数据库规范化

数据库规范化

数据库规范化是使用一系列范式设计数据库（通常是关系型数据库）的过程，其目的是减少数据冗余，增强数据的一致性。
这一系列范式就是指在设计关系型数据库时，需要遵从的不同的规范。关系型数据库的范式一共有六种，分别是第一范式（1NF）、第二范式（2NF）、第三范式（3NF）、巴斯-科德范式（BCNF）、第四范式(4NF）和第五范式（5NF）。遵循的范式级别越高，数据冗余性就越低。

一、函数依赖和相关属性

函数依赖

相关属性

超键:能够唯一标识元组的属性集叫做超键。
候选键:如果超键不包括多余的属性,那么这个超键就是候选键。
主键:用户可以冲候选键中选择一个作为主键。
外键:如果数据表R1中的某属性集不是R1的主键M而是另一个数据表R2的主键,那么这个属性集就是数据表R1的外键。
主属性:包含在任一候选键中的属性成为主属性。 非主属性:与主属性相对,指的是不包含在任一候选键中的属性。

球员表(player) ：球员编号 | 姓名 | 身份证号 | 年龄 | 球队编号
球队表(team) ：球队编号 | 主教练 | 球队所在地

超键 ：对于球员表来说，超键就是包括球员编号或者身份证号的任意组合，比如（球员编号）
（球员编号，姓名）（身份证号，年龄）等。
候选键 ：就是最小的超键，对于球员表来说，候选键就是（球员编号）或者（身份证号）。
主键 ：我们自己选定，也就是从候选键中选择一个，比如（球员编号）。
外键 ：球员表中的球队编号。
主属性 、 非主属性 ：在球员表中，主属性是（球员编号）（身份证号），其他的属性（姓名）
（年龄）（球队编号）都是非主属性

一、第一范式(1NF)

主要确保数据表种的每个字段的值必须具有原子性,也就是说数据表种每个字段的值为不可再次拆分的最小数据单元。
我们在设计某个字段的时候,对于字段X来说,不能把字段X拆分成字段X-1和字段X-2.事实上,任何DBMS都会满足第一范式的要求,不会将字段进行拆分。
例子1:
假设一家公司要存储员工的姓名和联系方式。它创建一个如下表：

该表不符合 1NF ，因为规则说“表的每个属性必须具有原子（单个）值”，lisi和zhaoliu员工的
emp_mobile 值违反了该规则。为了使表符合 1NF ，我们应该有如下表数据：

例子2:

字段名称	字段类型	是否是主键	说明
id	INT	是	主键id
username	VARCHAR(30)	否	用户名
password	VARCHAR(50)	否	密码
user_info	VARCHAR(255)	否	用户信息 (包含真实姓名、电话、住址)

该表中的user_info字段还能进行拆分：

字段名称	字段类型	是否是主键	说明
id	INT	是	主键id
username	VARCHAR(30)	否	用户名
password	VARCHAR(50)	否	密码
real_name	VARCHAR(30)	否	真实姓名
phone	VARCHAR(12)	否	联系电话
address	VARCHAR(100)	否	家庭住址

属性的原子性是主观的,例如上述的address字段还能拆分成更详细(省,市,地址),主要取决于应用程序的需要。

二、第二范式(2NF)

要求在满足第一范式的基础上,还要满足数据表里的每一条数据记录,都是可唯一标识的。而且所有非主键字段,都必须完全依赖主键,不能只依赖主键的一部分。如果知道主键的所有属性的值,就可以检索到任何元组(行)的任何属性的任何值。(要求中的主键,其实可以kuozhan)

例子1:
成绩表 （学号，课程号，成绩）关系中，（学号，课程号）可以决定成绩，但是学号不能决定成绩，课程号也不能决定成绩，所以“（学号，课程号）→成绩”就是 完全依赖关系

例子2：
比赛表 player_game (球员编号、姓名、年龄、比赛编号、比赛时间和比赛场地等属性)，这
里候选键和主键都为（球员编号，比赛编号），我们可以通过候选键（或主键）来决定如下的关系：

(球员编号, 比赛编号) → (姓名, 年龄, 比赛时间, 比赛场地，得分)

但是这个数据表不满足第二范式，因为数据表中的字段之间还存在着如下的对应关系：

(球员编号) → (姓名，年龄)
(比赛编号) → (比赛时间, 比赛场地)

对于非主属性来说，并非完全依赖候选键。这样会产生怎样的问题呢？

1. 数据冗余 ：如果一个球员可以参加 m 场比赛，那么球员的姓名和年龄就重复了 m-1 次。一个比赛
   也可能会有 n 个球员参加，比赛的时间和地点就重复了 n-1 次。
2. 插入异常 ：如果我们想要添加一场新的比赛，但是这时还没有确定参加的球员都有谁，那么就没
   法插入。
3. 删除异常 ：如果我要删除某个球员编号，如果没有单独保存比赛表的话，就会同时把比赛信息删
   除掉。
4. 更新异常 ：如果我们调整了某个比赛的时间，那么数据表中所有这个比赛的时间都需要进行调
   整，否则就会出现一场比赛时间不同的情况

为了避免出现上述的情况，我们可以把球员比赛表设计为下面的三张表。

表名	属性 （字段）
球员 player 表	球员编号、姓名和年龄等属性
比赛 game 表	比赛编号、比赛时间和比赛场地等属性
球员比赛关系 player_game 表	球员编号、比赛编号和得分等属性

1NF 告诉我们字段属性需要是原子性的，而 2NF 告诉我们一张表就是一个独立的对象，一张表只 表达一个意思。

三、第三范式(3NF)

在第二范式的基础上,确保数据表中的每一个非主键字段和主键字段直接相关，也就是说,要求数据表中的所有非主键字段不能依赖于其他非主键字段。(不能存在非主属性A依赖非主属性B,非主属性B依赖于主键C的情况,即存在A->B->C的决定关系),该规则意思是所有非主键属性之间不能有依赖关系,必须相互独立。

举例1：
部门信息表 ：每个部门有部门编号（dept_id）、部门名称、部门简介等信息。
员工信息表 ：每个员工有员工编号、姓名、部门编号。列出部门编号后就不能再将部门名称、部门简介等与部门有关的信息再加入员工信息表中。

如果不存在部门信息表，则根据第三范式（3NF）也应该构建它，否则就会有大量的数据冗余。

举例2:

字段名称	字段类型	是否是主键	说明
id	INT	是	商品主键id （主键）
category_id	INT	否	商品类别id
category_name	VARCHAR(30)	否	商品类别名称
goods_name	VARCHAR(30)	否	商品名称
price	DECIMAL(10,2)	否	商品价格

商品类别名称依赖于商品类别编号，不符合第三范式。
修改:
表1.商品类别表

字段名称	字段类型	是否是主键	说明
id	INT	是	商品类别主键id
category_name	VARCHAR(30)	否	商品类别名称

表2.商品表

字段名称	字段类型	是否是主键	说明
id INT	是	商品主键id
category_id	VARCHAR(30)	否	商品类别id
goods_name	VARCHAR(30)	否	商品名称
price	DECIMAL(10,2)	否	商品价格

四、范式优缺点和反范式化

范式的优点:数据的标准化有助于消除数据库中的数据冗余,第三范式通常被认为在性能,扩展性和数据完整性方面达到了最好的平衡。
范式的缺点:可能降低查询的效率,范式的等级越高,设计出来的数据表越多，越精细，数据的冗余度越低,进行数据查询的时候可能需要关联多张表，这不但代价昂贵,也可能使一些索引策略无效。

开发中,我们会为了性能和读取效率反范式化的原则,通过增加少量的冗余或重复的数据来提高数据库的读性能,减少关联查询,join表的次数,实现空间换取时间的目的。

规范化 vs 性能

1. 为满足某种商业目标 , 数据库性能比规范化数据库更重要
2. 在数据规范化的同时 , 要综合考虑数据库的性能
3. 通过在给定的表中添加额外的字段，以大量减少需要从中搜索信息所需的时间
4. 通过在给定的表中插入计算列，以方便查询

举例1：
员工的信息存储在 employees 表 中，部门信息存储在 departments 表 中。通过 employees 表中的
department_id字段与 departments 表建立关联关系。如果要查询一个员工所在部门的名称：

select employee_id,department_name
from employees e join departments d
on e.department_id = d.department_id;

如果经常需要进行这个操作，连接查询就会浪费很多时间。可以在 employees 表中增加一个冗余字段
department_name，这样就不用每次都进行连接操作了。

举例2：
课程评论表 class_comment ，对应的字段名称及含义如下：
学生表 student ，对应的字段名称及含义如下：

在实际应用中，我们在显示课程评论的时候，通常会显示这个学生的昵称，而不是学生 ID，因此当我们想要查询某个课程的前 1000 条评论时，需要关联 class_comment 和 student这两张表来进行查询。

如果我们想要查询课程 ID 为 10001 的前 1000 条评论，需要写成下面这样：

SELECT p.comment_text, p.comment_time, stu.stu_name
FROM class_comment AS p LEFT JOIN student AS stu
ON p.stu_id = stu.stu_id
WHERE p.class_id = 10001
ORDER BY p.comment_id DESC
LIMIT 1000;

运行结果（1000 条数据行）：

运行时长为 0.395 秒，对于网站的响应来说，这已经很慢了，用户体验会非常差。

如果我们想要提升查询的效率，可以允许适当的数据冗余，也就是在商品评论表中增加用户昵称字段，在 class_comment 数据表的基础上增加 stu_name 字段，就得到了 class_comment2 数据表。
这样一来，只需单表查询就可以得到数据集结果：

SELECT comment_text, comment_time, stu_name
FROM class_comment2
WHERE class_id = 10001
ORDER BY class_id DESC LIMIT 1000;

运行结果（1000 条数据）：

优化之后只需要扫描一次聚集索引即可，运行时间为 0.039 秒，查询时间是之前的 1/10。 你能看到，
在数据量大的情况下，查询效率会有显著的提升。

反范式化带来的问题

1. 存储 空间变大了。
2. 一个表中字段做了修改，另一个表中冗余的字段也需要做同步修改，否则 数据不一致。
3. 若采用存储过程来支持数据的更新、删除等额外操作，如果更新频繁，会非常 消耗系统资源。
4. 在 数据量小 的情况下，反范式不能体现性能的优势，可能还会让数据库的设计更加 复杂。

反范式使用场景
当冗余信息有价值或者能 大幅度提高查询效率 的时候，我们才会采取反范式的优化。

1. 增加冗余字段的建议
2. 历史快照、历史数据的需要在现实生活中，我们经常需要一些冗余信息，比如订单中的收货人信息，包括姓名、电话和地址等。每次发生的 订单收货信息 都属于 历史快照 ，需要进行保存，但用户可以随时修改自己的信息，这时保存这些冗余信息是非常有必要的。
   反范式优化也常用在 数据仓库 的设计中，因为数据仓库通常 存储历史数据 ，对增删改的实时性要求不强，对历史数据的分析需求强。这时适当允许数据的冗余度，更方便进行数据分析。

五、BCNF(巴斯范式)

在3NF的基础上进行了改进,提出了巴斯范式(BCNF),也叫做巴斯科德范式(Boyce-Codd Normal Form)。被认为没有心的设计规则加入,知识对第三范式中设计规范要求更强,使得数据冗余度更小。所以,称为是修正的第三范式,或扩充的第三范式,BCNF不被称为第四范式。

若一个关系达到了第三范式,并且它只有一个候选键,或者它的每个候选键都是单属性,则该关系自然达到BC范式。

案例:
我们分析如下表的范式情况：

在这个表中，一个仓库只有一个管理员，同时一个管理员也只管理一个仓库。我们先来梳理下这些属性之间的依赖关系。仓库名决定了管理员，管理员也决定了仓库名，同时（仓库名，物品名）的属性集合可以决定数量这个属性。这样，我们就可以找到数据表的候选键。
候选键 ：是（管理员，物品名）和（仓库名，物品名），然后我们从候选键中选择一个作为 主键 ，比如（仓库名，物品名）。
主属性 ：包含在任一候选键中的属性，也就是仓库名，管理员和物品名。
非主属性 ：数量这个属性。

是否符合三范式:
首先，数据表每个属性都是原子性的，符合 1NF 的要求；
其次，数据表中非主属性”数量“都与候选键全部依赖，（仓库名，物品名）决定数量，（管理员，物品
名）决定数量。因此，数据表符合 2NF 的要求；
最后，数据表中的非主属性，不传递依赖于候选键。因此符合 3NF 的要求。
存在的问题
既然数据表已经符合了 3NF 的要求，是不是就不存在问题了呢？我们来看下面的情况：

1. 增加一个仓库，但是还没有存放任何物品。根据数据表实体完整性的要求，主键不能有空值，因
   此会出现 插入异常 ；
2. 如果仓库更换了管理员，我们就可能会 修改数据表中的多条记录 ；
3. 如果仓库里的商品都卖空了，那么此时仓库名称和相应的管理员名称也会随之被删除。
   你能看到，即便数据表符合 3NF 的要求，同样可能存在插入，更新和删除数据的异常情况。

问题解决;
首先我们需要确认造成异常的原因：主属性仓库名对于候选键（管理员，物品名）是部分依赖的关系，这样就有可能导致上面的异常情况。因此引入BCNF，它在 3NF 的基础上消除了主属性对候选键的部分依赖或者传递依赖关系:

如果在关系R中，U为主键，A属性是主键的一个属性，若存在A->Y，Y为主属性，则该关系不属于
BCNF。

根据 BCNF 的要求，我们需要把仓库管理关系 warehouse_keeper 表拆分成下面这样：
仓库表 ：（仓库名，管理员）
库存表 ：（仓库名，物品名，数量）
这样就不存在主属性对于候选键的部分依赖或传递依赖，上面数据表的设计就符合 BCNF。

六、第四范式

多值依赖:属性之间的一对多关系:K->A。
函数依赖:事实上是单值依赖,所以不能表达属性值之间的一对多关系。
平凡的多值依赖:全集U=K+A，一个K可以对应多个A,即K->A,此时整个表就是一组一对多关系。
非平凡的多值依赖:全集U=K+A+B，一个K可以对应于多个A，也可以对应于多个B，A和B相互独立，即K->A,K->B。整个表有多组一堆多关系,且有:一部分是相同的属性集合,多部分是互相独立的属性集合

第四范式在满足BCNF的基础上,消除非平凡且非函数依赖的多值依赖(把同一表内的多对多关系删除)

举例：
职工表(职工编号，职工孩子姓名，职工选修课程)。
在这个表中，同一个职工可能会有多个职工孩子姓名。同样，同一个职工也可能会有多个职工选修课
程，即这里存在着多值事实，不符合第四范式。如果要符合第四范式，只需要将上表分为两个表，使它们只有一个多值事实，例如： 职工表一 (职工编号，职工孩子姓名)， 职工表二 (职工编号，职工选修课程)，两个表都只有一个多值事实，所以符合第四范式。

七、第五范式、域键范式

除了第四范式外，我们还有更高级的第五范式（又称完美范式）和域键范式（DKNF）。
在满足第四范式（4NF）的基础上，消除不是由候选键所蕴含的连接依赖。如果关系模式R中的每一个连接依赖均由R的候选键所隐含，则称此关系模式符合第五范式。函数依赖是多值依赖的一种特殊的情况，而多值依赖实际上是连接依赖的一种特殊情况。但连接依赖不像函数依赖和多值依赖可以由 语义直接导出 ，而是在 关系连接运算 时才反映出来。存在连接依赖的关系模式仍可能遇到数据冗余及插入、修改、删除异常等问题。第五范式处理的是 无损连接问题 ，这个范式基本 没有实际意义 ，因为无损连接很少出现，而且难以察觉。而域键范式试图定义一个 终极范式 ，该范式考虑所有的依赖和约束类型，但是实用价值也是最小的，只存在理论研究中。

附:

在实际场所中,范式的应用一般只到第三范式,随着范式的增加,需要建立的表数量也会增多,数据的冗余程度也会增加,不利于在开发环境中的查询修改操作。