Normalization 是什么?

通过将数据分解为多个表并建立关系，可以避免数据重复存储，从而减少存储空间的使用。

由于数据只存储在一个地方，因此可以避免数据不一致的情况发生，提高数据的完整性和准确性。

通过规范化数据结构，可以减少不必要的数据操作，提高数据库的查询和更新效率。

规范化后的数据库结构更加清晰和简单，便于理解和维护。

要求数据表中的每个字段都是原子性的，不可再分割。

在满足 1NF 的基础上，要求非主键字段完全依赖于主键，而不是依赖于主键的一部分。

在满足 2NF 的基础上，要求数据表中的非主键字段之间不应该存在传递依赖关系。

通过将数据库表分解为较小的、相关的表，Normalization 确保每个表中的数据项都是原子性的，不存在冗余。这种方式避免了数据的重复存储，节省了存储空间。

Normalization 通过建立表与表之间的关联关系，将数据拆分为多个表。这种方式减少了数据的重复存储，进一步节省了存储空间。

由于 Normalization 后的表结构更加简洁，查询时不需要处理不相关的数据，从而提高了查询性能。

Normalization 通过精确地定义表与表之间的关系，保证了数据的一致性，减少了数据更新时可能出现的异常情况。

Normalization 使数据库结构更加清晰和易于管理，简化了数据更新和修改的过程，提高了数据库的可维护性。

Normalization 遵循 1NF、2NF 和 3NF 等范式规则，确保数据库设计的规范性和完整性。

Normalization 将数据表分解为较小的、相关的表，避免在多个记录中重复存储相同的数据。通过消除数据冗余，可以确保每个数据项只在一个地方存储，避免了数据的不一致性和冲突。

Normalization 通过建立外键关联来连接相关的数据表。每个数据项只需在一个表中存储，并且通过关联来获取其他相关数据。正确的关联可以保持数据的一致性，确保相关数据在所有表中保持同步。

Normalization 要求数据表中的非主键字段之间不存在传递依赖关系。这意味着每个非主键字段都应该直接依赖于主键，而不是依赖于其他非主键字段。通过遵循 3NF，可以避免数据的部分依赖，提高数据的一致性。

在 Normalization 的过程中，可以定义适当的数据约束，如唯一约束、主键约束、外键约束等。这些约束可以确保数据的完整性，防止不合法或不符合预期的数据插入或修改。

Normalization 通过消除数据冗余和建立正确的关联，可以减少插入、更新和删除异常的发生，从而提高数据的一致性和完整性。

• 通过线性缩放将数据映射到特定范围内，通常是[0，1]或[-1，1]
• 保留原始数据的分布形态和数据间的比例关系
• 适用于需要保持原始数据间比例关系的情况，如图像处理、文本处理等
• 常用公式： x_norm = （x - min（x）） / （max（x） - min（x））

• 通过非线性转换将数据转换为零均值和单位方差的标准正态分布
• 不保留原始数据的分布形态，但可以消除不同特征之间量纲的影响
• 适用于某些基于梯度的优化算法，如梯度下降，以及对数据分布要求较高的情况
• 常用公式： x_std = （x - mean（x）） / std（x）

当数据库中存在大量重复数据时，通过 Normalization 将数据拆分成多个表，能有效消除冗余数据，减少存储空间的使用。这不仅节省了存储成本，还有助于提高数据一致性。

Normalization 可以确保数据在数据库中的一致性，避免数据的不一致性和冲突。通过将数据分解为多个表并建立适当的关系，可以减少数据冗余，从而降低了数据不一致的风险。

Normalization 将数据拆分为较小的表，避免了复杂的关联操作，从而提高了查询的执行速度和效率。查询优化是 Normalization 的一个重要优势。

Normalization 使数据库结构更加模块化和灵活，简化了数据的更新和修改过程，提高了数据库的可维护性。良好的数据库设计有助于降低维护成本。

Normalization 可以减少数据更新异常的可能性，确保数据的插入、更新和删除操作更加稳健。这对于保持数据完整性至关重要。

Normalization 有助于支持复杂的查询需求，通过建立适当的关联，实现多表查询。这为数据分析和报告提供了支持。

未规范化形式是最低级别的规范化形式。在这种形式下，数据库中可能存在重复的数据组，导致数据冗余和一致性问题。

第一范式由 Codd 于 1970 年提出，要求数据库中不存在重复的数据组。也就是说，每个属性的值必须是原子的，不可再分。

第二范式由 Codd 于 1971 年定义，要求所有非主键属性完全依赖于主键。如果一个非主键属性只依赖于主键的一部分，则违反了第二范式。

第三范式也是由 Codd 在 1971 年定义的，要求所有非主键属性都与主键直接相关，而不是通过其他非主键属性间接相关。换言之，非主键属性之间必须相互独立。

Boyce-Codd 范式是由 Codd 和 Raymond F. Boyce 于 1974 年提出的，是第三范式的加强版。它要求每个确定性依赖都是候选键的依赖。

第四范式于 1977 年被引入，要求不存在非平凡的多值依赖。多值依赖是指一个属性组依赖于另一个属性组的情况。

第五范式和 Domain-Key 范式是更高级的范式，主要具有理论意义，因为它们解决的问题在实践中很少出现。

第六范式是最高级的范式，但定义不太明确，也很少使用。

通过将数据库组织成适当结构的表并强制执行依赖关系，规范化可减少数据冗余并提高数据完整性。这意味着更新、插入和删除操作可以更有效地执行，而不会引入不一致性。减少数据冗余还可以节省存储空间，从而提高查询性能。

规范化后的表具有明确的主键和外键关系，可以使用高效的索引结构，如B树和哈希索引，这些索引结构可以显著提高查询时间。对主键和外键的索引可以使查询时间从线性时间降低到对数时间或常数时间。

规范化使关系模型对用户更加直观，并减少了对随时间变化的查询统计信息的依赖性。这提高了数据库设计的长期可维护性和灵活性，从而有利于查询性能的持续优化。

通过减少数据冗余，规范化可以最小化复杂连接和子查询的需求，从而简化查询逻辑。简单的查询往往比复杂的查询执行更快。

规范化后的数据库结构更有利于查询优化器进行有效的查询重写和执行计划优化，从而提高查询性能。

在数据仓库的设计中，规范化通常会被使用，但规范化的程度可能会有所不同。传统的 3NF（第三范式）模型采用了更加细化的实体关系结构，将数据存储在多个相互链接的表中。这种方法对于添加新信息到数据库中很直观，但可能会使用户访问和连接来自不同来源的数据变得更加困难。

相比之下，Ralph Kimball 提出的面向数据仓库的维度建模方法则侧重于使用星型模式对数据进行建模，其中包括 "事实" 和 "维度"。这种维度模型可能会涉及一定程度的规范化，但通常比 3NF 模型的规范化程度要低。维度模型的设计目的是为了优化分析应用（如 OLAP）的查询性能和可用性。

与此同时，OLAP 系统通常采用反规范化的数据结构，以实现更快的分析处理速度。OLAP 系统将数据表示为多维数据立方体，这是一种反规范化的结构，会在各个维度中重复数据。这与关系数据库中旨在最小化数据重复的规范化结构形成对比。

数据仓库使用提取、转换和加载（ETL）过程从各种来源收集数据，对其进行清理和标准化，然后将其加载到 OLAP 分析所需的反规范化数据结构中。OLAP 服务器随后使用这些反规范化的数据结构来实现快速、交互式的分析。