Power BI中将度量作为维度进行建模的优缺点
小伙伴们对于建模或是星型模型在Power BI中想必都非常熟悉：在星型模型中，我们至少要有一个事实表，在事实表中，我们将有两种主要类型的列：维键（将事实表链接到维表）和度量（用于存储所需的数据）汇总和分析。下面就和大家分析个例子：这是一个名为Sales的事实表的简单示例，其中包含三个维键列（产品、商店、顾客）和三个度量列（销售额、税金、销售量）：
不过，我们经常会看到有人是这样来对事实表进行建模：不取消数据透视的每个度量的单独列，而是在事实表中为每个度量值创建一行，使用一个列来存储所有度量值并创建一个新维度，以允许用户选择所需的度量值。这是另一个事实表的示例，称为Sales Unpivot，显示了如何使用此技术来重构来自上面Sales事实表的数据：
在此事实表中，维键保持不变，但是列将度量的所有数据存储在原始表中，并且“measure name”列告诉你在任何给定的行中存储哪种类型的度量值。我们将此方法称为“度量维度”方法：
使用“度量维度”方法构建事实表有一些优点，例如：
-
你可以在报告中使用切片器来选择显示在视觉对象中的度量；
-
你可以轻松添加新度量，而不必在事实表中添加新列；
-
你可以使用行级安全性来控制用户可以访问哪些度量；
但尽管如此，任何时候只要偏离常规维度建模，都可能会在以后遇到问题，这个方法也不例外。怎么会这么说呢，接下来就让我们一起看看将度量作为维度进行建模的一些缺点。
格式设置
首先值得我们注意的是，Sales fact表中的“Sales”和“Tax” 度量列是货币值，“Volume Sold”列包含小数点后四位的值。当每个度量值都是单独的列时，很容易为不同的度量值设置不同的格式：
但是，当所有值都存储在一列中时（如“度量维度”示例中所示），格式化就不是那么简单了。我们也许可以对所有数据使用一种通用格式：
但这并不理想，当然，我们可以新建DAX度量并对其进行适当的格式化，但是随后我们会发现这将失去这种方法的灵活性。
压缩
更严重的是，与使用“度量维度”方法相比，Power BI在存储和压缩常规事实表中的数据方面做得更加高效，这对查询性能产生了影响。使用DAX Studio中的“查看指标”按钮可以查看每个表的数据存储方式的详细信息。以下是一些精选的亮点：
首先，请注意Sales Unpivot表（使用度量维度方法）比Sales表大66%。还请注意，在Sales表中，“Sales”和“Tax” 度量列（包含货币值）可以使用通用数据类型（此处显示为Decimal，十进制），这意味着它们可以使用值编码；只有“Volume Sold”列需要使用十进位（制）数据类型（在这里显示为Double）存储，并且必须使用哈希编码。由于Sales表中存储的所有数值都是用十进制编码列存储的。正如本文所解释的，值编码可以给你带来很多性能上的好处。
计算复杂度
当我们开始构建更复杂的DAX计算时，度量维度方法的缺点变得更加明显。假设我们希望报表中有一个显示“Sales”、“Tax”和从销售额中减去税款的指标，称为税后销售额：
注：在大多数情况下，我们会为度量维度创建一个单独的维度表，但是为了使事情变得简单，没有必要这样做。
如果我们希望其他人在我们的数据集上建立度量，那么这样的做法又会增加计算的复杂度，因为计算功能并不是一个简单且合适的方式。
计算性能
最后，在度量维度中还需要承受一些对性能不好的影响。以上述中的税后销售为例，以下是DAX Studio中的“Server Timings”选项卡为与可视化显示Sales、Tax和Sales After Tax相关联的查询显示的内容：
顺便提醒下只有一个存储引擎查询：DAX fusion已启用，因此可以在同一扫描中检索所需的Sales和Tax值。
但是，这是使用“度量维”方法为同一视觉显示的“Server Timings”选项卡，以及使用上面显示的“Sales Unpivot”表为第二组度量显示的视觉效果：
此查询不仅速度较慢，而且现在有两个存储引擎查询：一个用于获取Sales数据，另一个用于获取Tax数据。由于需要单独的检测来获取每个度量值，所以在可视化中的度量值越多，或者计算所需的度量值越多，就需要进行更多的检测。这很快就会造成一个很大的性能问题，尤其是每次检测都比较慢的情况下，这种情况更有可能发生，因为度量维度方法意味着Power BI无法有效压缩数据。
结论
虽然使用它确实有一些优点，但其还是弊大于利。感兴趣的小伙伴也可以通过使用DAX Studio查看一下性能的影响。
推荐阅读
技术交流
1.Power BI免费下载：http://www.yeacer.com/
Microsoft Power BI Desktop中文最新版：下载地址
2.欢迎加入的Power BI技术群，目前正在学习阶段，有兴趣的朋友可以一起学习讨论。
Power Data技术交流群：702966126 (验证注明：博客园Power BI)
更多精彩内容请关注微信公众号：悦策PowerBI
如果您觉得阅读本文对您有帮助，请点一下“推荐”按钮，您的“推荐”将是我最大的写作动力！欢迎各位转载。
