物化视图与数据立方体用预计算换查询速度但牺牲查询灵活性

数据仓库查询经常反复用到相同的聚合函数（COUNT、SUM、AVG、MIN、MAX），如果同一种 聚合被许多不同查询频繁使用，每次都从原始数据重新算一遍是浪费的，可以缓存起来。 这种缓存叫物化视图：和普通的虚拟视图（只是查询的语法糖，读取时会展开成底层查询 再执行）不同，物化视图是查询结果的实际副本、真正写入磁盘的数据。代价是当底层 数据变化时，物化视图需要同步更新，这让写入变得更昂贵——这正是OLTP数据库很少用 物化视图的原因（写入频繁、对写延迟敏感），但在读多写少的数据仓库场景下，这个代价 往往是值得的。物化视图的一个常见特例是数据立方体（OLAP立方）：把每个事实按照 不同维度组合分组聚合，构成一个多维网格——比如只有”日期”和”产品”两个维度时，可以 画出一张二维表，每个格子存这个日期-产品组合下所有事实的聚合值（如总销售额）， 再沿行或列继续求和就能得到”按产品汇总不分日期”或”按日期汇总不分产品”的降维汇总。 真实场景里维度通常远不止两个（比如日期/产品/商店/促销/客户共五个维度），原理不变， 只是维度更高、更难直观想象。数据立方体的优点是某些查询变得极快，因为已经被预先 算好了；缺点是失去了查询原始数据的灵活性——比如立方体没有把”价格”当作一个维度， 就无法临时计算”哪个比例的销售来自单价超过100美元的商品”这类问题。正因如此，大多数 数据仓库会尽量保留完整的原始数据，只把数据立方体这类聚合结构当作对部分常见查询的 性能优化手段，而不是原始数据的替代品。