neizod's speculation

insufficient data for meaningful answer

ทำความเข้าใจการหารบนฐานข้อมูล

Sunday, November 10, 2013, 12:06 PM

DIVISION ใน relational algebra หรือเรียกง่ายๆ ว่าการหารบนฐานข้อมูลนั้น อธิบายคร่าวๆ คือการเอาตารางมา inner join กันแล้วนับว่าแต่ละ key ที่สนใจของตารางตัวตั้ง มีจำนวน row เท่ากับตารางตัวหารหรือไม่ ถ้าครบก็ตัด column ที่ปรากฏในตารางตัวหารทิ้งแล้วยุบรวม row ซ้ำด้วย key นั้นๆ

เช่น เรามีตาราง students ซึ่งเก็บข้อมูลนักเรียน 3 คนที่ลงเรียนวิชาต่างๆ พร้อมผลการเรียน ดังนี้

name subj grade
bar code A
foo code C+
foo trek A
qux code B+
qux math A
qux trek A

ส่วนตาราง colleges อีกตารางหนึ่งนั้น เก็บข้อมูลของ 2 วิทยาเขต พร้อมรายชื่อวิชาที่เปิดสอน ดังนี้

campus subj
leetademy code
leetademy trek
hack-cool code
hack-cool math

เมื่อ join ตาราง students ด้วยวิชาที่เปิดสอนโดยวิทยาเขต leetademy จะได้ว่า

name subj grade campus
bar code A leetademy
foo code C+ leetademy
foo trek A leetademy
qux code B+ leetademy
qux trek A leetademy

หากนับตาม key name จะเห็นว่ามี foo และ qux ที่ลงทะเบียนเรียนครบ 2 วิชาตามที่วิทยาเขต leetademy เปิดสอน ซึ่งนี่ก็คือคำตอบของการหาร students ด้วยวิชาที่เปิดสอนโดย leetademy นั่นเอง หรือเขียนเป็นตารางผลลัพธ์ได้ว่า

name
foo
qux

ซึ่งคำสั่ง SQL สำหรับการดำเนินการนี้ ควรจะมีหน้าตาประมาณ

SELECT name, subj
FROM   students
DIVISION (
    SELECT subj
    FROM   colleges
    WHERE  campus = 'leetademy'
) AS leetademy_courses

ปัญหาของการหารคือ DBA แทบทั้งหมดไม่มีคำสั่งนี้ให้ใช้ (ต่างจาก MINUS หรือการลบที่ยังพอมีให้ใช้บ้าง แม้บางเจ้าจะเปลี่ยนชื่อเป็น EXCEPT ก็ตาม) นั่นก็เพราะว่าท่านี้มันเป็นท่าที่เปลืองทรัพยากรมาก แถมไม่ได้ใช้กันบ่อยๆ เสียด้วย …ซึ่งจะว่าไปแล้วมันก็ดูไม่ใช่ปัญหาเลยนี่หน่า

อย่างไรก็ตามปัญหาจริงๆ คือมันเป็นท่าที่อาจารย์ส่วนใหญ่ชอบเอาไปออกสอบ (เพราะมันเขียนได้ยากและไม่มีคำสั่งพื้นฐานให้ใช้ :P) ทำให้เราต้องหาท่าอ้อมๆ ที่ให้ผลลัพท์แบบเดียวกันมาใช้แทน


การจะเข้าใจการหารบนฐานข้อมูลได้ ถ้าลองถอยออกมาคิดแบบเขียนโปรแกรม ก็แค่ดูว่า set ที่เป็นตัวตั้งหารนั้นเป็น superset ของ set ที่ถูกหารหรือเปล่า

students_set = defaultdict(set)
for name, subj, grade in students:
    students_set[name].add(subj)

colleges_set = defaultdict(set)
for campus, subj in colleges:
    colleges_set[campus].add(subj)

output = set()
for name, subj_set in students_set.items():
    if subj_set >= colleges_set['leetademy']:
        output.add(name)
print(output)

แต่การทำงานบนฐานข้อมูล เรามักเขียนพวกนี้ทั้งหมดให้เป็น one-liner เพื่อที่จะรับประกันว่าระหว่างการ query จะไม่เกิด race condition กับ query อื่นๆ สิ่งที่ต้องทำก่อนอื่นใดคือพยายามกำจัดการสร้าง set ของข้อมูลล่วงหน้าซะ

ในที่นี้ ขั้นแรกเราจะกำจัดการสร้าง colleges_set โดยวน loop ใน colleges ทุกตัวดูว่าแต่ละ subj มีใน students_set หรือเปล่า

def learnt_leetademy(name):
    for campus, subj in colleges:
        if campus == 'leetademy':
            if subj not in students_set[name]:
                return False
    return True

output = set()
for name, _, _ in students:
    if learnt_leetademy(name):
        output.add(name)
print(output)

ขั้นต่อมาก็กำจัด students_set โดย loop เข้า students ดูว่านักเรียนตามชื่อ name ยังไม่ได้เรียนวิชา subj หรือเปล่า

def learnt(name, subj):
    for student_name, student_subj, _ in students:
        if student_name == name and student_subj == subj:
            return True
    return False

def learnt_leetademy(name):
    for campus, subj in colleges:
        if campus == 'leetademy':
            if not learnt(name, subj):
                return False
    return True

output = set()
for name, _, _ in students:
    if learnt_leetademy(name):
        output.add(name)
print(output)

เนื่องจากฟังก์ชัน learnt จะคืนค่า True ทันทีที่เข้าเงื่อนไข แต่จะคืนค่า False หลังจากจบ loop ไปเท่านั้น เราสามารถเขียนตรงนี้ใหม่ด้วย generator แล้ว wrap ด้านนอกด้วย any(...) ในทำนองเดียวกันกับ learnt_leetademy เพียงแค่เปลี่ยนไป wrap ด้านนอกด้วย all(...)

def learnt(name, subj):
    for student_name, student_subj, _ in students:
        if student_name == name and student_subj == subj:
            yield True

def learnt_leetademy(name):
    for campus, subj in colleges:
        if campus == 'leetademy':
            if not any(learnt(name, subj)):
                yield False

output = set()
for name, _, _ in students:
    if all(learnt_leetademy(name)):
        output.add(name)
print(output)

พอทุกฟังก์ชันเป็น single-statement ที่เขียนด้วย generator คราวนี้ก็ง่ายที่จะแปลงมันไปเป็น one-liner แล้ว … จับมาเขียนสวยๆ ได้แบบนี้

print({
    name
    for name, _, _ in students
    if all(
        False
        for campus, subj in colleges
        if campus == 'leetademy'
        and not any(
            True
            for student_name, student_subj, _ in students
            if student_name == name
            and student_subj == subj
        )
    )
})

อย่างไรก็ตาม ใน DBA เรามักใช้เพียงแค่ NOT EXISTS (SELECT * ...) ในความหมายของ not any(True ...) เท่านั้น แต่เราทราบกันดีว่า all(False ...) มีค่าเทียบเท่ากับ not any(True ...) ดังนั้นโค้ดสุดท้ายใน SQL จะออกมาหน้าตาเช่นนี้

SELECT DISTINCT name
FROM   students AS so
WHERE  NOT EXISTS (
    SELECT *
    FROM   colleges AS co
    WHERE  campus = 'leetademy'
    AND    NOT EXISTS (
        SELECT *
        FROM   students AS si
        WHERE  si.name = so.name
        AND    si.subj = co.subj
    )
)

อ้างอิง