Postacie normalne
Projektowanie baz danych
Lis Sulmont
Curriculum Manager
Normalizacja
Identyfikuj powtarzające się grupy danych i twórz dla nich nowe tabele
Bardziej formalna definicja:
Cele normalizacji to:
- Możliwość określenia poziomu redundancji w schemacie relacyjnym
- Zapewnienie mechanizmów przekształcania schematów w celu usunięcia redundancji
1 Database Design, 2nd Edition by Adrienne Watt
Postacie normalne (NF)
Od najmniej do najbardziej znormalizowanej:
- Pierwsza postać normalna (1NF)
- Druga postać normalna (2NF)
- Trzecia postać normalna (3NF)
- Elementarna kluczowa postać normalna (EKNF)
- Postać normalna Boyce'a-Codda (BCNF)
$$
- Czwarta postać normalna (4NF)
- Zasadnicza krotna postać normalna (ETNF)
- Piąta postać normalna (5NF)
- Postać normalna klucza dziedziny (DKNF)
- Szósta postać normalna (6NF)
1 https://en.wikipedia.org/wiki/Database_normalization
Zasady 1NF
- Każdy rekord musi być unikalny – brak duplikatów
- Każda komórka musi zawierać jedną wartość
Dane wejściowe
| 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 |
W postaci 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
- Musi spełniać 1NF ORAZ
- Jeśli klucz główny to jedna kolumna
- automatycznie spełnia 2NF
- Jeśli klucz główny jest złożony
- każda kolumna niebędąca kluczem musi zależeć od wszystkich kluczy
- Jeśli klucz główny to jedna kolumna
Dane wejściowe
| 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 |
W postaci 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
- Spełnia 2NF
- Brak zależności przechodnich: kolumny niebędące kluczem nie mogą zależeć od innych takich kolumn
Dane wejściowe
| Course_id (PK) | Instructor_id | Instructor | Tech |
|----------------|---------------|---------------|--------|
| 2001 | 560 | Nick Carchedi | Python |
| 2345 | 658 | Ginger Grant | SQL |
| 6584 | 999 | Chester Ismay | R |
W postaci 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 danych
Co ryzykujemy, nie normalizując wystarczająco?
1. Anomalia aktualizacji
2. Anomalia wstawiania
3. Anomalia usuwania
Anomalia aktualizacji
Niespójność danych spowodowana redundancją podczas aktualizacji
| 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 |
Aby zaktualizować e-mail studenta 520:
- Trzeba zaktualizować więcej niż jeden rekord, inaczej pojawi się niespójność
- Użytkownik musi wiedzieć o redundancji
Anomalia wstawiania
Niemożność dodania rekordu z powodu brakujących atrybutów
| 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 |
Niemożność wstawienia studenta, który się zarejestrował, ale nie zapisał na żaden kurs
Anomalia usuwania
Usunięcie rekordu powoduje niezamierzoną utratę danych
| 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 |
Jeśli usuniemy studenta 230, co stanie się z danymi dotyczącymi Cleaning Data in R?
Anomalie danych
Co ryzykujemy, nie normalizując wystarczająco?
1. Anomalia aktualizacji
2. Anomalia wstawiania
3. Anomalia usuwania
Im bardziej znormalizowana baza danych, tym mniej podatna na anomalie danych
Nie zapomnij o wadach normalizacji omówionych w poprzednim filmie
Czas na ćwiczenia!
Projektowanie baz danych
