Para duplicar o no duplicar ...

[Anonymous]

No estoy seguro de si este es el canal adecuado para hacer esta pregunta.

Me gustaría pedir la opinión de la gente sobre cuándo es ventajoso duplicar una columna con datos casi similares y cuándo es mejor crear una tabla de dimensiones.

Por ejemplo:

Mi conjunto de datos es de 500K filas correspondientes a los clientes. Considere un atributo típico, como la edad... decir a distancia 18-80... (verbo al rango, ¿verdad?)

Si quiero graficar alguna medida basada en la edad, podría encontrar que los años individuales son demasiado desagregados, y para el propósito del ejemplo, los agruparé en contenedores de 5 años...

age_5 5*PISO([edad]/5, 1)

O de manera similar, puedo crear una tabla con
AgeDim - GENERATESERIES(18, 80)

con su columna correspondiente.

Mi pregunta es, si alguien que lee esto ha llegado con pautas sobre cuándo es más eficiente hacer uno u otro. Por ejemplo, en función del tamaño de los datos o de la complejidad de la columna calculada.

Además, si usted sabe de un mejor sitio para publicar este tipo de encuestas, por favor hágamelo saber.
Gracias.

[jdbuchanan71]

Hola @Diego-CDMX

La regla general es intentar mantener un esquema de estrella que solo tiene dos capas la mayor parte del tiempo, tablas de dimensiones y tablas de hechos. Aquí hay un artículo de Misrosoft discutiendo el tema.

https://docs.microsoft.com/en-us/power-bi/guidance/star-schema

Una cosa que toma un poco de acostumbrarse es el impacto en el tamaño del modelo de agregar una columna de datos se basa en gran medida en la cardinalidad de los datos debido a la forma en que los datos se almacenan en el motor VertiPaq utilizando el diccionario.

Por ejemplo, tengo una tabla de miembros en mi modelo que tiene registros de 1,5 M. Hay un identificador único en 1 columna y también tengo una columna de rango de edad de miembro. En función de la cardinalidad se puede ver la diferencia en la cantidad de espacio que toma cada campo.

Etiquetas de fila	Cardinalidad	Tamaño total de las columnas	Tamaño de la mesa %
Client_Subscriber_Member_ID	1,591,264	111,722,096	21.00 %
Rango de edad de los miembros	11	163,976	0.03 %

Debido a que mi rango de edad miembro sólo tiene 11 entradas únicas que ocupa mucho menos espacio. El filtrado también se aplica al diccionario, por lo que es más rápido para el motor filtrar en función del rango de edad de los miembros que algo más granular porque está trabajando con menos campo.