业务数据是数据仓库的重要数据来源，我们需要每日定时从业务数据库中抽取数据，传输到数据仓库中，之后再对数据进行分析统计。为保证统计结果的正确性，需要保证数据仓库中的数据与业务数据库是同步的，离线数仓的计算周期通常为天，所以数据同步周期也通常为天，即每天同步一次即可。数据的同步策略有全量同步和增量同步。全量同步，就是每天都将业务数据库中的全部数据同步一份到数据仓库，这是保证两侧数据同步的最简单的方式。

【代码】java项目的文件结构。

hadoopcd#myhadoop.sh start#myhadoop.sh stop#Web端查看HDFS的NameNodehttp://hadoop102:9870#Web端查看YARN的ResourceManagerhttp://hadoop103:8088#历史服务器地址http://hadoop102:19888/jobhistory

在cmd中输入pip check如果我们一些关于python的库版本不对，或不存在该库，pip check 会将所需直接显现出来

在数据仓库（数仓）中，数据口径是指在数据统计和分析过程中，对数据的定义、计算方法、范围和标准等方面的详细规定。它确保了数据的一致性和准确性，避免因统计标准不一致导致的数据误解和混淆。通过数据分层，提供统一的数据出口，确保对外输出的数据口径一致，避免同一指标不同口径的情况发生。数据范围：确定数据的地域范围和业务范围。时间范围：明确数据的统计周期和时间窗口。例如，统计周期为每天，时间窗口为当天的00:

首先通过嵌入层将输入的原始多场特征向量转换为场嵌入向量，并表示为特征图，然后将其馈送到Fi-GNN以建模特征交互。在每个交互步骤中，每个节点将首先聚集来自邻居的转换的状态信息，然后根据聚集的信息和历史通过GRU和剩余连接更新其状态。图6：Avazu上全局和案例级别的注意力节点权重热图，反映了不同特征字段对最终预测的重要性。图4：Criteo和Avazu数据集上不同状态维度D（左）和交互步骤T（右）

数据仓库是一个为数据分析而设计的企业级数据管理系统。数据仓库可集中、整合多个信息源的大量数据，借助数据仓库的分析能力，企业可从数据中获得宝贵的信息进而改进决策。同时，随着时间的推移，数据仓库中积累的大量历史数据对于数据科学家和业务分析师也是十分宝贵的。

做完业务分析和需求分析之后，要保证每个需求都能找到与之对应的业务过程及维度。若现有数据无法满足需求，则需要和业务方进行沟通，例如某个页面需要新增某个行为的埋点。

数据仓库是一个为数据分析而设计的企业级数据管理系统。数据仓库可集中、整合多个信息源的大量数据，借助数据仓库的分析能力，企业可从数据中获得宝贵的信息进而改进决策。同时，随着时间的推移，数据仓库中积累的大量历史数据对于数据科学家和业务分析师也是十分宝贵的。