DDIA 1-3-2 图数据模型、事件溯源与 CQRS
1. 图数据模型（Graph Data Model）
图数据模型以节点（nodes）与边（edges）为核心，用于表达实体与关系。
示例：
(Alice) -[:FOLLOWS]-> (Bob)
图模型并非只有图数据库使用，很多知识表达、社交网络、推荐系统、路径分析本质都依赖图结构。
1.1 图模型的核心优势
| 能力 | 说明 |
|---|---|
| 表达复杂关系 | 自然适合 n 对 n、多跳路径、层级归属等复杂数据结构 |
| 可变架构（Schema-less） | 实体类型、关系种类可以随时扩展 |
| 性能随关系增长更稳定 | 多跳查询通常比关系数据库 JOIN 更高效 |
| 支持递归查询 | e.g., 组织结构、地理包含（within）、路径发现 |
1.2 与关系数据模型的差异
- 关系模型强调表 + 外键，适合结构清晰的业务数据
- 图模型强调关系与连接性，适合遍历、搜索、推荐、溯源类问题
图模型在工业界大量用于：
- 知识图谱（Knowledge Graph）
- 风控路径溯源
- 网络拓扑分析
- 社交关系图
- 供应链依赖图
- 事件因果链
2. 事件溯源（Event Sourcing）
事件溯源是一种把数据存成事件序列，而不是当前状态的模式。
传统系统存当前状态：
{ "balance": 120 }
事件溯源存变化事件：
Deposit 100
Withdraw 20
Deposit 40
当前状态由事件回放推导得到。
2.1 为什么使用事件溯源？
| 需求 | 事件溯源的优势 |
|---|---|
| 审计能力 | 所有状态变化都有记录 |
| 系统恢复能力 | 可从事件重放恢复任意时刻状态 |
| 可追踪业务逻辑演化 | 数据的形成路径清晰可见 |
| 天然支持时间旅行 | 还原过去状态、比较差异 |
| 事件驱动架构天然契合 | 事件可以驱动其他微服务更新、通知等 |
2.2 事件存储格式
事件通常包含：
{
"eventType": "ItemAdded",
"data": { ... },
"timestamp": "...",
"version": 17 // 乐观锁 / 回放顺序
}
不同系统可把事件保存在：
- 日志（Kafka）
- EventStore
- 关系库（按聚合分 EventStream）
- 文档库
3. CQRS（Command Query Responsibility Segregation）
CQRS 是 命令（Command） 与 查询（Query） 分离的架构模式。
核心思想：
修改数据与读取数据应该使用不同模型，因为需求完全不同。
3.1 为什么要分离？
| Command（写） | Query（读） |
|---|---|
| 强一致性 | 高性能、高可用 |
| 验证复杂 | 可缓存、可做物化视图 |
| 更新有限数据 | 读取跨聚合、多维度数据 |
| 事务性强 | 可用异步、最终一致性 |
3.2 CQRS 与事件溯源的关系
两者常一起使用：
- 写模型（Command Model）
- 产出事件（events）
- 事件被广播（event bus）
- 读模型（Query Model）
- 订阅事件
- 更新自己的投影（projection / view）
这种结构天然适合：
- 高读写分离系统
- 报表系统
- 活动日志
- 复杂读取视图的业务（如电商订单状态汇总）
4. 数据框、矩阵、数组的模型差异
数据框（DataFrame）、矩阵（Matrix）、数组（Array）是数据系统中三种常见结构，各有侧重点。
4.1 数组（Array）
一维或多维，元素类型一致。
示例：
[1, 2, 3]
或多维：
[[1,2], [3,4]]
适合数值计算、图像矩阵、向量空间。
4.2 矩阵（Matrix）
本质是二维数组，但承担数学意义：线性代数运算。
- 强调行列（shape）
- 支持矩阵乘法、特征分解、转置等
矩阵可以看成数组的一个语义化子集。
4.3 数据框（DataFrame）
一种类似表格的结构：
- 列可不同类型（字符串、浮点、日期）
- 每列有标签，每行有索引
- 常用于数据分析（Pandas、R DataFrame）
示例：
| name | age | score |
|---|---|---|
| Alice | 25 | 88 |
| Bob | 30 | 92 |
适用于：
- 统计分析
- 数据清洗
- 多字段结构化数据处理
4.4 三者对比
| 特性 | 数组 | 矩阵 | 数据框 |
|---|---|---|---|
| 维度 | 任意 | 二维 | 二维（带列名） |
| 类型一致性 | 要求一致 | 一致 | 不要求一致 |
| 运算重点 | 数值计算 | 线代运算 | 分析 / ETL |
| 应用领域 | AI、图像处理 | 机器学习算法内部 | 数据分析、BI |
5. 综合视角：数据模型与架构模式的关系
图数据模型、事件溯源、CQRS、数据框/矩阵/数组其实处于数据处理链条的不同层次：
📌 数据表达层（结构）
- 数组 / 矩阵：数值运算
- 数据框：分析型数据
- 图数据模型：关系与连接性最强的数据形式
📌 数据行为层（数据如何变化）
- 事件溯源：数据的演化记录
- CQRS：对读写需求的结构性分离
📌 架构层（系统如何组织数据）
在复杂系统中，它们往往组合出现：
- 图模型 + 事件溯源
→ 用事件构建知识图谱（事件流形成关系图） - CQRS + 事件溯源
→ 微服务常见模式，写端产生事件，读端构建多种视图（表格视图、图视图） - 数据框 / 数组 / 矩阵
→ 事件的二次处理（分析、机器学习）
📌 总结
这篇总结的核心思想是：
图模型强于关系表达，事件溯源记录状态来源，CQRS 优化读写逻辑，而数据框/矩阵/数组是数据分析与计算层的基石。
它们在现代系统架构中往往共同构成：
- 数据采集（事件）
- 数据关系构建（图）
- 数据查询（CQRS 的读模型）
- 数据分析（DataFrame / Matrix / Array）
- 机器学习与推理