如何撰写被引用的科学论文和获得资助的提案：维度的基本加载计划

6.2 维度的粒度 维度建模人员常常使用维度的粒度（Grain）这一概念。这意味着，对数据仓 库架构和 ETL 团队而言，在业务上分析某个数据源，定义出维度的键值，确保此 数据源相对应的粒度定义是个挑战。常见的例子就是商业客户维度。简单的讲此 维度的粒度是客户，可以肯定的是给定了某个数据源文件，那么数据的粒度一定 是由某些字段构成的。源文件中的数据异常和细微差别极有可能破坏最初对粒度 的假设。当然，我们可以做一个简单的测试，看一看字段 A，B，C 是否能够组 成源表的主键： Select A, B, C, count(*) From dimensiontablesource Group by A, B, C Having Count(*) > 1 如果此查询返回了记录，那么字段 A，B 和 C 就不能组成维表的主键（也就 是粒度）。而且，此查询也能够帮助查出哪些行与假定不符。 抽取过程有可能会带来数据的冗余。比如，在非规范化的订单交易系统中， 订单的配送号（Ship Via）并不是存放在一个专门的码表中，而是全部直接存放 在订单交易表中，这样会有很多的重复。要创建维度模型，必须通过 SELECT DISTINCT 操作来建立 Ship Via 维表，这时候，源订单交易表中任何的数据异常都 可能带来数据的冗余。 6.3 维度的基本加载计划 反倒有些维度完全是由 ETL 团队建立，没有依赖外部的数据源，它们通常是 将操作代码转化为文本的小型查找维度。这种情况下并没有真正的 ETL 过程。而 这个小的维度表生成为一个关系表的最终形式。 真正重要的维度抽取是从一个或多个数据源开始的。我们已经描述过 ETL 数 据流的四个步骤。这里有一些与维度相关的特别的想法。