不用框架也能搭出高内聚的数据仓，关键是用闭包将“数据”和“行为”绑定，实现隔离封装、维度事实固化、聚合上下文自带、事件更新一致性及自治单元化。
不用框架也能搭出高内聚的数据仓，关键不是堆工具，而是用闭包把“数据”和“行为”牢牢绑在一起。
闭包是数据仓的私有空间
数据仓的核心诉求之一是隔离与封装——不同业务域的数据结构、计算逻辑、生命周期不该互相干扰。闭包天然提供这种能力：外部函数接收原始数据（比如一张销售明细表），内部函数持有对它的引用，并只暴露经过校验、聚合、映射后的接口。
- 每个“仓单元”由一个闭包工厂创建，如 createSalesWarehouse(rawData)，返回一组方法：
getMonthlyRevenue()、topProductsByRegion(region) - 这些方法共享同一份
rawData和预计算的索引（如按日期排序的数组、按品类哈希的映射表），但外部无法直接读写原始数据 - 即使多次调用
createSalesWarehouse，每个实例都独立维护状态，互不污染
用闭包固化维度与事实的绑定关系
星型模型中，事实表依赖维度表做语义解释。传统写法常把 join 逻辑散落在各处；用闭包可把“事实+维度上下文”打包成可复用单元。
- 定义 factWithDimension(factData, dimMap)：它返回一个查询函数，内部始终用
dimMap解析factData中的外键字段 - 例如：
salesByCategory = factWithDimension(salesRows, categoryLookup)，后续调用salesByCategory('2025-Q3')自动完成维度展开 - 维度变更时，只需重建闭包实例，不影响已有调用链——这正是内聚性的体现
聚合逻辑自带上下文，避免全局变量陷阱
计算加权平均、滚动窗口、漏斗转化率等，都需要访问非当前分组的字段。Pandas 的 groupby().agg() 限制恰好凸显闭包价值。
- 写一个 weightedAvgFactory(weightCol)，它捕获权重列名，并返回能正确索引原始 DataFrame 的聚合函数
- 在仓初始化阶段，用该工厂为不同指标生成专属聚合器：
revWeightedAvg = weightedAvgFactory('deal_size') - 所有聚合器都“记得”自己该用哪一列当权重，无需传参、不依赖全局 df 变量，也不怕作用域丢失
事件驱动的仓更新靠闭包维持一致性
数据仓不是静态快照。当新数据到达，需要触发清洗、关联、物化视图更新。闭包让更新逻辑与当前数据状态强绑定。
- 仓实例内部保存一个
lastUpdated时间戳和增量缓存区，所有更新函数（如appendNewOrders()）都通过闭包访问它们 - 更新函数自动检查时间线重叠、去重、合并索引，逻辑内聚在闭包内，外部只管调用
- 多个仓实例可并行处理不同数据源，各自闭环，不会因共享状态引发竞态
本质上，闭包把数据仓从“一堆表+一堆函数”的松散组合，变成“一个对象+一套契约”的自治单元。它不依赖任何框架的生命周期管理或依赖注入，靠语言原生机制就实现了模块边界、状态归属和行为封装——这才是无框架下真正可持续的高内聚。
