Куб для чего нужен
Куб для чего нужен
Куб или правильный гексаэдр — правильный многогранник, каждая грань которого представляет собой квадрат. Частный случай параллелепипеда и призмы.
В различных дисциплинах используются значения термина, имеющие отношения к тем или иным свойствам геометрического прототипа. В частности, в аналитике (OLAP-анализ) применяются так называемые аналитические многомерные кубы, позволяющие в наглядном виде сопоставить данные из различных таблиц.
Содержание
Свойства куба
Диагональю куба называют отрезок, соединяющий две вершины, симметричные относительно центра куба. Диагональ куба находится по формуле , где d — диагональ, а — ребро куба.
Тела кубической формы
В микромире
Примечания
См. также
Полезное
Смотреть что такое «Куб» в других словарях:
куб — куб, а, мн. ч. к уб ы, к уб ов … Русский орфографический словарь
куб — 1. КУБ, а; кубы; м. [греч. kybos] 1. Геометрическое тело правильный шестигранник, все грани которого квадраты; предмет, имеющий форму такого шестигранника. Начертить куб. Композиция из гипсовых кубов и призм. Мраморный куб памятника. 2. Разг. =… … Энциклопедический словарь
КУБ — ОАО АКБ «Кузбассугольбанк» http://cbank.ru/ организация, фин., энерг. КУБ кнопочный пост управления взрывобезопасный КУБ ОАО «Кредит Урал банк» http://www.credit … Словарь сокращений и аббревиатур
куб — сущ., м., употр. сравн. часто Морфология: (нет) чего? куба, чему? кубу, (вижу) что? куб, чем? кубом, о чём? о кубе; мн. что? кубы и кубы, (нет) чего? кубов и кубов, чему? кубам и кубам, (вижу) что? кубы и кубы, чем? кубами и кубами, о чём? о… … Толковый словарь Дмитриева
кубіт — кубі/т, род. кубіта, мн. кубіти, род. мн. кубітів одиниця інформації, що закодована в квантовій системі, фізичний носій інформації, що може перебуватив станах |0> та |1> і будь якій суперпозиції цих станів. • Стан кубіта може змінюватись… … Фізико-технічний словник-мінімум
КУБ — 1. КУБ1, куба, муж. (греч. kybos). 1. Правильный шестигранник, все грани которого (квадраты (мат.). Начертить куб. 2. Мера объема, равная кубическому метру. Куб дров. 3. Сосуд для перегонки или кипячения жилкостей в форме шара или цилиндра с… … Толковый словарь Ушакова
КУБ — 1. КУБ1, куба, муж. (греч. kybos). 1. Правильный шестигранник, все грани которого (квадраты (мат.). Начертить куб. 2. Мера объема, равная кубическому метру. Куб дров. 3. Сосуд для перегонки или кипячения жилкостей в форме шара или цилиндра с… … Толковый словарь Ушакова
КУБ — (от латинского cubus, от греческого kybos игральная кость), 1) один из 5 типов правильных многогранников, имеющий гранями квадраты, 12 ребер, 8 вершин, в каждой вершине сходятся 3 ребра. Куб иногда называют гексаэдром. 2) Третья степень а3 числа… … Современная энциклопедия
КУБ — КУБ, в математике результат двукратного умножения числа на самого себя. Таким образом, кубом числа а является произведение а х а х а, что записывается как а3. Куб называют также третьей степенью числа. Кубом именуется правильная шестисторонняя… … Научно-технический энциклопедический словарь
Что такое куб: определение, свойства, формулы
В публикации мы рассмотрим определение и основные свойства куба, а также формулы, касающиеся данной геометрической фигуры (расчет площади поверхности, периметра ребер, объема, радиуса описанного/вписанного шара и т.д.).
Определение куба
Куб – это правильный многогранник, все грани которого являются квадратами.
Примечание: куб является частным случаем параллелепипеда или призмы.
Свойства куба
Свойство 1
Как следует из определения, все ребра и грани куба равны. Также противоположные грани фигуры попарно параллельны, т.е.:
Свойство 2
Диагонали куба (их всего 4) равны и в точке пересечения делятся пополам.
Свойство 3
Все двугранные углы куба (углы между двумя гранями) равны 90°, т.е. являются прямыми.
Например, на рисунке выше угол между гранями ABCD и AA1B1B является прямым.
Формулы для куба
Примем следующие обозначения, которые будут использоваться далее:
Диагональ
Длина диагонали куба равняется длине его ребра, умноженной на квадратный корень из трех.
Диагональ грани
Диагональ грани куба равна его ребру, умноженному на квадратный корень из двух.
Площадь полной поверхности
Площадь полной поверхности куба равняется шести площадям его грани. В формуле может использоваться длина ребра или диагонали.
Периметр ребер
Периметр куба равен длине его ребра, умноженной на 12. Также может рассчитываться через диагональ.
Объем
Объем куба равен длине его ребра, возведенной в куб.
Радиус описанного вокруг шара
Радиус шара, описанного около куба, равняется половине его диагонали.
Радиус вписанного шара
Радиус вписанного в куб шара равен половине длины его ребра.
Еврокуб для воды: размеры, виды и применение на даче +Фото
Бак еврокуб является экологической промышленной тарой для транспортировки сыпучих и наливных грузов, материалов и различных вязких продуктов.
Что представляет собой Еврокуб
Еврокуб представляет собой полимерную емкость, сделанную в форме куба. Благодаря прочному материалу изготовления, еврокуб широко распространен в нефтяной и химической промышленности, а так же на автомойках и строительных площадках.
Даже в повседневной жизни человека нашлось применение этого агрегата.
Контейнер из пластика имеет горловину и крышку для залива жидких материалов, а также может иметь обратный клапан. Клапан нужен для пропуска кислорода в зависимости перевозимого вещества.
Еще одна важная роль выполняется сливным фланцевым шаровым краном диаметром около тридцати метров. Такую емкость относят к среднетоннажным контейнерам.
Преимущества и особенности
Основные особенности Еврокубов:
Еврокубы импортного производства изготавливают в соответствии с жесткими требованиями к емкостям промышленного производства для хранения и транспортировки продуктов пищевого и технического назначения. Их отличает прочность, показатели качества и разнообразие видов сливных кранов, комплектации и аксессуаров.
Основные характеристики:
Виды еврокубов
Еврокубы делятся по виду перевозимых материалов:
В РФ всего несколько предприятий по производству таких резервуаров, но они являются достаточно распространенными благодаря тому, что обладают удобными функциями и отличными способностями.
Этими контейнерами пользуются не только крупные производства, и на дачном участке для них найдется использование.
Применение
Благодаря методу ротоформирования или раздува достигли таких положительных качеств еврокуба.
Контейнер можно использовать повторно, но и иметь в виду, что например, после перевозки ядохимикатов его нельзя будет использовать для поливания огорода, т. к. пластмассой въедаются вредные вещества опасные для здоровья человека.
Эти контейнеры очень удобные, многофункциональные и являются практически вечными. В быту нашли свое очень широкое применение. Встряли на загородном участке или даче будет лишней емкость с объемом в тысячу литров.
Использование еврокуба в хозяйственных целях
Для поливания огорода с применением еврокуба понадобится только установка в него насоса. Сам контейнер должен быть расположен на небольшой высоте. Благодаря легкости материала из которого он изготовлен, его с легкостью реально поднять вдвоем. Воду в бочку можно накачать также используя насос, а также при помощи обычного шланга из водопроводного крана.
В еврокубе может хранится вода для повседневных бытовых нужд, например, для мытья машины или наполнения бассейна. Если на участке имеется только колодец, то его можно использовать как накопительную емкость.
Введение в многомерный анализ
Некоторое время назад мне довелось организовывать новую группу разработки, которая должна была заняться развитием OLAP и BI продуктов в дружеской софтверной компании. А так как группа была собрана из свежих выпускников ВУЗов, то мне пришлось написать «краткий курс молодого бойца» для того чтобы максимально доступно дать начальные понятия об OLAP людям, которые ни разу с ним не сталкивались, но уже имели опыт программирования и работы с БД.
Выкладываю теперь это Введение в Общественное Достояние.
В статье несколько смешиваются понятия OLAP, Business Intelligence, и Data Warehouse, но и в жизни часто сложно понять, где проходит граница. А уж в реальных проектах, так и подавно, все они ходят рядом. Поэтому прошу не судить строго.
Введение
Информационные системы серьезного предприятия, как правило, содержат приложения, предназначенные для комплексного анализа данных, их динамики, тенденций и т.п. Соответственно, основными потребителями результатов анализа становится топ-менеджмент. Такой анализ, в конечном итоге, призван содействовать принятию решений. А чтобы принять любое управленческое решение необходимо обладать необходимой для этого информацией, обычно количественной. Для этого необходимо эти данные собрать из всех информационных систем предприятия, привести к общему формату и уже потом анализировать. Для этого создают хранилища данных (Data Warehouses).
Что такое хранилище данных?
Обычно — место сбора всей информации, представляющей аналитическую ценность. Требования для таких хранилищ соответствуют классическому определению OLAP, будут объяснены ниже.
Иногда Хранилище имеет еще одну цель – интеграция всех данных предприятия, для поддержания целостности и актуальности информации в рамках всех информационных систем. Т.о. хранилище накапливает не только аналитическую, а почти всю информацию, и может ее выдавать в виде справочников обратно остальным системам. Это так называемый УОД — Управление основными данными, оно же НСИ — Нормативно-Справочная Информация.
Типичное хранилище данных, как правило, отличается от обычной реляционной базы данных. Во-первых, обычные базы данных предназначены для того, чтобы помочь пользователям выполнять повседневную работу, тогда как хранилища данных предназначены для принятия решений. Например, продажа товара и выписка счета производятся с использованием базы данных, предназначенной для обработки транзакций, а анализ динамики продаж за несколько лет, позволяющий спланировать работу с поставщиками, — с помощью хранилища данных.
Во-вторых, обычные базы данных подвержены постоянным изменениям в процессе работы пользователей, а хранилище данных относительно стабильно: данные в нем обычно обновляются согласно расписанию (например, еженедельно, ежедневно или ежечасно — в зависимости от потребностей). В идеале процесс пополнения представляет собой просто добавление новых данных за определенный период времени без изменения прежней информации, уже находящейся в хранилище.
И, в-третьих, обычные базы данных чаще всего являются источником данных, попадающих в хранилище. Кроме того, хранилище может пополняться за счет внешних источников, например статистических отчетов.
Как строят хранилище?
ETL – базовое понятие: Extraction, Transformation, Loading. Три этапа:
Добавим еще один этап – очистка данных (Cleaning) – процесс отсеивания несущественных или исправления ошибочных данных на основании статистических или экспертных методов. Чтобы не формировать потом отчеты типа «Продажи за 20011 год».
Вернемся к анализу.
Что такое анализ и для чего он нужен?
Анализ – исследование данных с целью принятия решений. Аналитические системы так и называют — системы поддержки принятия решений (СППР).
Здесь стоит указать на отличие работы с СППР от простого набора регламентированных и нерегламентированных отчетов. Анализ в СППР практически всегда интерактивен и итеративен. Т.е. аналитик копается в данных, составляя и корректируя аналитические запросы, и получает отчеты, структура которых заранее может быть неизвестна. Более подробно к этому мы вернемся ниже, когда будем обсуждать язык запросов MDX.
Системы поддержки принятия решений обычно обладают средствами предоставления пользователю агрегатных данных для различных выборок из исходного набора в удобном для восприятия и анализа виде (таблицы, диаграммы и т.п.). Традиционный подход сегментирования исходных данных использует выделение из исходных данных одного или нескольких многомерных наборов данных (нередко называемый гиперкубом или метакубом), оси которых содержат атрибуты, а ячейки – агрегируемые количественные данные. (Причем храниться такие данные могут и в реляционных таблицах, но в данном случае мы говорим о логической организации данных, а не о физической реализации их хранения.) Вдоль каждой оси атрибуты могут быть организованы в виде иерархий, представляющих различные уровни их детализации. Благодаря такой модели данных пользователи могут формулировать сложные запросы, генерировать отчеты, получать подмножества данных.
Технология комплексного многомерного анализа данных получила название OLAP (On-Line Analytical Processing). OLAP — это ключевой компонент организации традиционных хранилищ данных. Концепция OLAP была описана в 1993 году Эдгаром Коддом, известным исследователем баз данных и автором реляционной модели данных. В 1995 году на основе требований, изложенных Коддом, был сформулирован так называемый тест FASMI (Fast Analysis of Shared Multidimensional Information — быстрый анализ разделяемой многомерной информации), включающий следующие требования к приложениям для многомерного анализа:
Следует отметить, что OLAP-функциональность может быть реализована различными способами, начиная с простейших средств анализа данных в офисных приложениях и заканчивая распределенными аналитическими системами, основанными на серверных продуктах. Т.е. OLAP — это не технология, а идеология.
Прежде чем говорить о различных реализациях OLAP, давайте подробнее рассмотрим, что же представляют собой кубы с логической точки зрения.
Многомерные понятия
Мы будем использовать для иллюстрации принципов OLAP базу данных Northwind, входящую в комплекты поставки Microsoft SQL Server и представляющую собой типичную базу данных, хранящую сведения о торговых операциях компании, занимающейся оптовыми поставками продовольствия. К таким данным относятся сведения о поставщиках, клиентах, список поставляемых товаров и их категорий, данные о заказах и заказанных товарах, список сотрудников компании.
Возьмем для примера таблицу Invoices1, которая содержит заказы фирмы. Поля в данной таблице будут следующие:
Какие агрегатные данные мы можем получить на основе этого представления? Обычно это ответы на вопросы типа:
Все эти данные можно получить из этой таблицы вполне очевидными SQL-запросами с группировкой.
Результатом этого запроса всегда будет столбец чисел и список атрибутов его описывающих (например, страна) – это одномерный набор данных или, говоря математическим языком, – вектор.
Представим себе, что нам надо получить информацию по суммарной стоимости заказов из всех стран и их распределение по компаниям доставщиков – мы получим уже таблицу (матрицу) из чисел, где в заголовках колонок будут перечислены доставщики, в заголовках строк – страны, а в ячейках будет сумма заказов. Это – двумерный массив данных. Такой набор данных называется сводной таблицей (pivot table) или кросс-таблицей.
Если же нам захочется получить те же данные, но еще в разрезе годов, тогда появится еще одно изменение, т.е. набор данных станет трехмерным (условным тензором 3-го порядка или 3-х мерным «кубом»).
Очевидно, что максимальное количество измерений – это количество всех атрибутов (Дата, Страна, Заказчик и т.д.), описывающих наши агрегируемые данные (сумму заказов, количество товаров и т.п).
Так мы приходим к понятию многомерности и его воплощению – многомерному кубу. Такая таблица будет у нас называться «таблицей фактов». Измерения или Оси куба (dimensions) – это атрибуты, координаты которых – выражаются индивидуальными значениями этих атрибутов, присутствующих в таблице фактов. Т.е. например, если информация о заказах велась в системе с 2003 по 2010 год, то эта ось годов будет состоять из 8 соответствующих точек. Если заказы приходят из трех стран, то ось стран будет содержать 3 точки и т.д. Независимо от того, сколько стран заложено в справочнике Стран. Точки на оси называются ее «членами» (Members).
Сами агрегируемые данные в данном случае буду назваться «мерами» (Measure). Чтобы избежать путаницы с «измерениями», последние предпочтительней называть «осями». Набор мер образует еще одну ось «Меры» (Measures). В ней столько членов (точек), сколько мер (агрегируемых столбцов) в таблице фактов.
Члены измерений или осей могут быть объединены одной или несколькими иерархиями (hierarchy). Что такое иерархия, поясним на примере: города из заказов могут быть объединены в районы, районы в области, области страны, страны в континенты или другие образования. Т.е. налицо иерархическая структура – континент-страна-область-район-город – 5 уровней (Level). Для района данные агрегируются по всем городам, которые в него входят. Для области по всем районам, которые содержат все города и т.п. Зачем нужно несколько иерархий? Например, по оси с датой заказа мы можем хотеть группировать точки (т.е. дни) по иерархии Год-Месяц-День или по Год-Неделя-День: в обоих случаях по три уровня. Очевидно, что Неделя и Месяц по-разному группируют дни. Бывают также иерархии, количество уровней в которых не детерминировано и зависит от данных. Например, папки на компьютерном диске.
Агрегация данных может происходить с использованием нескольких стандартных функций: сумма, минимум, максимум, среднее, количество.
Перейдем к языку запросов в многомерных данных.
Язык SQL изначально был спроектирован не для программистов, а для аналитиков (и поэтому имеет синтаксис, напоминающий естественный язык). Но он со временем все больше усложнялся и теперь мало кто из аналитиков хорошо умеет им пользоваться, если умеет вообще. Он стал инструментом программистов. Язык запросов MDX, разработанный по слухам нашим бывшим соотечественником Мойшей (или Мошей) Посуманским (Mosha Pasumansky) в дебрях корпорации Майкрософт, тоже изначально должен был ориентирован на аналитиков, но его концепции и синтаксис (который отдаленно напоминает SQL, причем совершенно зря, т.к. это только путает), еще сложнее чем SQL. Тем не менее его основы все же понять несложно.
Мы рассмотрим его подробно потому что это единственный язык, который получил статус стандартного в рамках общего стандарта протокола XMLA, а во вторых потому что существует его open-source реализация в виде проекта Mondrian от компании Pentaho. Другие системы OLAP-анализа (например, Oracle OLAP Option) обычно используют свои расширения синтаксиса языка SQL, впрочем, декларируют поддержку и MDX.
Работа с аналитическими массивами данных подразумевает только их чтение и не подразумевает запись. Т.о. в языке MDX нет предложений для изменения данных, а есть только одно предложение выборки — select.
В OLAP из многомерных кубов можно делать срезы – т.е. когда данные фильтруются по одной или нескольким осям, или проекции – когда по одному или нескольким осям куб «схлопывается», агрегируя данные. Например, наш первый пример с суммой заказов из стран – есть проекция куба на ось Страны. MDX запрос для этого случая будет выглядеть следующим образом:
Select – ключевое слово и в синтаксис входит исключительно для красоты.
[Territory] – это название оси. Все имена собственные в MDX пишутся в квадратных скобках.
[Cities by Countries] – это название иерархии. В нашем случае – это иерархия Страна-Город
[All] – это название члена оси на первом уровне иерархии (т.е. страны) All – это мета-член, объединяющий все члены оси. Такой мета-член есть в каждой оси. Например в оси годов есть «Все года» и т.п.
Children – это функция члена. У каждого члена есть несколько доступных функций. Таких как Parent. Level, Hierarchy, возвращающие соответственно предка, уровень в иерархии и саму иерархию, к которой относится в данном случае член. Children – возвращает набор членов-потомков данного члена. Т.е. в нашем случае – страны.
on rows – Указывает как расположить эти данные в итоговой таблице. В данном случае – в заголовке строк. Возможные значении здесь: on columns, on pages, on paragraphs и т.п. Возможно так же указание просто по индексам, начиная с 0.
from [invoices1] – это указание куба, из которого производится выборка.
Что если нам не нужны все страны, а нужно только пара конкретных? Для этого можно в запросе указать явно те страны которые нам нужны, а не выбирать все функцией Children.
Фигурные скобки в данном случае – обявление набора (Set). Набор – это список, перечисление членов из одной оси.
Теперь напишем запрос для нашего второго примера – вывод в разрезе доставщика:
.Members – функция оси, которая возвращает все члены на ней. Такая же функция есть и у иерархии и у уровня. Т.к. в данной оси иерархия одна, то ее указание можно опустить, т.к. уровень и иерархии тоже один, то можно выводить все члены одним списком.
Думаю, уже очевидно, как можно продолжить это на наш третий пример с детализацией по годам. Но давайте лучше не детализировать по годам, а фильтровать – т.е. строить срез. Для этого напишем следующий запрос:
А где же тут фильтрация?
where – ключевое слово
[2007] – это один член иерархии [Date]. Полное имя с учетом всех терминов было бы таким: [Date.By months].[All dates].[2007], но т.к. имя этого члена в рамках оси уникально, то все промежуточные уточнения имени можно опустить.
Почему член даты в скобках? Круглые скобки – это кортеж (tuple). Кортеж – это один или несколько координат по различным осям. Например для фильтрации сразу по двум осям в круглых скобках мы перечислим два члена из разных измерений через запятую. Т. е. кортеж определяет «срез» куба (или «фильтрацию», если такая терминология ближе).
Кортеж используется не только для фильтрации. Кортежи могут быть и в заголовках строк/колонок/страниц и т.п.
Это нужно, например, для того чтобы вывести в двумерную таблицу результат трехмерного запроса.
Crossjoin – это функция. Она возвращает набор (set) кортежей (да, набор может содержать кортежи!), полученный в результате декартового произведения двух наборов. Т.е. результирующий набор будет содержать все возможные сочетания Стран и Годов. Заголовки строк, таким образом, будут содержать пару значений: Страна-Год.
Вопрос, а где же указание какие числовые характеристики надо выводить? В данном случае используется мера по умолчанию, заданная для этого куба, т.е. Сумма заказа. Если мы хотим выводить другую меру, то мы вспоминаем, что меры – это члены измерения Measures. И действуем точно так же как и с остальными осями. Т.е. фильтрации запроса по одной из мер будет выводить именно эту меру в ячейках.
Вопрос: чем отличается фильтрация в where от фильтрации путем указания членов осей в on rows. Ответ: практически ничем. Просто в where указывается срез для тех осей, которые не участвуют в формировании заголовков. Т.е. одна и та же ось не может одновременно присутствовать и в on rows, и в where.
Вычисляемые члены
Для более сложных запросов можно объявлять вычисляемые члены. Члены как осей атрибутов, так и оси мер. Т.е. Можно объявить, например, новую меру, которая будет отображать вклад каждой страны в общую сумму заказов:
Вычисление происходит в контексте ячейки, у которой известные все ее атрибуты-координаты. Соответствующие координаты (члены) могут быть получены функцией CurrentMember у каждой из осей куба. Здесь надо понимать, что выражение [Territory].CurrentMember / [Territory].[Cities by Countries].[All]’ не делит один член на другой, а делит соответствующие агрегированный данные срезов куба! Т.е. срез по текущей территории разделится на срез по всем территориям, т.е. суммарное значение всех заказов. FORMAT_STRING – задает формат вывода значений, т.е. %.
Другой пример вычисляемого члена, но уже по оси годов:
Очевидно, что в отчете будет не единица, а разность соответствующих срезов, т.е. разность суммы заказов в эти два года.
Отображение в ROLAP
Системы OLAP так или иначе базируются на какой-нибудь системе хранения и организации данных. Когда речь идет о РСУБД, то говорят о ROLAP (MOLAP и HOLAP оставим для самостоятельного изучения). ROLAP – OLAP на реляционной БД, т.е. описанная в виде обычных двумерных таблиц. Системы ROLAP преобразуют MDX запросы в SQL. Основная вычислительная проблема для БД – быстрая агрегация. Чтобы быстрее агрегировать, данные в БД как правило сильно денормализованы, т.е. хранятся не очень эффективно с точки зрения занимаемого места на диске и контроля целостности БД. Плюс дополнительно содержат вспомогательные таблицы, хранящие частично агрегированные данные. Поэтому для OLAP обычно создается отдельная схема БД, которая лишь частично повторяет структуру исходных транзакционных БД в части справочников.
Навигация
Многие системы OLAP предлагают инструментарий интерактивной навигации по уже сформированному запросу (и соответственно выбранным данным). При этом используется так называемое «сверление» или «бурение» (drill). Более адекватным переводом на русский было бы слово «углубление». Но это дело вкуса., в некоторых средах закрепилось слово «дриллинг».
Drill – это детализация отчета с помощью уменьшения степени агрегации данных, совмещенное с фильтрацией по какой-нибудь другой оси (или нескольким осям). Сверление бывает нескольких видов:
На этом все. Теперь, если вы решили посвятить себя Business Intelligence и OLAP самое время приступать к чтению серьезной литературы.