Databáze. datum jmeno prijmeni adresa_ulice adresa_mesto cislo_uctu platba zustatek

Rozměr: px

Začít zobrazení ze stránky:

Download "Databáze. datum jmeno prijmeni adresa_ulice adresa_mesto cislo_uctu platba zustatek"

Roman Marian Kraus
před 8 lety
Počet zobrazení:

1 Databáze datum jmeno prijmeni adresa_ulice adresa_mesto cislo_uctu platba zustatek Jan Novak Dlouha 5 Praha Jan Novak Dlouha 5 Praha Jan Novak Dlouha 5 Praha Karel Nemec Podolska 4 Praha Karel Nemec Podolska 4 Praha Jan Novak Dlouha 5 Praha Karel Nemec Podolska 4 Praha Obr. 1 Plochý soubor s daty klient id_klient jmeno prijmeni adresa_ulice adresa_mesto transakce id_transakce id_ucet datum platba zustatek úet id_ucet id_klient Obr. 2 Relaní databáze Způsoby dotazování: QBE vs. SQL SELECT klient.jmeno, klient.prijmeni, klient.adresa_ulice, klient. adresa_ mesto, ucet.cislo_uctu, transkace.zustatek FROM klient, ucet, transakce WHERE klient.id_klent = ucet.id_ucet; AND transakce.id_ucet = ucet.id_ucet; AND transakce.zustatek < 100; GROUP BY klient.adresa_mesto Obr. 3 SQL dotaz 1

00 980108 Jan Novak Dlouha 5 Praha 1 9945371-150.00-100.00 980111 Karel Nemec Podolska 4 Praha 2 24867134 5000.00 7000.00 Obr.

2 P ístup k dat m EIS OLAP multidimenzionální koncept uložení a manipulace s daty (DATOVÁ KRYCHLE), intuitivní manipulace s daty, práce s daty z heterogenních datových zdrojů - provádějí se konverze dat, použití analytických metod - statistické přehledy, what-if analýzy, Client/Server architektura, podpora multiuživatelského pohledu, ukládání výsledků OLAP mimo zdrojová data, dynamická manipulace s řídkými maticemi, zpracování chybějících hodnot, neomezený počet dimenzí a agregačních úrovní. produkt datum region objem prodeje m sto Obr. 4 Struktura databáze 2

Client/Server architektura, podpora multiuživatelského pohledu, ukládání výsledků OLAP mimo zdrojová data, dynamická manipulace s řídkými

3 datum produkt m sto množství šrouby Praha matky Praha šrouby Brno podložky Brno šrouby Praha podložky Praha šrouby Kladno 35 Tab. 1 Záznamy v databázi PRODEJ Praha Brno Kladno šrouby matky podložky šrouby matky podložky šrouby matky podložky Tab. 2 ídká matice objem prodeje agregace pro produkty agregace pro m sta agregace pro regiony Obr. 5 Multidimenzionální model Práce s daty: slice and dice roll up vs. drill down 3

1 Záznamy v databázi PRODEJ Praha Brno Kladno šrouby matky podložky šrouby matky podložky šrouby matky podložky 10.1. 241 61 17 42 10.

4 Implementace: hyperkrychle (hypercube) multikrychle (multicube) čisté OLAP vs. ROLAP uživatelské rozhraní OLAP engine MOLAP ROLAP SQL engine sumarizovaná data granulární data Obr. 6 MOLAP vs. ROLAP fyzické implementace systému: schéma hvězdy (star schema), schéma sněhové vločky (snowflake schema). 4

sumarizovaná data granulární data Obr. 6 MOLAP vs.

5 dimenze prodejna tabulka fakt dimenze asu data o prodejn m sto data o okresu data o regionu úrove (level) po et dimenze produkt data o produktu zna ka výrobce úrove(level) data o období rok tvrtletí m síc den Obr. 7 Hvzda dimenze prodejna data o prodejn m sto data o okresu data o regionu úrove(level) tabulka fakt prodejna poet data o okresu data o regionu tabulka fakt okres poet tabulka fakt region poet Obr. 8 Snhová vloka 5

7 Hvzda dimenze prodejna data o prodejn m sto data o okresu data o regionu úrove(level) tabulka fakt

6 Datový sklad subjektově orientovaný, integrovaný, časově proměnný, leč stálý soubor dat sloužící pro podporu rozhodování siln sumarizovaná data m e t a d a t a st edn sumarizovaná data sou asná detailní data starší detailní data Obr. 9 Struktura datového skladu 1. vrstva produk ní databáze 2. vrstva ddddd Data Warehouse Data 3. vrstva Data Mart Obr. 10 Tívrstvá (three tiered) architektura datového skladu 6

data starší detailní data Obr. 9 Struktura datového skladu 1. vrstva produk ní databáze 2.

7 Dotazovací jazyky pro KDD MINE RULE Priklad AS SELECT DISTINCT 1..n produkt AS BODY, 1..1 produkt AS HEAD, SUPPORT, CONFIDENCE FROM Prodej WHERE BODY.město = HEAD.město AND BODY.datum = HEAD.datum EXTRACTING RULES WITH SUPPORT: 0.1, CONFIDENCE: 0.5 Obr. 11 Dotaz v MINE RULE Emp(Id,Age,Sex,Salary,Position,Car) GetRules (Emp) into R where support > 0.1 and confidence > 0.9 SelectRules (R) where body has {Age=*), (Sex=*)} and body is {(Car=*)} Obr. 12 Dotaz v MSQL - hledání pravidel Select * from Emp where violates all (GetRules (Emp) where body is {(Age=*)} and head is {(Salary=*)} and confidence > 0.3) Obr. 13 Dotaz v MSQL - hledání výjimek 7

11 Dotaz v MINE RULE Emp(Id,Age,Sex,Salary,Position,Car) GetRules (Emp) into R where support > 0.1 and confidence > 0.

Podobné dokumenty

Dobývání znalostí z databází. Databáze. datum jmeno prijmeni adresa_ulice adresa_mesto cislo_uctu platba zustatek

Dobývání znalostí z databází. Databáze. datum jmeno prijmeni adresa_ulice adresa_mesto cislo_uctu platba zustatek Databáze datum jmeno prijmeni adresa_ulice adresa_mesto cislo_uctu platba zustatek 980103 Jan Novak Dlouha 5 Praha 1 9945371 100.00 100.00 980105 Jan Novak Dlouha 5 Praha 1 9945371 1500.00 1600.00 980106