[]
数据模型通过可视化箭头方向定义表间过滤关系，支持配置关系基数（如1对1，1对N），实现跨表关联分析、定向数据过滤和业务规则校验。
注意：直连模型和抽取模型均可设置模型的表间关系。
在数据模型中，我们将数据表和表之间的关系抽象成了圆圈和连接箭头，表间关系就像一条单向流动的河流：箭头的方向代表着数据过滤的方向，如同水流不可逆转，起点的表可以过滤终点的表，而反向则不可行。
箭头是水流的走向，上游的表（如商品分类）能自然影响下游的表（如商品信息），但下游不能逆流而上。
只要顺流而下，即使途经多个节点（如Categories→Products→OrderDetails），源头依然能抵达终点。
只有存在通路时，数据筛选才能在仪表盘中生效，就像只有连通的河道，才能让船只顺利航行。
简言之：有方向，才有联系；能抵达，才能控制。
在数据建模中，表间关系本质上是数据库主外键关系的可视化呈现。这些关系遵循严谨的基数规则，包括1对N、N对1等多种类型，构成了数据流向的基础逻辑。
核心法则：
1方主导原则：在关系连线中，"1"端始终作为过滤源，天然具备对"N"端的筛选权限
基数决定流向：箭头方向由基数关系严格定义，不可逆转
全链路一致性：从画布设计到关系配置，基数验证贯穿整个建模生命周期
画布基数代表：
添加关系选择基数：
关系属性查看基数：
基数关系介绍：
具体来讲，在数据模型中数据表之间的基数关系有以下几种：
基数关系 | 示例说明 |
|---|---|
一对一关系 (1 ∶ 1) | 部门表(1)与经理表(1)，一个部门对应唯一一个经理，一个经理只属于一个部门 |
一对多关系 (1 ∶ N) | 班级表(1)与学生表(N)，一个班级有多个学生，但每个学生必须只属于一个班级 |
可选一对多 (0..1 ∶ N) | 学生表(0..1)和社团表(N)，学生可以不参加或参加多个社团 |
多对一关系 (N ∶ 1) | 城市表(N)与国家表(1)，多个城市属于同一个国家，单每个城市必须只所属一个国家 |
可选多对一 (N ∶ 0..1) | 社团表(N)与学生表(0..1)，多个社团可能没有或只有一个学生参与 |
在数据模型中，表间关联的箭头方向定义了数据的筛选路径。基于这种关系，在构建仪表板时，我们可以将起始表的字段作为分类维度，而将目标表的字段作为统计指标，从而创建准确的数据可视化图表。
例如模型的关系如下图左侧：商品分类表可以依次过滤商品信息和订单明细，所以我们可以将商品分类的大类名称绑定到柱状图的分类，将商品信息的进货价或订单明细的订单单价绑定到柱状图的数值中，进行汇总统计。
有关数据模型在仪表板中应用的更多详细介绍，请您参见在仪表板中使用直连模型或在仪表板中使用抽取模型。
在仪表板的设计过程中，表间数据路径的连通性是实现精准分析的基础。通过智能化的路径检测功能，我们可以快速验证任意两表间的数据关联性，从而为可视化组件绑定正确的字段组合。
例如：在数据分析场景中，我们需要通过下图的销售大区表对订单表进行筛选分析，传统方式需要人工逐层梳理表间关联路径，效率较低且容易出错。但借助模型设计器的标记功能，只需简单标记销售大区表为起点、订单表为终点，系统便会自动探测并高亮显示最优关联路径；若路径不通，更会即时提示路径不通，让数据关联验证变得高效而精准。
智能路径探测： 通过简单的起点/终点标记，系统将自动为您呈现完整的表间关联路径。下图我们以销售地区表为起点、订单表为终点，一键查看智能分析引擎发现的完整数据通路。
清除路径标记： 一键清除两表的标记，恢复模型初始状态。例如，一键清除销售大区与订单表之间的起点和终点路径标记。
智能路径检测异常提示： 当系统检测到两表之间不存在有效关联路径时，将自动触发智能提醒机制，显示"路径不可达"提示信息。用户可通过单击详显示详情按钮，查看完整的路径分析报告，了解具体的关联缺失环节。例如下图预算日期表和会员表没有连通路径，此时设置预算日期为起点表，设置会员表为终点表时会有错误提示。
