在处理复杂业务场景时，常常需要对具有多个分类维度的数据进行组织和查询。虽然 Guava 的 Table 接口本质上是一个二维结构（由行键和列键共同定位值），但通过结合嵌套集合或层级映射的方式，我们可以有效模拟出三维甚至更高维度的数据模型。

利用嵌套表构建三维结构

一种常见的扩展方式是将 Table 的值类型设为另一个 Table 或 Map，从而形成层次化索引。例如，在分析销售数据时，可以将"时间"作为外层行键，"区域"作为列键，而每个单元格存储一个包含"指标-数值"映射的内层表。

import com.google.common.collect.HashBasedTable;
import com.google.common.collect.Table;
import org.junit.jupiter.api.Test;

import java.util.Map;

public class ThreeDimensionalDataModelTest {

    @Test
    public void buildThreeLevelIndex() {
        // 外层表：日期 → 区域 → (指标 → 数值)
        Table<String, String, Table<String, Integer>> timeRegionMetricTable = HashBasedTable.create();

        // 构造北方区域的数据
        Table<String, Integer> northMetrics = HashBasedTable.create();
        northMetrics.put("Revenue", 9800);
        northMetrics.put("Cost", 4200);
        northMetrics.put("Orders", 156);

        // 构造南方区域的数据
        Table<String, Integer> southMetrics = HashBasedTable.create();
        southMetrics.put("Revenue", 8700);
        southMetrics.put("Cost", 3800);
        southMetrics.put("Orders", 134);

        // 填入外层表
        timeRegionMetricTable.put("2024-11-15", "North", northMetrics);
        timeRegionMetricTable.put("2024-11-15", "South", southMetrics);

        // 查询指定维度组合的值
        Table<String, Integer> targetData = timeRegionMetricTable.get("2024-11-15", "North");
        Integer revenue = targetData.get("Revenue");
        System.out.println("North region revenue on 2024-11-15: " + revenue); // 输出: 9800
    }
}

上述代码中，我们通过两层 Table 实现了三个逻辑维度的索引路径：date → region → metric → value。这种结构适合固定维度顺序且访问模式明确的场景。

遍历多级数据集

当需要扫描全部记录时，可以通过逐层迭代完成。以下示例展示了如何遍历所有日期、区域及其对应的各项指标。

@Test
public void traverseHierarchicalData() {
    Table<String, String, Table<String, Integer>> dataTable = HashBasedTable.create();

    Table<String, Integer> data1 = HashBasedTable.create();
    data1.put("Revenue", 7500);
    data1.put("Profit", 2100);
    dataTable.put("2024-11-10", "East", data1);

    Table<String, Integer> data2 = HashBasedTable.create();
    data2.put("Revenue", 6800);
    data2.put("Profit", 1950);
    dataTable.put("2024-11-10", "West", data2);

    // 多重循环访问完整数据集
    for (Map.Entry<String, Map<String, Table<String, Integer>>> rowEntry : dataTable.rowMap().entrySet()) {
        String date = rowEntry.getKey();
        System.out.println("Processing date: " + date);

        for (Map.Entry<String, Table<String, Integer>> colEntry : rowEntry.getValue().entrySet()) {
            String region = colEntry.getKey();
            System.out.println("  Region: " + region);

            Table<String, Integer> metrics = colEntry.getValue();
            for (Map.Entry<String, Integer> metricEntry : metrics.cellSet()) {
                System.out.printf("    %s: %d%n", metricEntry.getRowKey(), metricEntry.getValue());
            }
        }
    }
}

该方法利用 rowMap() 获取按行组织的视图，并进一步展开每一项的列与内部数据，实现完整的深度遍历。

扩展至四维及以上结构

若需支持四个或更多维度（如年份、月份、地区、产品类别），可引入标准 Map 作为顶层容器，其值指向一个二维 Table，再嵌套另一层映射结构。

@Test
public void fourDimensionModel() {
    // 四维模型：Year → Month → (Region × Metric → Value)
    java.util.Map<String, Table<String, String, Table<String, Integer>>> yearSlice =
            new java.util.HashMap<>();

    // 初始化某月数据
    Table<String, Integer> monthlyMetrics = HashBasedTable.create();
    monthlyMetrics.put("Sales", 22000);
    monthlyMetrics.put("Returns", 800);

    Table<String, String, Table<String, Integer>> monthTable = HashBasedTable.create();
    monthTable.put("North", "Q4", monthlyMetrics);

    yearSlice.put("2024", monthTable);

    // 查询：2024年北区第四季度的销售额
    Table<String, Integer> q4Data = yearSlice.get("2024").get("North", "Q4");
    Integer sales = q4Data.get("Sales");
    System.out.println("2024 Q4 North Sales: " + sales); // 输出: 22000
}

这种方式虽牺牲了一定的统一性，但极大增强了灵活性，适用于维度动态变化或多层级聚合分析的应用。