数据模型结构主要分为数据结构、数据操作、数据约束。
1、数据结构主要描述数据的类型、内容、性质以及数据间的联系等。数据类型，如DBTG网状模型中的记录型、数据项、关系模型中的关系等。数据结构是数据模型的基础，不同的数据结构具有不同的操作和约束。
2、数据操作主要描述在相应的数据结构上的操作类型和操作方式。是操作算符的集合，包括若干操作和推理规则，用以对目标类
物联云定制
数据模型结构主要分为数据结构、数据操作、数据约束。
1、数据结构主要描述数据的类型、内容、性质以及数据间的联系等。数据类型，如DBTG网状模型中的记录型、数据项、关系模型中的关系等。数据结构是数据模型的基础，不同的数据结构具有不同的操作和约束。
2、数据操作主要描述在相应的数据结构上的操作类型和操作方式。是操作算符的集合，包括若干操作和推理规则，用以对目标类型的有效实例所组成的数据库进行操作。
3、数据约束主要描述数据结构内数据间的语法、词义联系、他们之间的制约和依存关系，以及数据动态变化的规则，以保证数据的正确、有效和相容。约束条件可以按不同的原则划分为数据值的约束和数据间联系的约束；静态约束和动态约束；实体约束和实体间的参照约束等。
维度建模
1、维度和指标的概念
按照维度表、事实表构建数据模型，通过指标评价企业经营活动。
维度一般包括：地区、时间、部门、产品等等。
指标一般包括：销售数量、销售金额、平均销售金额等等。
2、星型模型
星型模是一种多维的数据关系，它由一个事实表和一组维表组成。每个维表都有一个维作为主键，所有这些维的主键组合成事实表的主键。强调的是对维度进行预处理，将多个维度集合到一个事实表，形成一个宽表。这也是我们在使用 hive 时，经常会看到一些大宽表的原因，大宽表一般都是事实表，包含了维度关联的主键和一些度量信息，而维度表则是事实表里面维度的具体信息，使用时候一般通过 join 来组合数据，相对来说对OLAP 的分析比较方便。
数据建模，通俗地说，就是通过建立数据科学模型的手段解决现实问题的过程。数据建模也可以称为数据科学项目的过程，并且这个过程是周期性循环的。
数据建模的具体过程可分为六大步骤：
一、制订目标
制订目标的前提是理解业务，明确要解决的商业现实问题是什么？
如：在社交平台KOL中，存在假粉丝的情况，如何识别假粉就是一个要解决的现实问题。
二、数据理解与准备
基于要解决的现实问题，理解和准备数据，一般需要解决以下问题：
1.需要哪些数据指标（即特征提取）？（如：哪些指标能区别真粉和假粉？）
2.数据指标的含义是什么？
3.数据的质量如何？（如：是否存在缺失值？）
4.数据能否满足需求？
5.数据还需要如何加工？（如：转换数据指标，将类别型变量转化为0-1哑变量，或将连续型数据转化为有序变量）
6.探索数据中的规律和模式，进而形成假设。
需要注意的是，数据准备工作可能需要尝试多次。因为在复杂的大型数据中，较难发现数据中存在的模式，初步形成的假设可能会被很快推到，这时一定要静心钻研，不断试错。
数据建模后需要评估模型的效果，因此一般需要将数据分为训练集和测试集。
（作者： 来源：）
