數(shù)據(jù)挖掘概念與技術(shù)（第三版）課后答案-第四章

1、數(shù)據(jù)挖掘概念與技術(shù)（第三版）課后答案第四章=需要原版答案請留！=4.1 試述多個異構(gòu)信息源的集成，為什么許多公司更喜歡更新驅(qū)動的法（構(gòu)造和使數(shù)據(jù)倉庫），不是查詢驅(qū)動的法（適包裝器和集成器）。 描述查詢驅(qū)動的法更新驅(qū)動的法更可取的情況。對于決策查詢和經(jīng)常問到的查詢，更新驅(qū)動的法更為可取。這是因為昂貴的數(shù)據(jù)集成和聚合計算是在查詢處理時間之前完成的。為了將在多個異構(gòu)數(shù)據(jù)庫中收集的數(shù)據(jù)于決策過程，必須分析和解決多個數(shù)據(jù)庫之間的任何語義異構(gòu)問題，以便可以對數(shù)據(jù)進集成和匯總。如果采查詢驅(qū)動的法，這些查詢將被轉(zhuǎn)換為每個數(shù)據(jù)庫的多個（通常是復雜的）查詢。轉(zhuǎn)換后的查詢將與本地站點的活動競爭資源，從降低其性能。此

2、外，這些查詢將成個復雜的答案集，這將需要進步的過濾和集成。因此，查詢驅(qū)動的法通常是效且昂貴的。數(shù)據(jù)倉庫中使的更新驅(qū)動法更快，更效，因為多數(shù)查詢可以在線進。對于很少使的查詢，參考最新數(shù)據(jù)和/或不需要聚合的查詢，與更新驅(qū)動法相，查詢驅(qū)動法更為可取。在這種情況下，如果僅使少量和/或相對較的數(shù)據(jù)庫，則組織為建和維護數(shù)據(jù)倉庫付出的沉重費可能是不合理的。如果查詢依賴于當前數(shù)據(jù)，則情況也是如此，因為數(shù)據(jù)倉庫不包含最新信息。4.2 簡要較以下概念，可以使例解釋你的觀點。（a）雪花模型，事實星座，星查詢模型（b）數(shù)據(jù)清理，數(shù)據(jù)轉(zhuǎn)換，刷新（c）企業(yè)倉庫，數(shù)據(jù)集市，虛擬倉庫（a）雪花模式和事實星座都是星形模式的變種

3、，它由個事實表和組維表組成；雪花模式包含些規(guī)范化的維度表，事實星座則包含組事實表共享維表。星查詢模型是查詢模型（不是模式模型），它由從中點發(fā)出的組徑向線組成。 每條徑向線代表個尺，沿該線的每個點（稱為“跡”）代表該尺的平。 距中的每步代表維度概念層次的逐步降低。 顧名思義，星查詢模型于查詢，并為戶提供OLAP操作的全局視圖。（b）數(shù)據(jù)清理是檢測數(shù)據(jù)中的錯誤并在可能時進糾正的過程。 數(shù)據(jù)轉(zhuǎn)換是將數(shù)據(jù)從異構(gòu)源轉(zhuǎn)換為統(tǒng)的數(shù)據(jù)倉庫格式或語義的過程。 刷新是將更新從數(shù)據(jù)源傳播到倉庫的功能。（c）企業(yè)倉庫收集有關(guān)整個組織的主題的所有信息，數(shù)據(jù)集市則包含整個企業(yè)范圍數(shù)據(jù)的集，這對特定的戶群來說很有價值。企業(yè)

4、倉庫通常通過個或多個操作系統(tǒng)或外部信息提供者提供企業(yè)范圍的數(shù)據(jù)集成，并且在范圍上具有跨功能，數(shù)據(jù)集市則局限于特定的選定主題（例如客戶，物料和銷售對象，營銷數(shù)據(jù)集市）。企業(yè)倉庫通常包含詳細數(shù)據(jù)以及匯總數(shù)據(jù)，數(shù)據(jù)集市中的數(shù)據(jù)往往是匯總的。 企業(yè)數(shù)據(jù)倉庫可以在傳統(tǒng)型機，計算機超級服務器或并體系結(jié)構(gòu)平臺上實現(xiàn)，數(shù)據(jù)集市通常在基于UNIX /LINUX或Windows的低成本部門服務器上實現(xiàn)。企業(yè)倉庫的實施周期可能需要數(shù)或數(shù)年，數(shù)據(jù)集市的實施周期更可能以周為單位。虛擬倉庫是對操作數(shù)據(jù)庫的組視圖。 為了進有效的查詢處理，可能僅實現(xiàn)些可能的摘要視圖。 虛擬倉庫易于構(gòu)建，但在操作數(shù)據(jù)庫服務器上需要額外的容量。

5、4.3 假設數(shù)據(jù)倉庫包含三個維 time, doctor, 和patient，兩個度量count和charge，其中，charge是醫(yī)對位病的次診治的費。（a）列舉三種流的數(shù)據(jù)倉庫建模模式。（b）使（a）中列出的模式類別之為上述數(shù)據(jù)倉庫繪制個模式圖。（c）由基本體day，doctor，patient開始，為列出2010年每位醫(yī)的收費總數(shù)，應該執(zhí)哪些的OLAP操作？（d）為了獲得相同的結(jié)果，編寫個SQL查詢，假設數(shù)據(jù)已存放在關(guān)系數(shù)據(jù)庫中，其模式為fee(day,month,year,doctor,hospital,patient,count,charge)。（b）（c）time維：由“day”上

6、卷到“year”， patient維：由“patient_name”上卷到“all”，對year=2010進切（d）select doctor, SUM(charge) from fee where year=2010 group by doctor4.4 假設Big_University的數(shù)據(jù)倉庫包含如下四個維student，course，semester和teacher，兩個度量count 和 avg_grade。在最低的概念層時（例如，對于給定的學，課程，學期和教師的組合），度量avg_grade存放學的實際課程成績。 在較的概念層，avg_grade存放給定組合的平均成績。（a）繪制該

7、數(shù)據(jù)倉庫的雪花模式圖。（b）由基本體student，course，semester，instructor開始，為列出Big_University每個學的CS課程的平均成績學，應該執(zhí)哪些特定的OLAP操作（如由學期上卷年級）。（c）如果每個維有5層（包括all），例如“student major status university all”，那么這個數(shù)據(jù)體將包含多少個體（包括基礎體和頂點體）？（a）（c）這個數(shù)據(jù)體包含個體。4.5 假定數(shù)據(jù)倉庫包含4個維 date、 spectator、 location 和game,2個度量count和charge,其中charge是觀眾在給定的期觀看節(jié)的費。

8、觀眾可以是學、成年或年，每類觀眾有不同的收費標準。(a)畫出該數(shù)據(jù)倉庫的星形模式圖。(b)由基本體date,spectator, location, game 開始，為列出2010年學觀眾在GM_Place 的總付費，應當執(zhí)哪些OLAP操作?(c)對于數(shù)據(jù)倉庫，位圖索引是有的。以該數(shù)據(jù)體為例，簡略討論使位圖索引結(jié)構(gòu)的優(yōu)點和問題。(a)(b) Roll-up on date from date_id to year. Roll-up on game from game_id to all. Roll-up on location from location_id to location name

9、. Roll-up on spectator from spectator_id to status. Dice with status=“students”, location_name=“GM_Place”, and year=2010.(c)位圖索引對于基數(shù)較的值域是有利的。 例如，在此多維數(shù)據(jù)集中，如果對維度位置進了位圖索引，則位置上的較，聯(lián)接和聚集操作將化為位算術(shù)，從減少了處理時間。 此外，長位置名稱的字符串可以個位表，這導致空間和I/ O的顯著減少。對于具有基數(shù)的維（例如本例中的期），于表位圖索引的向量可能會很長。 例如，年的數(shù)據(jù)收集可能會產(chǎn)3650個期記錄，這意味著事實表中的每個

10、元組都需要3650位（或約456個字節(jié)）來保存位圖索引。4.6 數(shù)據(jù)倉庫可以星形模式或雪花模式建模。簡略討論這兩種模式的相似點和不同點，然后分析它們的相對優(yōu)缺點。哪種模式更實?給出你的觀點并陳述理由。從某種意義上來說，它們都是相似的，因為它們都具有個事實表以及些維表。主要區(qū)別在于雪花模式中的某些維表已被規(guī)范化，從將數(shù)據(jù)進步拆分為其他表。星型模式的優(yōu)點是其簡單性，可以提效率，但需要更多空間。對于雪花模式，它通過共享公表來減少些冗余：這些表易于維護并節(jié)省些空間。但是，與事實表的典型相，效率較低且節(jié)省的空間可忽略不計。因此，從經(jīng)驗上講，星型案會更好，因為只要空間要求不是太，效率通常就空間具有更的優(yōu)先

11、級。在業(yè)中，有時來雪花模式的數(shù)據(jù)可能會被規(guī)范化成星形模式以加快處理速度。另個選擇是使雪花模式來維護維，然后向戶呈現(xiàn)折疊成星形的相同數(shù)據(jù)。4.7為地區(qū)象局設計 個數(shù)據(jù)倉庫。象局約有1000個觀測點，散布在該地區(qū)的陸地和海洋，收集基本象數(shù)據(jù)，包括每時的壓、溫度、降量。所有的數(shù)據(jù)都送到中站，那已收集了這種數(shù)據(jù)長達余年。你的設計應當有利于有效的查詢和聯(lián)機分析處理，以及有效地導出多維空間的般天模式。由于象局在整個陸地和海洋各地散布著約1000個探測器，因此我們需要構(gòu)建個空間數(shù)據(jù)倉庫，以便戶可以按，按地區(qū)以及溫度和降的不同組合在地圖上查看天模式， 并可以在任何維度上動態(tài)向下或向上滾動以探索所需的模式。4.

12、8 數(shù)據(jù)倉庫實現(xiàn)的流法是構(gòu)造-個稱為數(shù)據(jù)體的多維數(shù)據(jù)庫。不幸的是，這常常產(chǎn)的、稀疏的多維矩陣。(a) 給出個例，解釋這種型稀疏數(shù)據(jù)體。(b) 設計種實現(xiàn)法，可以很好地克服稀疏矩陣問題。注意，你需要詳細解釋你的數(shù)據(jù)結(jié)構(gòu)，討論空間需求，以及如何從你的結(jié)構(gòu)中提取數(shù)據(jù)。(c)修改你在(b)中的設計，以便處理增量數(shù)據(jù)更新。給出你的設計理由。（a）個巨稀疏的數(shù)據(jù)體的例：是從電話公司的計費數(shù)據(jù)庫中成的，該數(shù)據(jù)庫保留有關(guān)每個客戶的計費信息的記錄，例如聯(lián)系信息，付款式，付款期和詳細的呼叫記錄。 對于電話公司，為每個客戶保留詳細的通話記錄超過三個將常昂貴。因此，從數(shù)據(jù)庫中刪除該信息將是有益的，例如，僅保留已撥打的

13、電話總數(shù)，記帳的總分鐘數(shù)和記帳的額。 計費數(shù)據(jù)庫的最終計算出的數(shù)據(jù)體將具有量丟失或刪除的數(shù)據(jù)，從導致龐稀疏的數(shù)據(jù)體。（類似于個魔樣，該多維體有好多屬性缺失就類似于魔有好多個組成塊丟失。）（b）（c）4.9 關(guān)于數(shù)據(jù)體度量計算:(a)根據(jù)計算數(shù)據(jù)體所的聚集函數(shù)，列出度量的三種類型。(b)對于具有三個維time、location 和product的數(shù)據(jù)體，函數(shù)variance (差)屬于哪類?如果體被分割成些塊，說明如何計算它。提:計算variance函數(shù)的公式是:(c) 假定函數(shù)是“最的10個銷售額”。討論如何在數(shù)據(jù)體中有效地計算該度量。（a）度量的三種類型：分布的（整體計算和將整體分成多個單元

14、計算的結(jié)果樣），代數(shù)的（不是分布的，但可由分布函數(shù)相互之間的運算得到）和整體的（只能直接由整體給出結(jié)果）。（b）差屬于代數(shù)的度量。如果將多維數(shù)據(jù)集劃分為多個塊，則可以按以下式計算差：逐讀取塊，跟蹤累積（1）元組數(shù)量,（2)（xi)2之和,（3）xi之和。 讀取所有塊后，計算xi的平均值，即xi的總和除以元組總數(shù)。 使提中所的公式來獲得差。在體中讀元組，如果其銷售額于這10個銷售額中的元素，就把該元素插到剛好它的元組后，并且去掉最后個最的銷售額。重復3中的操作，直到整個體的元組取完。4.10 假設公司想設計個數(shù)據(jù)倉庫，以便于以聯(lián)機分析處理式分析移動車輛。公司以如下格式記錄量汽車運動數(shù)據(jù):(Aut

15、o_JID,location, speed, time)。 其中Auto_ID每個代表個車輛，涉及諸如ve-hicle_category、 driver_category 等信息;每個location 沙及城市的條街道。假定有個該城市的街道圖。(a)設計個數(shù)據(jù)倉庫，以便于多維空間的有效聯(lián)機分析處理。(b)運動數(shù)據(jù)可能包含噪聲。討論如何開發(fā)種法， 動地發(fā)現(xiàn)該數(shù)據(jù)庫中可能被錯誤地記錄的數(shù)據(jù)記錄。(c)運動數(shù)據(jù)可能是稀疏的。討論如何開發(fā)種法， 盡管數(shù)據(jù)稀疏，但是仍然能夠構(gòu)造可靠的數(shù)據(jù)倉庫。(d)如果你想在特定的時間開車從A到B.討論系統(tǒng)如何使倉庫中的數(shù)據(jù)，設計條快速的路線。4.11 射頻識別 (RF

16、ID)通常來跟蹤對象運動，進庫存控制。RFID閱讀器可以在任意預定的時間近距離成功地讀取RFID標簽。假設公司想設計個數(shù)據(jù)倉庫，便于以聯(lián)機分析處理式分析具有RFID標簽的對象。假設公司以格式(RFID,at_lcation, time) 記錄量RFID數(shù)據(jù)，并且還有些關(guān)于攜帶RFID標簽的對象的信息，例如(RFID,produed_mame, product_calegory, poducer, date_produced, price)。(a)設計個數(shù)據(jù)倉庫，以便這類數(shù)據(jù)的有效登記和聯(lián)機分析處理。(b) RFID數(shù)據(jù)可能包含量冗余信息。討論種法， 它在數(shù)據(jù)登該RFID數(shù)據(jù)倉庫時，最限度減少冗

17、余。(c) RFID數(shù)據(jù)可能包含量噪聲，如遺漏登記和ID誤讀。討論-種有效清理 RFID數(shù)據(jù)倉庫中噪聲的法。(d)你可能想進聯(lián)機分析處理，按、品牌和價格區(qū)間確定有多少臺電視機從洛杉磯港運到伊利諾伊州尚佩恩市的BestBuy。如果你在該數(shù)據(jù)倉庫中存放了這種RFID數(shù)據(jù)，概述如何有效地做這件事。(e)如果位顧客送回桶奶，并抱怨說在過期之前它已經(jīng)變質(zhì)，討論如何在數(shù)據(jù)倉庫中調(diào)查這情況，找出問題是出在運輸還是儲在上。4.12在許多應中，新的數(shù)據(jù)集遞增地添加到已有的型數(shù)據(jù)集中。因此，個重要的考慮是，度量是否能夠以增量式有效地計算。以計數(shù)、標準差和中位數(shù)為例，說明分布或代數(shù)度量有利于有效的增量計算，整體度量

18、不。4.13 假設你需要在數(shù)據(jù)體中記錄三種度量:min()、average ()和median()。 倘若數(shù)據(jù)體允許遞增地刪除數(shù)據(jù)(即每次部分)，為每種度量設計有效的計算和存儲法。對于min，請為每個長體保留對，以注冊最值和其計數(shù)。 對于每個刪除的元組，如果其值于min_val，則不執(zhí)任何操作。 否則，減少相應節(jié)點的計數(shù)。 如果計數(shù)減少到零，請重新計算結(jié)構(gòu)。對于平均值，每個長體都保持對。 對于每個刪除的節(jié)點N，減少計數(shù)并從總和中減去值N。 計算平均值=總和/計數(shù)。對于中位數(shù)，請保留少量的中值p（例如p = 10）和兩個計數(shù)：向上計數(shù)和向下計數(shù)。 每次刪除可能會更改計數(shù)或刪除中值。 如果中位數(shù)不

19、再屬于這些中值，請重新計算該集合。 否則，可以很容易地從以上設置中計算出中位數(shù)。4.14 在數(shù)據(jù)倉庫技術(shù)中，多維視圖可以關(guān)系數(shù)據(jù)庫技術(shù)(ROLAP)、或多維數(shù)據(jù)庫技術(shù)(MOLAP)或混合數(shù)據(jù)庫技術(shù)(HOLAP)實現(xiàn)。(a)簡要描述每種實現(xiàn)技術(shù)。(b)對每種技術(shù)，解釋如下函數(shù)如何實現(xiàn):i數(shù)據(jù)倉庫的產(chǎn)(包括聚集)ii.上卷i下鉆iv.增量更新(c)你喜歡哪種實現(xiàn)技術(shù)?為什么?（a）ROLAP服務器：這是種中間服務器，介于關(guān)系的后端服務器和客戶前端具之間。它們使關(guān)系的或擴充關(guān)系的DBMS存儲并管理數(shù)據(jù)倉庫數(shù)據(jù)，OLAP中間件持其余部分。MOLAP服務器：這些服務器通過基于數(shù)組的多維存儲引擎，持數(shù)據(jù)的

20、多維視圖。它們將多維視圖直接映射到數(shù)據(jù)體數(shù)組結(jié)構(gòu)。HOLAP服務器：結(jié)合POLAP和MOLAP技術(shù)，得益于POLAP較的伸縮性和MOLAP的快速計算。HOLAP服務器將量詳細的數(shù)據(jù)存放在關(guān)系數(shù)據(jù)庫中，聚集保持在分離的MOLAP存儲中。（b）i數(shù)據(jù)倉庫的產(chǎn)(包括聚集)ROLAP：使個OLAP服務器，由個匯總事實表關(guān)系的或擴充關(guān)系的DBMS來產(chǎn)數(shù)據(jù)倉庫，這個事實表可以存儲給定體的聚集數(shù)據(jù)和給定體的模式連接鍵指出的抽象級別的數(shù)據(jù)。ROLAP：為了執(zhí)增量更新，先檢查相應元組是否在匯總的事實表中，如若不在，則插元組到匯總的事實表中，并且向上傳播；否則更新元組值，并且也向上傳播。MOLAP：檢查相應元組是

21、否在數(shù)據(jù)體中，如若不在則插元組到數(shù)據(jù)體中，并向上傳播；否則更新元組值，并且向上傳播。HOLAP通常是選，因為它結(jié)合了ROLAP和MOLAP法的優(yōu)點并避免了它們的缺點。 如果體常密集，則通常選MOLAP。 如果數(shù)據(jù)稀疏且維數(shù)，則單元太多（由于指數(shù)增長），在這種情況下，通常希望計算冰體不是實現(xiàn)完整的體。4.15 假設數(shù)據(jù)倉庫包含20個維，每個維有5級粒度。(a)戶感興趣的主要是4個特定的維，每維有3個上卷和下鉆頻繁訪問的層。如何設計數(shù)據(jù)體結(jié)構(gòu)，能有效地對此予以持?(b)戶時常想從兩個特定的維鉆透數(shù)據(jù)體，到原始數(shù)據(jù)。如何持這特征?（a）個有效的數(shù)據(jù)體結(jié)構(gòu)能夠給予持，可以使部分物化或者體的選擇計算。通過僅計算整個可能的體集合的適當集，可以將所需的存儲空間總量最化，同時保持快速的響應時間并避免重復計算。（b）由于戶只想在維或維中鉆透數(shù)據(jù)體，因此可以通過動態(tài)計算所需的體來持這特征。由于戶可能很少需要該功能，因此在運中維或維上計算聚合所需的時間應該可以接受。4.16數(shù)據(jù)體C具有n個維。 每個維在基本體中怡有p個不同值。假定沒有與這些維相關(guān)聯(lián)的概念(a)基本體單元的最個數(shù)可能是多少?(b)基本體單元的最個數(shù)可能是多少?(c)數(shù)據(jù)體C的單元(包括基本單元和聚集單元)的最個數(shù)是多少?(d)數(shù)據(jù)體C的單元的最個數(shù)是多少?（a） ，這是您可以在每個維度上使p個不同值形成的最元組數(shù)。（b）p，少需要p