Forme normali
Progettazione di database
Lis Sulmont
Curriculum Manager
Normalizzazione
Identifica i gruppi di dati che si ripetono e crea nuove tabelle per loro.
Una definizione più formale:
Gli obiettivi della normalizzazione sono:
- Saper dire quanto è ridondante uno schema relazionale
- Fornire meccanismi per trasformare gli schemi al fine di eliminare le ridondanze.
Forme normali (NF)
Ordinati dal meno al più normalizzato:
- Prima forma normale (1NF)
- Seconda forma normale (2NF)
- Terza forma normale (3NF)
- Forma normale elementare (EKNF)
- Forma normale di Boyce-Codd (BCNF)
$$
- Quarta forma normale (4NF)
- Forma normale essenziale delle tuple (ETNF)
- Quinta forma normale (5NF)
- Forma normale del dominio chiave (DKNF)
- Sesta forma normale (6NF)
Regole 1NF
- Ogni record deve essere unico, non ci possono essere righe duplicate.
- Ogni cella deve contenere un solo valore.
Dati iniziali
| Student_id | Student_Email | Courses_Completed |
|------------|-----------------|----------------------------------------------------------|
| 235 | [email protected] | Introduction to Python, Intermediate Python |
| 455 | [email protected] | Cleaning Data in R |
| 767 | [email protected] | Machine Learning Toolbox, Deep Learning in Python |
Nella forma 1NF
| Student_id | Student_Email |
|------------|-----------------|
| 235 | [email protected] |
| 455 | [email protected] |
| 767 | [email protected] |
| Student_id | Completed |
|------------|--------------------------|
| 235 | Introduction to Python |
| 235 | Intermediate Python |
| 455 | Cleaning Data in R |
| 767 | Machine Learning Toolbox |
| 767 | Deep Learning in Python |
2NF
- Deve soddisfare 1NF AND
- Se la chiave primaria è una colonna
- quindi soddisfa automaticamente la 2NF
- Se c'è una chiave primaria composta
- quindi ogni colonna non chiave deve dipendere da tutte le chiavi
- Se la chiave primaria è una colonna
Dati iniziali
| Student_id (PK) | Course_id (PK) | Instructor_id | Instructor | Progress |
|-----------------|----------------|---------------|---------------|----------|
| 235 | 2001 | 560 | Nick Carchedi | .55 |
| 455 | 2345 | 658 | Ginger Grant | .10 |
| 767 | 6584 | 999 | Chester Ismay | 1.00 |
Nella forma 2NF
| Student_id (PK) | Course_id (PK) | Percent_Completed |
|-----------------|----------------|-------------------|
| 235 | 2001 | .55 |
| 455 | 2345 | .10 |
| 767 | 6584 | 1.00 |
| Course_id (PK) | Instructor_id | Instructor |
|----------------|---------------|---------------|
| 2001 | 560 | Nick Carchedi |
| 2345 | 658 | Ginger Grant |
| 6584 | 999 | Chester Ismay |
3NF
- Soddisfa 2NF
- Nessuna dipendenza transitiva: le colonne non chiave non possono dipendere da altre colonne non chiave.
Dati iniziali
| Course_id (PK) | Instructor_id | Instructor | Tech |
|----------------|---------------|---------------|--------|
| 2001 | 560 | Nick Carchedi | Python |
| 2345 | 658 | Ginger Grant | SQL |
| 6584 | 999 | Chester Ismay | R |
In 3NF
| Course_id (PK) | Instructor | Tech |
|----------------|---------------|--------|
| 2001 | Nick Carchedi | Python |
| 2345 | Ginger Grant | SQL |
| 6584 | Chester Ismay | R |
| Instructor_id | Instructor |
|---------------|---------------|
| 560 | Nick Carchedi |
| 658 | Ginger Grant |
| 999 | Chester Ismay |
Anomalie nei dati
Cosa rischiamo se non normalizziamo abbastanza?
1. Aggiornamento anomalia
2. Anomalia di inserimento
3. Anomalia di cancellazione
Aggiornamento anomalia
Incoerenza dei dati causata dalla ridondanza dei dati durante l'aggiornamento
| Student_ID | Student_Email | Enrolled_in | Taught_by |
|------------|-----------------|-------------------------|---------------------|
| 230 | [email protected] | Cleaning Data in R | Maggie Matsui |
| 367 | [email protected] | Data Visualization in R | Ronald Pearson |
| 520 | [email protected] | Introduction to Python | Hugo Bowne-Anderson |
| 520 | [email protected] | Arima Models in R | David Stoffer |
Per aggiornare l'indirizzo e-mail dello studente 520:
- Devi aggiornare più di un record, altrimenti ci saranno delle incongruenze.
- Chi aggiorna i dati deve sapere che c'è ridondanza
Anomalia di inserimento
Non riesco ad aggiungere un record perché mancano degli attributi.
| Student_ID | Student_Email | Enrolled_in | Taught_by |
|------------|-----------------|-------------------------|---------------------|
| 230 | [email protected] | Cleaning Data in R | Maggie Matsui |
| 367 | [email protected] | Data Visualization in R | Ronald Pearson |
| 520 | [email protected] | Introduction to Python | Hugo Bowne-Anderson |
| 520 | [email protected] | Arima Models in R | David Stoffer |
Non riesco a inserire uno studente che si è registrato ma non è iscritto a nessun corso.
Anomalia di cancellazione
Se cancelli i record, potresti perdere i dati senza volerlo.
| Student_ID | Student_Email | Enrolled_in | Taught_by |
|------------|-----------------|-------------------------|---------------------|
| 230 | [email protected] | Cleaning Data in R | Maggie Matsui |
| 367 | [email protected] | Data Visualization in R | Ronald Pearson |
| 520 | [email protected] | Introduction to Python | Hugo Bowne-Anderson |
| 520 | [email protected] | Arima Models in R | David Stoffer |
Se cancelliamo lo studente 230, cosa succede ai dati su Cleaning Data in R?
Anomalie nei dati
Cosa rischiamo se non normalizziamo abbastanza?
1. Aggiornamento anomalia
2. Anomalia di inserimento
3. Anomalia di cancellazione
Più il database è normalizzato, meno sarà soggetto ad anomalie dei dati.
Non dimenticare gli svantaggi della normalizzazione che abbiamo visto nell'ultimo video.
Passiamo alla pratica!
Progettazione di database
