Normale vormen
Databaseontwerp
Lis Sulmont
Curriculum Manager
Normalisatie
Herken herhalende gegevensgroepen en maak er aparte tabellen voor
Een formelere definitie:
Doelen van normalisatie:
- De mate van redundantie in een relationeel schema bepalen
- Mechanismen bieden om schema’s te transformeren en redundantie te verwijderen
1 Database Design, 2nd Edition by Adrienne Watt
Normale vormen (NF)
Van minst naar meest genormaliseerd:
- Eerste normale vorm (1NF)
- Tweede normale vorm (2NF)
- Derde normale vorm (3NF)
- Elementary key normal form (EKNF)
- Boyce-Codd normal form (BCNF)
$$
- Fourth normal form (4NF)
- Essential tuple normal form (ETNF)
- Fifth normal form (5NF)
- Domain-key Normal Form (DKNF)
- Sixth normal form (6NF)
1 https://en.wikipedia.org/wiki/Database_normalization
1NF-regels
- Elke record is uniek: geen dubbele rijen
- Elke cel bevat één waarde
Initiële data
| 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 |
In 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
- Moet aan 1NF voldoen EN
- Als de primaire sleutel één kolom is
- dan voldoet het automatisch aan 2NF
- Bij een samengestelde primaire sleutel
- moet elke niet-sleutelkolom afhangen van alle sleutels
- Als de primaire sleutel één kolom is
Initiële data
| 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 |
In 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
- Voldoet aan 2NF
- Geen transitieve afhankelijkheden: niet-sleutelkolommen mogen niet van andere niet-sleutelkolommen afhangen
Initiële data
| 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 |
Data-anomalieën
Wat riskeren we als we niet genoeg normaliseren?
1. Update-anomalie
2. Invoeg-anomalie
3. Verwijderingsanomalie
Update-anomalie
Inconsistentie door redundantie bij het updaten
| 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 |
Om e-mail van student 520 te wijzigen:
- Meerdere records updaten, anders ontstaat inconsistentie
- De gebruiker moet de redundantie kennen
Invoeg-anomalie
Geen record kunnen toevoegen door ontbrekende attributen
| 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 |
Je kunt geen student invoeren die zich heeft aangemeld maar nog geen cursus heeft
Verwijderingsanomalie
Verwijderen van record(s) leidt tot onbedoeld dataverlies
| 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 |
Als we student 230 verwijderen, wat gebeurt er met de data over Cleaning Data in R?
Data-anomalieën
Wat riskeren we als we niet genoeg normaliseren?
1. Update-anomalie
2. Invoeg-anomalie
3. Verwijderingsanomalie
Hoe meer genormaliseerd, hoe minder gevoelig voor anomalieën
Vergeet de nadelen van normalisatie uit de vorige video niet
Laten we oefenen!
Databaseontwerp
