21 KiB
การทำงานกับข้อมูล: ฐานข้อมูลเชิงสัมพันธ์
 |
|---|
| การทำงานกับข้อมูล: ฐานข้อมูลเชิงสัมพันธ์ - ภาพสเก็ตช์โดย @nitya |
คุณอาจเคยใช้สเปรดชีตในการจัดเก็บข้อมูลมาก่อน โดยมีชุดของแถวและคอลัมน์ ซึ่งแถวจะมีข้อมูล (หรือข้อมูลที่เราต้องการจัดเก็บ) และคอลัมน์จะอธิบายข้อมูลนั้น (บางครั้งเรียกว่าเมตาดาต้า) ฐานข้อมูลเชิงสัมพันธ์ถูกสร้างขึ้นบนหลักการพื้นฐานนี้ของคอลัมน์และแถวในตาราง ซึ่งช่วยให้คุณสามารถกระจายข้อมูลไปยังหลายตารางได้ สิ่งนี้ช่วยให้คุณทำงานกับข้อมูลที่ซับซ้อนมากขึ้น หลีกเลี่ยงการทำซ้ำ และมีความยืดหยุ่นในการสำรวจข้อมูล ลองมาสำรวจแนวคิดของฐานข้อมูลเชิงสัมพันธ์กัน
แบบทดสอบก่อนการบรรยาย
ทุกอย่างเริ่มต้นจากตาราง
ฐานข้อมูลเชิงสัมพันธ์มีตารางเป็นแกนหลัก เช่นเดียวกับสเปรดชีต ตารางคือการรวบรวมคอลัมน์และแถว แถวจะมีข้อมูลหรือข้อมูลที่เราต้องการทำงานด้วย เช่น ชื่อเมืองหรือปริมาณน้ำฝน คอลัมน์จะอธิบายข้อมูลที่พวกเขาเก็บไว้
เริ่มต้นการสำรวจของเราด้วยการสร้างตารางเพื่อจัดเก็บข้อมูลเกี่ยวกับเมือง เราอาจเริ่มต้นด้วยชื่อและประเทศของพวกเขา คุณสามารถจัดเก็บข้อมูลนี้ในตารางดังนี้:
| เมือง | ประเทศ |
|---|---|
| โตเกียว | ญี่ปุ่น |
| แอตแลนตา | สหรัฐอเมริกา |
| โอ๊คแลนด์ | นิวซีแลนด์ |
สังเกตชื่อคอลัมน์ เมือง, ประเทศ และ ประชากร ที่อธิบายข้อมูลที่ถูกจัดเก็บ และแต่ละแถวมีข้อมูลเกี่ยวกับหนึ่งเมือง
ข้อจำกัดของการใช้ตารางเดียว
ตารางด้านบนอาจดูคุ้นเคยสำหรับคุณ ลองเพิ่มข้อมูลเพิ่มเติมในฐานข้อมูลที่กำลังเติบโตของเรา - ปริมาณน้ำฝนรายปี (เป็นมิลลิเมตร) เราจะเน้นที่ปี 2018, 2019 และ 2020 หากเราเพิ่มข้อมูลสำหรับโตเกียว อาจดูเหมือนดังนี้:
| เมือง | ประเทศ | ปี | ปริมาณ |
|---|---|---|---|
| โตเกียว | ญี่ปุ่น | 2020 | 1690 |
| โตเกียว | ญี่ปุ่น | 2019 | 1874 |
| โตเกียว | ญี่ปุ่น | 2018 | 1445 |
คุณสังเกตอะไรเกี่ยวกับตารางของเรา? คุณอาจสังเกตว่าเรากำลังทำซ้ำชื่อและประเทศของเมืองซ้ำไปซ้ำมา ซึ่งอาจใช้พื้นที่จัดเก็บมาก และไม่จำเป็นต้องมีสำเนาหลายชุด หลังจากทั้งหมด โตเกียวมีเพียงชื่อเดียวที่เราสนใจ
โอเค ลองทำอย่างอื่นดู เรามาเพิ่มคอลัมน์ใหม่สำหรับแต่ละปี:
| เมือง | ประเทศ | 2018 | 2019 | 2020 |
|---|---|---|---|---|
| โตเกียว | ญี่ปุ่น | 1445 | 1874 | 1690 |
| แอตแลนตา | สหรัฐอเมริกา | 1779 | 1111 | 1683 |
| โอ๊คแลนด์ | นิวซีแลนด์ | 1386 | 942 | 1176 |
แม้ว่าจะหลีกเลี่ยงการทำซ้ำแถว แต่ก็เพิ่มความท้าทายอื่น ๆ เราจะต้องปรับโครงสร้างของตารางทุกครั้งที่มีปีใหม่ นอกจากนี้ เมื่อข้อมูลของเราเพิ่มขึ้น การมีปีเป็นคอลัมน์จะทำให้การดึงและคำนวณค่าต่าง ๆ ยากขึ้น
นี่คือเหตุผลที่เราต้องการตารางหลายตารางและความสัมพันธ์ โดยการแยกข้อมูลออกจากกัน เราสามารถหลีกเลี่ยงการทำซ้ำและมีความยืดหยุ่นมากขึ้นในการทำงานกับข้อมูลของเรา
แนวคิดของความสัมพันธ์
กลับมาที่ข้อมูลของเราและกำหนดวิธีที่เราต้องการแบ่งข้อมูลออก เรารู้ว่าเราต้องการจัดเก็บชื่อและประเทศของเมือง ดังนั้นสิ่งนี้น่าจะเหมาะสมที่สุดในตารางเดียว
| เมือง | ประเทศ |
|---|---|
| โตเกียว | ญี่ปุ่น |
| แอตแลนตา | สหรัฐอเมริกา |
| โอ๊คแลนด์ | นิวซีแลนด์ |
แต่ก่อนที่เราจะสร้างตารางถัดไป เราต้องหาวิธีอ้างอิงแต่ละเมือง เราต้องการรูปแบบของตัวระบุ, ID หรือ (ในแง่ฐานข้อมูลทางเทคนิค) คีย์หลัก คีย์หลักคือค่าที่ใช้ระบุแถวเฉพาะในตาราง แม้ว่าสิ่งนี้อาจขึ้นอยู่กับค่าตัวเอง (เช่น เราอาจใช้ชื่อเมือง) แต่ควรเป็นตัวเลขหรือตัวระบุอื่น ๆ ที่ไม่ควรเปลี่ยนแปลง เพราะจะทำให้ความสัมพันธ์เสียหายได้ คุณจะพบว่าในกรณีส่วนใหญ่ คีย์หลักหรือ ID จะเป็นตัวเลขที่สร้างขึ้นโดยอัตโนมัติ
✅ คีย์หลักมักจะย่อว่า PK
cities
| city_id | เมือง | ประเทศ |
|---|---|---|
| 1 | โตเกียว | ญี่ปุ่น |
| 2 | แอตแลนตา | สหรัฐอเมริกา |
| 3 | โอ๊คแลนด์ | นิวซีแลนด์ |
✅ คุณจะสังเกตว่าเราใช้คำว่า "id" และ "คีย์หลัก" สลับกันในบทเรียนนี้ แนวคิดเหล่านี้ใช้กับ DataFrames ซึ่งคุณจะสำรวจในภายหลัง DataFrames ไม่ใช้คำศัพท์ "คีย์หลัก" อย่างไรก็ตาม คุณจะสังเกตว่ามันทำงานในลักษณะเดียวกัน
เมื่อเราสร้างตารางเมืองเสร็จแล้ว ลองจัดเก็บข้อมูลปริมาณน้ำฝนกันดู แทนที่จะทำซ้ำข้อมูลทั้งหมดเกี่ยวกับเมือง เราสามารถใช้ ID ได้ เราควรตรวจสอบให้แน่ใจว่าตารางที่สร้างขึ้นใหม่มีคอลัมน์ id ด้วย เนื่องจากทุกตารางควรมี ID หรือคีย์หลัก
rainfall
| rainfall_id | city_id | ปี | ปริมาณ |
|---|---|---|---|
| 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 |
สังเกตคอลัมน์ city_id ในตาราง rainfall ที่สร้างขึ้นใหม่ คอลัมน์นี้มีค่าที่อ้างอิงถึง ID ในตาราง cities ในแง่ฐานข้อมูลเชิงสัมพันธ์ทางเทคนิค สิ่งนี้เรียกว่า คีย์ต่างประเทศ; มันคือคีย์หลักจากตารางอื่น คุณสามารถคิดว่ามันเป็นการอ้างอิงหรือชี้ไปที่ city_id 1 อ้างอิงถึงโตเกียว
[!NOTE] คีย์ต่างประเทศมักจะย่อว่า FK
การดึงข้อมูล
เมื่อเราแยกข้อมูลออกเป็นสองตาราง คุณอาจสงสัยว่าเราจะดึงข้อมูลได้อย่างไร หากเราใช้ฐานข้อมูลเชิงสัมพันธ์ เช่น MySQL, SQL Server หรือ Oracle เราสามารถใช้ภาษาที่เรียกว่า Structured Query Language หรือ SQL SQL (บางครั้งออกเสียงว่า "ซีเควล") เป็นภาษามาตรฐานที่ใช้ในการดึงและแก้ไขข้อมูลในฐานข้อมูลเชิงสัมพันธ์
ในการดึงข้อมูล คุณใช้คำสั่ง SELECT โดยพื้นฐานแล้วคุณจะ เลือก คอลัมน์ที่คุณต้องการดู จาก ตารางที่พวกเขาอยู่ หากคุณต้องการแสดงเพียงชื่อเมือง คุณสามารถใช้คำสั่งต่อไปนี้:
SELECT city
FROM cities;
-- Output:
-- Tokyo
-- Atlanta
-- Auckland
SELECT คือที่ที่คุณระบุคอลัมน์ และ FROM คือที่ที่คุณระบุตาราง
[!NOTE] ไวยากรณ์ SQL ไม่แยกแยะตัวพิมพ์ใหญ่และเล็ก หมายความว่า
selectและSELECTมีความหมายเหมือนกัน อย่างไรก็ตาม ขึ้นอยู่กับประเภทของฐานข้อมูลที่คุณใช้งาน คอลัมน์และตารางอาจแยกแยะตัวพิมพ์ใหญ่และเล็ก ดังนั้นจึงเป็นแนวปฏิบัติที่ดีที่สุดที่จะปฏิบัติต่อทุกอย่างในโปรแกรมเหมือนกับว่ามันแยกแยะตัวพิมพ์ใหญ่และเล็ก เมื่อเขียนคำสั่ง SQL ตามธรรมเนียมทั่วไปคือการเขียนคำสำคัญด้วยตัวพิมพ์ใหญ่ทั้งหมด
คำสั่งด้านบนจะแสดงชื่อเมืองทั้งหมด ลองจินตนาการว่าเราต้องการแสดงเฉพาะเมืองในนิวซีแลนด์ เราต้องการรูปแบบของตัวกรอง คำสำคัญ SQL สำหรับสิ่งนี้คือ WHERE หรือ "ที่บางสิ่งเป็นจริง"
SELECT city
FROM cities
WHERE country = 'New Zealand';
-- Output:
-- Auckland
การเชื่อมโยงข้อมูล
จนถึงตอนนี้เราได้ดึงข้อมูลจากตารางเดียว ตอนนี้เราต้องการนำข้อมูลจากทั้ง cities และ rainfall มารวมกัน สิ่งนี้ทำได้โดยการ เชื่อมโยง พวกมันเข้าด้วยกัน คุณจะสร้างการเชื่อมต่อระหว่างสองตาราง และจับคู่ค่าจากคอลัมน์ในแต่ละตาราง
ในตัวอย่างของเรา เราจะจับคู่คอลัมน์ city_id ใน rainfall กับคอลัมน์ city_id ใน cities สิ่งนี้จะจับคู่ค่าปริมาณน้ำฝนกับเมืองที่เกี่ยวข้อง ประเภทของการเชื่อมโยงที่เราจะทำคือสิ่งที่เรียกว่า inner join หมายความว่าหากแถวใด ๆ ไม่ตรงกับสิ่งใดจากตารางอื่น พวกมันจะไม่ถูกแสดง ในกรณีของเรา ทุกเมืองมีข้อมูลปริมาณน้ำฝน ดังนั้นทุกอย่างจะถูกแสดง
ลองดึงข้อมูลปริมาณน้ำฝนในปี 2019 สำหรับทุกเมืองของเรา
เราจะทำสิ่งนี้เป็นขั้นตอน ขั้นตอนแรกคือการเชื่อมโยงข้อมูลเข้าด้วยกันโดยระบุคอลัมน์สำหรับการเชื่อมต่อ - city_id ตามที่เน้นไว้ก่อนหน้านี้
SELECT cities.city
rainfall.amount
FROM cities
INNER JOIN rainfall ON cities.city_id = rainfall.city_id
เราได้เน้นคอลัมน์สองคอลัมน์ที่เราต้องการ และข้อเท็จจริงที่ว่าเราต้องการเชื่อมโยงตารางเข้าด้วยกันโดยใช้ city_id ตอนนี้เราสามารถเพิ่มคำสั่ง WHERE เพื่อกรองเฉพาะปี 2019
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
สรุป
ฐานข้อมูลเชิงสัมพันธ์มีศูนย์กลางอยู่ที่การแบ่งข้อมูลระหว่างหลายตาราง ซึ่งจะถูกนำกลับมารวมกันเพื่อแสดงผลและวิเคราะห์ สิ่งนี้ให้ความยืดหยุ่นสูงในการคำนวณและจัดการข้อมูล คุณได้เห็นแนวคิดหลักของฐานข้อมูลเชิงสัมพันธ์ และวิธีการเชื่อมโยงระหว่างสองตาราง
🚀 ความท้าทาย
มีฐานข้อมูลเชิงสัมพันธ์มากมายที่สามารถเข้าถึงได้บนอินเทอร์เน็ต คุณสามารถสำรวจข้อมูลโดยใช้ทักษะที่คุณได้เรียนรู้ข้างต้น
แบบทดสอบหลังการบรรยาย
แบบทดสอบหลังการบรรยาย
ทบทวนและศึกษาด้วยตนเอง
มีแหล่งข้อมูลหลายแห่งบน Microsoft Learn ที่คุณสามารถใช้เพื่อสำรวจ SQL และแนวคิดของฐานข้อมูลเชิงสัมพันธ์เพิ่มเติม
- อธิบายแนวคิดของข้อมูลเชิงสัมพันธ์
- เริ่มต้นการเขียนคำสั่งด้วย Transact-SQL (Transact-SQL เป็นเวอร์ชันของ SQL)
- เนื้อหา SQL บน Microsoft Learn
งานที่ได้รับมอบหมาย
ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้