多维数据库，多维数据集和多维数据库是什么关系

本文目录一览

1，多维数据集和多维数据库是什么关系
2，多维数据库的介绍
3，三维数据库与普通数据库是否一样
4，Hyperion essbase入门二什么是essbase
5，数据仓库和多维数据库的区别在哪里
6，OLAP是什么意思

1，多维数据集和多维数据库是什么关系

多维数据库增加了一个时间维，与关系数据库相比，它的优势在于可以提高数据处理速度，加快反应时间，提高查询效率。

同问。。。

多维数据集和多维数据库是什么关系

2，多维数据库的介绍

多维数据库（Multi Dimensional Database,MDD）可以简单地理解为：将数据存放在一个n维数组中，而不是像关系数据库那样以记录的形式存放。因此它存在大量稀疏矩阵，人们可以通过多维视图来观察数据。

多维数据库的介绍

3，三维数据库与普通数据库是否一样

每个游戏的数据库都不相同的！比如传奇吧它数据库原文件名称是DB 打开工具dbc2000 就能看到技能啊！怪物啊装备啊! 修改这个需要掌握什么知识啊? 首先不不可缺少的就是懂英语了比如你找到了游戏的技能文件想要修改技能等级和技能攻击以及范围！就拿我修改过冒险岛来说首先找到WZ文件用deMSwZ工具打开用来提取和解析后缀WZ文件后是GM代码工具，也就是用来寻找物品的代码(每个游戏的GM工具都不同) 16进制也不可缺少的！利用widows自带的计算器来进行十进制和十六进制的转换并切换成科学型比如15我们输入15，然后点击十六进制，就可以看到15自动转换成了十六进制的形式，即F 然后我们回到ihex中找带的代码改为改为0F保存再重新打开一次wz文件查看是否修改好了！这样在重启一下你架设的游戏工具在运行游戏技能就有所更改了！现在的游戏一般来说都有装备管理工具和商城管理工具！比如拿我自己做过的MU来说就配了工具了！可能楼主不能看明白我也说的不是太详细楼主喜欢修改这些东西建议多交一些懂电脑编程的高手这些对他们来说小菜一碟让你看一次也许就能看懂了！呵呵我就能提供这么多了！

多维数据库（multi dimensional database,mdd）可以简单地理解为：将数据存放在一个n维数组中，而不是像关系数据库那样以记录的形式存放。因此它存在大量稀疏矩阵，人们可以通过多维视图来观察数据。多维数据库增加了一个时间维，与关系数据库相比，它的优势在于可以提高数据处理速度，加快反应时间，提高查询效率。

三维数据库与普通数据库是否一样

4，Hyperion essbase入门二什么是essbase

（大意是你可以把essabase想像成多张叠起来的excel表格，不仅仅在单张excel上可以进行表格之间的各种运算，在多张excel表格之间也可以做各种累计运算！）这个大概是为什么essbase能够和excel工具深度集成的原因，因为essbase很多设计都是来源于excel等工具对于分析的限制和不足。但是excel不失为essbase的一个非常友好的前端，对于非常习惯使用Excel工具的业务人员，他们可以非常容易地使用和分析essbase里的数据，Oracle里关于Essbase卖点的一个经常使用的场景是：当业务人员把数据放在多种表格的时候，到了最后他都不知道哪张表格的数据是最新的，而如果把所有的数据都放在essbase里的时候，你可以轻易地得到最新的数据并且分析数据和数据之间的关系。和传统的oltp类型的数据库不一样，oltp用实体和关系来描述对象，而多维数据库，则使用度量和维度来描述对象。在做多维设计的时候，其实就是考虑关于度量和维度的设计，比如销售额就是一个典型的度量，而销售地区就是一个典型的维度，但是在essbase里，度量也是一种特殊的维度，叫account维度，这个是和有些OLAP服务器概念上有所区别的，这样的定义方式能够很方便地使用维度的操作方式访问度量，而且应该说在MDX这种标准多维查询语言里，度量和维度的确没有本质的区分。Essbase的一般设计对于MOLAP数据库一个通常的观念是MOLAP不能存储很大的数据量，当essbase以BSO（块存储）来存储多维数据的时候（传统方式），则称之为Essbase Analytic module，这种传统方式对于维度数据非常多，数据量非常庞大的时候的处理性能一般，这个也是造成许多人认为MOLAP多维数据库不适合分析非常大量的数据的方式的缘由，但是BSO存储方式能够更好地支持大量回写的应用，如what-if分析，并且能够提供更好的分析功能。当数据量很大或者多于10个维度的时候，essbase建议使用ASO聚合存储方式来压缩存储的数据（据说性能在这种方式下能够快几十倍，而存储量能减少几十倍），使用这种存储方式就称之为Enterprise Analytic Module，从而提供了修正这种MOLAP大数据量限制的很好的方式。这种存储方式用于分析维度数量比较多，同时并非每个维度的数据都很稠密的时候是性能会非常好，可以处理大量的数据，这两种不同的存储，对于上层应用透明，在同一个应用里可以混合使用。多维数据库的设计（维度和度量）在essbase里称之为outline，以.otl的后缀存储，一个典型的多维数据库设计过程是包括：先需要通过admin console创建一个outline。（其实essbase提供了非常丰富的api接口，也可以使用api来创建和修改outline）在outline里定义维度和层次和累计方式，然后就是通过admin console编辑数据加载规则来把外部数据按照设计好的outline加载到essbase数据库里。加载规则基本上有三种方式：一是通过文本文件加载。二是通过Open sql的方式从ODBC数据源加载。最后一种是使用ETL工具进行加载。然后使用计算脚本计算生成立方体里的其他所需要的数据，就可以通过excel或者BI工具来访问和分析多维数据库里的数据了。

正在用太阳之手焚烧腐烂的衣衫凿破昔日的堤岸在我身后出现的那一代如水流奔涌，如雷鸣海啸你能否把哈哈我理解：我像生活一样深沉而辽远风儿栖身于我的愿望

5，数据仓库和多维数据库的区别在哪里

简而言之，数据库是面向事务的设计，数据仓库是面向主题设计的。数据库一般存储在线交易数据，数据仓库存储的一般是历史数据。数据库设计是尽量避免冗余，一般采用符合范式的规则来设计，数据仓库在设计是有意引入冗余，采用反范式的方式来设计。数据库是为捕获数据而设计，数据仓库是为分析数据而设计，它的两个基本的元素是维表和事实表。维是看问题的角度，比如时间，部门，维表放的就是这些东西的定义，事实表里放着要查询的数据，同时有维的ID。单从概念上讲，有些晦涩。任何技术都是为应用服务的，结合应用可以很容易地理解。以银行业务为例。数据库是事务系统的数据平台，客户在银行做的每笔交易都会写入数据库，被记录下来，这里，可以简单地理解为用数据库记帐。数据仓库是分析系统的数据平台，它从事务系统获取数据，并做汇总、加工，为决策者提供决策的依据。比如，某银行某分行一个月发生多少交易，该分行当前存款余额是多少。如果存款又多，消费交易又多，那么该地区就有必要设立ATM了。显然，银行的交易量是巨大的，通常以百万甚至千万次来计算。事务系统是实时的，这就要求时效性，客户存一笔钱需要几十秒是无法忍受的，这就要求数据库只能存储很短一段时间的数据。而分析系统是事后的，它要提供关注时间段内所有的有效数据。这些数据是海量的，汇总计算起来也要慢一些，但是，只要能够提供有效的分析数据就达到目的了。数据仓库，是在数据库已经大量存在的情况下，为了进一步挖掘数据资源、为了决策需要而产生的，它决不是所谓的“大型数据库”。那么，数据仓库与传统数据库比较，有哪些不同呢?让我们先看看W.H.Inmon关于数据仓库的定义:面向主题的、集成的、与时间相关且不可修改的数据集合。 “面向主题的”:传统数据库主要是为应用程序进行数据处理，未必按照同一主题存储数据;数据仓库侧重于数据分析工作，是按照主题存储的。这一点，类似于传统农贸市场与超市的区别—市场里面，白菜、萝卜、香菜会在一个摊位上，如果它们是一个小贩卖的;而超市里，白菜、萝卜、香菜则各自一块。也就是说，市场里的菜(数据)是按照小贩(应用程序)归堆(存储)的，超市里面则是按照菜的类型(同主题)归堆的。 “与时间相关”:数据库保存信息的时候，并不强调一定有时间信息。数据仓库则不同，出于决策的需要，数据仓库中的数据都要标明时间属性。决策中，时间属性很重要。同样都是累计购买过九车产品的顾客，一位是最近三个月购买九车，一位是最近一年从未买过，这对于决策者意义是不同的。 “不可修改”:数据仓库中的数据并不是最新的，而是来源于其它数据源。数据仓库反映的是历史信息，并不是很多数据库处理的那种日常事务数据(有的数据库例如电信计费数据库甚至处理实时信息)。因此，数据仓库中的数据是极少或根本不修改的;当然，向数据仓库添加数据是允许的。数据仓库的出现，并不是要取代数据库。目前，大部分数据仓库还是用关系数据库管理系统来管理的。可以说，数据库、数据仓库相辅相成、各有千秋。补充一下，数据仓库的方案建设的目的，是为前端查询和分析作为基础，由于有较大的冗余，所以需要的存储也较大。为了更好地为前端应用服务，数据仓库必须有如下几点优点，否则是失败的数据仓库方案。 1.效率足够高。客户要求的分析数据一般分为日、周、月、季、年等，可以看出，日为周期的数据要求的效率最高，要求24小时甚至12小时内，客户能看到昨天的数据分析。由于有的企业每日的数据量很大，设计不好的数据仓库经常会出问题，延迟1-3日才能给出数据，显然不行的。 2.数据质量。客户要看各种信息，肯定要准确的数据，但由于数据仓库流程至少分为3步，2次ETL，复杂的架构会更多层次，那么由于数据源有脏数据或者代码不严谨，都可以导致数据失真，客户看到错误的信息就可能导致分析出错误的决策，造成损失，而不是效益。 3.扩展性。之所以有的大型数据仓库系统架构设计复杂，是因为考虑到了未来3-5年的扩展性，这样的话，客户不用太快花钱去重建数据仓库系统，就能很稳定运行。主要体现在数据建模的合理性，数据仓库方案中多出一些中间层，使海量数据流有足够的缓冲，不至于数据量大很多，就运行不起来了。

6，OLAP是什么意思

OLAP（联机分析处理）。什么是联机分析处理（OLAP）联机分析处理 (OLAP) 的概念最早是由关系数据库之父E.F.Codd于1993年提出的，他同时提出了关于OLAP的12条准则。OLAP的提出引起了很大的反响，OLAP作为一类产品同联机事务处理 (OLTP) 明显区分开来。当今的数据处理大致可以分成两大类：联机事务处理OLTP（on-line transaction processing）、联机分析处理OLAP（On-Line Analytical Processing）。OLTP是传统的关系型数据库的主要应用，主要是基本的、日常的事务处理，例如银行交易。OLAP是数据仓库系统的主要应用，支持复杂的分析操作，侧重决策支持，并且提供直观易懂的查询结果。下表列出了OLTP与OLAP之间的比较。OLTPOLAP用户操作人员,低层管理人员决策人员,高级管理人员功能日常操作处理分析决策DB 设计面向应用面向主题数据当前的, 最新的细节的, 二维的分立的历史的, 聚集的, 多维的集成的, 统一的存取读/写数十条记录读上百万条记录工作单位简单的事务复杂的查询用户数上千个上百个DB 大小100MB-GB100GB-TBOLAP是使分析人员、管理人员或执行人员能够从多角度对信息进行快速、一致、交互地存取,从而获得对数据的更深入了解的一类软件技术。OLAP的目标是满足决策支持或者满足在多维环境下特定的查询和报表需求,它的技术核心是"维"这个概念。“维”是人们观察客观世界的角度,是一种高层次的类型划分。“维”一般包含着层次关系,这种层次关系有时会相当复杂。通过把一个实体的多项重要的属性定义为多个维(dimension)，使用户能对不同维上的数据进行比较。因此OLAP也可以说是多维数据分析工具的集合。OLAP的基本多维分析操作有钻取（roll up和drill down）、切片（slice）和切块（dice）、以及旋转（pivot）、drill across、drill through等。·钻取是改变维的层次，变换分析的粒度。它包括向上钻取（roll up）和向下钻取（drill down）。roll up是在某一维上将低层次的细节数据概括到高层次的汇总数据，或者减少维数；而drill down则相反，它从汇总数据深入到细节数据进行观察或增加新维。·切片和切块是在一部分维上选定值后，关心度量数据在剩余维上的分布。如果剩余的维只有两个，则是切片；如果有三个，则是切块。·旋转是变换维的方向，即在表格中重新安排维的放置（例如行列互换）。 OLAP有多种实现方法，根据存储数据的方式不同可以分为ROLAP、MOLAP、HOLAP。ROLAP表示基于关系数据库的OLAP实现（Relational OLAP）。以关系数据库为核心,以关系型结构进行多维数据的表示和存储。ROLAP将多维数据库的多维结构划分为两类表:一类是事实表,用来存储数据和维关键字;另一类是维表,即对每个维至少使用一个表来存放维的层次、成员类别等维的描述信息。维表和事实表通过主关键字和外关键字联系在一起,形成了"星型模式"。对于层次复杂的维,为避免冗余数据占用过大的存储空间,可以使用多个表来描述,这种星型模式的扩展称为"雪花模式"。MOLAP表示基于多维数据组织的OLAP实现（Multidimensional OLAP）。以多维数据组织方式为核心,也就是说,MOLAP使用多维数组存储数据。多维数据在存储中将形成"立方块（Cube）"的结构,在MOLAP中对"立方块"的"旋转"、"切块"、"切片"是产生多维数据报表的主要技术。HOLAP表示基于混合数据组织的OLAP实现（Hybrid OLAP）。如低层是关系型的，高层是多维矩阵型的。这种方式具有更好的灵活性。还有其他的一些实现OLAP的方法，如提供一个专用的SQL Server，对某些存储模式（如星型、雪片型）提供对SQL查询的特殊支持。OLAP工具是针对特定问题的联机数据访问与分析。它通过多维的方式对数据进行分析、查询和报表。维是人们观察数据的特定角度。例如，一个企业在考虑产品的销售情况时，通常从时间、地区和产品的不同角度来深入观察产品的销售情况。这里的时间、地区和产品就是维。而这些维的不同组合和所考察的度量指标构成的多维数组则是OLAP分析的基础，可形式化表示为（维1，维2，……，维n，度量指标），如（地区、时间、产品、销售额）。多维分析是指对以多维形式组织起来的数据采取切片（Slice）、切块（Dice）、钻取（Drill-down和Roll-up）、旋转（Pivot）等各种分析动作，以求剖析数据，使用户能从多个角度、多侧面地观察数据库中的数据，从而深入理解包含在数据中的信息。根据综合性数据的组织方式的不同，目前常见的OLAP主要有基于多维数据库的MOLAP及基于关系数据库的ROLAP两种。MOLAP是以多维的方式组织和存储数据，ROLAP则利用现有的关系数据库技术来模拟多维数据。在数据仓库应用中，OLAP应用一般是数据仓库应用的前端工具，同时OLAP工具还可以同数据挖掘工具、统计分析工具配合使用，增强决策分析功能。