|
上一篇提及了在BI里面，常用维度建模。本篇结合FineBI重点聊聊集合运算。
维度建模和集合运算是两个不同领域的概念，但在数据分析中常常同时出现，有一定的关联性。
他们的关系是：
维度建模时，数据操作和查询过程中常常会应用集合运算来处理和整合数据集。
最主要的区别：
维度建模主要关注数据模型的构建和维护，提供了对数据进行切片和分析的维度标准；而集合运算则强调对数据集合进行运算和操作，用于数据的筛选、合并、分割等。
举个栗子：
假设我们有一个包含销售订单数据的数据包，包括了维度表（例如产品维度、会员维度、门店维度）和事实表（例如销售数量、销售额等）。
在这个场景中，维度建模用于构建数据模型，以便于对销售数据进行分析和报告。
首先，维度建模通过设计和关联维度表和事实表，将销售数据进行整合。例如，通过与产品维度表的关联，可以获取每个产品的销售数量和销售额。通过与会员维度表的关联，可以对不同的会员进行销售贡献分析。通过与地区维度表的关联，可以获取不同地区的销售数据。
然后，在使用维度建模进行数据分析和报告时，常常需要进行数据筛选和操作。这时，集合运算就可以发挥作用。例如，会员分析中，通过运用集合运算中的交集操作，可以筛选出同时在两家门店均有交易的会员有哪些；通过并集操作，可以合并多个不同门店交易的会员进行总体分析；通过差集操作，可以找出未在指定门店交易的会员有哪些。
数据处理整合，概括来说只有两类，即上下合并 和 左右合并。前者多用于多组数据的上下追加合并，后者重点针对不同类型的数据，通过关联依据，将其连接到一起，可以理解为横向合并，这种连接数据的方式可以延伸出交并差运算。
从FineBI的界面可以看出，合并方式展示了常见的4种：
左合并、右合并、交集合并、并集合并
这四种基本合并方式，可以满足大部分的连接运算需求，少数的复杂业务需求需要使用差集运算（交集或并集后，再做减法）
下面举例展示：
表A：
打开FineBI6.0，在tab【我的分析】中新建分析主题。
数据导入：弹出【选择数据】框，将表A和表B数据导入
需求1：求在SZ01和DS07两家门店均有交易的会员是哪些？
思路：SZ01和DS07交易会员的交集
在FineBI中，我们通过自助数据集来更直观的呈现：
1.1 数据集①：表A不做处理
1.2 数据集②：用表B合并表A，合并依据为“会员id”，合并方式选择“交集合并”
需求2：求在SZ01和DS07两家门店有过交易的会员是哪些？
思路：SZ01和DS07交易会员的并集
2.1 数据集①：表A不做处理
2.2 数据集②：用表B合并表A，合并依据为“会员id”，合并方式选择“并集合并”
需求3：求仅在SZ01门店有过交易的会员是哪些？
思路：求差集，SZ01交易会员 剔除 DS07交易会员
3.1 数据集①：表A不做处理
3.2 数据集②：用表B合并表A，合并依据为“会员id”，合并方式选择“右合并”
3.3 过滤表B中“下单门店”为空的行
需求4：求仅在SZ01门店以及仅在DS07有过交易的会员是哪些？
思路：求差集，SZ01和DS07交易会员的并集 剔除 SZ01和DS07交易会员的交集
4.1 数据集①：表A不做处理
4.2 数据集②：用表B合并表A，合并依据为“会员id”，合并方式选择“并集合并”
4.3 过滤表B中“下单门店”为空的行 或者 表A中“下单门店1”为空的行
小结
左右合并与集合运算的交并差相互关联。
需要注意的是，BI在数据集里面的合并，都是行级别的合并，所以在合并的时候，「合并依据」字段需要特别注意，1:1或者1:N的合并不会导致数据膨胀，但是N:N的合并（即「合并依据」字段存在重复值）会进行笛卡尔运算，导致数据膨胀。BI会自动检测「合并依据」是否重复，并给出提示。若确实需要笛卡尔来实现某种业务场景的计算，请注意膨胀系数不要超过5，否则为了不影响系统的稳定性，BI会主动打断更新。
另外需要注意的一点就是「合并依据」出现NULL时，NULL之间不互相匹配。
其实「合并依据」出现NULL是非常不严谨的，我们要尽量避免。若实在无法避免，且需要对它们进行匹配，需要对其进行特殊处理，比如：单独赋值。
好了，今天就酱紫，回见~
| 
