La normalización de bases de datos es el proceso de estructurar una base de datos relacional de acuerdo con una serie de las denominadas formas normales con el fin de reducir la redundancia de datos y mejorar su integridad . Fue propuesta por primera vez por el informático británico Edgar F. Codd como parte de su modelo relacional .
La normalización implica organizar las columnas (atributos) y las tablas (relaciones) de una base de datos para garantizar que sus dependencias se cumplan correctamente mediante las restricciones de integridad de la base de datos. Se logra mediante la aplicación de algunas reglas formales, ya sea mediante un proceso de síntesis (creación de un nuevo diseño de base de datos) o de descomposición (mejora de un diseño de base de datos existente).
Un objetivo básico de la primera forma normal definida por Codd en 1970 era permitir que los datos se consultaran y manipularan utilizando un "sublenguaje de datos universal" basado en la lógica de primer orden . [1] Un ejemplo de dicho lenguaje es SQL , aunque Codd lo consideraba seriamente defectuoso. [2]
Los objetivos de la normalización más allá de 1NF (primera forma normal) fueron establecidos por Codd como:
- Para liberar la colección de relaciones de dependencias de inserción, actualización y eliminación no deseadas.
- Reducir la necesidad de reestructurar la colección de relaciones, a medida que se introducen nuevos tipos de datos, y así aumentar la vida útil de los programas de aplicación.
- Para hacer que el modelo relacional sea más informativo para los usuarios.
- Hacer que la recopilación de relaciones sea neutral respecto de las estadísticas de consulta, donde estas estadísticas pueden cambiar con el paso del tiempo.
— EF Codd, "Mayor normalización del modelo relacional de la base de datos" [3]
Cuando se intenta modificar (actualizar, insertar o eliminar) una relación, pueden surgir los siguientes efectos secundarios indeseables en relaciones que no se han normalizado lo suficiente:
Una base de datos completamente normalizada permite que su estructura se amplíe para dar cabida a nuevos tipos de datos sin cambiar demasiado la estructura existente. Como resultado, las aplicaciones que interactúan con la base de datos se ven mínimamente afectadas.
Las relaciones normalizadas, y la relación entre una relación normalizada y otra, reflejan conceptos del mundo real y sus interrelaciones.
Codd introdujo el concepto de normalización y lo que ahora se conoce como la primera forma normal (1NF) en 1970. [4] Codd definió la segunda forma normal (2NF) y la tercera forma normal (3NF) en 1971, [5] y Codd y Raymond F. Boyce definieron la forma normal de Boyce-Codd (BCNF) en 1974. [6]
Ronald Fagin introdujo la cuarta forma normal (4NF) en 1977 y la quinta forma normal (5NF) en 1979. Christopher J. Date introdujo la sexta forma normal (6NF) en 2003.
De manera informal, una relación de base de datos relacional a menudo se describe como "normalizada" si cumple con la tercera forma normal. [7] La mayoría de las relaciones 3NF están libres de anomalías de inserción, actualización y eliminación.
Las formas normales (de menos normalizada a más normalizada) son:
La normalización es una técnica de diseño de bases de datos que se utiliza para diseñar una tabla de base de datos relacional hasta una forma normal superior. [9] El proceso es progresivo y no se puede lograr un nivel más alto de normalización de la base de datos a menos que se hayan satisfecho los niveles anteriores. [10]
Esto significa que, al tener datos en forma no normalizada (la menos normalizada) y apuntar a lograr el mayor nivel de normalización, el primer paso sería asegurar el cumplimiento de la primera forma normal , el segundo paso sería asegurar que se satisfaga la segunda forma normal , y así sucesivamente en el orden mencionado anteriormente, hasta que los datos se ajusten a la sexta forma normal .
Sin embargo, vale la pena señalar que las formas normales más allá de 4NF son principalmente de interés académico, ya que los problemas que existen para resolver rara vez aparecen en la práctica. [11]
Los datos del siguiente ejemplo se diseñaron intencionalmente para contradecir la mayoría de las formas normales. En la práctica, a menudo es posible omitir algunos de los pasos de normalización porque los datos ya están normalizados hasta cierto punto. La corrección de una violación de una forma normal también suele corregir una violación de una forma normal superior. En el ejemplo, se ha elegido una tabla para la normalización en cada paso, lo que significa que, al final, es posible que algunas tablas no estén lo suficientemente normalizadas.
Sea una tabla de base de datos con la siguiente estructura: [10]
Para este ejemplo se supone que cada libro tiene un solo autor.
Una tabla que se ajusta al modelo relacional tiene una clave principal que identifica de forma única una fila. En nuestro ejemplo, la clave principal es una clave compuesta de {Título, Formato} (indicada por el subrayado):
En la primera forma normal, cada campo contiene un único valor. Un campo no puede contener un conjunto de valores ni un registro anidado.
El sujeto contiene un conjunto de valores de sujeto, lo que significa que no cumple.
Para resolver el problema, los sujetos se extraen en una tabla de sujetos separada : [10]
En lugar de una tabla en forma no normalizada , ahora hay dos tablas que cumplen con la 1NF.
Recuerde que la tabla Book que se muestra a continuación tiene una clave compuesta de {Título, Formato} , que no cumplirá con la 2NF si algún subconjunto de esa clave es un determinante. En este punto de nuestro diseño, la clave no está finalizada como clave principal , por lo que se denomina clave candidata . Considere la siguiente tabla:
Todos los atributos que no forman parte de la clave candidata dependen de Title , pero solo Price también depende de Format . Para cumplir con 2NF y eliminar duplicados, cada atributo que no sea de la clave candidata debe depender de toda la clave candidata, no solo de una parte de ella.
Para normalizar esta tabla, haga que {Title} sea una clave candidata (simple) (la clave principal) de modo que cada atributo que no sea una clave candidata dependa de la clave candidata completa, y elimine Price en una tabla separada para que se pueda preservar su dependencia de Format :
Ahora, tanto la tabla de Libros como la de Precios se ajustan a la 2NF .
La tabla Book todavía tiene una dependencia funcional transitiva ({Author Nationality} depende de {Author}, que a su vez depende de {Title}). Existen violaciones similares para la editorial ({Publisher Country} depende de {Publisher}, que a su vez depende de {Title}) y para el género ({Genre Name} depende de {Genre ID}, que a su vez depende de {Title}). Por lo tanto, la tabla Book no está en 3NF. Para resolver esto, podemos colocar {Author Nationality}, {Publisher Country} y {Genre Name} en sus respectivas tablas, eliminando así las dependencias funcionales transitivas:
La forma normal de clave elemental (EKNF) se encuentra estrictamente entre la 3NF y la BCNF y no se analiza mucho en la literatura. Su objetivo es "captar las cualidades destacadas tanto de la 3NF como de la BCNF" y evitar los problemas de ambas (es decir, que la 3NF es "demasiado indulgente" y la BCNF es "propensa a la complejidad computacional"). Dado que rara vez se menciona en la literatura, no se incluye en este ejemplo.
Supongamos que la base de datos pertenece a una franquicia de librerías que tiene varios franquiciados que poseen tiendas en diferentes ubicaciones y, por lo tanto, la librería decidió agregar una tabla que contiene datos sobre la disponibilidad de los libros en diferentes ubicaciones:
Como esta estructura de tabla consta de una clave principal compuesta , no contiene ningún atributo que no sea clave y ya está en BCNF (y, por lo tanto, también satisface todas las formas normales anteriores). Sin embargo, suponiendo que todos los libros disponibles se ofrecen en cada área, el título no está vinculado de manera inequívoca a una ubicación determinada y, por lo tanto, la tabla no satisface 4NF .
Esto significa que, para satisfacer la cuarta forma normal , esta tabla también debe descomponerse:
Ahora, cada registro se identifica de forma inequívoca mediante una superclave , por lo tanto, se satisface la 4NF .
Supongamos que los franquiciados también pueden encargar libros a distintos proveedores. Supongamos que la relación también está sujeta a la siguiente restricción:
Esta tabla está en 4NF , pero el ID del proveedor es igual a la unión de sus proyecciones: {{ID del proveedor, título}, {Título, ID del franquiciado}, {ID del franquiciado, ID del proveedor}}. Ningún componente de esa dependencia de unión es una superclave (la única superclave es el encabezado completo), por lo que la tabla no satisface la ETNF y se puede descomponer aún más: [12]
La descomposición produce conformidad con ETNF.
Para detectar una tabla que no cumple con la 5NF , normalmente es necesario examinar los datos en profundidad. Supongamos la tabla del ejemplo de la 4NF con una pequeña modificación en los datos y examinemos si cumple con la 5NF :
Al descomponer esta tabla se reducen las redundancias, lo que da como resultado las dos tablas siguientes:
La consulta que une estas tablas devolvería los siguientes datos:
La operación JOIN devuelve tres filas más de las que debería; agregar otra tabla para aclarar la relación da como resultado tres tablas separadas:
¿Qué devolverá ahora el JOIN? En realidad no es posible unir estas tres tablas. Eso significa que no fue posible descomponer la Franquicia - Libro - Ubicación sin pérdida de datos, por lo tanto, la tabla ya satisface 5NF .
CJ Date ha argumentado que sólo una base de datos en 5NF está verdaderamente "normalizada". [13]
Echemos un vistazo a la tabla de libros de los ejemplos anteriores y veamos si satisface la forma normal de clave de dominio :
Lógicamente, el grosor se determina por el número de páginas. Eso significa que depende de las páginas , que no es una clave. Pongamos como ejemplo una convención que diga que un libro de hasta 350 páginas se considera "delgado" y un libro de más de 350 páginas se considera "grueso".
Esta convención es técnicamente una restricción, pero no es una restricción de dominio ni una restricción de clave; por lo tanto, no podemos confiar en las restricciones de dominio y las restricciones de clave para mantener la integridad de los datos.
En otras palabras, nada nos impide poner, por ejemplo, "Grueso" para un libro con sólo 50 páginas, y esto hace que la tabla viole DKNF .
Para resolver esto, se crea una tabla que contiene la enumeración que define el grosor y se elimina esa columna de la tabla original:
De esta manera, se ha eliminado la violación de integridad del dominio y la tabla está en DKNF .
Una definición simple e intuitiva de la sexta forma normal es que "una tabla está en 6NF cuando la fila contiene la clave principal y, como máximo, otro atributo" . [14]
Esto significa, por ejemplo, la tabla Publisher diseñada al crear el 1NF:
necesita descomponerse además en dos tablas:
La desventaja obvia de 6NF es la proliferación de tablas necesarias para representar la información de una sola entidad. Si una tabla en 5NF tiene una columna de clave principal y N atributos, representar la misma información en 6NF requerirá N tablas; las actualizaciones de múltiples campos de un solo registro conceptual requerirán actualizaciones de múltiples tablas; y las inserciones y eliminaciones requerirán de manera similar operaciones en múltiples tablas. Por esta razón, en bases de datos destinadas a satisfacer necesidades de procesamiento de transacciones en línea (OLTP), no se debe utilizar 6NF.
Sin embargo, en los almacenes de datos , que no permiten actualizaciones interactivas y que están especializados en consultas rápidas de grandes volúmenes de datos, ciertos DBMS utilizan una representación 6NF interna, conocida como almacén de datos en columnas . En situaciones en las que el número de valores únicos de una columna es mucho menor que el número de filas de la tabla, el almacenamiento orientado a columnas permite un ahorro significativo de espacio mediante la compresión de datos. El almacenamiento en columnas también permite la ejecución rápida de consultas de rango (por ejemplo, mostrar todos los registros en los que una columna en particular se encuentra entre X e Y, o es menor que X).
Sin embargo, en todos estos casos, el diseñador de la base de datos no tiene que realizar la normalización 6NF manualmente mediante la creación de tablas independientes. Algunos DBMS especializados en almacenamiento, como Sybase IQ , utilizan el almacenamiento en columnas de forma predeterminada, pero el diseñador sigue viendo solo una única tabla de varias columnas. Otros DBMS, como Microsoft SQL Server 2012 y versiones posteriores, permiten especificar un "índice de almacén de columnas" para una tabla en particular. [15]