Normal formlar
Veritabanı Tasarımı
Lis Sulmont
Curriculum Manager
Normalleştirme
Tekrarlayan veri gruplarını belirleyin ve bunlar için yeni tablolar oluşturun
Daha resmî bir tanım:
Normalleştirmenin amaçları:
- İlişkisel bir şemadaki fazlalık düzeyini belirlemek
- Fazlalığı kaldırmak için şemaları dönüştürme mekanizmaları sağlamak
1 Database Design, 2nd Edition by Adrienne Watt
Normal formlar (NF)
En azdan en çok normalleştirilmişe doğru sıralı:
- Birinci normal form (1NF)
- İkinci normal form (2NF)
- Üçüncü normal form (3NF)
- Temel anahtar normal formu (EKNF)
- Boyce-Codd normal formu (BCNF)
$$
- Dördüncü normal form (4NF)
- Temel demet normal formu (ETNF)
- Beşinci normal form (5NF)
- Alan-anahtar normal formu (DKNF)
- Altıncı normal form (6NF)
1 https://en.wikipedia.org/wiki/Database_normalization
1NF kuralları
- Her kayıt benzersiz olmalı — yinelenen satır yok
- Her hücre tek bir değer tutmalı
İlk veriler
| 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 |
1NF biçiminde
| 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
- 1NF'yi sağlamalıdır VE
- Birincil anahtar tek sütunsa
- otomatik olarak 2NF'yi sağlar
- Bileşik birincil anahtar varsa
- anahtar olmayan her sütun tüm anahtarlara bağımlı olmalıdır
- Birincil anahtar tek sütunsa
İlk veriler
| 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 |
2NF biçiminde
| 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
- 2NF'yi sağlar
- Hiçbir geçişli bağımlılık yok: anahtar olmayan sütunlar diğer anahtar olmayan sütunlara bağımlı olamaz
İlk veriler
| Course_id (PK) | Instructor_id | Instructor | Tech |
|----------------|---------------|---------------|--------|
| 2001 | 560 | Nick Carchedi | Python |
| 2345 | 658 | Ginger Grant | SQL |
| 6584 | 999 | Chester Ismay | R |
3NF biçiminde
| 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 |
Veri anomalileri
Yeterince normalleştirmezsek ne riske gireriz?
1. Güncelleme anomali
2. Ekleme anomali
3. Silme anomali
Güncelleme anomali
Güncellemede veri fazlalığının yol açtığı tutarsızlık
| 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 |
Öğrenci 520'nin e-postasını güncellemek için:
- Birden çok kaydı güncellemek gerekir; aksi halde tutarsızlık olur
- Güncelleyen kişi fazlalığı bilmelidir
Ekleme anomali
Eksik öznitelikler nedeniyle kayıt eklenememesi
| 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 |
Herhangi bir derse kaydolmamış, sadece kayıt olan bir öğrenciyi ekleyememe
Silme anomali
Kayıt(lar)ın silinmesi, istenmeyen veri kaybına yol açar
| 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 |
Öğrenci 230'u silersek, Cleaning Data in R verileri ne olur?
Veri anomalileri
Yeterince normalleştirmezsek ne riske gireriz?
1. Güncelleme anomali
2. Ekleme anomali
3. Silme anomali
Veritabanı ne kadar normalleştirilirse, veri anomalilerine o kadar az yatkın olur
Son videodaki normalleştirmenin dezavantajlarını unutmayın
Hadi pratik yapalım!
Veritabanı Tasarımı
