雪花模型

    雪花模型,在星型模型的基础上,维度表上又关联了其他维度表。这种模型维护成本高,性能方面也较差,所以一般不建议使用。尤其是基于hadoop体系构建数仓,减少join就是减少shuffle,性能差距会很大。

    星型模型可以理解为,一个事实表关联多个维度表,雪花模型可以理解为一个事实表关联多个维度表,维度表再关联维度表。

    2.1.3 星座模型

    星座模型,是对星型模型的扩展延伸,多张事实表共享维度表。

    星座模型是很多数据仓库的常态,因为很多数据仓库都是多个事实表的。所以星座模型只反映是否有多个事实表,他们之间是否共享一些维度表。

    2.2 范式模型

    即实体关系(ER)模型,数据仓库之父Immon提出的,从全企业的高度设计一个3NF模型,用实体加关系描述的数据模型描述企业业务架构,在范式理论上符合3NF。此建模方法,对建模人员的能力要求非常高。

    特点:设计思路自上而下,适合上游基础数据存储,同一份数据只存储一份,没有数据冗余,方便解耦,易维护,缺点是开发周期一般比较长,维护成本高。

    详见:一篇文章搞懂数据仓库:三范式与反范式_不吃西红柿-CSDN博客_数据仓库三范式

    2.3 Data Vault模型

    DataVault由Hub(关键核心业务实体)、Link(关系)、Satellite(实体属性) 三部分组成 ,是Dan Linstedt发起创建的一种模型方法论,它是在ER关系模型上的衍生,同时设计的出发点也是为了实现数据的整合,并非为数据决策分析直接使用。

    2.4 Anchor模型

    高度可扩展的模型,所有的扩展只是添加而不是修改,因此它将模型规范到6NF,基本变成了K-V结构模型。企业很少使用。

    三 数据模型的评价标准

    数据模型建设的怎么样,极度依赖规范设计,如果代码风格是千人千面,那么恐怕半年下来,业务系统就没法看了。没有什么比数据系统更看重法制,规范体系不仅能保障数据建设的一致性,也能够应对业务交接的情况,更能够为自动化奠定基础。

    1. 业务过程清晰:ODS就是原始信息,不修改;DWD面向基础业务过程;DIM描述维度信息;DWS针对最小场景做指标计算;ADS也要分层,面向跨域的建设,和面向应用的建设;
    2. 指标可理解:按照一定业务事务过程进行业务划分,明细层粒度明确、历史数据可获取,汇总层维度和指标同名同义,能客观反映业务不同角度下的量化程度;
    3. 核心模型相对稳定:如果业务过程运行的比较久,过程相对固定,就要尽快下沉到公共层,形成可复用的核心模型;
    4. 高内聚低耦合:各主题内数据模型要业务高内聚,避免在一个模型耦合其他业务的指标,造成该模型主题不清晰和性价比低。

    小编有话

    • 在传统企业数仓中,业务相对稳定,以范式建模为主。 如电信、金融行业等
    • 在互联网公司,业务变化快,需求来来回回的改,计算和存储也不是问题,我们更关心快速便捷的响应业务需求,所以以维度建模为主流。

    数仓系列传送门:https://blog.csdn.net/weixin_39032019/category_8871528.html

    展开全文
  • 分析了现有TD-SCDMA系统中下行同步序列(SYNC_DL)搜索方法的频率鲁棒性和计算复杂度方面存在的问题。针对系统帧结构特点,提出了一种基于特征窗的低复杂度SYNC_DL频域搜索方法,数值仿真结果表明该方法能够减小大...
  • 从0范式到3范式模型设计视频介绍 从0范式到3范式模型设计视频介绍 从0范式到3范式模型设计视频介绍
  • 范式模型在GPS-INS组合导航系统中的应用.pdf
  • #资源达人分享计划#
  • 一篇文章搞懂数据仓库:四种常见数据模型(维度模型、范式模型等) 不吃西红柿丶 2020-12-04 14:05:00 10860 收藏 60 分类专栏: 数据仓库 文章标签: 数据模型 范式模型 雪花模型 版权 数据仓库 专栏收录该内容 ...

    一篇文章搞懂数据仓库:四种常见数据模型(维度模型、范式模型等)

    不吃西红柿丶 2020-12-04 14:05:00  10860  收藏 60
    分类专栏: 数据仓库 文章标签: 数据模型 范式模型 雪花模型
    版权

    数据仓库
    专栏收录该内容
    16 篇文章127 订阅
    订阅专栏
    目录

    写在前面

    一、为什么要进行数据仓库建模?

    二、四种常见模型

    2.1 维度模型

    2.1.1 星型模型

    2.1.2 雪花模型

    2.1.3 星座模型

    2.2 范式模型

    2.3 Data Vault模型

    2.4 Anchor模型

    三 数据模型的评价标准

    小编有话

    写在前面
    大数据时代,维度建模已成为各大厂的主流方式。

    维度建模从分析决策的需求出发构建模型,为分析需求服务。重点关注用户如何快速的完成数据分析,可以直观的反应业务模型中的业务问题,需要大量的数据预处理、数据冗余,有较好的大规模复杂查询的响应性能。

    系列文章详见「数仓系列文章- 传送门」

    一、为什么要进行数据仓库建模?
    性能:良好的模型能帮我们快速查询需要的数据,减少数据的IO吞吐
    成本:减少数据冗余、计算结果复用、从而降低存储和计算成本
    效率:改善用户使用数据的体验,提高使用数据的效率
    改善统计口径的不一致性,减少数据计算错误的可能性
    二、四种常见模型
    2.1 维度模型
    维度建模按数据组织类型划分可分为星型模型、雪花模型、星座模型。

    Kimball老爷爷维度建模四个步骤:

    选择业务处理过程 > 定义粒度 > 选择维度 > 确定事实

    2.1.1 星型模型
    星型模型主要是维表和事实表,以事实表为中心,所有维度直接关联在事实表上,呈星型分布。

    2.1.2 雪花模型
    雪花模型,在星型模型的基础上,维度表上又关联了其他维度表。这种模型维护成本高,性能方面也较差,所以一般不建议使用。尤其是基于hadoop体系构建数仓,减少join就是减少shuffle,性能差距会很大。

    星型模型可以理解为,一个事实表关联多个维度表,雪花模型可以理解为一个事实表关联多个维度表,维度表再关联维度表。

    2.1.3 星座模型
    星座模型,是对星型模型的扩展延伸,多张事实表共享维度表。

    星座模型是很多数据仓库的常态,因为很多数据仓库都是多个事实表的。所以星座模型只反映是否有多个事实表,他们之间是否共享一些维度表。

    2.2 范式模型
    即实体关系(ER)模型,数据仓库之父Immon提出的,从全企业的高度设计一个3NF模型,用实体加关系描述的数据模型描述企业业务架构,在范式理论上符合3NF。此建模方法,对建模人员的能力要求非常高。

    特点:设计思路自上而下,适合上游基础数据存储,同一份数据只存储一份,没有数据冗余,方便解耦,易维护,缺点是开发周期一般比较长,维护成本高。

    详见:https://blog.csdn.net/weixin_39032019/article/details/89379482

    2.3 Data Vault模型
    DataVault由Hub(关键核心业务实体)、Link(关系)、Satellite(实体属性) 三部分组成 ,是Dan Linstedt发起创建的一种模型方法论,它是在ER关系模型上的衍生,同时设计的出发点也是为了实现数据的整合,并非为数据决策分析直接使用。

    2.4 Anchor模型
    高度可扩展的模型,所有的扩展只是添加而不是修改,因此它将模型规范到6NF,基本变成了K-V结构模型。企业很少使用。

    三 数据模型的评价标准
    数据模型建设的怎么样,极度依赖规范设计,如果代码风格是“千人千面”,那么恐怕半年下来,业务系统就没法看了。没有什么比“数据系统”更看重“法制”了,规范体系不仅能保障数据建设的一致性,也能够应对业务交接的情况,更能够为自动化奠定基础。

    业务过程清晰:ODS就是原始信息,不修改;DWD面向基础业务过程;DIM描述维度信息;DWS针对最小场景做指标计算;ADS也要分层,面向跨域的建设,和面向应用的建设;
    指标可理解:按照一定业务事务过程进行业务划分,明细层粒度明确、历史数据可获取,汇总层维度和指标同名同义,能客观反映业务不同角度下的量化程度;
    核心模型相对稳定:如果业务过程运行的比较久,过程相对固定,就要尽快下沉到公共层,形成可复用的核心模型;
    高内聚低耦合:各主题内数据模型要业务高内聚,避免在一个模型耦合其他业务的指标,造成该模型主题不清晰和性价比低。
    小编有话
    在传统企业数仓中,业务相对稳定,以范式建模为主。 如电信、金融行业等
    在互联网公司,业务变化快,需求来来回回的改,计算和存储也不是问题,我们更关心快速便捷的响应业务需求,所以以维度建模为主流。
     

    数仓系列传送门:https://blog.csdn.net/weixin_39032019/category_8871528.html
    ————————————————
    版权声明:本文为CSDN博主「不吃西红柿丶」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
    原文链接:https://blog.csdn.net/weixin_39032019/article/details/110635349

    展开全文
  • 什么是范式范式(数据库设计范式,数据库的设计范式)是符合某一种级别的关系模式的集合。构造数据库必须遵循一定的规则。在关系数据库中,这种规则就是范式。关系数据库中的关系必须满足一定的要求,即满足不同...

    什么是范式?

    范式(数据库设计范式,数据库的设计范式)是符合某一种级别的关系模式的集合。构造数据库必须遵循一定的规则。在关系数据库中,这种规则就是范式。关系数据库中的关系必须满足一定的要求,即满足不同的范式。

    第一范式:符合1NF的关系中的每个属性都不可再分

    第二范式:一是表必须有一个主键;二是没有包含在主键中的列必须完全依赖于主键,而不能只依赖于主键的一部分。

    第三范式:任何非主属性不依赖于其它非主属性[在2NF基础上消除传递依赖]

    第一范式:简单说 列不能再分

    第二范式:简单说 建立在第一范式基础上,消除部分依赖

    第三范式:简单说 建立在第二范式基础上,消除传递依赖。


    码:表中可以唯一确定一个元组的某个属性(或者属性组),如果这样的码有不止一个,那么大家都叫候选码,我们从候选码中挑一个出来做老大,它就叫主码。

    主属性:一个属性只要在任何一个候选码中出现过,这个属性就是主属性。

    非主属性:与上面相反,没有在任何候选码中出现过,这个属性就是非主属性。

     

    部分依赖:设X,Y是关系R的两个属性集合,存在X→Y,若X’是X的真子集,存在X’→Y,则称Y部分函数依赖于X,不是完整的X也可以有对应的Y 的依赖关系

    传递依赖:设X,Y,Z是关系R中互不相同的属性集合,存在X→Y(Y !→X),Y→Z,则称Z传递函数依赖于X。

    完全依赖:设X,Y是关系R的两个属性集合,X’是X的真子集,存在X→Y,但对每一个X’都有X’!→Y,则称Y完全函数依赖于X,就是不存在x在X里边,y没有与之对应的依赖关系,y必须与完整的X有依赖关系。

     

    E-R模型的基本元素是:实体、联系和属性

    • 实体:现实生活中任何可以被认知,区分的事物。

    • 联系:实体之间的关系,可以一点一,一对多哟,多对多。

    • 属性:实体的某一特性称为属性。

    展开全文
  • 雪花模型和星型模型和三范式

    千次阅读 2020-09-05 22:17:03
    星型模型和雪花模型 在多维分析的商业智能解决方案中,根据事实表和维度表的关系,又可将常见的模型分为星型模型和雪花型模型。在设计逻辑型数据的模型的时候,就应考虑数据是按照星型模型还是雪花型模型进行组织。...

    星型模型和雪花模型

    在多维分析的商业智能解决方案中,根据事实表和维度表的关系,又可将常见的模型分为星型模型和雪花型模型。在设计逻辑型数据的模型的时候,就应考虑数据是按照星型模型还是雪花型模型进行组织。


    星型模型

    当所有维表都直接连接到“ 事实表”上时,整个图解就像星星一样,故将该模型称为星型模型。

    星型模型

     

    星型架构是一种非正规化的结构,多维数据集的每一个维度都直接与事实表相连接,不存在渐变维度,所以数据有一定的冗余,如在地域维度表中,存在国家A 省B的城市C以及国家A省B的城市D两条记录,那么国家A和省B的信息分别存储了两次,即存在冗余。


    雪花模型

    当有一个或多个维表没有直接连接到事实表上,而是通过其他维表连接到事实表上时,其图解就像多个雪花连接在一起,故称雪花模型。雪花模型是对星型模型的扩展。它对星型模型的维表进一步层次化,原有的各维表可能被扩展为小的事实表,形成一些局部的" 层次" 区域,这些被分解的表都连接到主维度表而不是事实表。如图所示,将地域维表又分解为国家,省份,城市等维表。它的优点是:通过最大限度地减少数据存储量以及联合较小的维表来改善查询性能。雪花型结构去除了数据冗余。

    雪花模型

     

    星型模型因为数据的冗余所以很多统计查询不需要做外部的连接,因此一般情况下效率比雪花型模型要高。星型结构不用考虑很多正规化的因素,设计与实现都比较简单。雪花型模型由于去除了冗余,有些统计就需要通过表的联接才能产生,所以效率不一定有星型模型高。正规化也是一种比较复杂的过程,相应的数据库结构设计、数据的 ETL、以及后期的维护都要复杂一些。因此在冗余可以接受的前提下,实际运用中星型模型使用更多,也更有效率。


    星型模型 和 雪花模型 对比

    星形模型和雪花模型是数据仓库中常用到的两种方式,而它们之间的对比要从四个角度来进行讨论。

     

    1. 数据优化

    雪花模型使用的是规范化数据,也就是说数据在数据库内部是组织好的,以便消除冗余,因此它能够有效地减少数据量。通过引用完整性,其业务层级和维度都将存储在数据模型之中。

     

    雪花模型

     

    相比较而言,星形模型使用的是反规范化数据。在星形模型中,维度直接指的是事实表,业务层级不会通过维度之间的参照完整性来部署。

    星形模型

     

    2. 业务模型

    • 主键是一个单独的唯一键(数据属性),为特殊数据所选择。在上面的例子中,Advertiser_ID就将是一个主键。外键(参考属性)仅仅是一个表中的字段,用来匹配其他维度表中的主键。在我们所引用的例子中,Advertiser_ID将是Account_dimension的一个外键。在雪花模型中,数据模型的业务层级是由一个不同维度表主键-外键的关系来代表的。而在星形模型中,所有必要的维度表在事实表中都只拥有外键。

    3. 性能

    • 第三个区别在于性能的不同。雪花模型在维度表、事实表之间的连接很多,因此性能方面会比较低。举个例子,如果你想要知道Advertiser 的详细信息,雪花模型就会请求许多信息,比如Advertiser Name、ID以及那些广告主和客户表的地址需要连接起来,然后再与事实表连接。
    • 而星形模型的连接就少的多,在这个模型中,如果你需要上述信息,你只要将Advertiser的维度表和事实表连接即可。

    4. ETL

    • 雪花模型加载数据集市,因此ETL操作在设计上更加复杂,而且由于附属模型的限制,不能并行化。
    • 星形模型加载维度表,不需要再维度之间添加附属模型,因此ETL就相对简单,而且可以实现高度的并行化。

    总结

    • 雪花模型使得维度分析更加容易,比如“针对特定的广告主,有哪些客户或者公司是在线的?”
    • 星形模型用来做指标分析更适合,比如“给定的一个客户他们的收入是多少?”

     

     

    经典建模方法论:三范式建模

    第一范式(1NF):每一列都是不可分割的原子数据项

    (像下面的表格就能分割,所以它连第一范式都算不上)

     

    分割后的样子(本表就符合了第一范式)

     

    第二范式:在1NF基础上,非码属性必须完全依赖于主码

    (在1NF基础上消除非主属性对主码的部分函数依赖

    在上面那张表中主码为:学号+课程名称,但是姓名、系名、系主任都部分依赖于主码,这不符合第二范式,所以进行拆分如下

     

    第一张表主码为:学号、课程名称

    第二张表主码为:学号

    它们都是完全依赖的,因此符合第二范式。

     

    第三范式(3NF):在2NF的基础上,任何的非主属性不依赖于其他非主属性

    (在第二范式基础上消除传递依赖

      注意看第二范式的学生表:存在系主任依赖于系名 (系名---> 系主任),所以不符合第三范式

    继续进行拆分

     

    展开全文
  • 范式理论和多维模型

    2019-11-25 16:45:38
    目前关系数据库有六种范式:第一范式(1NF)、第二范式(2NF)、第三范式(3NF)、第四范式(4NF)、第五范式(5NF)和第六范式(6NF)。 满足最低要求的范式是第一范式(1NF),数据库只需满足第三范式(3NF)就行...
  • 数据库的范式模型

    2013-08-04 10:21:16
    上面的都是x->y模型。 定义二:x->y,x、y是一个对象,x在经过一个函数后会得到y,y不是x的子集 我们就说:x->y是非平凡函数,否则为平凡函数 例如: (学号,课程号)->(成绩)是非平凡函数 (学号,课程...
  • 范式与反范式 1.1 范式 当设计关系型数据库时,需要遵从不同的规范要求,设计出合理的关系型数据库,这些不同的规范要求被称为不同的范式(Normal Form),...
  • 数据建模三范式

    千次阅读 2019-08-20 07:19:30
    在关系模式R中的每一个具体关系r中,必须要有主键,并且每个属性值 都是不可再分的最小数据单位,则称R是第一范式的关系。 第二范式(2NF): 如果关系模式R中的所有非主属性都完全依赖于主关键字,则称关系R 是属于...
  • 星型模型、雪花模型、3NF、OLAP

    千次阅读 2020-02-03 17:45:04
    一、星型模型 在关系型数据库管理系统中实现的维度模型称为星型模型,其中每个维度表都直接和事实表连接,数据存在冗余。 星型模型的两个关键部件 1、 事实表 事实表存储组织业务过程事件的性能度量结果。来源于同一...
  • 范式是数据库规范化的⼀个⼿段,是数据库设计中的⼀系列原理和技术,⽤于减少数据库中的数据冗余,并增进数据的⼀致性。 数据规范化通常是将⼤表分成较⼩的表,并且定义它们之间的关系。这样做的⽬的是为了避免冗余...
  • 范式建模

    千次阅读 2018-11-28 09:35:21
    上篇讲述了一些抽象的概念模型和逻辑模型设计的东西,接下来就该讲述如何来一步一步的利用Inmon和Kimball数据仓库的理论来建设数据仓库的模型,主要分几块吧,一个是范式建模,然后是维度建模(分几篇总结),最后是...
  • 绘制数据库模型图 以酒店管理系统为例: 七.数据库规范化 如果数据库没有进行相应的规范设计,虽然在查询数据库可能会比较容易,但有时会造成一些问题,主要的问题如下: 1.信息重复(会造成储存空间的浪费及...
  • 数据库关系模型范式总结

    千次阅读 2018-12-29 21:14:20
    在上一条基础上若存在平凡多值依赖(当每个X值精确地确定一组Y值时,存在从X到Y,X->->Y的多值依赖性,与其它属性类型无关),对于它的每个非平凡的多值依赖关系X->->Y,X是超键,则关系为第四范式。 简单来说就是...
  • 高焦虑者的解释偏向研究:范式模型及临床应用,张艳琴,蒋赛,多年来,研究者采用同音词拼写任务、启动任务、再认记忆任务等实验范式考察了焦虑障碍者对歧义性刺激的解释偏向,证明焦虑障碍伴
  • 通俗易懂数仓建模—Inmon范式建模与Kimball维度建模

    千次阅读 多人点赞 2021-04-08 14:36:20
    今天我们就来聊下这两种建模方式——范式建模和维度建模。 本文开始先简单理解两种建模的核心思想,然后根据一个具体的例子,分别使用这两种建模方式进行建模,大家便会一目了然! 本文首发于公众.
  • 数据仓库 --- 范式建模与维度建模

    千次阅读 2020-03-07 11:23:39
    1.模型结构简单,星型模型为主; 2.开发周期短,能够快速迭代; 3.维护成本较高; 4.根据应用频繁更新; 二、范式建模源于Inmon提出的集线器的自上而下(ODS-EDW-DM)的数据仓库架构。 根据底表抽象通用...
  • 3NF(范式)建模

    千次阅读 2019-03-25 16:02:03
    1.范式(NF) 一张数据表的表结构所符合的某种设计...目前关系数据库有六种范式:第一范式(1NF)、第二范式(2NF)、第三范式(3NF)、第四范式(4NF)、第五范式(5NF)和第六范式(6NF)。 第一范式(1NF) 1NF的...
  • 一、两种建模思想 对于 Inmon 和 Kimball 两种建模方式可以长篇大论叙述,但理论是很枯燥的,尤其是晦涩难懂的文字,大家读完估计也不会收获太多,所以我根据自己的理解用通俗的语言提炼出最核心的概念...Inmon 模型
  • 范式建模法其实是我们在构建数据模型常用的一个方法  该方法主要由 Inmon 所提倡,从企业高度设计的一个3NF模型,用实体关系ER模型来描述企业业务,基本满足3NF理论。为数据分析决策服务,但不能直接用于分析...
  • 数据库的范式化和反范式模型

    千次阅读 2016-04-28 10:14:35
    在实际工作中,数据库数据模型的建立和选择对数据的“增删改查”具有直接影响,从基本角度来讲,数据模型具有“范式化”和“反范式化”两种,而在实际工作场景中,常依赖实际情况采取这两种模型混用。 范式范式化...
  • 范式建模 Inmon提出的集线器的自上而下(EDW-DM)的数据仓库架构。操作型或事务型系统的数据源,通过ETL抽取转换和加载到数据仓库的ODS层,然后通过ODS的数据建设原子数据的数据仓库EDW,EDW不是多维格式的,不方便...
  • 不同点: 最大的不同就是企业数据仓库的模式不同,inmon是采用第三范式的格式,而kimball则采用了多维模型–星型模型,并且还是最低粒度的数据存储。其次是,维度数据仓库可以被分析系统直接访问,当然这种访问方式...
  • 一、关系建模——三范式理论 三范式是基于关系建模的术语,主要应用于OLTP,避免数据冗余,让每个数据只出现一次 第一范式:属性不可切分,指一张表的所有属性不可再往下细分 非主属性对码,存在部分函数依赖 ...
  • 数据库设计一般满足第三范式就够了第一范式(无重复的列)定义:数据库表的每一列都是不可分割的原子数据项,而不能是集合,数组,记录等非原子数据项。如果实体中的某个属性有多个值时,必须拆分为不同的属性通俗...
  • 维度建模和ER模型的对比

    千次阅读 2020-12-17 14:58:37
    ER模型是用实体加关系描述的数据模型描述企业业务架构,在范式理论上符合3NF,是以业务功能为出发构建数据模型,而不是针对某个具体业务流程的,面向功能性模块开发。 维度建模以分析决策的需求为出发点构建模型,...
  • 第三章 概念模型设计(一)

    千次阅读 2020-04-16 23:01:55
    数据库设计是指对一个给定的应用环境,构造(设计)最优的数据模型,然后据此建立数据库及其应用系统,使之能够有效地存储数据,满足各种用户的应用需求。数据库设计的优劣将直接影响信息系统的质量和运行效果。设计...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 60,956
精华内容 24,382
关键字:

范式模型