Was ist transitive Abhängigkeit?

In Datenbanken liegt eine transitive Abhängigkeit vor, wenn ein Attribut in einer Tabelle von einem anderen Attribut abhängt, das wiederum vom Primärschlüssel abhängt. Die transitive Abhängigkeit ist ein Problem bei der Datenbanknormalisierung, weil sie zu Datenproblemen wie Aktualisierungs-, Einfüge- und Löschungsanomalien führt, die wir in diesem Artikel untersuchen werden. 

Wenn du nach diesem Artikel mehr erfahren möchtest, empfehle ich dir den DataCamp-Kurs Datenbankdesign, um dich mit relationalen Datenbanken und der Speicherung von Daten in einer Datenbank vertraut zu machen. Ich empfehle auch unser Tutorial zur Normalisierung in SQL, um mehr über die Normalformen in SQL zu erfahren, der gängigsten Sprache zur Verwaltung relationaler Datenbanken in diesem Zusammenhang.

Transitive Abhängigkeiten in Datenbanken verstehen

In relationalen Datenbanken liegt eine transitive Abhängigkeit vor, wenn ein Attribut über ein Zwischenattribut indirekt von einem anderen abhängt. Dieses Problem bedeutet, dass der Wert einer Spalte indirekt aus den Werten von zwei anderen Spalten bestimmt werden kann. Betrachte die folgende Tabelle, genannt DataCamp_Programs:

Aus dieser Tabelle:

• Course_or_Skill_Track → Instructor: Wenn wir den Kurs oder die Strecke kennen, kennen wir auch den Ausbilder.

• Instructor nicht → Course_or_Skill_Track: Manchmal unterrichten die Ausbilder mehr als einen Kurs.

• Instructor → Instructor_Title: Jeder Ausbilder hat einen Titel.

Daher ist Course_or_Skill_Track → Instructor_Title eine transitive Abhängigkeit. 

Warum transitive Abhängigkeiten zu Problemen führen

Transitive Abhängigkeiten können zu Datenbankproblemen führen, vor allem im Zusammenhang mit Datenredundanz, Anomalien und Inkonsistenzen.

Datenredundanz

Datenredundanz entsteht, wenn dieselben Daten unnötigerweise in der Datenbank wiederholt werden, was zu Ineffizienzen führt. In dem Beispiel der Tabelle DataCamp_Programs wird der Titel der Lehrkraft für jeden Kurs, den sie unterrichtet, mehrfach gespeichert. Durch diese Wiederholungen wird Speicherplatz verschwendet und die Datenbank ist schwerer zu pflegen.

Datenanomalien

Schauen wir uns nun die Probleme beim Aktualisieren, Einfügen und Löschen an.

Anomalien aktualisieren

Aktualisierungsanomalien treten auf, wenn Änderungen an Daten aufgrund von Redundanzen an mehreren Stellen vorgenommen werden müssen. Das führt zu Unstimmigkeiten, wenn einige Instanzen aktualisiert werden, während andere übersehen werden. Stell dir zum Beispiel vor, wir verwenden eine SQL-Abfrage, um die Tabelle DataCamp_Programs zu aktualisieren, weil sich Mona Khalils Titel in Lead Data Scientist geändert hat. Du müsstest jede Zeile, in der ihr Titel erscheint, manuell aktualisieren. Wenn auch nur ein einziger Fall übersehen wird, enthält die Datenbank widersprüchliche Informationen über ihren aktuellen Titel. 

Anomalien bei der Einfügung

Einfügeanomalien treten auf, wenn du Daten nicht in die Datenbank einfügen kannst, weil andere erforderliche Daten fehlen. In anderen Fällen kannst du zwar Daten einfügen, aber die Struktur der Tabelle zwingt dich dazu, irrelevante, redundante oder fehlende Informationen einzufügen, wie im folgenden Beispiel:

Deletionsanomalien

Löschanomalien treten auf, wenn beim Löschen eines Datensatzes versehentlich wertvolle Informationen aus der Datenbank entfernt werden. Wenn du z. B. den Datensatz mit Izzy Weber löschst, wird auch der Titel der Lehrkraft gelöscht, was zu Datenverlusten führen kann, da du möglicherweise nicht mehr alle Titel im System hast. Hier haben wir Data Coach möglicherweise ganz aus dem System entfernt, ohne dieses Verhalten zu beabsichtigen.

Transitive Abhängigkeiten mit 3NF beseitigen

Im Datenbankkontext organisiert die Normalisierung die Daten, um Redundanzen zu minimieren und die Datenintegrität zu verbessern. Aus diesem Grund werden transitive Abhängigkeiten oft im Zusammenhang mit der dritten Normalform (3NF) diskutiert, einer Datenbank-Normalisierungstechnik, die Abhängigkeiten eliminiert, um das Problem der transitiven Abhängigkeit zu lösen. 

Die dritte Normalform ist eine Ebene der Datenbanknormalisierung, die transitive Abhängigkeiten beseitigt und sicherstellt, dass jedes Nicht-Schlüssel-Attribut nur vom Primärschlüssel abhängt. Das hilft, Redundanzen und Fehler zu vermeiden, die durch transitive Abhängigkeiten entstehen. Beachte die folgenden Schritte bei der Normalisierung eines Datenbankschemas.

Identifizierung transitiver Abhängigkeiten

Um transitive Abhängigkeiten in deiner Datenbank zu erkennen, musst du den Prozess aufschlüsseln:

1. Prüfe die funktionalen Abhängigkeiten vom Primärschlüssel: Beginne damit, alle funktionalen Abhängigkeiten zu identifizieren, bei denen die Attribute direkt auf den Primärschlüssel angewiesen sind. Dieser Schritt hilft dir, dich auf die wichtigsten Beziehungen in deiner Tabelle zu konzentrieren.
2. Suche nach indirekten Abhängigkeiten: Als Nächstes überprüfe, ob irgendwelche Nicht-Schlüssel-Attribute (die nicht zum Primärschlüssel gehören) von anderen Nicht-Schlüssel-Attributen abhängen. Wenn du feststellst, dass ein Nicht-Schlüssel-Attribut von einem anderen abhängt, das wiederum vom Primärschlüssel abhängt, hast du eine transitive Abhängigkeit festgestellt.
3. Prüfe auf Redundanz oder Anomalien: Schließlich solltest du überlegen, ob diese indirekte Abhängigkeit zu Datenredundanz führt oder die Aktualisierung komplizierter macht.

Tabellen aufteilen

Sobald du die transitiven Abhängigkeiten identifiziert hast, musst du die Tabellen aufteilen, um sie zu beseitigen. Du teilst die Tabelle in kleinere Tabellen auf, deren Nicht-Schlüsselattribute direkt vom Primärschlüssel abhängen. Außerdem behältst du die Beziehung zwischen den Tabellen bei, indem du sie über Fremdschlüssel verknüpfst.

So könntest du die Tabelle DataCamp_Programs in zwei Tabellen aufteilen, um sie zu normalisieren und die transitiven Abhängigkeiten zu beseitigen. Wie du sehen wirst, teilen wir die Tabelle in zwei Teile. instructor wird zum Schlüssel, um die beiden zu verbinden.   

Tabelle 1: kurse_tabelle

Tabelle 1: lehrer_tabelle

Wie man transitive Abhängigkeiten vermeidet

Beim Entwurf deiner Datenbank ist es wichtig, transitive Abhängigkeiten zu vermeiden, um die Effizienz, Skalierbarkeit und Integrität der Daten zu gewährleisten. Im Folgenden findest du Best Practices, um die Risiken von Redundanz, Anomalien und Inkonsistenzen zu minimieren.

• Normalisierung beim Schemaentwurf: Wenn du deine Datenbank anhand des Schemas entwirfst, ist es wichtig, dass du die dritte Normalform (3NF) schon in der Anfangsphase berücksichtigst. Dieser Ansatz hilft, die transitiven Abhängigkeiten durch die Anwendung der Normalisierungstechnik zu reduzieren. 

• Regelmäßige Schema-Audits: Nachdem du deine Datenbank erstellt hast, ist es wichtig, sie regelmäßig zu überprüfen, um sicherzustellen, dass sie frei von transitiven Abhängigkeiten ist.

• Vermeide es, Beziehungen zu sehr zu vereinfachen: Bilde immer die Beziehungen ab und trenne die Entitäten richtig in verschiedenen Tabellen, um unterschiedliche Informationen zu speichern.

Fazit

Transitive Abhängigkeiten in Datenbanken treten auf, wenn ein Attribut in einer Tabelle von einem anderen Attribut abhängt, das wiederum vom Primärschlüssel abhängt. Transitive Abhängigkeiten beeinträchtigen immer die Effizienz der Datenbank, da sie zu Redundanz, Inkonsistenzen und Anomalien führen. Als Entwickler ist es wichtig, transitive Abhängigkeiten zu identifizieren und zu beseitigen, um die Datenintegrität zu gewährleisten. Du solltest auch die transitiven Abhängigkeiten während des Datenbankdesigns identifizieren und beseitigen. Das Erreichen der dritten Normalform (3NF) hilft dir, die Datenbanken zu optimieren und die Effizienz zu verbessern.

Wenn du deine Fähigkeiten im Datenbankdesign verbessern willst, empfehle ich dir den DataCamp-Kurs Creating PostgreSQL Databases, um mehr über Schemadesign und Datenbankzugriffskontrollen zu lernen. Wenn du deine Datenbankmanagement-Kenntnisse für Big Data vertiefen möchtest, empfehle ich dir unseren Kurs Einführung in die Datenmodellierung in Snowflake, um mehr über Beziehungen, dimensionale Modellierung und Datentresore zu erfahren und effiziente Cloud Data Warehouses zu erstellen.