9.7 KiB
数据处理：关系型数据库
 |
|---|
| 数据处理：关系型数据库 - Sketchnote by @nitya |
你可能曾经使用过电子表格来存储信息。电子表格由一组行和列组成，其中行包含信息（或数据），列描述信息（有时称为元数据）。关系型数据库基于这种表格中行和列的核心原则构建，允许你将信息分散到多个表中。这使得你可以处理更复杂的数据，避免重复，并灵活地探索数据。让我们来探讨关系型数据库的概念。
课前测验
一切从表开始
关系型数据库的核心是表。就像电子表格一样，表是列和行的集合。行包含我们希望处理的数据或信息，例如城市名称或降雨量。列则描述存储的数据。
让我们从创建一个存储城市信息的表开始。我们可以从城市名称和国家开始。你可以将其存储在如下表中：
| 城市 | 国家 |
|---|---|
| 东京 | 日本 |
| 亚特兰大 | 美国 |
| 奥克兰 | 新西兰 |
注意，城市、国家和人口这些列名描述了存储的数据，每一行包含一个城市的信息。
单表方法的局限性
上述表格可能看起来对你来说比较熟悉。现在让我们开始为这个初步的数据库添加一些额外的数据——年度降雨量（单位：毫米）。我们关注2018年、2019年和2020年。如果我们为东京添加数据，它可能看起来像这样：
| 城市 | 国家 | 年份 | 降雨量 |
|---|---|---|---|
| 东京 | 日本 | 2020 | 1690 |
| 东京 | 日本 | 2019 | 1874 |
| 东京 | 日本 | 2018 | 1445 |
你注意到我们的表格有什么问题了吗？你可能会发现我们重复了城市名称和国家信息。这会占用相当多的存储空间，而且没有必要多次复制这些信息。毕竟，我们只关心一个东京。
好吧，让我们尝试另一种方法。我们为每一年添加新的列：
| 城市 | 国家 | 2018 | 2019 | 2020 |
|---|---|---|---|---|
| 东京 | 日本 | 1445 | 1874 | 1690 |
| 亚特兰大 | 美国 | 1779 | 1111 | 1683 |
| 奥克兰 | 新西兰 | 1386 | 942 | 1176 |
虽然这种方法避免了行的重复，但它带来了其他一些问题。每次有新的一年，我们都需要修改表的结构。此外，随着数据的增长，将年份作为列会使得检索和计算值变得更加困难。
这就是为什么我们需要多个表和关系。通过拆分数据，我们可以避免重复，并在处理数据时拥有更大的灵活性。
关系的概念
让我们回到数据，确定如何拆分。我们知道我们想存储城市的名称和国家信息，所以这可能最适合放在一个表中。
| 城市 | 国家 |
|---|---|
| 东京 | 日本 |
| 亚特兰大 | 美国 |
| 奥克兰 | 新西兰 |
但在创建下一个表之前，我们需要弄清楚如何引用每个城市。我们需要某种形式的标识符、ID或（在技术数据库术语中）主键。主键是用于标识表中某一特定行的值。虽然这可以基于某个值本身（例如，我们可以使用城市名称），但它几乎总是一个数字或其他标识符。我们不希望ID发生变化，因为这会破坏关系。你会发现，在大多数情况下，主键或ID是自动生成的数字。
✅ 主键通常缩写为PK
城市表
| city_id | 城市 | 国家 |
|---|---|---|
| 1 | 东京 | 日本 |
| 2 | 亚特兰大 | 美国 |
| 3 | 奥克兰 | 新西兰 |
✅ 在本课程中，你会注意到我们交替使用“id”和“主键”这两个术语。这里的概念也适用于DataFrame，你将在后续学习中探索。虽然DataFrame不使用“主键”这一术语，但你会发现它们的行为非常相似。
创建城市表后，让我们存储降雨量。与其重复城市的完整信息，我们可以使用ID。我们还应该确保新创建的表也有一个id列，因为所有表都应该有一个ID或主键。
降雨量表
| rainfall_id | city_id | 年份 | 降雨量 |
|---|---|---|---|
| 1 | 1 | 2018 | 1445 |
| 2 | 1 | 2019 | 1874 |
| 3 | 1 | 2020 | 1690 |
| 4 | 2 | 2018 | 1779 |
| 5 | 2 | 2019 | 1111 |
| 6 | 2 | 2020 | 1683 |
| 7 | 3 | 2018 | 1386 |
| 8 | 3 | 2019 | 942 |
| 9 | 3 | 2020 | 1176 |
注意新创建的降雨量表中的city_id列。该列包含引用城市表中ID的值。在关系型数据的技术术语中，这被称为外键；它是另一个表的主键。你可以简单地将其视为一个引用或指针。city_id 1引用的是东京。
[!NOTE] 外键通常缩写为FK
数据检索
将数据分成两个表后，你可能会想如何检索它。如果我们使用的是关系型数据库，例如MySQL、SQL Server或Oracle，我们可以使用一种叫做结构化查询语言（SQL）的语言。SQL（有时读作“sequel”）是一种标准语言，用于在关系型数据库中检索和修改数据。
要检索数据，你可以使用命令SELECT。其核心是，你选择想要查看的列，从它们所在的表中。如果你只想显示城市名称，可以使用以下命令：
SELECT city
FROM cities;
-- Output:
-- Tokyo
-- Atlanta
-- Auckland
SELECT用于列出列名，FROM用于列出表名。
[NOTE] SQL语法不区分大小写，这意味着
select和SELECT是一样的。然而，根据你使用的数据库类型，列名和表名可能区分大小写。因此，最佳实践是始终将编程中的所有内容视为区分大小写。在编写SQL查询时，常见的约定是将关键字全部写成大写字母。
上述查询将显示所有城市。假设我们只想显示新西兰的城市。我们需要某种形式的过滤器。SQL中的关键字是WHERE，即“某条件为真”。
SELECT city
FROM cities
WHERE country = 'New Zealand';
-- Output:
-- Auckland
数据连接
到目前为止，我们只从单个表中检索数据。现在我们想将城市表和降雨量表中的数据结合起来。这可以通过连接来实现。你实际上是在两个表之间创建一个连接，并将每个表中的列值匹配起来。
在我们的例子中，我们将匹配降雨量表中的city_id列和城市表中的city_id列。这将把降雨量值与其对应的城市匹配起来。我们将执行一种称为内连接的连接类型，这意味着如果某些行与另一个表中的任何内容不匹配，它们将不会被显示。在我们的例子中，每个城市都有降雨量数据，因此所有内容都会被显示。
让我们检索2019年所有城市的降雨量。
我们将分步骤进行。第一步是通过指定连接列（city_id）将数据连接起来。
SELECT cities.city
rainfall.amount
FROM cities
INNER JOIN rainfall ON cities.city_id = rainfall.city_id
我们已经突出显示了我们想要的两列，以及我们想通过city_id连接表的事实。现在我们可以添加WHERE语句来过滤出仅2019年的数据。
SELECT cities.city
rainfall.amount
FROM cities
INNER JOIN rainfall ON cities.city_id = rainfall.city_id
WHERE rainfall.year = 2019
-- Output
-- city | amount
-- -------- | ------
-- Tokyo | 1874
-- Atlanta | 1111
-- Auckland | 942
总结
关系型数据库的核心是将信息分成多个表，然后将其重新组合以进行显示和分析。这提供了高度的灵活性来执行计算或以其他方式操作数据。你已经了解了关系型数据库的核心概念，以及如何在两个表之间执行连接。
🚀 挑战
互联网上有许多关系型数据库可供使用。你可以通过使用上述技能来探索数据。
课后测验
课后测验
复习与自学
Microsoft Learn上有许多资源可供你继续探索SQL和关系型数据库的概念
- 描述关系型数据的概念
- 开始使用Transact-SQL进行查询（Transact-SQL是SQL的一种版本）
- Microsoft Learn上的SQL内容
作业
免责声明：
本文档使用AI翻译服务Co-op Translator进行翻译。尽管我们努力确保翻译的准确性，但请注意，自动翻译可能包含错误或不准确之处。应以原始语言的文档作为权威来源。对于关键信息，建议使用专业人工翻译。我们对因使用此翻译而引起的任何误解或误读不承担责任。