本文为您介绍 Fabric模型体系，解析事实表与维表、多事实表模型、关系模型的概念，并说明新旧版本数据集的差异以及如何在新旧版本数据集之间进行切换。

Fabric 模型是一套用于数据组织、关联与分析的数据建模体系，核心围绕事实表与维表的设计、多事实表模型的构建及关系模型的优化展开，旨在解决传统数据建模中效率低、准确性不足、分析灵活性差等问题，适用于复杂业务场景下的多维数据分析需求。

事实表和维表

事实表（Fact Table）和维表（Dimension Table）是常用的术语，用于描述数据模型中的两种不同类型的表格。

• 事实表：​是用来存储指标数据的表格，它包含了与业务过程相关的事实（Facts）数据。事实是可量化的数值或指标，用于表示业务过程中发生的事件或活动，比如销售数量、收入、成本等。
• 维表：​是用来存储描述性信息的表格，它包含了与业务过程相关的维度（Dimensions）数据。维度是用于描述和组织数据的属性，比如时间、地点、产品、客户等。

维表和事实表之间通过某些共同的字段建立关联关系，这样可以在查询和分析数据时将维度和指标进行关联，实现多维分析。
实际案例：
为了让大家可以更好得理解两种概念，举一个比较通俗易懂的例子。
假设现在我们有一张购物小票：

• 事实表：「记录」发生了什么事
  小票核心交易信息如下：

  时间：2023-10-01 18:30  
  商品：可乐*2瓶（单价3元）、薯片*1包（单价5元）  
  总金额：11元  
  收银员：张三  
  店铺：A超市朝阳分店
  

  • 事实表就像这张小票的核心记录：
    • 买了什么？可乐 2 瓶、薯片 1 包
    • 花了多少钱？11 元
    • 交易时间？2023-10-01 18:30
      事实表的特点：包含数字（数量、金额）、可计算（总价=单价×数量）、频繁新增（每笔交易都产生新记录）。

• 维表：「描述」这件事的背景信息
  购物小票上除了核心交易，还有描述性信息：

  可乐的维表：  
  - 分类：饮料  
  - 品牌：可口可乐  
  - 规格：500ml  
  - 保质期：12个月  
  
  店铺的维表：  
  - 地址：朝阳区XX路XX号  
  - 营业时间：8:00-22:00  
  - 店长：李四  
  
  时间的维表：  
  - 季度：2023年Q4  
  - 是否节假日：是（国庆节）  
  - 天气：晴
  

  • 维表就像这些背景说明书：
    • 用文字描述事实的「谁、哪里、何时、为什么」
    • 信息相对固定（比如可乐分类不会每天变）
    • 通过 ID 关联事实表（比如用「商品 ID」关联可乐的详细信息）。

• 两者的关系：拼图

  • 事实表是拼图碎片：记录具体行为（买了什么、花了多少钱）。
  • 维表是拼图盒子上的图案：告诉你碎片应该拼成什么样子（可乐属于饮料类、店铺在朝阳区）。
  • 事实表与维表进行组合后才能回答复杂问题。

多事实表模型

对于事实表，通常还会进行拆分，并不会把某个业务所有的事实数据都存储在一个大的事实宽表中，而是拆分成多个事实表。
多事实表模型是指一个数据模型中包含多个事实表，每个事实表表示一个不同的分析主题。事实表之间可能共享一些维度表（如时间、客户），但它们通常存储不同粒度或不同主题的度量值。
实际案例：
以商场运营情况为例：
假设我们正在分析一个商场的运营情况。商场的业务涉及多个主题，例如销售、退货、库存等。每个主题都有自己的数据表（事实表），但它们之间可能共享一些通用信息（维度表）。

• 事实表：
  • Order（销售记录）：记录每笔订单的销售额、销售数量、产品 ID、客户 ID、日期 ID。
  • Return（退货记录）：记录每笔退货的退货金额、退货数量、产品 ID、客户 ID、日期 ID。
  • Warehouse（库存记录）：记录每个产品每天的库存数量、补货数量、日期 ID。
• 维度表（共享信息）：
  • Products（产品信息）：记录产品 ID、产品名称、类别、品牌。
  • Salesman（销售信息）：记录销售ID、客户 ID、客户名称、年龄、性别、地区。

在这个例子中：

• 多事实表模型就是通过 Sales、Returns 和 Inventory 这三个事实表来描述不同的业务主题。
• 它们共享维度表（如 Products、Salesman ），用于统一维度信息。

关系模型

在提出关系模型之前，我们以往使用普通的 Join 连接也可以实现多事实表模型，但存在诸多问题与限制，由于普通 Join 连接可能存在的数据膨胀和重复计算等问题，数仓建设成本非常高。
DataWind 引入关系模型（Relationships），极大地提升了用户在处理复杂数据模型（尤其是多事实表模型）时的效率和灵活性。相比于之前仅能使用**物理连接（Joins）**的方式，关系模型为用户带来了多方面的提效和收益，包括建模效率、数据准确性、性能优化和多粒度分析能力等。更多关系模型和 Join 的介绍，请参考表节点关联方式说明。

相比于旧版数据集，新版数据集最大的改动是，表之间的连接方式在原来「Join」连接的基础上，引入了「关系」连接。

关系连接示例：

旧版升级到新版

对于存量数据集，可以在数据集的详情页面点击「模型升级」按钮进行升级。

新版回退到旧版

如果希望继续使用旧版数据集链路创建数据集，可以在模型配置的右上角处返回旧版。