主题模型的合并原理

学习完本篇，你将了解主题模型最重要的合并逻辑。也是主题模型区别于左右合并，给我们带来效率提升的最重要的原理。

在本篇中也引入了左右合并的合并逻辑，与主题模型进行对比，帮助大家更好的理解。

左右合并是行级别的合并，通过共享特定列的值来连接表格。我们来看一下左右合并是怎样合并数据的。

1） 1 对 1 的合并很简单，我们只需要将两张表按「区域」字段将左右两张表拼接起来。如下图所示：

2） 那 N 对 1 是如何合并的呢？左侧表由于有了「分店」字段的加入，北京和广州分别有了两条数据。

右表为了能和左表按「区域」进行拼接，则需要将北京和广州的数据也复制成两条数据。合并结果中我们可以看到大区经理字段膨胀了，标黄单元格就是被复制出来的数据。

维度字段，比如说上面的「大区经理」被复制后，并不会影响我们的分析。

但若是指标字段被复制，就会影响我们之后的计算。比如下图，「销售目标」字段为了能够进行匹配，也进行了复制。

这时候如果我们再对结果表的「销售目标」列进行合计，会发现求和结果已经是错误值了。

总结一下：维度信息复制不会对结果造成影响，但指标数据被复制，就会造成数据膨胀计算出现问题。

3） 这种指标字段的复制，在 N 对 N 的时候就带来了彻底的混乱。

按「区域」字段进行左右合并，北京字段被膨胀为 4 行，「销售额、员工人数」字段也随之被复制，合计值得到都是错误值。

如此我们总结到：左右合并（类似于 SQL 语句 join）这种行级别的合并，会造成数据复制和膨胀。

那么主题模型是怎样一个合并逻辑呢，它为什么不会产生数据的复制和膨胀？

我们将主题模型的合并逻辑总结为以下两点：

• 只让参与到分析的字段和关联字段参与主题模型的合并
  

• 执行先聚合再合并

若是拆分成步骤的话，则会有三个步骤：

① 系统判断用户在组件中拖入了哪些字段，只有拖入的字段和关联字段参与主题模型合并；

② 将数据表先后按「关联字段」和「组件中拖入的维度」对表进行聚合

③ 将聚合后得到的表进行合并

例如下面这个案例：

想要看各区域的销售额是否达成目标，我们在组件中需要使用的字段就是「区域、销售额、销售目标」：

① 系统只取「区域、销售额、销售目标」这三个字段参与主题模型；

② 将建立模型的两张表按组件中拖入的维度按「区域」进行聚合；

③ 将聚合得到的两张表按「区域」进行合并，得到结果表；

再来看一个 N对N 的案例：

想要知道各大区经理团队的人均销售额，我们在组件中需要使用的字段就是「大区经理、销售额、员工人数」

① 系统只取「大区经理、销售额、员工人数」以及关联字段「区域」参与主题模型；

② 将建立模型的两张表按组件中拖入的维度「大区经理」进行聚合；

③ 将聚合得到的两张表按关联字段「区域」进行合并，得到结果表；

得到结果后，我们在组件中使用 sum_agg(销售额)/sum_agg(人数) 就可以求得人均销售额。

如果一个模型中超过了两张表，那么先两两获取模型结果，再对模型结果求模型结果。

例如我们想使用「事实表1」和「事实表2」里面的字段进行分析，这两张表如何进行合并呢？

系统会按照主题模型的合并逻辑先让「事实表1、维度表」「事实表2、维度表」两两获得模型结果，使用得到的模型结果合并成最终我们想要使用的表，方便我们进行分析。

我们都知道左右合并是通过选择「左合并、右合并、并集合并、交集合并」来确认我们需要保留哪部分数据的。

主题模型却没有要我们进行选择，那它是如何保证数据的完整的呢？

主题模型如何保证数据完整 将给大家进行揭秘。