ఫంక్షనల్ డిపెండెన్సీస్ డేటా నకిలీని నివారించడానికి సహాయం చెయ్యండి
ఒక డేటాబేస్ లో పనిచేసే డిపెండెన్సీ లక్షణాల మధ్య అడ్డంకులను సెట్ చేస్తుంది. ఒక సంబంధంలో ఒక లక్షణం ప్రత్యేకంగా మరొక లక్షణాన్ని గుర్తించినప్పుడు ఇది సంభవిస్తుంది. దీనిని A -> B అని వ్రాయవచ్చు, అనగా "B పై క్రియాత్మకంగా ఆధారపడి ఉంటుంది" దీనిని డేటాబేస్ డిపెండెన్సీ అని కూడా పిలుస్తారు.
ఈ సంబంధంలో, A విలువ B ని నిర్ణయిస్తుంది, B అయితే A పై ఆధారపడి ఉంటుంది.
డేటాబేస్ రూపకల్పనలో ఫంక్షనల్ డిపెండెన్సీ ముఖ్యమైనది
డేటా యొక్క విశ్వసనీయతను నిర్ధారించడానికి ఫంక్షనల్ డిపెండెన్సీ సహాయపడుతుంది. ఒక టేబుల్ను పరిగణించండి సోషల్ సెక్యూరిటీ నంబర్ (SSN), పేరు, పుట్టిన తేదీ, చిరునామా మొదలైన లక్షణాలను జాబితా చేసే ఉద్యోగులు.
లక్షణం SSN పేరు, తేదీ, పుట్టిన తేదీ మరియు ఇతర విలువల యొక్క విలువను నిర్ధారిస్తుంది, ఎందుకంటే ఒక సాంఘిక భద్రతా నంబరు ప్రత్యేకంగా ఉంటుంది, అయితే పేరు, పుట్టిన తేదీ లేదా చిరునామా ఉండకపోవచ్చు. మేము దీనిని ఇలా రాస్తుంది:
SSN -> పేరు, పుట్టిన తేదీ, చిరునామా
అందువలన, పుట్టిన మరియు చిరునామా యొక్క తేదీ SSN పై క్రియాశీలంగా ఆధారపడి ఉంటుంది. అయితే, రివర్స్ స్టేట్మెంట్ (పేరు -> SSN) నిజం కాదు ఎందుకంటే ఉద్యోగికి ఒకటి కంటే ఎక్కువ మందికి ఇదే పేరు ఉండగలదు కానీ అదే SSN కు ఎప్పటికీ ఉండదు. మనము SSN గుణం యొక్క విలువను తెలిస్తే, మరో, మరింత కాంక్రీటు మార్గాన్ని ఉంచండి, పేరు, తేదీ మరియు పుట్టిన తేదీ యొక్క విలువను కనుగొనవచ్చు. కానీ మనం కేవలం పేరు లక్షణం యొక్క విలువను తెలిస్తే, మేము SSN ని గుర్తించలేము.
ఒక ఫంక్షనల్ డిపెండెన్సీ యొక్క ఎడమ భాగం ఒకటి కంటే ఎక్కువ లక్షణాలను కలిగి ఉంటుంది. మనకు బహుళ స్థానాలతో వ్యాపారాన్ని కలిగి ఉన్నాయని చెప్పండి. ఉద్యోగి, టైటిల్, డిపార్ట్మెంట్, స్థానం మరియు మేనేజర్ లక్షణాలతో మేము ఒక టేబుల్ ఉద్యోగిని కలిగి ఉండవచ్చు.
అతను పనిచేస్తున్న ప్రదేశాన్ని ఉద్యోగి నిర్ణయిస్తాడు, అందువల్ల ఒక డిపెండెన్సీ ఉంది:
ఉద్యోగి -> స్థానం
కానీ నగరంలో ఒకటి కంటే ఎక్కువ మేనేజర్ ఉండవచ్చు, కాబట్టి ఉద్యోగి మరియు విభాగం కలిసి నిర్వాహకుడిని నిర్ణయిస్తారు:
ఉద్యోగి, విభాగం -> మేనేజర్
ఫంక్షనల్ డిపెండెన్సీ అండ్ నార్మలైజేషన్
ఫంక్షనల్ డిపెండెన్సీ డేటాబేస్ సాధారణీకరణ అని పిలవబడే దోహదపడుతుంది, ఇది డేటా సమగ్రతను నిర్ధారిస్తుంది మరియు డేటా తొలగింపులను తగ్గిస్తుంది. సాధారణీకరణ లేకుండా, ఒక డేటాబేస్లోని డేటా ఖచ్చితమైనది మరియు ఆధారపడదనేది హామీ లేదు.