SQL – OLAP 3. óra.

Az előadások a következő témára: "SQL – OLAP 3. óra."— Előadás másolata:

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

9 R = {termek, datum, telephely} F = {ertekesites} ertekesites = {
Minta séma felírása R = {termek, datum, telephely} F = {ertekesites} ertekesites = { (termelte:telephely, termek:termek, datum:datum), {(osszdb,int) (selejtdb,int)} } OSSZDB SELEJTDB ERTEKESITES TELEPHELY cim nev VEZETO BEOSZTAS megn alapfiz TERMEK ear KATEGORIA DATUM nap HO ho EV ev VAROS MEGYE 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 Itt sincs egységes modell
MD műveletek Itt sincs egységes modell telep termek dátum 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)

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 nagyobb eladások 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))