Çoğu durumda, Normalleşme sonuna kadar gitmeme hatasına düştüğümüze dikkat edin; bunun yerine dağın aşağı kısımlarında kestirme yollar ararız. Bu, modellediğiniz veri öğeleri ve işlevsel alanların ciddi şekilde anlaşılmamasına yol açabilir ve fiziksel tasarımınızı tehlikeye atabilir.

Data mart’ları modellerken bu hatayı tekrar tekrar yapıyoruz. Çoğu zaman doğrudan, genellikle boyut ve olgu tablolarına büyük ölçüde denormalize edilen ve 5NF’deki veri öğelerini anlamak için çaba ve zaman harcamayan bir yıldız şeması tasarımına gideriz.

Bu, her bir veri öğesini bir boyut veya olgu tablosuna atayarak nihai fiziksel tasarımı tamamladığınız denormalizasyon tarafına doğru gitmeden önce dağın normalleştirme tarafında biraz yukarı çıkmaya eşdeğerdir. Denormalizasyon tarafına inmeden önce her zaman tüm normalizasyon seviyelerinden geçerek veri öğeleri arasındaki ilişkileri tam olarak anladığınızdan emin olun.

Bu bölüm, mantıksal veri modelleme aşamamız sırasında Normalleştirme Yürüyüşü için kullanılan amaç ve teknikleri ve fiziksel veri modelleme aşamamız sırasında Denormalizasyon Hayatta Kalma Rehberimizi açıklamaya odaklanmaktadır. Normalleşme Zammı’nı sunmadan önce kısaca normalleşmeyi tanımlıyoruz.

Denormalization Survival Guide’ı sunmadan önce kısaca denormalizasyonu tanımlıyorum. Bu iki aracın gerçekten nasıl kullanılacağını göstermek için, Tatlı Verileri için mantıksal ve fiziksel veri modellerini oluşturduğumuz ayrıntılı bir senaryodan geçiyoruz.

Normalleşme Yürüyüşü ve Denormalizasyon Hayatta Kalma Rehberi’nin kendi ayrı bölümlerine ait olup olmadığına karar verirken ileri geri gittim. Sonunda beni aynı bölüme ait olduklarına ikna eden şey, Normalleşme Serüvenini hem normalleştirmenin hem de normalleştirmenin gerçekleşmesi gereken tek bir süreç olarak görmemdi. Çoğu durumda, ayrılmaz süreçlerdir.

Denormalize etmeden normalleştirme, çok iyi anlaşılmış, ancak çoğu durumda yalnızca teorik bir tasarıma yol açar. Normalleştirme olmadan denormalize etme, yetersiz anlaşılan ve verimsiz bir tasarıma yol açar. Bu nedenle, ayrılmaz olduklarını ve daha geniş Normalleştirme Macerası sürecinin bir parçası olduklarını belirtmek için bu araçları aynı bölümde tutmak önemlidir.

Web sitemi ziyaret ederseniz, bu bölümdeki araçların her biri için şablonlar bulacaksınız; ek araçlar; ve indirebileceğiniz boş şablonlar da dahil olmak üzere bu kitaptaki araçlar hakkında daha fazla bilgi.

Normalleşme Nedir?

12 yaşıma girdiğimde ailemden hediye olarak bir kasa beyzbol kartı aldım. Çok heyecanlandım ve sadece o sandıkta bir yerlerde gömülü bir Hank Aaron veya Pete Rose olabileceği için değil, kartları düzenlemeyi sevdiğim için. Her beysbol kartını yıla, takıma, numaraya vb. göre normalleştirdim veya kategorilere ayırdık.

Bu kartları normalleştirmek bana oyuncular ve takımları için o kadar büyük bir anlayış sağladı ki, bugüne kadar birçok beyzbol kartı trivia sorusunu cevaplayabilirim. Beyzbol kartlarının aynı normalleştirilmesi veya sınıflandırılması veri öğeleri için de geçerlidir.

Şirketlerimiz, departmanlara ve uygulamalara dağılmış inanılmaz sayıda veri öğesine sahip, tıpkı beyzbol kartlarının sandıkta kaotik bir durumda sıralanmamış olarak durması gibi. Bu veri öğelerini tamamen anlamak için düzenlememiz veya kategorilere ayırmamız gerekiyor.

Normalleştirme, fazlalığı ortadan kaldırma ve veri öğeleri arasında var olan bağımlılıkları ve katılımları daha iyi anlamak ve temsil etmek için kurallar uygulama sürecidir. Bağımlılık ve katılımdan ne kastettiğimizi kısaca tanımlayacağız.

Normalleştirme birkaç farklı seviyeden oluşur ve en popüleri ilk üçüdür:

■■ İlk Normal Form
■■ İkinci Normal Form
■■ Üçüncü Normal Form
■■ Boyce/Codd Normal Formu
■■ Dördüncü Normal Form
■■ Beşinci Normal Form

5NF’de bir tasarım düşünülürse, 4NF, BCNF vb. Yani, daha yüksek normalleştirme seviyeleri, daha düşük seviyelerin kurallarını devralır. Normalleştirmenin hem iş hem de veritabanı faydaları vardır.

Veri normalleştirme
Veri normalleştirme yöntemleri
Min max normalizasyon formülü
Normalizasyon formülü
Normalleştirme nedir
Min-max normalization
Veri standartlaştırma işlemleri
Özel Eğitimde normalleştirme nedir

İş avantajı şudur:

Veri öğesi anlayışını zorlar. Mantıksal düzeyde, bizi her bir veri öğesini ve diğer veri öğelerinin her biriyle olan ilişkileri tamamen anlamaya zorlar. Veri Öğesi Aile Ağacımızda, bireysel veri öğesi hakkında çok güçlü bir anlayış geliştirdik.

Veri unsuruyla ilgili tanımlar, örnek değerler ve diğer önemli meta veriler üzerinde anlaştık, ancak hala çok önemli bir şeyi kaçırıyoruz. Veri öğeleri arasındaki ayrıntılı ilişkileri henüz anlamış veya bilmiyoruz. Bu noktada, tüm bildiğimiz, her konu alanındaki veri öğelerinin gruplandırılmasıdır.

Beyzbol kartlarımı normalleştirmenin bana oyuncuları ve takımlarını çok daha iyi anlamamı sağlaması gibi, veri öğelerini normalleştirmek bunların birbirleriyle nasıl ilişkili olduğunu anlamamıza yardımcı oluyor. Örneğin, bir Ürün Kategorisi Kodu ve bir Ürün Marka Kodu hakkında çok güçlü bir anlayışa sahip olabiliriz, ancak bunların birbirleriyle ve diğer ürün verisi öğeleriyle ilişkisi nedir?

Veritabanı faydaları şunlardır:

Esnekliği en üst düzeye çıkarır. Veri öğeleri, aynı bağımlılık ve katılım özelliklerini paylaşmaya dayalı olarak birlikte gruplandırılır. Bu, Müşteri, Hesap ve Ürün gibi iş kavramlarına karşılık gelen veri öğelerinin mantıksal gruplandırmalarını oluşturur.

Böylece, bu mantıksal gruplamalar, iş konseptlerinde var olan aynı kuralları ve esnekliği temsil edebilir ve uygulayabilir. Bir müşteri, veritabanında tasarım değişikliği gerektirmeden bir hesaba, beş hesaba sahip olabilir veya hiç hesaba sahip olmayabilir. Bu, uygulama büyümesini teşvik eder ve veritabanının bakımını kolaylaştırır.

Fazlalığı en aza indirir. Anahtar olmayan veri öğeleri yalnızca tek bir yerde depolanır ve bu nedenle daha az fazlalık vardır. Daha az fazlalığa sahip olmak, daha az veri kalitesi sorununa ve daha hızlı eklemelere, güncellemelere ve silmelere yol açar. Ayrıca yerden tasarruf sağlar. Müşteri Soyadı bir varlıkta mı yoksa beş varlıkta mı mevcutsa güncellemek daha hızlı ve sonuç olarak hataya daha az eğilimli midir?

Yeniden kullanımı en üst düzeye çıkarır. Veri öğeleri en uygun varlıklarındadır. Yani, her veri öğesi, aynı özelliklerin bazılarını paylaşan diğer veri öğeleriyle birliktedir. Örneğin, tüm hesap veri öğeleri aynı varlığa ait olabilir ve tüm sipariş veri öğeleri aynı varlığa ait olabilir.

Bu farklı veri öğeleri gruplarının tanımlanması ve yeniden kullanılması kolaydır. Hesap bilgilerini yeniden kullanmam gerekirse, hesap verileri öğelerinin müşteri verileri öğeleriyle aynı varlığı paylaşmasına kıyasla, bu bilgileri kendi varlıklarında bulunan tüm hesap verileri öğelerini tanımlamayı ve anlamayı çok daha kolay bulunurdu.

The post Veri Normalleştirmesi first appeared on Ödev - Tez - Proje Hazırlatma Merkezi.