You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
197 lines
21 KiB
197 lines
21 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "80d80300002ef4e77cc7631d5904bd6e",
|
|
"translation_date": "2025-10-25T18:53:33+00:00",
|
|
"source_file": "2-Working-With-Data/05-relational-databases/README.md",
|
|
"language_code": "th"
|
|
}
|
|
-->
|
|
# การทำงานกับข้อมูล: ฐานข้อมูลเชิงสัมพันธ์
|
|
|
|
|](../../sketchnotes/05-RelationalData.png)|
|
|
|:---:|
|
|
| การทำงานกับข้อมูล: ฐานข้อมูลเชิงสัมพันธ์ - _ภาพสเก็ตช์โดย [@nitya](https://twitter.com/nitya)_ |
|
|
|
|
คุณอาจเคยใช้สเปรดชีตในการจัดเก็บข้อมูลมาก่อน โดยมีชุดของแถวและคอลัมน์ ซึ่งแถวจะมีข้อมูล (หรือข้อมูลที่เราต้องการจัดเก็บ) และคอลัมน์จะอธิบายข้อมูลนั้น (บางครั้งเรียกว่าเมตาดาต้า) ฐานข้อมูลเชิงสัมพันธ์ถูกสร้างขึ้นบนหลักการพื้นฐานนี้ของคอลัมน์และแถวในตาราง ซึ่งช่วยให้คุณสามารถกระจายข้อมูลไปยังหลายตารางได้ สิ่งนี้ช่วยให้คุณทำงานกับข้อมูลที่ซับซ้อนมากขึ้น หลีกเลี่ยงการทำซ้ำ และมีความยืดหยุ่นในการสำรวจข้อมูล ลองมาสำรวจแนวคิดของฐานข้อมูลเชิงสัมพันธ์กัน
|
|
|
|
## [แบบทดสอบก่อนการบรรยาย](https://ff-quizzes.netlify.app/en/ds/quiz/8)
|
|
|
|
## 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:
|
|
|
|
```sql
|
|
SELECT city
|
|
FROM cities;
|
|
|
|
-- Output:
|
|
-- Tokyo
|
|
-- Atlanta
|
|
-- Auckland
|
|
```
|
|
|
|
`SELECT` คือที่ที่คุณระบุคอลัมน์ และ `FROM` คือที่ที่คุณระบุตาราง
|
|
|
|
> [!NOTE]
|
|
> ไวยากรณ์ SQL ไม่แยกแยะตัวพิมพ์ใหญ่และเล็ก หมายความว่า `select` และ `SELECT` มีความหมายเหมือนกัน อย่างไรก็ตาม ขึ้นอยู่กับประเภทของฐานข้อมูลที่คุณใช้งาน คอลัมน์และตารางอาจแยกแยะตัวพิมพ์ใหญ่และเล็ก ดังนั้นจึงเป็นแนวปฏิบัติที่ดีที่สุดที่จะปฏิบัติต่อทุกอย่างในโปรแกรมเหมือนกับว่ามันแยกแยะตัวพิมพ์ใหญ่และเล็ก เมื่อเขียนคำสั่ง SQL ตามธรรมเนียมทั่วไปคือการเขียนคำสำคัญด้วยตัวพิมพ์ใหญ่ทั้งหมด
|
|
|
|
คำสั่งด้านบนจะแสดงชื่อเมืองทั้งหมด ลองจินตนาการว่าเราต้องการแสดงเฉพาะเมืองในนิวซีแลนด์ เราต้องการรูปแบบของตัวกรอง คำสำคัญ SQL สำหรับสิ่งนี้คือ `WHERE` หรือ "ที่บางสิ่งเป็นจริง"
|
|
|
|
```sql
|
|
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
|
|
|
|
```sql
|
|
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
|
|
|
|
```sql
|
|
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](https://ff-quizzes.netlify.app/en/ds/quiz/9)
|
|
|
|
## ทบทวนและศึกษาด้วยตนเอง
|
|
|
|
มีแหล่งข้อมูลหลายแห่งบน [Microsoft Learn](https://docs.microsoft.com/learn?WT.mc_id=academic-77958-bethanycheum) ที่คุณสามารถใช้เพื่อสำรวจ SQL และแนวคิดของฐานข้อมูลเชิงสัมพันธ์เพิ่มเติม
|
|
|
|
- [อธิบายแนวคิดของข้อมูลเชิงสัมพันธ์](https://docs.microsoft.com//learn/modules/describe-concepts-of-relational-data?WT.mc_id=academic-77958-bethanycheum)
|
|
- [เริ่มต้นการเขียนคำสั่งด้วย Transact-SQL](https://docs.microsoft.com//learn/paths/get-started-querying-with-transact-sql?WT.mc_id=academic-77958-bethanycheum) (Transact-SQL เป็นเวอร์ชันของ SQL)
|
|
- [เนื้อหา SQL บน Microsoft Learn](https://docs.microsoft.com/learn/browse/?products=azure-sql-database%2Csql-server&expanded=azure&WT.mc_id=academic-77958-bethanycheum)
|
|
|
|
## งานที่ได้รับมอบหมาย
|
|
|
|
[ชื่อหัวข้องาน](assignment.md)
|
|
|
|
---
|
|
|
|
**ข้อจำกัดความรับผิดชอบ**:
|
|
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้ |