Power BI - Théorie sur le modèle en étoiles Vidéo

Découvrez la théorie sur le modèle en étoiles dans Microsoft 365 pour une meilleure compréhension de la modélisation de données.
Dans cette vidéo, vous apprendrez les concepts clés du modèle en étoiles et comment l'appliquer dans Power BI pour une analyse plus efficace.
Obtenez des conseils pratiques pour choisir les tables de faits et les dimensions appropriées pour votre modèle de données et éviter les erreurs courantes liées à la modélisation de données.
Cette vidéo s'adresse à tous les utilisateurs de Microsoft 365, du niveau débutant à intermédiaire.
Retenez cette technique pour une modélisation de données efficace et une analyse plus approfondie.

3:33
2800 vues

Objectifs :

L'objectif de cette vidéo est de comprendre l'importance de la gestion des données dans les bases de données, en particulier à travers la création d'un modèle en étoile. Nous allons explorer comment éviter la redondance des informations et optimiser le stockage des données.

Chapitres :

Introduction à la gestion des données
Dans cette section, nous allons aborder une notion essentielle de la gestion des bases de données : l'utilisation des relations entre les tables. Nous allons nous concentrer sur la création d'un modèle en étoile, un concept que vous avez peut-être déjà rencontré si vous avez travaillé avec des bases de données.
Problèmes de redondance dans les données
Lors de l'examen d'une table, comme celle des festivals, il est fréquent de constater la répétition des mêmes informations, telles que les régions, les communes et les codes postaux. Par exemple, pour un festival à Paris, la région serait Île-de-France, tandis qu'à Lyon, elle serait Auvergne-Rhône-Alpes. Cette redondance peut entraîner des problèmes, notamment : - Pollution visuelle sur le tableau, rendant les données difficiles à lire. - Augmentation du volume de données à stocker, ce qui peut alourdir les rapports.
Optimisation des données
Pour éviter la répétition des informations, il est possible d'isoler uniquement le code postal et de créer une table distincte qui stocke les détails de chaque code postal. Cela permet de réduire la redondance et d'optimiser le modèle de données. Voici les étapes à suivre : 1. Accéder à Power Query. 2. Dupliquer la table des festivals. 3. Isoler les colonnes d'intérêt : régions, communes et codes postaux. 4. Regrouper ou supprimer les doublons. 5. Dans la table de base, supprimer les colonnes de région et de commune, en conservant uniquement le code postal.
Création d'un modèle en étoile
En suivant ces étapes, nous pouvons créer un modèle en étoile où une table centrale est entourée de tables intermédiaires. Par exemple, une table pour la géolocalisation des communes et d'autres tables pour les thématiques et la périodicité des événements. Cela permet d'optimiser la normalisation des données et de réduire la redondance. En cas de besoin, il est possible de réimporter des informations, comme la région, dans la table principale.
Conclusion et application
Nous avons vu comment éviter la redondance dans les bases de données en créant un modèle en étoile. En appliquant ces concepts à notre propre modèle de données, nous pouvons améliorer l'efficacité et la clarté de nos rapports. La normalisation et l'optimisation des données sont essentielles pour une gestion efficace des informations.

FAQ :

Qu'est-ce qu'un modèle en étoile dans une base de données?

Un modèle en étoile est une structure de base de données où une table centrale est entourée de plusieurs tables de dimensions. Cela facilite l'analyse des données en permettant des requêtes rapides.

Pourquoi est-il important de réduire la redondance dans une base de données?

Réduire la redondance est crucial car cela diminue le volume de données à stocker, améliore la performance des requêtes et réduit les risques d'incohérences dans les données.

Comment Power Query peut-il aider dans la gestion des données?

Power Query permet d'importer et de transformer des données de manière efficace, facilitant ainsi la préparation des données pour l'analyse dans Excel ou Power BI.

Qu'est-ce que la normalisation et pourquoi est-elle utilisée?

La normalisation est le processus d'organisation des données pour minimiser la redondance. Elle est utilisée pour améliorer l'intégrité des données et faciliter leur gestion.

Quels sont les avantages d'utiliser un modèle en flocon?

Un modèle en flocon permet une meilleure organisation des données en normalisant les tables de dimensions, ce qui peut réduire la redondance et améliorer la flexibilité des requêtes.

Quelques cas d'usages :

Analyse des festivals

Utiliser un modèle en étoile pour analyser les données des festivals, en reliant les informations sur les régions, les communes et les codes postaux pour obtenir des insights sur la fréquentation et les tendances.

Optimisation des rapports

Appliquer la normalisation pour réduire la redondance dans les rapports de données, ce qui permet de générer des rapports plus légers et plus rapides à traiter.

Gestion des données géographiques

Créer une table de dimensions pour stocker les informations géographiques, permettant ainsi d'analyser les données en fonction de la localisation des événements.

Amélioration de la performance des requêtes

Utiliser Power Query pour transformer et préparer les données avant de les charger dans un modèle en étoile, ce qui améliore la performance des requêtes analytiques.

Suivi des thématiques d'événements

Développer un modèle en flocon pour suivre les thématiques des événements, permettant une analyse plus détaillée des tendances et des préférences des participants.

Glossaire :

Gestion de base de données

Ensemble des méthodes et techniques utilisées pour créer, gérer et manipuler des bases de données.

Modèle en étoile

Une architecture de base de données où une table centrale (fait) est reliée à plusieurs tables de dimensions, permettant une analyse rapide des données.

Redondance

La répétition inutile d'informations dans une base de données, ce qui peut entraîner une augmentation du volume de données et des problèmes de gestion.

Power Query

Un outil de Microsoft utilisé pour importer, transformer et préparer des données avant de les analyser dans Excel ou Power BI.

Normalisation

Le processus d'organisation des données dans une base de données pour réduire la redondance et améliorer l'intégrité des données.

Modèle en flocon

Une variante du modèle en étoile où les tables de dimensions sont normalisées, créant ainsi des tables intermédiaires.

Table centrale

La table principale dans un modèle de données qui contient les faits ou les mesures à analyser.

Table de dimensions

Les tables qui contiennent des attributs descriptifs liés aux faits dans la table centrale.

00:00:00

Je veux vous présenter aussi une notion

00:00:02

qui est presque relative à la gestion

00:00:05

de base de données qui justifie aussi

00:00:08

l'utilisation de relations entre les tables.

00:00:11

On va notamment parler de donner en

00:00:13

tout cas de créer un modèle en étoile.

00:00:17

Donc c'est un thème que vous avez

00:00:18

peut-être déjà entendu si vous avez

00:00:20

déjà fait de la base de données,

00:00:21

le principe est assez simple,

00:00:23

c'est que quand on va regarder notre table,

00:00:25

par exemple, des festivals, on va se,

00:00:27

on va remarquer qu'on va souvent

00:00:30

répéter les mêmes informations,

00:00:31

par exemple ici.

00:00:32

Les régions, les communes et le code postal

00:00:35

vont souvent se répéter à chaque fois que,

00:00:37

par exemple,

00:00:38

je vais t'en dans un festival à Paris,

00:00:40

la région serait de France pour Lyon,

00:00:42

ça sera Auvergne, Rhône-Alpes et cetera.

00:00:45

Et donc en soi ça n'est pas

00:00:47

tellement gênant d'avoir ça.

00:00:48

C'est juste que ça peut générer

00:00:51

quelques soucis entre guillemets.

00:00:53

Le premier c'est que on va avoir

00:00:55

potentiellement une pollution visuelle

00:00:57

sur le tableau un puisque on va

00:00:58

avoir à chaque fois des redondances

00:01:00

d'information tout le temps pour la.

00:01:02

Encore une fois là pour la,

00:01:03

pour une commune donnée et donc rajouter.

00:01:05

Des colonnes qui vont souvent se

00:01:08

se répéter et l'autre élément,

00:01:09

c'est que ça crée un volume de données

00:01:11

assez important à stocker puisque tout

00:01:13

ce qui est importé dans le rapport

00:01:15

fera partie du poids du rapport,

00:01:16

sauf si vous utilisez direct Query.

00:01:18

Mais dans la majorité des cas,

00:01:19

ça ne sera pas le cas et donc

00:01:22

à partir de ce constat-là,

00:01:23

on pourrait se dire que ce n’est pas forcément

00:01:25

nécessaire à chaque fois de répéter,

00:01:26

on pourrait très bien dire j'isole

00:01:28

uniquement le code postal et je le lis.

00:01:31

Du coup à Lyon et à Auvergne Rhône-Alpes.

00:01:33

Voilà, c'est à dire une table à

00:01:35

part qui stockerait uniquement.

00:01:36

À chaque fois, le détail de chaque,

00:01:38

chaque code postal et donc qu'est-ce

00:01:40

que ça donnerait ?

00:01:41

Eh bien, ici,

00:01:42

j'irai dans Power Quéry et oui,

00:01:44

on va y retourner.

00:01:46

On va aller dupliquer la colonne

00:01:49

la table, pardon des festivals,

00:01:51

on va aller isoler tout ce qui nous

00:01:54

intéresse, donc à savoir, les régions,

00:01:56

les communes et le code postal.

00:01:58

Donc comme on l'a vu ici,

00:01:59

donc on par exemple, on fait soit regrouper,

00:02:02

soit on supprime les doublons.

00:02:05

Et ensuite,

00:02:05

on va dans la colonne de base,

00:02:07

dans la table de base.

00:02:09

Supprimer les colonnes en question donc,

00:02:11

à savoir la région et la commune.

00:02:13

On va simplement garder le code postal

00:02:15

et pourquoi on garde le code postal

00:02:17

parce que ça va permettre dans notre

00:02:19

modèle de données de gérer une relation,

00:02:21

une liaison qui permettra du

00:02:22

coup si on en a besoin,

00:02:24

d'aller réimporter la région dans

00:02:28

notre dans notre table principale.

00:02:31

Et donc si on répète ça plusieurs fois,

00:02:34

on va se retrouver.

00:02:35

Avec alors oui,

00:02:37

j'ai mis avec un peu d'imagination,

00:02:38

donc on va se retrouver un peu avec.

00:02:41

Y a une table centrale et des

00:02:43

tables intermédiaires qui

00:02:43

vont graviter autour, donc on peut très

00:02:45

bien imaginer une table pour tout ce qui

00:02:47

va être autour de la géolocalisation.

00:02:49

Pour les communes, même pour les thématiques,

00:02:51

puisque à chaque fois, chaque sous thème

00:02:53

va correspondre à la même thématique,

00:02:54

et même la périodicité.

00:02:55

En quand on dit le mois de début,

00:02:57

la date de début, et cetera,

00:02:59

on pourrait potentiellement faire

00:03:00

des optimisations par rapport à

00:03:02

ça et donc on va se retrouver.

00:03:03

Voilà avec un peu une étoile.

00:03:04

Voyez que les branches d'une étoile,

00:03:06

et même si on optimise la normalisation,

00:03:08

on pourrait même recréer des tables.

00:03:11

Ici intermédiaire qui aurait des

00:03:13

dupliquer pour une fois les,

00:03:14

les infos et donc on se retrouvait avec

00:03:16

ce qu'on appelle un modèle en flocon,

00:03:18

puisque du coup on aura encore des

00:03:20

embranchements et donc allez voilà

00:03:22

créer un flocon qui a dit que les

00:03:25

informations n'étaient pas des poètes.

00:03:27

Maintenant qu'on a vu ça,

00:03:29

on va essayer de l'appliquer réellement

00:03:31

dans notre propre modèle de données.

00:00:00

I also want to introduce you to a concept

00:00:02

which is almost relative to management

00:00:05

database that also justifies

00:00:08

the use of relationships between tables.

00:00:11

In particular, we will talk about giving in

00:00:13

any case of creating a star model.

00:00:17

So this is a theme that you have

00:00:18

may have already heard if you have

00:00:20

already made of the database,

00:00:21

The principle is quite simple,

00:00:23

It is that when we go to look at our table,

00:00:25

For example, festivals, we will be,

00:00:27

We will notice that we will often

00:00:30

repeat the same information,

00:00:31

for example here.

00:00:32

Regions, municipalities and postal code

00:00:35

will often repeat themselves each time that,

00:00:37

Like what

00:00:38

I'm going to you in a festival in Paris,

00:00:40

the region would be France for Lyon,

00:00:42

it will be Auvergne, Rhône-Alpes and so on.

00:00:45

And so in itself it is not

00:00:47

So embarrassing to have that.

00:00:48

It's just that it can generate

00:00:51

Some problems in quotation marks.

00:00:53

The first is that we will have

00:00:55

potentially visual pollution

00:00:57

on table one since we will

00:00:58

have redundancies every time

00:01:00

Information all the time for the.

00:01:02

Again there for the,

00:01:03

for a given municipality and therefore add.

00:01:05

Columns that will often be

00:01:08

repeat and the other element,

00:01:09

is that it creates a volume of data

00:01:11

quite important to store since everything

00:01:13

What is imported into the report

00:01:15

will be part of the weight of the report,

00:01:16

unless you use Direct Quéry.

00:01:18

But in the majority of cases,

00:01:19

This will not be the case and therefore

00:01:22

Based on this observation,

00:01:23

One might say that it is not necessarily

00:01:25

necessary each time to repeat,

00:01:26

One could very well say I isolate

00:01:28

only the postal code and I read it.

00:01:31

So in Lyon and Auvergne Rhône-Alpes.

00:01:33

That's it, i.e. a table with

00:01:35

share that would only store.

00:01:36

Each time, the detail of each,

00:01:38

each postal code and therefore what is

00:01:40

What would it look like?

00:01:41

Well, here,

00:01:42

I will go to Power Quéry and yes,

00:01:44

We'll go back.

00:01:46

We will duplicate the column la,

00:01:49

the table, sorry for festivals,

00:01:51

We will go isolate everything that we

00:01:54

is therefore of interest to the regions,

00:01:56

municipalities and postal code.

00:01:58

So as we have seen here,

00:01:59

So we for example, we either regroup,

00:02:02

or we remove duplicates.

00:02:05

And then,

00:02:05

we go to the basic column,

00:02:07

in the base table.

00:02:09

Delete the columns in question, therefore,

00:02:11

namely the region and the municipality.

00:02:13

We'll just keep the postal code

00:02:15

and why we keep the postal code

00:02:17

Because it will allow in our

00:02:19

data model to manage a relationship,

00:02:21

A link that will allow

00:02:22

blow if needed,

00:02:24

to re-import the region into

00:02:28

our in our main table.

00:02:31

And so if we repeat this several times,

00:02:34

We'll meet again.

00:02:35

With then yes,

00:02:37

I put with a little imagination,

00:02:38

So we're going to end up with it a little bit.

00:02:41

There is a central table and

00:02:43

intermediate tables that

00:02:43

will gravitate around, so we can very much

00:02:45

Imagine a table for everything that

00:02:47

will be around geolocation.

00:02:49

For municipalities, even for themes,

00:02:51

since each time, each sub-theme

00:02:53

will correspond to the same theme,

00:02:54

and even periodicity.

00:02:55

When we say the month of beginning,

00:02:57

the start date, et cetera,

00:02:59

We could potentially do

00:03:00

optimizations compared to

00:03:02

That and so we're going to meet again.

00:03:03

That's it with a bit of a star.

00:03:04

See that the branches of a star,

00:03:06

And even if standardization is optimized,

00:03:08

We could even recreate tables.

00:03:11

Here intermediate who would have

00:03:13

duplicate for once,

00:03:14

the news and so we ended up with

00:03:16

what is called a snowflake model eh,

00:03:18

since suddenly we will still have

00:03:20

Branching and so here you go

00:03:22

Create a snowflake that said that the

00:03:25

Information were not poets.

00:03:27

Now that we've seen that,

00:03:29

We will try to apply it really

00:03:31

in our own data model.

00:00:00

Ich möchte Ihnen auch ein Konzept vorstellen

00:00:02

was fast relativ zum Management ist

00:00:05

Datenbank, die auch rechtfertigt

00:00:08

die Verwendung von Beziehungen zwischen Tabellen.

00:00:11

Insbesondere werden wir über das Nachgeben sprechen

00:00:13

Jeder Fall der Erstellung eines Sternmodells.

00:00:17

Das ist also ein Thema, das Sie haben

00:00:18

vielleicht schon gehört haben, wenn Sie

00:00:20

bereits aus der Datenbank erstellt,

00:00:21

Das Prinzip ist ganz einfach,

00:00:23

Es ist so, dass, wenn wir auf unseren Tisch schauen,

00:00:25

Zum Beispiel Festivals, werden wir,

00:00:27

Wir werden feststellen, dass wir oft

00:00:30

Wiederholen Sie die gleichen Informationen,

00:00:31

zum Beispiel hier.

00:00:32

Regionen, Gemeinden und Postleitzahl

00:00:35

wird sich oft jedes Mal wiederholen, dass,

00:00:37

Zum Beispiel

00:00:38

Ich gehe zu dir auf ein Festival in Paris,

00:00:40

die Region wäre Frankreich für Lyon,

00:00:42

es wird Auvergne, Rhône-Alpes und so weiter sein.

00:00:45

Und so ist es an sich nicht

00:00:47

So peinlich, das zu haben.

00:00:48

Es ist nur so, dass es generieren kann

00:00:51

Einige Probleme in Anführungszeichen.

00:00:53

Der erste ist, dass wir

00:00:55

Potenzielle visuelle Verschmutzung

00:00:57

auf Tisch eins, da wir

00:00:58

jedes Mal Redundanzen haben

00:01:00

Informationen die ganze Zeit für die.

00:01:02

Wieder da für die,

00:01:03

für eine gegebene Gemeinde und addieren Sie daher.

00:01:05

Spalten, die häufig

00:01:08

Wiederholung und das andere Element,

00:01:09

ist, dass es ein Datenvolumen erzeugt

00:01:11

ziemlich wichtig zu lagern, da alles

00:01:13

Was in den Bericht importiert wird

00:01:15

wird Teil des Gewichts des Berichts sein,

00:01:16

es sei denn, Sie verwenden Direct Quéry.

00:01:18

Aber in den meisten Fällen

00:01:19

Dies wird nicht der Fall sein, und deshalb

00:01:22

Basierend auf dieser Beobachtung,

00:01:23

Man könnte sagen, dass es nicht unbedingt

00:01:25

jedes Mal wiederholt werden muss,

00:01:26

Man könnte sehr gut sagen, ich isoliere

00:01:28

nur die Postleitzahl und ich lese es.

00:01:31

So in Lyon und der Auvergne Rhône-Alpes.

00:01:33

Das war's, d.h. eine Tabelle mit

00:01:35

teilen, die nur speichern würde.

00:01:36

Jedes Mal, das Detail von jedem,

00:01:38

jede Postleitzahl und damit was ist

00:01:40

Wie würde es aussehen?

00:01:41

Nun, hier,

00:01:42

Ich werde zu Power Quéry gehen und ja,

00:01:44

Wir gehen wieder.

00:01:46

Wir duplizieren die Spalte la,

00:01:49

der Tisch, sorry für die Festivals,

00:01:51

Wir werden alles isolieren, was wir

00:01:54

daher für die Regionen von Interesse ist,

00:01:56

Gemeinden und Postleitzahl.

00:01:58

Wie wir hier gesehen haben,

00:01:59

So gruppieren wir uns zum Beispiel entweder neu,

00:02:02

oder wir entfernen Duplikate.

00:02:05

Und dann

00:02:05

Wir gehen zur Basisspalte,

00:02:07

in der Basistabelle.

00:02:09

Löschen Sie daher die betreffenden Spalten,

00:02:11

nämlich die Region und die Gemeinde.

00:02:13

Wir behalten nur die Postleitzahl

00:02:15

und warum wir die Postleitzahl behalten

00:02:17

Weil es unsere

00:02:19

Datenmodell zur Verwaltung einer Beziehung,

00:02:21

Ein Link, der

00:02:22

bei Bedarf blasen,

00:02:24

So importieren Sie die Region erneut in

00:02:28

unsere in unserer Haupttabelle.

00:02:31

Wenn wir das also mehrmals wiederholen,

00:02:34

Wir sehen uns wieder.

00:02:35

Mit dann ja,

00:02:37

Ich setze mit ein wenig Phantasie,

00:02:38

Wir werden also ein bisschen damit enden.

00:02:41

Es gibt einen zentralen Tisch und

00:02:43

Zwischentabellen, die

00:02:43

wird herumziehen, so dass wir sehr viel

00:02:45

Stellen Sie sich einen Tisch für alles vor, was

00:02:47

wird sich um Geolocation drehen.

00:02:49

Für Kommunen, auch für Themen,

00:02:51

da jedes Mal, jedes Unterthema

00:02:53

wird dem gleichen Thema entsprechen,

00:02:54

und sogar Periodizität.

00:02:55

Wenn wir den Monat des Beginns sagen,

00:02:57

das Startdatum, et cetera,

00:02:59

Wir könnten potentiell tun

00:03:00

Optimierungen im Vergleich zu

00:03:02

Das und so werden wir uns wiedersehen.

00:03:03

Das war's mit einem kleinen Stern.

00:03:04

Seht, dass die Zweige eines Sterns,

00:03:06

Und selbst wenn die Standardisierung optimiert wird,

00:03:08

Wir könnten sogar Tabellen neu erstellen.

00:03:11

Hier intermediär wer hätte

00:03:13

ausnahmsweise duplizieren,

00:03:14

die Neuigkeiten und so landeten wir bei

00:03:16

was als Schneeflockenmodell bezeichnet wird, eh,

00:03:18

denn plötzlich haben wir immer noch

00:03:20

Verzweigung und so geht's los geht's

00:03:22

Erstellen Sie eine Schneeflocke, die besagt, dass die

00:03:25

Information waren keine Dichter.

00:03:27

Nun, da wir das gesehen haben,

00:03:29

Wir werden versuchen, es wirklich anzuwenden

00:03:31

in unserem eigenen Datenmodell.

00:00:00

También quiero presentarte un concepto

00:00:02

que es casi relativo a la gestión

00:00:05

base de datos que también justifica

00:00:08

El uso de relaciones entre tablas.

00:00:11

En particular, hablaremos sobre ceder

00:00:13

cualquier caso de creación de un modelo estrella.

00:00:17

Así que este es un tema que tienes

00:00:18

puede que ya haya escuchado si usted tiene

00:00:20

ya hecho de la base de datos,

00:00:21

El principio es bastante simple,

00:00:23

Es que cuando vamos a mirar nuestra mesa,

00:00:25

Por ejemplo, festivales, seremos,

00:00:27

Nos daremos cuenta de que a menudo

00:00:30

repetir la misma información,

00:00:31

por ejemplo aquí.

00:00:32

Regiones, municipios y código postal

00:00:35

a menudo se repetirán cada vez que,

00:00:37

Como qué

00:00:38

Voy a verte en un festival en París,

00:00:40

la región sería Francia para Lyon,

00:00:42

será Auvernia, Ródano-Alpes y así sucesivamente.

00:00:45

Y así en sí mismo no es

00:00:47

Tan vergonzoso tener eso.

00:00:48

Es solo que puede generar

00:00:51

Algunos problemas entre comillas.

00:00:53

La primera es que tendremos

00:00:55

contaminación potencialmente visual

00:00:57

en la mesa uno ya que vamos a

00:00:58

tener redundancias cada vez

00:01:00

Información todo el tiempo para el.

00:01:02

De nuevo allí para el,

00:01:03

para un municipio determinado y, por lo tanto, agregar.

00:01:05

Columnas que a menudo serán

00:01:08

repetir y el otro elemento,

00:01:09

es que crea un volumen de datos

00:01:11

Bastante importante para almacenar ya que todo

00:01:13

Qué se importa en el informe

00:01:15

formará parte del peso del informe,

00:01:16

a menos que utilice Direct Query.

00:01:18

Pero en la mayoría de los casos,

00:01:19

Este no será el caso y, por lo tanto,

00:01:22

Sobre la base de esta observación,

00:01:23

Se podría decir que no es necesariamente

00:01:25

necesario cada vez para repetir,

00:01:26

Se podría muy bien decir que aíslo

00:01:28

solo el código postal y lo leí.

00:01:31

Así en Lyon y Auvernia Ródano-Alpes.

00:01:33

Eso es todo, es decir, una mesa con

00:01:35

compartir que solo almacenaría.

00:01:36

Cada vez, el detalle de cada uno,

00:01:38

cada código postal y, por lo tanto, qué es

00:01:40

¿Cómo sería?

00:01:41

Bueno, aquí,

00:01:42

Iré a Power Query y sí,

00:01:44

Volveremos.

00:01:46

Duplicaremos la columna la,

00:01:49

la mesa, perdón por los festivales,

00:01:51

Iremos aislando todo lo que

00:01:54

es, por tanto, de interés para las regiones,

00:01:56

Municipios y código postal.

00:01:58

Así que como hemos visto aquí,

00:01:59

Así que nosotros, por ejemplo, o nos reagrupamos,

00:02:02

o eliminamos duplicados.

00:02:05

Y entonces

00:02:05

Vamos a la columna básica,

00:02:07

en la tabla base.

00:02:09

Por lo tanto, suprímanse las columnas en cuestión,

00:02:11

es decir, la región y el municipio.

00:02:13

Solo conservaremos el código postal

00:02:15

y por qué conservamos el código postal

00:02:17

Porque permitirá en nuestro

00:02:19

modelo de datos para gestionar una relación,

00:02:21

Un enlace que permitirá

00:02:22

soplar si es necesario,

00:02:24

para volver a importar la región a

00:02:28

nuestro en nuestra mesa principal.

00:02:31

Y entonces, si repetimos esto varias veces,

00:02:34

Nos volveremos a encontrar.

00:02:35

Con entonces sí,

00:02:37

Pongo con un poco de imaginación,

00:02:38

Así que vamos a terminar con eso un poco.

00:02:41

Hay una mesa central y

00:02:43

Tablas intermedias que

00:02:43

gravitará alrededor, por lo que podemos mucho

00:02:45

Imagina una mesa para todo lo que

00:02:47

será alrededor de la geolocalización.

00:02:49

Para los municipios, incluso para los temas,

00:02:51

ya que cada vez, cada subtema

00:02:53

corresponderá al mismo tema,

00:02:54

e incluso periodicidad.

00:02:55

Cuando decimos el mes de comienzo,

00:02:57

la fecha de inicio, etcétera,

00:02:59

Potencialmente podríamos hacer

00:03:00

optimizaciones comparadas con

00:03:02

Eso y así nos vamos a encontrar de nuevo.

00:03:03

Eso es todo con un poco de estrella.

00:03:04

Mira que las ramas de una estrella,

00:03:06

E incluso si se optimiza la estandarización,

00:03:08

Incluso podríamos recrear tablas.

00:03:11

Aquí intermedio que tendría

00:03:13

duplicar por una vez,

00:03:14

las noticias y así terminamos con

00:03:16

lo que se llama un modelo de copo de nieve eh,

00:03:18

ya que de repente todavía tendremos

00:03:20

Ramificación y aquí tienes

00:03:22

Crea un copo de nieve que diga que el

00:03:25

La información no eran poetas.

00:03:27

Ahora que hemos visto eso,

00:03:29

Intentaremos aplicarlo realmente

00:03:31

en nuestro propio modelo de datos.

00:00:00

Ik wil je ook kennis laten maken met een concept

00:00:02

wat bijna relatief is ten opzichte van het management

00:00:05

database die ook rechtvaardigt

00:00:08

het gebruik van relaties tussen tabellen.

00:00:11

In het bijzonder zullen we het hebben over toegeven

00:00:13

elk geval van het creëren van een stermodel.

00:00:17

Dit is dus een thema dat je hebt

00:00:18

misschien heb je al gehoord of je

00:00:20

reeds gemaakt van de database,

00:00:21

Het principe is vrij eenvoudig,

00:00:23

Het is dat wanneer we naar onze tafel gaan kijken,

00:00:25

Bijvoorbeeld festivals, we zullen zijn,

00:00:27

We zullen merken dat we vaak zullen

00:00:30

herhaal dezelfde informatie,

00:00:31

bijvoorbeeld hier.

00:00:32

Regio's, gemeenten en postcode

00:00:35

zal zich vaak herhalen elke keer dat,

00:00:37

Zoals wat

00:00:38

Ik ga naar je toe op een festival in Parijs,

00:00:40

de regio zou Frankrijk zijn voor Lyon,

00:00:42

het wordt Auvergne, Rhône-Alpes en ga zo maar door.

00:00:45

En dus is het op zich niet

00:00:47

Zo gênant om dat te hebben.

00:00:48

Het is gewoon dat het kan genereren

00:00:51

Enkele problemen tussen aanhalingstekens.

00:00:53

De eerste is dat we

00:00:55

potentieel visuele vervuiling

00:00:57

op tafel één omdat we

00:00:58

elke keer ontslagen hebben

00:01:00

Informatie de hele tijd voor de.

00:01:02

Ook daar voor de,

00:01:03

voor een bepaalde gemeente en dus toevoegen.

00:01:05

Kolommen die vaak

00:01:08

herhalen en het andere element,

00:01:09

is dat het een hoeveelheid gegevens creëert

00:01:11

heel belangrijk om op te slaan omdat alles

00:01:13

Wat wordt geïmporteerd in het rapport

00:01:15

zal deel uitmaken van het gewicht van het verslag,

00:01:16

tenzij u Direct Quéry gebruikt.

00:01:18

Maar in de meeste gevallen,

00:01:19

Dit zal niet het geval zijn en dus

00:01:22

Op basis van deze observatie,

00:01:23

Je zou kunnen zeggen dat het niet noodzakelijk is

00:01:25

noodzakelijk om elke keer te herhalen,

00:01:26

Je zou heel goed kunnen zeggen dat ik isoleer

00:01:28

alleen de postcode en ik heb het gelezen.

00:01:31

Dus in Lyon en Auvergne Rhône-Alpes.

00:01:33

Dat is het, d.w.z. een tafel met

00:01:35

aandeel dat alleen zou opslaan.

00:01:36

Elke keer, de details van elk,

00:01:38

elke postcode en dus wat is

00:01:40

Hoe zou het eruit zien?

00:01:41

Nou, hier,

00:01:42

Ik ga naar Power Quéry en ja,

00:01:44

We gaan terug.

00:01:46

We zullen de kolom la dupliceren,

00:01:49

de tafel, sorry voor festivals,

00:01:51

We gaan alles isoleren wat we doen

00:01:54

daarom van belang is voor de regio's,

00:01:56

gemeenten en postcode.

00:01:58

Dus zoals we hier hebben gezien,

00:01:59

Dus we hergroeperen ons bijvoorbeeld,

00:02:02

of we verwijderen duplicaten.

00:02:05

En dan,

00:02:05

we gaan naar de basiskolom,

00:02:07

in de basistabel.

00:02:09

Schrap daarom de betreffende kolommen

00:02:11

namelijk de regio en de gemeente.

00:02:13

We bewaren alleen de postcode

00:02:15

en waarom we de postcode bewaren

00:02:17

Omdat het onze

00:02:19

gegevensmodel om een relatie te beheren,

00:02:21

Een koppeling die het mogelijk maakt

00:02:22

blaas indien nodig,

00:02:24

om de regio opnieuw te importeren in

00:02:28

onze in onze hoofdtabel.

00:02:31

En dus als we dit meerdere keren herhalen,

00:02:34

We zullen elkaar weer ontmoeten.

00:02:35

Met dan ja,

00:02:37

Ik zet met een beetje fantasie,

00:02:38

Dus we gaan er een beetje mee eindigen.

00:02:41

Er is een centrale tafel en

00:02:43

tussenliggende tafels die

00:02:43

zal rondtrekken, dus we kunnen heel veel

00:02:45

Stel je een tafel voor voor alles wat

00:02:47

zal rond geolocatie zijn.

00:02:49

Voor gemeenten, ook voor thema's,

00:02:51

sinds elke keer, elk subthema

00:02:53

zal overeenkomen met hetzelfde thema,

00:02:54

en zelfs periodiciteit.

00:02:55

Als we zeggen de maand van het begin,

00:02:57

de startdatum, et cetera,

00:02:59

We zouden het in potentie kunnen doen

00:03:00

optimalisaties in vergelijking met

00:03:02

Dat en dus gaan we elkaar weer ontmoeten.

00:03:03

Dat is het met een beetje een ster.

00:03:04

Zie dat de takken van een ster,

00:03:06

En zelfs als standaardisatie is geoptimaliseerd,

00:03:08

We zouden zelfs tafels kunnen namaken.

00:03:11

Hier tussenliggende wie zou hebben

00:03:13

dupliceer voor één keer,

00:03:14

het nieuws en zo kwamen we uit bij

00:03:16

wat een sneeuwvlokmodel wordt genoemd eh,

00:03:18

want ineens hebben we nog steeds

00:03:20

Vertakkingen en dus daar ga je

00:03:22

Maak een sneeuwvlok die zei dat de

00:03:25

Informatie waren geen dichters.

00:03:27

Nu we dat hebben gezien,

00:03:29

We zullen proberen het echt toe te passen

00:03:31

in ons eigen datamodel.

00:00:00

Eu também quero apresentá-lo a um conceito

00:00:02

o que é quase relativo à gestão

00:00:05

banco de dados que também justifica

00:00:08

o uso de relações entre tabelas.

00:00:11

Em particular, falaremos sobre ceder

00:00:13

qualquer caso de criação de um modelo de estrela.

00:00:17

Então este é um tema que você tem

00:00:18

pode já ter ouvido falar se você tem

00:00:20

já feita da base de dados,

00:00:21

O princípio é bastante simples,

00:00:23

É que quando vamos olhar para a nossa mesa,

00:00:25

Por exemplo, festivais, seremos,

00:00:27

Perceberemos que muitas vezes vamos

00:00:30

repetir a mesma informação,

00:00:31

por exemplo, aqui.

00:00:32

Regiões, municípios e código postal

00:00:35

muitas vezes se repetirão cada vez que,

00:00:37

Como o que

00:00:38

Eu vou até você em um festival em Paris,

00:00:40

a região seria a França para Lyon,

00:00:42

será Auvérnia, Ródano-Alpes e assim por diante.

00:00:45

E assim em si não é

00:00:47

Tão embaraçoso ter isso.

00:00:48

É só que ele pode gerar

00:00:51

Alguns problemas entre aspas.

00:00:53

A primeira é que teremos

00:00:55

poluição potencialmente visual

00:00:57

na mesa um, uma vez que vamos

00:00:58

ter redundâncias todas as vezes

00:01:00

Informação o tempo todo para o.

00:01:02

Novamente lá para o,

00:01:03

para um determinado município e, portanto, adicionar.

00:01:05

Colunas que muitas vezes serão

00:01:08

repetir e o outro elemento,

00:01:09

é que ele cria um volume de dados

00:01:11

bastante importante para armazenar desde tudo

00:01:13

O que é importado para o relatório

00:01:15

fará parte do peso do relatório,

00:01:16

a menos que você use o Direct Quéry.

00:01:18

Mas, na maioria dos casos,

00:01:19

Este não será o caso e, portanto,

00:01:22

Com base nessa observação,

00:01:23

Pode-se dizer que não é necessariamente

00:01:25

necessário cada vez que repetir,

00:01:26

Pode-se muito bem dizer que eu me isolo

00:01:28

apenas o código postal e eu li.

00:01:31

Assim em Lyon e Auvérnia, Ródano-Alpes.

00:01:33

É isso, ou seja, uma mesa com

00:01:35

compartilhamento que só armazenaria.

00:01:36

Cada vez, o detalhe de cada um,

00:01:38

cada código postal e, portanto, o que é

00:01:40

Como seria?

00:01:41

Bem, aqui,

00:01:42

Eu irei para o Power Quéry e sim,

00:01:44

Vamos voltar.

00:01:46

Vamos duplicar a coluna la,

00:01:49

a mesa, desculpe os festivais,

00:01:51

Vamos isolar tudo o que fizermos.

00:01:54

é, por conseguinte, de interesse para as regiões,

00:01:56

municípios e código postal.

00:01:58

Então, como vimos aqui,

00:01:59

Então, nós, por exemplo, ou nos reagrupamos,

00:02:02

ou removemos duplicatas.

00:02:05

E então,

00:02:05

vamos para a coluna básica,

00:02:07

na tabela base.

00:02:09

Por conseguinte, elimine as colunas em questão,

00:02:11

nomeadamente a região e o concelho.

00:02:13

Vamos apenas manter o código postal

00:02:15

e por que mantemos o código postal

00:02:17

Porque permitirá a entrada do nosso

00:02:19

modelo de dados para gerenciar um relacionamento,

00:02:21

Um link que permitirá

00:02:22

sopro, se necessário,

00:02:24

para reimportar a região para

00:02:28

nosso em nossa mesa principal.

00:02:31

E assim, se repetirmos isso várias vezes,

00:02:34

Vamos nos encontrar novamente.

00:02:35

Com aí sim,

00:02:37

Coloquei com um pouco de imaginação,

00:02:38

Então vamos acabar com isso um pouco.

00:02:41

Há uma mesa central e

00:02:43

tabelas intermediárias que

00:02:43

vai gravitar em torno de, para que possamos muito

00:02:45

Imagine uma mesa para tudo o que

00:02:47

será em torno da geolocalização.

00:02:49

Para os municípios, mesmo para os temas,

00:02:51

desde cada vez, cada sub-tema

00:02:53

corresponderá ao mesmo tema,

00:02:54

e até mesmo periodicidade.

00:02:55

Quando dizemos o mês do início,

00:02:57

a data de início, etc.,

00:02:59

Poderíamos potencialmente fazer

00:03:00

otimizações em comparação com

00:03:02

Isso e assim vamos nos encontrar novamente.

00:03:03

É isso com um pouco de estrela.

00:03:04

Vejam que os ramos de uma estrela,

00:03:06

E mesmo que a padronização seja otimizada,

00:03:08

Poderíamos até recriar tabelas.

00:03:11

Aqui intermediário quem teria

00:03:13

duplicar por uma vez,

00:03:14

a notícia e assim acabamos com

00:03:16

o que é chamado de modelo de floco de neve eh,

00:03:18

já que de repente ainda teremos

00:03:20

Ramificação e assim por diante aqui vai você

00:03:22

Crie um floco de neve que dissesse que o

00:03:25

A informação não era poeta.

00:03:27

Agora que vimos isso,

00:03:29

Vamos tentar aplicá-lo realmente

00:03:31

em nosso próprio modelo de dados.

00:00:00

Chcę również przedstawić wam pewną koncepcję

00:00:02

co jest prawie względne w stosunku do zarządzania

00:00:05

baza danych, która również uzasadnia

00:00:08

wykorzystanie relacji między tabelami.

00:00:11

W szczególności porozmawiamy o poddaniu się

00:00:13

każdy przypadek tworzenia modelu gwiazdy.

00:00:17

Więc to jest temat, który macie

00:00:18

Być może już słyszałeś, jeśli masz

00:00:20

już wykonane z bazy danych,

00:00:21

Zasada jest dość prosta,

00:00:23

Chodzi o to, że kiedy idziemy spojrzeć na nasz stół,

00:00:25

Na przykład festiwale, będziemy,

00:00:27

Zauważymy, że często będziemy

00:00:30

powtórz te same informacje,

00:00:31

Na przykład tutaj.

00:00:32

Regiony, gminy i kod pocztowy

00:00:35

często powtarzają się za każdym razem, że,

00:00:37

Lubię to, co

00:00:38

Jadę do ciebie na festiwalu w Paryżu,

00:00:40

region byłby Francją dla Lyonu,

00:00:42

będzie to Owernia, Rodan-Alpy i tak dalej.

00:00:45

A więc samo w sobie nie jest

00:00:47

Żenujące to mieć.

00:00:48

Po prostu może generować

00:00:51

Niektóre problemy w cudzysłowie.

00:00:53

Po pierwsze, będziemy mieli

00:00:55

potencjalne zanieczyszczenie wizualne

00:00:57

na stole pierwszym, ponieważ będziemy

00:00:58

Za każdym razem mają zwolnienia

00:01:00

Informacje cały czas dla.

00:01:02

Znowu tam dla,

00:01:03

dla danej gminy, a zatem dodają.

00:01:05

Kolumny, które często będą

00:01:08

powtórzenie i drugi element,

00:01:09

polega na tym, że tworzy objętość danych

00:01:11

dość ważne do przechowywania, ponieważ wszystko

00:01:13

Co jest importowane do raportu

00:01:15

będzie częścią wagi raportu,

00:01:16

chyba że używasz Direct Quéry.

00:01:18

Ale w większości przypadków

00:01:19

Tak się nie stanie, a zatem

00:01:22

Na podstawie tej obserwacji,

00:01:23

Można powiedzieć, że niekoniecznie tak jest

00:01:25

konieczne każdorazowo do powtórzenia,

00:01:26

Można powiedzieć, że izoluję

00:01:28

tylko kod pocztowy i przeczytałem go.

00:01:31

Tak więc w Lyonie i Owernii, Rodan-Alpach.

00:01:33

To wszystko, czyli stół z

00:01:35

Udostępnij, który tylko przechowuje.

00:01:36

Za każdym razem szczegóły każdego z nich,

00:01:38

każdy kod pocztowy, a zatem co to jest

00:01:40

Jak by to wyglądało?

00:01:41

Cóż, tutaj,

00:01:42

Pójdę do Power Quéry i tak,

00:01:44

Wrócimy.

00:01:46

Powielimy kolumnę la,

00:01:49

stół, przepraszam za festiwale,

00:01:51

Pójdziemy izolować wszystko, co my

00:01:54

leży zatem w interesie regionów,

00:01:56

gminy i kod pocztowy.

00:01:58

Tak więc, jak widzieliśmy tutaj,

00:01:59

Więc my na przykład, albo się przegrupowujemy,

00:02:02

lub usuwamy duplikaty.

00:02:05

A potem,

00:02:05

przechodzimy do kolumny podstawowej,

00:02:07

w tabeli podstawowej.

00:02:09

W związku z tym należy skreślić przedmiotowe kolumny,

00:02:11

mianowicie region i gminę.

00:02:13

Zachowamy tylko kod pocztowy

00:02:15

i dlaczego zachowujemy kod pocztowy

00:02:17

Ponieważ pozwoli w naszym

00:02:19

model danych do zarządzania relacją,

00:02:21

Link, który pozwoli

00:02:22

uderzyć w razie potrzeby,

00:02:24

, aby ponownie zaimportować region do

00:02:28

nasz w naszym głównym stole.

00:02:31

Jeśli więc powtórzymy to kilka razy,

00:02:34

Spotkamy się ponownie.

00:02:35

Z wtedy tak,

00:02:37

Stawiam przy odrobinie wyobraźni,

00:02:38

Skończymy z tym trochę.

00:02:41

Jest centralny stół i

00:02:43

tabele pośrednie, które

00:02:43

będzie grawitować, więc możemy bardzo dużo

00:02:45

Wyobraź sobie stół na wszystko, co

00:02:47

będzie wokół geolokalizacji.

00:02:49

Dla gmin, nawet dla tematów,

00:02:51

od każdego pod-tematu

00:02:53

będzie odpowiadać temu samemu tematowi,

00:02:54

a nawet okresowość.

00:02:55

Kiedy mówimy miesiąc początku,

00:02:57

datę rozpoczęcia i tak dalej,

00:02:59

Potencjalnie moglibyśmy to zrobić

00:03:00

optymalizacje w porównaniu do

00:03:02

To i tak spotkamy się ponownie.

00:03:03

To tyle z odrobiną gwiazdy.

00:03:04

Zobacz, że gałęzie gwiazdy,

00:03:06

I nawet jeśli standaryzacja jest zoptymalizowana,

00:03:08

Moglibyśmy nawet odtworzyć tabele.

00:03:11

Tutaj pośredni kto by miał

00:03:13

duplikat na raz,

00:03:14

Wiadomości i tak skończyło się na

00:03:16

co nazywa się modelem płatka śniegu eh,

00:03:18

ponieważ nagle nadal będziemy mieli

00:03:20

Rozgałęzianie i tak proszę bardzo

00:03:22

Stwórz płatek śniegu, który powiedział, że

00:03:25

Informacja nie była poetami.

00:03:27

Teraz, gdy to widzieliśmy,

00:03:29

Postaramy się zastosować go naprawdę

00:03:31

w naszym własnym modelu danych.

00:00:00

मैं आपको एक अवधारणा से भी परिचित कराना चाहता हूं

00:00:02

जो प्रबंधन के लगभग सापेक्ष है

00:00:05

डेटाबेस जो इसे भी सही ठहराता है

00:00:08

तालिकाओं के बीच संबंधों का उपयोग।

00:00:11

विशेष रूप से, हम देने के बारे में बात करेंगे

00:00:13

स्टार मॉडल बनाने का कोई भी मामला।

00:00:17

तो यह एक विषय है जो आपके पास है

00:00:18

हो सकता है कि आपने पहले ही सुना हो कि क्या आपने

00:00:20

पहले से ही डेटाबेस से बना है,

00:00:21

सिद्धांत काफी सरल है,

00:00:23

यह है कि जब हम अपनी मेज को देखने जाते हैं,

00:00:25

उदाहरण के लिए, त्योहार, हम होंगे,

00:00:27

हम देखेंगे कि हम अक्सर करेंगे

00:00:30

एक ही जानकारी दोहराएं,

00:00:31

उदाहरण के लिए यहाँ।

00:00:32

क्षेत्र, नगर पालिका और डाक कोड

00:00:35

मैं अक्सर हर बार खुद को दोहराता हूं कि,

00:00:37

कीस तरह

00:00:38

मैं पेरिस में एक उत्सव में आपके पास जा रहा हूँ,

00:00:40

यह क्षेत्र ल्योन के लिए फ्रांस होगा,

00:00:42

यह ऑवर्गेन, रोने-एल्प्स और इतने पर होगा।

00:00:45

और इसलिए अपने आप में यह नहीं है

00:00:47

ऐसा होना बहुत शर्मनाक है।

00:00:48

यह सिर्फ इतना है कि यह उत्पन्न कर सकता है

00:00:51

उद्धरण चिह्नों में कुछ समस्याएं।

00:00:53

पहला यह है कि हम करेंगे

00:00:55

संभावित दृश्य प्रदूषण

00:00:57

टेबल एक पर क्योंकि हम करेंगे

00:00:58

हर बार अतिरिक्तता होती है

00:01:00

के लिए हर समय जानकारी।

00:01:02

फिर से वहाँ के लिए,

00:01:03

किसी दिए गए नगरपालिका के लिए और इसलिए जोड़ें।

00:01:05

कॉलम जो अक्सर होंगे

00:01:08

दोहराएं और अन्य तत्व,

00:01:09

यह है कि यह डेटा की मात्रा बनाता है

00:01:11

सब कुछ के बाद से स्टोर करना काफी महत्वपूर्ण है

00:01:13

रिपोर्ट में क्या आयात किया गया है

00:01:15

रिपोर्ट के वजन का हिस्सा होगा,

00:01:16

जब तक आप Direct Quéry का उपयोग नहीं करते हैं।

00:01:18

लेकिन अधिकांश मामलों में,

00:01:19

ऐसा नहीं होगा और इसलिए

00:01:22

इस अवलोकन के आधार पर,

00:01:23

कोई कह सकता है कि यह जरूरी नहीं है

00:01:25

हर बार दोहराने के लिए आवश्यक है,

00:01:26

कोई भी बहुत अच्छी तरह से कह सकता है कि मैं अलग हूं

00:01:28

केवल डाक कोड और मैंने इसे पढ़ा।

00:01:31

तो लियोन और ऑवेर्गेन रोने-एल्प्स में।

00:01:33

यही वह है, यानी एक टेबल के साथ

00:01:35

साझा करें जो केवल स्टोर करेगा।

00:01:36

हर बार, प्रत्येक का विवरण,

00:01:38

प्रत्येक डाक कोड और इसलिए क्या है

00:01:40

यह कैसा दिखेगा?

00:01:41

खैर, यहाँ,

00:01:42

मैं पावर क्वेरी के पास जाऊंगा और हाँ,

00:01:44

हम वापस जाएंगे।

00:01:46

हम कॉलम ला की नकल करेंगे,

00:01:49

टेबल, त्योहारों के लिए खेद है,

00:01:51

हम हर उस चीज को अलग-थलग कर देंगे जो हम करते हैं।

00:01:54

इसलिए क्षेत्रों के लिए रुचि है,

00:01:56

नगर पालिका और डाक कोड।

00:01:58

जैसा कि हमने यहां देखा है,

00:01:59

तो हम उदाहरण के लिए, हम या तो फिर से संगठित होते हैं,

00:02:02

या हम डुप्लिकेट हटा देते हैं।

00:02:05

और फिर

00:02:05

हम मूल कॉलम पर जाते हैं,

00:02:07

आधार तालिका में।

00:02:09

इसलिए, प्रश्न में कॉलम हटाएं

00:02:11

अर्थात् क्षेत्र और नगरपालिका।

00:02:13

हम सिर्फ पोस्टल कोड रखेंगे

00:02:15

और हम डाक कोड क्यों रखते हैं

00:02:17

क्योंकि यह हमारे अंदर अनुमति देगा

00:02:19

एक संबंध का प्रबंधन करने के लिए डेटा मॉडल,

00:02:21

एक लिंक जो अनुमति देगा

00:02:22

जरूरत पड़ने पर झटका,

00:02:24

क्षेत्र में फिर से आयात करना

00:02:28

हमारी मुख्य मेज में।

00:02:31

और इसलिए अगर हम इसे कई बार दोहराते हैं,

00:02:34

हम फिर मिलेंगे।

00:02:35

तो फिर हाँ,

00:02:37

मैंने थोड़ी कल्पना के साथ कहा,

00:02:38

इसलिए हम इसे थोड़ा खत्म करने जा रहे हैं।

00:02:41

एक केंद्रीय तालिका है और

00:02:43

मध्यवर्ती तालिकाएँ जो

00:02:43

चारों ओर घूमेंगे, इसलिए हम बहुत कुछ कर सकते हैं

00:02:45

हर चीज के लिए एक टेबल की कल्पना करें जो

00:02:47

जियोलोकेशन के आसपास होगा।

00:02:49

नगर पालिकाओं के लिए, यहां तक कि विषयों के लिए भी,

00:02:51

हर बार से, प्रत्येक उप-विषय

00:02:53

एक ही विषय के अनुरूप होगा,

00:02:54

और यहां तक कि आवधिकता भी।

00:02:55

जब हम शुरुआत का महीना कहते हैं,

00:02:57

प्रारंभ तिथि, वगैरह,

00:02:59

हम संभावित रूप से कर सकते हैं

00:03:00

की तुलना में अनुकूलन

00:03:02

इसलिए हम फिर से मिलने जा रहे हैं।

00:03:03

यह एक सितारे के साथ है।

00:03:04

एक तारे की शाखाओं को देखो,

00:03:06

और यहां तक कि अगर मानकीकरण अनुकूलित किया जाता है,

00:03:08

हम तालिकाओं को फिर से भी बना सकते हैं।

00:03:11

यहां मध्यवर्ती कौन होगा

00:03:13

एक बार के लिए डुप्लिकेट,

00:03:14

खबर और इसलिए हम समाप्त हो गए

00:03:16

जिसे स्नोफ्लेक मॉडल कहा जाता है,

00:03:18

चूंकि अचानक हम अभी भी करेंगे

00:03:20

शाखाएं और इसलिए यहां आप जाते हैं

00:03:22

एक बर्फ का टुकड़ा बनाएं जिसमें कहा गया है कि

00:03:25

जानकारी कवि नहीं थी।

00:03:27

अब जब हमने देखा है कि,

00:03:29

हम इसे वास्तव में लागू करने की कोशिश करेंगे

00:03:31

हमारे अपने डेटा मॉडल में।

00:00:00

Voglio anche presentarvi un concetto

00:00:02

che è quasi relativo alla gestione

00:00:05

database che giustifica anche

00:00:08

l'uso delle relazioni tra tabelle.

00:00:11

In particolare, parleremo di cedere

00:00:13

qualsiasi caso di creazione di un modello stellare.

00:00:17

Quindi questo è un tema che hai

00:00:18

potrebbe aver già sentito se hai

00:00:20

già fatto del database,

00:00:21

Il principio è abbastanza semplice,

00:00:23

È che quando andiamo a guardare il nostro tavolo,

00:00:25

Ad esempio, festival, saremo,

00:00:27

Noteremo che spesso

00:00:30

ripetere le stesse informazioni,

00:00:31

ad esempio qui.

00:00:32

Regioni, comuni e codice postale

00:00:35

si ripeteranno spesso ogni volta che,

00:00:37

Come quello che

00:00:38

Vado da te in un festival a Parigi,

00:00:40

la regione sarebbe la Francia per Lione,

00:00:42

sarà Auvergne, Rhône-Alpes e così via.

00:00:45

E quindi di per sé non lo è

00:00:47

Così imbarazzante averlo.

00:00:48

È solo che può generare

00:00:51

Alcuni problemi tra virgolette.

00:00:53

La prima è che avremo

00:00:55

potenzialmente inquinamento visivo

00:00:57

sul tavolo uno poiché lo faremo

00:00:58

avere ridondanze ogni volta

00:01:00

Informazioni tutto il tempo per il.

00:01:02

Di nuovo lì per il,

00:01:03

per un determinato comune e quindi aggiungere.

00:01:05

Colonne che saranno spesso

00:01:08

ripetere e l'altro elemento,

00:01:09

è che crea un volume di dati

00:01:11

abbastanza importante da conservare poiché tutto

00:01:13

Cosa viene importato nel report

00:01:15

farà parte del peso della relazione,

00:01:16

a meno che non si utilizzi Direct Quéry.

00:01:18

Ma nella maggior parte dei casi,

00:01:19

Questo non sarà il caso e quindi

00:01:22

Sulla base di questa osservazione,

00:01:23

Si potrebbe dire che non è necessariamente

00:01:25

necessario ogni volta per ripetere,

00:01:26

Si potrebbe benissimo dire che io iunico

00:01:28

solo il codice postale e l'ho letto.

00:01:31

Così a Lione e Auvergne Rhône-Alpes.

00:01:33

Questo è tutto, cioè una tabella con

00:01:35

Condividi che sarebbe solo memorizzato.

00:01:36

Ogni volta, il dettaglio di ciascuno,

00:01:38

ogni codice postale e quindi ciò che è

00:01:40

Come sarebbe?

00:01:41

Bene, qui,

00:01:42

Andrò a Power Quéry e sì,

00:01:44

Ci torneremo.

00:01:46

Duplicheremo la colonna la,

00:01:49

la tavola, scusate le feste,

00:01:51

Andremo a isolare tutto ciò che abbiamo

00:01:54

è pertanto di interesse per le regioni,

00:01:56

comuni e codice postale.

00:01:58

Quindi, come abbiamo visto qui,

00:01:59

Quindi, per esempio, o ci raggruppiamo,

00:02:02

oppure rimuoviamo i duplicati.

00:02:05

E poi

00:02:05

andiamo alla colonna di base,

00:02:07

nella tabella base.

00:02:09

Eliminare le colonne in questione, quindi,

00:02:11

vale a dire la regione e il comune.

00:02:13

Manterremo solo il codice postale

00:02:15

e perché conserviamo il codice postale

00:02:17

Perché permetterà nel nostro

00:02:19

modello di dati per gestire una relazione,

00:02:21

Un link che permetterà

00:02:22

soffiare se necessario,

00:02:24

per reimportare la regione in

00:02:28

il nostro nella nostra tabella principale.

00:02:31

E quindi se lo ripetiamo più volte,

00:02:34

Ci incontreremo di nuovo.

00:02:35

Con allora sì,

00:02:37

Ho messo con un po 'di immaginazione,

00:02:38

Quindi finiremo con questo un po '.

00:02:41

C'è un tavolo centrale e

00:02:43

tabelle intermedie che

00:02:43

graviterà intorno, quindi possiamo molto

00:02:45

Immagina un tavolo per tutto ciò che

00:02:47

sarà intorno alla geolocalizzazione.

00:02:49

Per i comuni, anche per temi,

00:02:51

da ogni volta, ogni sotto-tema

00:02:53

corrisponderà allo stesso tema,

00:02:54

e persino la periodicità.

00:02:55

Quando diciamo il mese di inizio,

00:02:57

la data di inizio, eccetera,

00:02:59

Potremmo potenzialmente fare

00:03:00

ottimizzazioni rispetto a

00:03:02

Questo e così ci incontreremo di nuovo.

00:03:03

Questo è tutto con un po 'di una stella.

00:03:04

Guarda che i rami di una stella,

00:03:06

E anche se la standardizzazione è ottimizzata,

00:03:08

Potremmo anche ricreare tabelle.

00:03:11

Qui intermedio che avrebbe

00:03:13

duplicare per una volta,

00:03:14

la notizia e così abbiamo finito con

00:03:16

quello che viene chiamato un modello di fiocco di neve eh,

00:03:18

poiché all'improvviso avremo ancora

00:03:20

Ramificazione e così eccoti qui

00:03:22

Crea un fiocco di neve che ha detto che il

00:03:25

L'informazione non era poeta.

00:03:27

Ora che l'abbiamo visto,

00:03:29

Cercheremo di applicarlo davvero

00:03:31

nel nostro modello di dati.

00:00:00

Saya juga ingin memperkenalkan Anda pada sebuah konsep

00:00:02

yang hampir relatif terhadap manajemen

00:00:05

database yang juga membenarkan

00:00:08

penggunaan hubungan antar tabel.

00:00:11

Secara khusus, kita akan berbicara tentang menyerah

00:00:13

setiap kasus membuat model bintang.

00:00:17

Jadi ini adalah tema yang Anda miliki

00:00:18

mungkin sudah pernah mendengar jika Anda memiliki

00:00:20

sudah terbuat dari database,

00:00:21

Prinsipnya cukup sederhana,

00:00:23

Itu adalah ketika kita pergi untuk melihat meja kita,

00:00:25

Misalnya, festival, kami akan,

00:00:27

Kami akan melihat bahwa kami akan sering

00:00:30

ulangi informasi yang sama,

00:00:31

misalnya di sini.

00:00:32

Wilayah, kotamadya, dan kode pos

00:00:35

akan sering terulang setiap kali itu,

00:00:37

Seperti apa

00:00:38

Aku akan menemuimu di sebuah festival di Paris,

00:00:40

wilayah itu akan menjadi Prancis untuk Lyon,

00:00:42

itu akan menjadi Auvergne, Rhône-Alpes dan sebagainya.

00:00:45

Dan itu sendiri tidak

00:00:47

Sangat memalukan untuk memiliki itu.

00:00:48

Hanya saja bisa menghasilkan

00:00:51

Beberapa masalah dalam tanda kutip.

00:00:53

Yang pertama adalah bahwa kita akan memiliki

00:00:55

polusi visual yang berpotensi

00:00:57

di meja satu karena kita akan

00:00:58

memiliki redundansi setiap saat

00:01:00

Informasi sepanjang waktu untuk.

00:01:02

Sekali lagi di sana untuk,

00:01:03

untuk kotamadya tertentu dan karenanya menambahkan.

00:01:05

Kolom yang akan sering

00:01:08

ulangi dan elemen lainnya,

00:01:09

adalah bahwa ia menciptakan volume data

00:01:11

cukup penting untuk disimpan karena semuanya

00:01:13

Apa yang diimpor ke dalam laporan

00:01:15

akan menjadi bagian dari bobot laporan,

00:01:16

kecuali Anda menggunakan Direct Quéry.

00:01:18

Tetapi dalam sebagian besar kasus,

00:01:19

Ini tidak akan terjadi dan karenanya

00:01:22

Berdasarkan pengamatan ini,

00:01:23

Orang mungkin mengatakan bahwa itu belum tentu

00:01:25

diperlukan setiap kali mengulangi,

00:01:26

Orang bisa dengan sangat baik mengatakan saya mengisolasi

00:01:28

hanya kode pos dan saya membacanya.

00:01:31

Jadi di Lyon dan Auvergne Rhône-Alpes.

00:01:33

Itu saja, yaitu meja dengan

00:01:35

berbagi yang hanya akan menyimpan.

00:01:36

Setiap kali, detail masing-masing,

00:01:38

setiap kode pos dan oleh karena itu apa itu

00:01:40

Seperti apa bentuknya?

00:01:41

Nah, di sini,

00:01:42

Saya akan pergi ke Power Quéry dan ya,

00:01:44

Kami akan kembali.

00:01:46

Kami akan menduplikasi kolom la,

00:01:49

meja, maaf untuk festival,

00:01:51

Kami akan mengisolasi semua yang kami lakukan

00:01:54

oleh karena itu menarik bagi daerah,

00:01:56

kotamadya dan kode pos.

00:01:58

Jadi seperti yang telah kita lihat di sini,

00:01:59

Jadi kita misalnya, kita berkumpul kembali,

00:02:02

atau kami menghapus duplikat.

00:02:05

Lalu

00:02:05

kita pergi ke kolom dasar,

00:02:07

di tabel dasar.

00:02:09

Hapus kolom yang dimaksud, oleh karena itu,

00:02:11

yaitu wilayah dan kotamadya.

00:02:13

Kami hanya akan menyimpan kode pos

00:02:15

dan mengapa kami menyimpan kode pos

00:02:17

Karena itu akan memungkinkan di kita

00:02:19

model data untuk mengelola hubungan,

00:02:21

Tautan yang memungkinkan

00:02:22

tiup jika perlu,

00:02:24

untuk mengimpor ulang wilayah ke

00:02:28

kami di meja utama kami.

00:02:31

Jadi jika kita ulangi ini beberapa kali,

00:02:34

Kita akan bertemu lagi.

00:02:35

Dengan itu ya,

00:02:37

Saya taruh dengan sedikit imajinasi,

00:02:38

Jadi kita akan berakhir dengan itu sedikit.

00:02:41

Ada meja tengah dan

00:02:43

Tabel menengah yang

00:02:43

akan tertarik di sekitar, jadi kita bisa sangat banyak

00:02:45

Bayangkan sebuah meja untuk segala sesuatu yang

00:02:47

akan berada di sekitar geolokasi.

00:02:49

Untuk kotamadya, bahkan untuk tema,

00:02:51

karena setiap kali, setiap sub-tema

00:02:53

akan sesuai dengan tema yang sama,

00:02:54

dan bahkan periodisitas.

00:02:55

Ketika kita mengatakan bulan awal,

00:02:57

tanggal mulai, dan lain-lain,

00:02:59

Kami berpotensi melakukannya

00:03:00

optimasi dibandingkan dengan

00:03:02

Itu dan itu kita akan bertemu lagi.

00:03:03

Itu saja dengan sedikit bintang.

00:03:04

Lihat bahwa cabang-cabang bintang,

00:03:06

Dan bahkan jika standardisasi dioptimalkan,

00:03:08

Kita bahkan bisa membuat ulang tabel.

00:03:11

Di sini perantara siapa yang akan memiliki

00:03:13

duplikat untuk sekali,

00:03:14

berita dan jadi kami berakhir dengan

00:03:16

apa yang disebut model kepingan salju eh,

00:03:18

karena tiba-tiba kita masih akan memiliki

00:03:20

Percabangan dan ini dia

00:03:22

Buat kepingan salju yang mengatakan bahwa

00:03:25

Informasi bukanlah penyair.

00:03:27

Sekarang kita telah melihat itu,

00:03:29

Kami akan mencoba menerapkannya dengan sungguh-sungguh

00:03:31

dalam model data kita sendiri.

00:00:00

Quero também apresentar-vos um conceito

00:00:02

que está quase relacionado com a gestão

00:00:05

Base de dados que também justifica

00:00:08

o uso de relações entre tabelas.

00:00:11

Em particular, vamos falar sobre ceder

00:00:13

qualquer caso para criar um modelo estrela.

00:00:17

Então esse é um tema que você tem

00:00:18

Talvez você já tenha ouvido isso antes, se você já ouviu antes.

00:00:20

já constituída pela base de dados,

00:00:21

O princípio é bastante simples,

00:00:23

é que quando vamos olhar para a nossa mesa,

00:00:25

Por exemplo, festivais, nós vamos chegar lá,

00:00:27

Vamos notar que vamos muito

00:00:30

repetir a mesma informação,

00:00:31

por exemplo, aqui.

00:00:32

Regiões, municípios e código postal

00:00:35

será frequentemente repetido de cada vez,

00:00:37

Como o quê

00:00:38

Eu vou tocá-lo em um festival em Paris,

00:00:40

a região seria da França para Lyon,

00:00:42

será Auvergne, Ródano-Alpes e assim por diante.

00:00:45

E por isso em si não é

00:00:47

Tão estranho ter isso.

00:00:48

Só que pode gerar

00:00:51

Algumas questões entre aspas.

00:00:53

A primeira é que vamos ter

00:00:55

Poluição potencialmente visual

00:00:57

na mesa um, já que vamos

00:00:58

Ter despedimentos sempre

00:01:00

informação o tempo todo para o.

00:01:02

Mais uma vez aqui para o,

00:01:03

para um determinado município e, portanto, acrescentar.

00:01:05

Colunas que muitas vezes

00:01:08

repetir-se a si próprio e ao outro elemento,

00:01:09

é que ele cria um volume de dados

00:01:11

Bastante importante para armazenar desde tudo

00:01:13

O que é importado para o relatório

00:01:15

fará parte do peso do relatório,

00:01:16

A menos que você esteja usando o Direct Quéry.

00:01:18

Mas, na maioria dos casos,

00:01:19

Não será esse o caso, pelo que

00:01:22

Com base nesta observação,

00:01:23

Você pode pensar que não é necessariamente

00:01:25

necessidade de repetir sempre,

00:01:26

Pode-se muito bem dizer que estou me isolando

00:01:28

apenas o CEP e eu li.

00:01:31

Assim em Lyon e Auvergne Rhône-Alpes.

00:01:33

É isso, ou seja, uma mesa com

00:01:35

parte que armazenaria apenas.

00:01:36

Cada vez, o detalhe de cada um,

00:01:38

cada código postal e, portanto, o que é

00:01:40

Como seria?

00:01:41

Bem, aqui,

00:01:42

Vou entrar no Power Query e sim,

00:01:44

Vamos voltar.

00:01:46

Vamos duplicar a coluna lá,

00:01:49

A mesa, desculpe os festivais,

00:01:51

Vamos isolar tudo o que temos.

00:01:54

reveste, por conseguinte, interesse para as regiões,

00:01:56

municípios e código postal.

00:01:58

Então, como vimos aqui,

00:01:59

Assim, por exemplo, fazemos qualquer um dos grupos,

00:02:02

ou removemos duplicatas.

00:02:05

E depois

00:02:05

Vamos para a coluna base,

00:02:07

na tabela base.

00:02:09

Por conseguinte, elimine as colunas em questão,

00:02:11

ou seja, a região e o município.

00:02:13

Vamos apenas manter o código postal

00:02:15

e porque guardamos o código postal

00:02:17

porque vai permitir a nossa

00:02:19

modelo de dados para gerenciar um relacionamento,

00:02:21

um link que permitirá

00:02:22

se precisar,

00:02:24

reimportar a região para o

00:02:28

nossa na nossa mesa principal.

00:02:31

E assim, se repetirmos isso algumas vezes,

00:02:34

Vamos nos encontrar novamente.

00:02:35

Então, sim,

00:02:37

Eu coloco com um pouco de imaginação,

00:02:38

Então vamos acabar com isso um pouco.

00:02:41

Há uma mesa central e

00:02:43

quadros intermédios que

00:02:43

vão gravitar por aí, para que possamos muito

00:02:45

Imagine uma mesa para tudo o que precisa

00:02:47

vai ser em torno da geolocalização.

00:02:49

Para os municípios, mesmo por temas,

00:02:51

desde cada vez, cada sub-tema

00:02:53

corresponderá ao mesmo tema,

00:02:54

e até periodicidade.

00:02:55

Quando dizemos o mês do início,

00:02:57

a data de início, et cetera,

00:02:59

Poderíamos potencialmente fazer

00:03:00

Otimizações em comparação com

00:03:02

Isso e por isso vamos nos encontrar novamente.

00:03:03

Isso é um pouco de uma estrela.

00:03:04

Veja que os ramos de uma estrela,

00:03:06

E mesmo que otimizemos a padronização,

00:03:08

Poderíamos até recriar tabelas.

00:03:11

Aqui intermediário que teria

00:03:13

duplicar por uma vez,

00:03:14

as notícias e assim acabamos com

00:03:16

o que é chamado de modelo de floco de neve, eh,

00:03:18

porque assim ainda teremos

00:03:20

e assim vamos

00:03:22

criar um floco de neve que disse que o

00:03:25

Não eram poetas.

00:03:27

Agora que vimos isso,

00:03:29

Vamos tentar aplicá-lo

00:03:31

no nosso próprio modelo de dados.

Mandarine AI: CE QUI POURRAIT VOUS INTÉRESSER

LES COURS ASSOCIÉS Cette vidéo fait partie des cours suivants

Abonnés

6756 vues

E-learning Avancé

Formation Vidéo Microsoft Power BI - Avancé

Ce cours complet vous permet d’acquérir un niveau avancé pour mettre en place des rapports complets et complexes dans Microsoft Power BI.

Cours E-learning

TOUS LES COURS