Power BI学习笔记第11篇：高级数据建模与关系设计

第11篇：高级数据建模与关系设计

1. 数据建模的核心原则

Power BI 的数据建模直接影响报表性能和计算逻辑。一个优秀的数据模型应该遵循以下原则：

2. 星型模型 vs 雪花模型

2.1 星型模型

┌─────────┐ │ 维度-日期 │ └────┬────┘ │ ┌────────┐ │ ┌────────┐ │维度-产品-产品├───┼───┤维度-客户│ └────┬───┘ │ └────┬───┘ │ ↓ │ │ ┌──────────┐ │ └──→│ 事实-销售 │←┘ └──────────┘

优点：

• 查询性能最优
• DAX 计算简洁
• 易于理解和维护

2.2 雪花模型

┌────────┐ ┌────────┐ │子类别表│←────│ 产品表 │ └────────┘ └────┬───┘ │ ┌───↓────┐ │事实-销售│ └────────┘

问题：

• 增加关联层级
• DAX 计算复杂化
• 性能可能下降

建议：将雪花模型扁平化为星型模型。

3. 关系类型详解

3.1 一对多关系（最常用）

维度表（一端）────→ 事实表（多端）

// 从事实表计算维度值 CALCULATE( SUM(Sales[Amount]), Product[Category] = "电子产品" )

3.2 多对多关系

当两表都有重复键时，需要中间桥接表：

表A ──→ 桥接表 ←── 表B

示例场景：多个销售员可以负责多个客户

销售员表 ──→ 销售员-客户桥接表 ←── 客户表

关键配置：

• 桥接表与两端都是多对一关系
• 关系方向从桥接表指向两表
• 使用MANYTOMANY关系时需谨慎

3.3 一对一关系

极少使用，通常可以合并为一个表：

员工表 ←──→ 员工详细信息表 // 建议：合并

4. 关系方向与交叉筛选

4.1 单向筛选

维度 ──→ 事实

筛选从维度传递到事实，不反向传递。

// 正常工作 CALCULATE( SUM(Sales[Amount]), Product[Category] = "电子产品" )

4.2 双向筛选

维度 ←──→ 事实

使用场景：

• 复杂的多对多关系
• 需要"向下钻取"筛选

风险：

• 可能导致歧义计算
• 影响性能
• 调试困难

最佳实践：默认使用单向，仅在必要时开启双向。

5. 不活跃关系

当两表间存在多个关系时，只有一个处于活跃状态：

销售表 ──[订单日期]──→ 日期表（活跃） │ └──[发货日期]──→ 日期表（不活跃）

使用 USERELATIONSHIP 激活：

// 按订单日期计算销售额 销售额 = SUM(Sales[Amount]) // 按发货日期计算销售额 发货销售额 = CALCULATE( SUM(Sales[Amount]), USERELATIONSHIP(Sales[ShipDate], Date[Date]) )

6. 计算组与计算表

6.1 计算表

从现有数据创建新表：

// 创建聚合汇总表 汇总表 = SUMMARIZE( Sales, Product[Category], "销售额", SUM(Sales[Amount]), "订单数", COUNTROWS(Sales) ) // 创建日历表 日历表 = CALENDARS( MIN(Sales[OrderDate]), MAX(Sales[OrderDate]) )

6.2 计算组（外部工具）

需要使用 Tabular Editor 创建：

计算组：时间智能 ├── 计算项：本月 ├── 计算项：上月 ├── 计算项：年初至今 └── 计算项：去年同期

优势：减少重复度量值，统一时间智能逻辑。

7. 高级建模技巧

7.1 角色扮演维度

同一维度表扮演多个角色：

// 创建订单日期角色 订单日期 = CALCULATETABLE( VALUES(Date), ALL(Date), USERELATIONSHIP(Sales[OrderDate], Date[Date]) ) // 创建发货日期角色 发货日期 = CALCULATETABLE( VALUES(Date), ALL(Date), USERELATIONSHIP(Sales[ShipDate], Date[Date]) )

7.2 快照事实表

处理余额类数据（库存、账户余额）：

库存快照表 ├── 产品ID ├── 快照日期 └── 库存数量

关键：避免用 SUM，使用 LASTNONBLANK：

期末库存 = CALCULATE( LASTNONBLANK(Inventory[Quantity], 1), DATESINPERIOD( Date[Date], MAX(Date[Date]), -1, DAY ) )

7.3 渐变维度（SCD）

处理维度历史变更：

// 获取当前有效版本 当前客户名 = CALCULATE( MAX(Customer[Name]), Customer[ValidFrom] <= MAX(Date[Date]), Customer[ValidTo] >= MAX(Date[Date]) )

8. 性能优化检查清单

9. 最佳实践总结

✅ 使用星型模型 ✅ 事实表细长，维度表宽短 ✅ 关系从维度指向事实 ✅ 默认单向筛选 ✅ 不活跃关系 + USERELATIONSHIP ✅ 时间维度使用独立日期表 ✅ 避免计算列，优先 Power Query ❌ 避免双向关系滥用 ❌ 避免多对多直接关系 ❌ 避免计算列用于计算 ❌ 避免高基数列用于关系

10. 小结

本篇介绍了高级数据建模：

下一篇，我们将深入 DAX 高级计算与性能优化。