2026年數據倉庫設計與實現專項訓練題庫

2026年數據倉庫設計與實現專項訓練題庫一、單項選擇題（本大題共10小題，每小題2分，共20分）1.在數據倉庫設計中，星型模式的主要優點不包括以下哪項？A.數據模型簡潔，易于理解和實現B.支持快速查詢性能，特別適合OLAP場景C.能夠有效處理大量維度數據，保持數據一致性D.直接映射關系型數據庫的三范式，減少數據冗余解析：星型模式通過事實表和維度表的關聯，簡化了數據結構，但并非直接映射三范式。三范式是關系型數據庫設計原則，而星型模式通過反范式設計（如維度表冗余）提升查詢效率。選項A、B、C均正確描述了星型模式優勢，選項D錯誤。2.數據倉庫ETL過程中，數據清洗階段的核心任務不包括以下哪項？A.處理缺失值，如使用均值或中位數填充B.檢測并修正數據類型不一致問題C.識別并消除重復記錄D.對數據進行統計分析，生成業務指標解析：數據清洗主要處理數據質量問題，如缺失值、異常值、重復值、格式錯誤等。選項A、B、C均屬于典型清洗任務，而選項D屬于數據分析階段工作，不屬于清洗范疇。3.在數據倉庫分層架構中，ODS（操作數據存儲）層的主要作用不包括以下哪項？A.存儲原始業務系統數據，保留詳細歷史記錄B.提供數據冗余備份，增強系統容災能力C.作為ETL過程的數據源，支持增量更新D.直接面向前端報表應用，生成可視化圖表解析：ODS層主要作為數據倉庫的數據源，存儲接近實時或準實時的業務數據。選項A、B、C正確描述了ODS功能，而選項D屬于數據應用層（如DW或BI層）的工作。4.Snowflake模式在數據倉庫設計中的主要優勢不包括以下哪項？A.通過數據分區和壓縮技術，顯著降低存儲成本B.支持多租戶架構，隔離不同業務部門數據C.優化了數據查詢性能，特別適合復雜SQL分析D.自動生成數據索引，無需手動維護解析：Snowflake模式通過維度表的持續分解，形成類似雪花結構，主要優勢在于存儲優化和租戶隔離。選項A、B正確，但選項C錯誤，Snowflake模式因數據路徑變長可能降低查詢性能；選項D錯誤，索引仍需手動配置。5.數據倉庫中，維度表設計時通常需要考慮以下哪個原則？A.維度表記錄應盡可能多，覆蓋所有可能的分析角度B.維度表應嚴格遵循三范式設計，避免冗余C.維度表主鍵應采用自然鍵而非代理鍵D.維度表需定期歸檔歷史數據，保持當前數據簡潔解析：維度表設計應遵循"雪花化"反范式原則，保留豐富屬性以支持多維度分析。選項A正確，維度設計需全面；選項B錯誤，維度表常反范式設計；選項C錯誤，代理鍵更穩定；選項D錯誤，歸檔是事實表操作。6.在數據倉庫ETL過程中，數據轉換階段的核心任務不包括以下哪項？A.數據類型轉換，如將字符串轉換為日期格式B.數據標準化，如統一貨幣單位或計量標準C.計算衍生指標，如根據銷售額計算利潤率D.數據加密處理，保護敏感信息解析：數據轉換主要處理數據格式和業務邏輯轉換。選項A、B、C均屬于典型轉換任務，而選項D屬于數據安全范疇，通常在數據傳輸或存儲階段處理。7.數據倉庫中，事實表設計時通常需要考慮以下哪個原則？A.事實表記錄應盡可能少，只保留匯總數據B.事實表應包含所有維度屬性，避免外鍵關聯C.事實表主鍵應采用代理鍵而非自然鍵D.事實表需按時間周期分區，優化查詢性能解析：事實表設計應遵循反范式原則，包含必要的維度屬性以支持直接聚合。選項A錯誤，事實表應保留詳細交易記錄；選項B錯誤，事實表通過外鍵關聯維度表；選項C正確，代理鍵更穩定；選項D正確，時間分區是常見優化手段。8.在數據倉庫設計中，數據質量監控的核心目標不包括以下哪項？A.確保數據準確性，如金額計算無錯誤B.保證數據完整性，如避免記錄缺失C.優化數據加載速度，滿足SLA要求D.控制數據存儲成本，避免冗余解析：數據質量監控主要關注數據本身的質量問題。選項A、B正確，準確性、完整性是核心指標；選項C錯誤，加載速度屬于ETL性能范疇；選項D錯誤，成本控制屬于架構設計決策。9.數據倉庫中，數據聯邦技術的主要優勢不包括以下哪項？A.實現不同數據源的無縫數據集成B.支持實時數據同步，保持數據一致性C.解決數據孤島問題，提供統一數據視圖D.自動生成數據血緣關系，追蹤數據來源解析：數據聯邦通過虛擬化技術整合分散數據，主要優勢在于集成和視圖統一。選項A、B、C正確，但選項D錯誤，數據血緣通常需要專門工具追蹤，非聯邦技術直接功能。10.在數據倉庫設計中，數據模型選擇時需要考慮以下哪個因素？A.數據庫品牌，優先選擇特定廠商產品B.業務分析需求，如支持多維度分析C.開發團隊技能，優先使用熟悉的技術D.數據存儲容量，優先選擇大容量方案解析：數據模型選擇應基于業務需求。選項B正確，分析需求是關鍵考量；選項A、C、D錯誤，數據庫品牌、團隊技能、存儲容量應作為次要因素。二、填空題（本大題共10小題，每小題2分，共20分）1.在數據倉庫設計中，______模式通過事實表和維度表的直接關聯，形成類似星形的結構，簡化了數據查詢路徑。參考答案：星型解析：星型模式是數據倉庫常見模型，通過中心事實表與周圍維度表關聯，支持快速OLAP分析。該模式在零售、金融等行業廣泛應用。2.數據倉庫ETL過程中，數據驗證階段的主要任務包括______、______和______三個方面。參考答案：完整性驗證、一致性驗證、有效性驗證解析：數據驗證是確保ETL過程質量的關鍵環節，需驗證數據是否完整、是否符合預期格式、是否在合理范圍內。3.在數據倉庫分層架構中，______層通常存儲原始業務系統數據，保留詳細歷史記錄，作為ETL過程的數據源。參考答案：ODS（操作數據存儲）解析：ODS層是數據倉庫的數據源層，直接映射業務系統結構，保留原始數據完整性，支持增量更新。4.Snowflake模式在數據倉庫設計中的主要特點是將維度表______，形成類似雪花的分支結構，從而減少數據冗余。參考答案：持續分解解析：Snowflake模式通過將維度表進一步分解為更細粒度的子維度，形成層級結構，但可能增加查詢復雜度。5.數據倉庫中，維度表設計時通常需要考慮______和______兩種鍵的設計。參考答案：自然鍵、代理鍵解析：維度表需同時設計自然鍵（業務唯一標識）和代理鍵（系統生成唯一碼），代理鍵更穩定，適合作為主鍵。6.在數據倉庫ETL過程中，數據轉換階段的核心任務包括______、______和______等操作。參考答案：數據清洗、數據標準化、計算衍生指標解析：數據轉換是ETL的核心環節，主要處理數據格式統一、業務邏輯計算等操作。7.數據倉庫中，事實表設計時通常需要考慮______和______兩種類型。參考答案：交易型事實表、周期性事實表解析：事實表根據業務類型分為交易型（記錄單個業務事件）和周期性（記錄定期匯總數據）兩類。8.數據倉庫中，數據質量監控的核心指標包括______、______和______等方面。參考答案：準確性、完整性、一致性解析：數據質量是數據倉庫的生命線，核心指標包括數據是否正確、是否完整、是否一致。9.數據倉庫中，數據聯邦技術的主要優勢在于______和______，無需實際移動數據。參考答案：數據集成、視圖統一解析：數據聯邦通過虛擬化技術整合分散數據，實現跨源數據集成和統一視圖，無需物理遷移。10.在數據倉庫設計中，數據模型選擇時需要考慮______、______和______等因素。參考答案：業務分析需求、數據量、技術可行性解析：數據模型選擇應綜合考慮業務需求、數據規模和技術實現能力，平衡性能與復雜度。三、判斷題（本大題共10小題，每小題2分，共20分）1.星型模式在數據倉庫設計中，維度表應嚴格遵循三范式設計，避免數據冗余。（×）解析：星型模式維度表常反范式設計，保留豐富屬性以支持多維度分析，減少查詢復雜度。2.數據倉庫ETL過程中，數據抽取階段的主要任務是從業務系統獲取數據。（√）解析：ETL第一階段是抽取，從源系統獲取數據，可以是全量或增量抽取。3.Snowflake模式在數據倉庫設計中的主要優勢是查詢性能優化。（×）解析：Snowflake模式通過維度分解減少冗余，但可能增加查詢路徑長度，降低查詢性能。4.數據倉庫中，事實表的主鍵必須包含所有維度表的外鍵。（×）解析：事實表主鍵是所有關聯維度表外鍵的組合，但不需要顯式包含，而是通過關系定義。5.數據倉庫ETL過程中，數據加載階段的主要任務是驗證數據質量。（×）解析：數據加載是ETL最后階段，將轉換后的數據寫入目標倉庫，驗證任務在轉換階段完成。6.數據倉庫中，維度表設計時通常需要考慮時間維度，以支持歷史數據分析。（√）解析：時間維度是所有數據倉庫的必備維度，支持分析趨勢和變化。7.數據倉庫中，數據質量監控的主要目標是消除所有數據錯誤。（×）解析：數據質量監控的目標是確保數據滿足業務需求，允許合理誤差，而非完全消除錯誤。8.數據倉庫中，數據聯邦技術需要實際移動數據才能實現跨源查詢。（×）解析：數據聯邦通過虛擬化技術整合分散數據，無需物理遷移，實現透明訪問。9.數據倉庫中，事實表設計時通常需要考慮數據粒度，如交易級或匯總級。（√）解析：事實表設計需明確數據粒度，如每個記錄代表一筆交易或一天匯總數據。10.數據倉庫設計時，應優先選擇技術最先進的數據庫系統。（×）解析：數據倉庫設計應基于業務需求和技術適用性，而非盲目追求新技術。四、簡答題（本大題共8小題，每小題2分，共16分）1.簡述數據倉庫與關系型數據庫在數據模型設計上的主要區別。答：數據倉庫采用反范式設計（如維度表冗余），支持多維度分析；關系型數據庫遵循三范式設計，保證數據一致性，但查詢復雜。數據倉庫強調易分析性，關系型數據庫強調數據完整性。2.簡述數據倉庫ETL過程中，數據清洗階段的主要任務。答：數據清洗主要任務包括：處理缺失值（填充或刪除）、檢測并修正數據類型錯誤、識別并消除重復記錄、修正異常值（如超出合理范圍）、統一編碼格式等。3.簡述星型模式在數據倉庫設計中的優缺點。答：優點：模型簡潔，易于理解和實現；查詢性能好，特別適合OLAP場景。缺點：維度表可能冗余較多，數據一致性維護復雜；不適用于超大規模數據。4.簡述數據倉庫中，維度表設計時需要考慮的關鍵要素。答：關鍵要素包括：維度類型（業務過程、地理區域、時間等）、維度屬性（描述性字段）、鍵設計（自然鍵和代理鍵）、維度層次（如產品分類的多級結構）。5.簡述數據倉庫中，事實表設計時需要考慮的關鍵要素。答：關鍵要素包括：事實類型（交易型、周期性、積累型）、數據粒度（記錄單位，如交易筆或天）、度量值（數值型指標）、外鍵關聯（維度表關聯）。6.簡述數據倉庫ETL過程中，數據轉換階段的主要操作。答：主要操作包括：數據類型轉換（如字符串轉日期）、數據標準化（統一單位、編碼）、計算衍生指標（如利潤率、增長率）、數據合并、數據拆分等。7.簡述數據倉庫中，數據質量監控的主要方法。答：主要方法包括：數據校驗規則（如格式檢查、范圍檢查）、數據完整性檢查（如外鍵約束）、數據一致性檢查（跨表數據比對）、數據血緣追蹤（溯源分析）。8.簡述數據倉庫中，數據聯邦技術的應用場景。答：應用場景包括：整合異構數據源（如云數據庫、本地文件）、支持多租戶數據隔離、實現實時數據集成、構建數據湖與數據倉庫的混合架構。五、應用題（本大題共8小題，每小題4分，共24分）1.某電商平臺需要構建數據倉庫支持銷售分析，請簡述星型模式的設計步驟。答：設計步驟：①確定核心事實表（如銷售事實表），包含度量值（銷售額、數量等）和時間維度；②識別關鍵維度（產品、客戶、訂單、時間）；③將維度表與事實表關聯，形成星型結構；④優化維度表，保留必要屬性，考慮層次結構；⑤實現數據加載流程，支持增量更新。2.某金融機構需要構建數據倉庫支持風險分析，請簡述Snowflake模式的設計步驟。答：設計步驟：①確定核心事實表（如交易事實表），包含度量值（金額、筆數等）和時間維度；②將維度表分解為子維度（如產品維度分解為產品類型、產品子類），形成層級結構；③將分解后的維度表與事實表關聯；④實現數據加載流程，支持增量更新；⑤優化查詢性能，考慮數據分區和索引。3.某制造企業需要構建數據倉庫支持生產分析，請簡述數據清洗階段的主要任務。答：主要任務：①檢測并修正數據不一致（如日期格式不統一、單位混用）；②處理缺失值（如設備運行時間缺失，可填充平均值）；③識別并消除重復記錄（如同一訂單重復錄入）；④修正異常值（如溫度超出正常范圍）；⑤驗證數據完整性（如物料編碼是否存在）。4.某零售企業需要構建數據倉庫支持客戶分析，請簡述維度表設計時需要考慮的關鍵要素。答：關鍵要素：①維度類型（客戶維度、產品維度、促銷維度）；②維度屬性（客戶維度：姓名、性別、年齡段；產品維度：品類、品牌、價格；促銷維度：活動名稱、折扣率）；③鍵設計（客戶ID、產品ID、促銷ID）；④維度層次（如產品維度：品類-子類-品牌）。5.某電信運營商需要構建數據倉庫支持用戶分析，請簡述事實表設計時需要考慮的關鍵要素。答：關鍵要素：①事實類型（通話事實表、流量事實表）；②數據粒度（通話事實表：記錄每通電話的詳情；流量事實表：記錄每小時流量使用）；③度量值（通話時長、通話次數、流量量）；④外鍵關聯（客戶維度、終端維度、區域維度）。6.某電商平臺需要構建數據倉庫支持銷售分析，請簡述數據轉換階段的主要操作。答：主要操作：①數據標準化（統一貨幣單位、商品分類編碼）；②計算衍生指標（如客單價、復購率、退貨率）；③數據合并（將多個促銷活動合并統計）；④數據拆分（將組合商品拆分為單獨統計）；⑤數據類型轉換（如將字符串金額轉換為數值類型）。7.某醫療機構需要構建數據倉庫支持患者分析，請簡述數據質量監控的主要方法。答：主要方法：①數據校驗規則（如身份證號格式檢查、年齡范圍檢查）；②數據完整性檢查（如患者基本信息是否缺失）；③數據一致性檢查（如診斷與癥狀是否匹配）；④數據血緣追蹤（溯源分析患者信息來源）。8.某金融企業需要構建數據倉庫支持風險分析，請簡述數據聯邦技術的應用場景。答：應用場景：①整合銀行內部多個業務系統的數據（如信貸系統、交易系統）；②整合第三方數據（如征信數據、輿情數據）；③支持多部門數據共享（如風控部、反欺詐部）；④構建混合云數據架構（本地數據與云數據集成）?！緲藴蚀鸢讣敖馕觥恳弧雾椷x擇題1.D2.D3.B4.C5.A6.D7.C8.C9.D10.B二、填空題1.星型2.完整性驗證、一致性驗證、有效性驗證3.ODS（操作數據存儲）4.持續分解5.自然鍵、代理鍵6.數據清洗、數據標準化、計算衍生指標7.交易型事實表、周期性事實表8.準確性、完整性、一致性9.數據集成、視圖統一10.業務分析需求、數據量、技術可行性三、判斷題1.×2.√3.×4.×5.×6.√7.×8.×9.√10.×四、簡答題1.答：數據倉庫采用反范式設計（如維度表冗余），支持多維度分析；關系型數據庫遵循三范式設計，保證數據一致性，但查詢復雜。數據倉庫強調易分析性，關系型數據庫強調數據完整性。2.答：數據清洗主要任務包括：處理缺失值（填充或刪除）、檢測并修正數據類型錯誤、識別并消除重復記錄、修正異常值（如超出合理范圍）、統一編碼格式等。3.答：優點：模型簡潔，易于理解和實現；查詢性能好，特別適合OLAP場景。缺點：維度表可能冗余較多，數據一致性維護復雜；不適用于超大規模數據。4.答：關鍵要素包括：維度類型（業務過程、地理區域、時間等）、維度屬性（描述性字段）、鍵設計（自然鍵和代理鍵）、維度層次（如產品分類的多級結構）。5.答：關鍵要素包括：事實類型（交易型、周期性、積累型）、數據粒度（記錄單位，如交易筆或天）、度量值（數值型指標）、外鍵關聯（維度表關聯）。6.答：主要操作包括：數據類型轉換（如字符串轉日期）、數據標準化（統一單位、編碼）、計算衍生指標（如利潤率、增長率）、數據合并、數據拆分等。7.答：主要方法包括：數據校驗規則（如格式檢查、范圍檢查）、數據完整性檢查（如外鍵約束）、數據一致性檢查（跨表數據比對）、數據血緣追蹤（溯源分析）。8.答：應用場景包括：整合異構數據源（如云數據庫、本地文件）、支持多租戶數據隔離、實現實時數據集成、構建數據湖與數據倉庫的混合架構。五、應用題1.答：設計步驟：①確定核心事實表（如銷售事實表），包含度量值（銷售額、數量等）和時間維度；②識別關鍵維度（產品、客戶、訂單、時間）；③將維度表與事實表關聯，形成星型結構；④優化維度表，保留必要屬性，考慮層次結構；⑤實現數據加載流程，支持增量更新。2.答：設計步驟：①確定核心事實表（如交易事實表），包含度量值（金額、筆數等）和時間維度；②將維度表分解為子維度（如產品維度分解為產品類型、產品子類），形成層級結構；③將分解后的維度表與事實表關聯；④實現數據加載流程，支持增量更新；⑤優化查詢性能，考慮數據分區和索引。3.答：主要任務：①檢測并修正數據不一致（如日期格式不統一、單位混用）；②處理缺失值（如設備運行時間缺失，可填充平均值）；③識別并消除重復記錄（如同一訂單重復錄入）；④修正異常值（如溫度超出正常范圍）；⑤驗證數據完整性（如物料編碼是否存在）。4.答：關鍵要素：①維度類型（客戶維度、產品維度、促銷維度）；②維度屬性（客戶維度：姓名、性別、年齡段；產品維度：品類、品牌、價格；促銷維度：活動名稱、折扣率）；③鍵設計（客戶ID、產品ID、促銷ID）；④維度層次（如產品維度：品類-子類-品牌）。5.答：關鍵要素：①事實類型（通話事實表、流量事實表）；②數據粒度（通話事實表：記錄每通電話的詳情；流量事實表：記錄每小時流量使用）；③度量值（通話時長、通話次數、流量量）；④外鍵關聯（客戶維度、終端維度、區域維度）。6.答：主要操作：①數據標準化（統一貨幣單位、商品分類編碼）；②計算衍生指標（如客單價、復購率、退貨率）；③數據合并（將多個促銷活動合并統計）；④數據拆分（將組合商品拆分為單獨統計）；⑤數據類型轉換（如將字符串金額轉換為數值類型）。7.答：主要方法：①數據校驗規則（如身份證號格式檢查、年齡范圍檢查）；②數據完整性檢查（如患者基本信息是否缺失）；③數據一致性檢查（如診斷與癥狀是否匹配）；④數據血緣追蹤（溯源分析患者信息來源）。8.答：應用場景：①整合銀行內部多個業務系統的數據（如信貸系統、交易系統）；②整合第三方數據（如征信數據、輿情數據）；③支持多部門數據共享（如風控部、反欺詐部）；④構建混合云數據架構（本地數據與云數據集成）?！窘馕觥恳?、單項選擇題1.參考答案：D。星型模式的主要優點是查詢性能好，但并非直接映射三范式，而是反范式設計。其他選項均正確描述了星型模式優勢。2.參考答案：D。數據清洗主要處理數據質量問題，計算衍生指標屬于數據分析階段工作，不屬于清洗范疇。3.參考答案：B。ODS層主要作為數據源，存儲原始業務數據，支持增量更新，而非直接面向報表應用。4.參考答案：C。Snowflake模式通過維度分解減少冗余，但可能增加查詢復雜度，并非優化查詢性能。5.參考答案：A。星型模式維度表常反范式設計，保留豐富屬性以支持多維度分析，減少查詢復雜度。6.參考答案：D。數據加密處理屬于數據安全范疇，通常在數據傳輸或存儲階段處理，不屬于轉換任務。7.參考答案：C。事實表主鍵采用代理鍵更穩定，適合作為主鍵，而非必須包含所有維度外鍵。8.參考答案：C。數據質量監控主要關注數據本身的質量問題，加載速度屬于ETL性能范疇。9.參考答案：D。數據聯邦通過虛擬化技術整合分散數據，無需實際移動數據，自動生成血緣關系非其直接功能。10.參考答案：B。數據模型選擇應基于業務需求，分析需求是關鍵考量，其他因素應作為次要因素。二、填空題1.星型：星型模式通過中心事實表與周圍維度表關聯，形成類似星形的結構，支持快速OLAP分析。2.完整性驗證、一致性驗證、有效性驗證：數據清洗需驗證數據是否完整、是否符合預期格式、是否在合理范圍內。3.ODS（操作數據存儲）：ODS層直接映射業務系統結構，保留原始數據完整性，支持增量更新。4.持續分解：Snowflake模式通過將維度表進一步分解為更細粒度的子維度，形成層級結構，減少數據冗余。5.自然鍵、代理鍵：維度表需同時設計自然鍵（業務唯一標識）和代理鍵（系統生成唯一碼），代理鍵更穩定。6.數據清洗、數據標準化、計算衍生指標：數據轉換主要處理數據格式統一、業務邏輯計算等操作。7.交易型事實表、周期性事實表：事實表根據業務類型分為交易型（記錄單個業務事件）和周期性（記錄定期匯總數據）兩類。8.準確性、完整性、一致性：數據質量是數據倉庫的生命線，核心指標包括數據是否正確、是否完整、是否一致。9.數據集成、視圖統一：數據聯邦通過虛擬化技術整合分散數據，實現跨源數據集成和統一視圖。10.業務分析需求、數據量、技術可行性：數據模型選擇應綜合考慮業務需求、數據規模和技術實現能力。三、判斷題1.×：星型模式維度表常反范式設計，保留豐富屬性以支持多維度分析，減少查詢復雜度。2.√：ETL第一階段是抽取，從源系統獲取數據，可以是全量或增量抽取。3.×：Snowflake模式通過維度分解減少冗余，但可能增加查詢路徑長度，降低查詢性能。4.×：事實表主鍵是所有關聯維度表外鍵的組合，但不需要顯式包含，而是通過關系定義。5.×：數據加載是ETL最后階段，將轉換后的數據寫入目標倉庫，驗證任務在轉換階段完成。6.√：時間維度是所有數據倉庫的必備維度，支持分析趨勢和變化。7.×：數據質量監控的目標是確保數據滿足業務需求，允許合理誤差，而非完全消除錯誤。8.×：數據聯邦通過虛擬化技術整合分散數據，無需物理遷移，實現透明訪問。9.√：事實表設計需明確數據粒度，如每個記錄代表一筆交易或一天匯總數據。10.×：數據倉庫設計應基于業務需求和技術適用性，而非盲目追求新技術。四、簡答題1.答：數據倉庫采用反范式設計（如維度表冗余），支持多維度分析；關系型數據庫遵循三范式設計，保證數據一致性，但查詢復雜。數據倉庫強調易分析性，關系型數據庫強調數據完整性。2.答：數據清洗主要任務包括：處理缺失值（填充或刪除）、檢測并修正數據類型錯誤、識別并消除重復記錄、修正異常值（如超出合理范圍）、統一編碼格式等。3.答：優點：模型簡潔，易于理解和實現；查詢性能好，特別適合OLAP場景。缺點：維度表可能冗余較多，數據一致性維護復雜；不適用于超大規模數據。4.答：關鍵要素包括：維度類型（業務過程、地理區域、時間等）、維度屬性（描述性字段）、鍵設計（自然鍵和代理鍵）、維度層次（如產品分類的多級結構）。5.答：關鍵要素包括：事實類型（交易型、周期性、積累型）、數據粒度（記錄單位，如交易筆或天）、度量值（數值型指標）、外鍵關聯（維度表關聯）。6.答：主要操作包括：數據類型轉換（如字符串轉日期）、數據標準化（統一單位、編碼）、計算衍生指標（如利潤率、增長率）、數據合