事实度量

图5.5处理精确时间度量的事实表设计与日期维表不同，通常少有对分秒的描述。如果企业有定义明确时间片的属性（如轮班时间、广告时间等），可将这些属性定义为对午夜时点的偏移量。若粒度为分钟，则每日时间维度将产生1440条记录；若粒度为秒，则会有86400条记录。此时可采用之前描述的SQL日期时间戳设计。6.6大维度数据仓库中最有趣的维度包括客户、产品等，大企业客户维度通常有上百万记录，每条记录有上百个字段。大型个人客户维度则可能超过千万条记录，字段数多数时候较少。大维度通常由多个数据源衍生，企业中客户可来自多个账户管理系统，如银行中客户可能来自抵押、信用卡、支票和储蓄等多个业务部门。银行若欲创建所有部门客户维表，则需对这些独立客户列表进行剔重、规范化和合并，步骤见图5.6。

利用 MATLAB 实施测量程序，通过调整权重的大小实现稳健估计。

事实表与维度表设计是数据仓库中的重要组成部分，用于有效管理和分析数据。事实表记录了业务过程的事实，而维度表则包含了描述事实表中数据的上下文信息。通过合理的设计方法，可以确保数据仓库的高效运作和数据分析的准确性。

事实星座模式示例：以销售数据为例 销售事实表（Sales Fact Table） | 字段名 | 描述 ||---|---|| time_key | 时间维度键 || item_key | 商品维度键 || branch_key | 分支机构维度键 || location_key | 地理位置维度键 || units_sold | 销售数量 || dollars_sold | 销售额 || avg_sales | 平均销售额 | 运输事实表（Shipping Fact Table） | 字段名 | 描述 ||---|---|| time_key | 时间维度键 || item_key | 商品维度键 || shipper_key | 承运商维度键 || from_location | 起始地维度键 || to_location | 目的地维度键 || dollars_cost | 运输成本 || units_shipped | 运输数量 | 时间维度表（Time Dimension） | 字段名 | 描述 ||---|---|| time_key | 时间维度键 || day_of_the_week | 星期几 || month | 月份 || quarter | 季度 || year | 年份 | 地理位置维度表（Location Dimension） | 字段名 | 描述 ||---|---|| location_key | 地理位置维度键 || street | 街道 || city | 城市 || province_or_state | 省/州 || country | 国家 | 商品维度表（Item Dimension） | 字段名 | 描述 ||---|---|| item_key | 商品维度键 || item_name | 商品名称 || brand | 品牌 || type | 类型 || supplier_type | 供应商类型 | 分支机构维度表（Branch Dimension） | 字段名 | 描述 ||---|---|| branch_key | 分支机构维度键 || branch_name | 分支机构名称 || branch_type | 分支机构类型 | 承运商维度表（Shipper Dimension） | 字段名 | 描述 ||---|---|| shipper_key | 承运商维度键 || shipper_name | 承运商名称 || location_key | 承运商地理位置维度键 || shipper_type | 承运商类型 |

通过连续数据挖掘，形成规则度量值序列。通过参数估计，获取度量值特征参数，用于评估规则兴趣度，把握规则演化规律。提出了针对小样本的度量值扩散估计方法，并讨论了不同趋势下的序列参数计算。实验结果表明，该方法准确简便，抗干扰性强。

该工具可生成复杂度度量。

设计数据库时，有两个不争的事实：数据库中冗余的数据需要额外的维护，因此高质量的表应尽量减少冗余数据；数据库中经常变化的数据需要额外的维护，因此高质量的表应尽量避免数据频繁变动。评估数据库表设计的质量应考虑这些关键因素。

决策树的构建过程中，属性选择至关重要。信息增益和Gini系数是两种常用的属性选择指标。信息增益，作为决策树常用的分支准则，通过计算属性划分前后信息熵的变化，选择信息增益最大的属性进行节点划分。Gini系数则用于度量数据集的纯度，其值越小，数据集纯度越高。

本研究基于Jaccard相似度度量，提出一种考虑权重的实体识别方法，并应用于社会网络分析。该方法通过计算实体属性权重，提高实体识别精度。

通过构建包含基础均衡、泡沫均衡、周期和混沌四种形态的多主体股市模型，并进行计算机仿真实验，本研究分析了不同市场形态下股票市场收益率的统计特征。 研究发现，四种市场形态都呈现出尖峰肥尾、波动聚集和长期记忆（PL）特性。其中，基础均衡状态下这些特征最为显著，周期和混沌状态次之，泡沫均衡状态最弱。