Database

Introducción

En la gestión de bases de datos, asegurar que los datos estén normalizados y estructurados correctamente es crucial para mantener la integridad y utilidad de los datos. A veces, puede encontrar tablas que carecen de las relaciones necesarias entre los puntos de datos, lo que lleva a una estructura de base de datos desorganizada. Un escenario común involucra una tabla que registra ubicaciones de clientes sin un campo dedicado para nombres de empresas.

Este post tiene como objetivo abordar un ejemplo específico donde se le ha entregado una tabla que consiste en aproximadamente 18,000 filas con un solo campo para “Nombre de Ubicación” y sin campo para “Nombre de Empresa”. La situación presenta desafíos debido a la ausencia de una designación adecuada de empresa para múltiples ubicaciones operadas por la misma empresa, lo que podría llevar a complicaciones en la recuperación y análisis de datos.

En este blog, exploraremos un enfoque sistemático para normalizar tal tabla, generando una lista de empresas basada en descripciones de ubicación distintas y haciendo que la base de datos sea eficiente nuevamente.

Comprendiendo la Estructura Actual de la Tabla

La tabla de ubicaciones existente tiene una estructura simple:

 ID  Nombre_Ubicación     
 1   TownShop#1        
 2   Town Shop - Loc 2 
 3   The Town Shop     
 4   TTS - Someplace   
 5   Town Shop,the 3   
 6   Toen Shop4

Lo que buscamos es una salida más estructurada que incluya un “ID_Empresa” para cada ubicación:

 ID  ID_Empresa   Nombre_Ubicación     
 1   1            Town Shop#1       
 2   1            Town Shop - Loc 2 
 3   1            The Town Shop     
 4   1            TTS - Someplace   
 5   1            Town Shop,the 3   
 6   1            Toen Shop4

Junto con esta tabla de ubicaciones, también crearemos una tabla de empresas separada:

 ID_Empresa  Nombre_Empresa  
 1           The Town Shop

Generando Nombres de Empresas

Dado que no existe una lista de nombres de empresas, necesitamos generarla a partir de los nombres de ubicaciones proporcionados. Aquí hay un enfoque paso a paso para lograr esto:

Paso 1: Identificar Nombres de Empresas Candidatos

  • Extraer Nombres de Ubicación: Crear una lista de Nombres de Ubicación que estén compuestos principalmente por caracteres alfabéticos.
  • Usar Expresiones Regulares: Para filtrar entradas irrelevantes (como ubicaciones con caracteres numéricos o especiales), emplear expresiones regulares para analizar los datos.

Paso 2: Revisión Manual

  • Ordenar la Lista: Ordenar la lista filtrada de nombres de ubicación alfabéticamente.
  • Seleccionar Nombres de Empresa: Revisar manualmente la lista ordenada para determinar qué ubicaciones sirven mejor como nombres de empresa representativos.

Paso 3: Puntuación de Coincidencias

  • Algoritmo de Software para Coincidencias: Utilizar la distancia de Levenshtein o cualquier algoritmo de comparación de cadenas similar para evaluar la proximidad entre cada posible Nombre de Empresa y los diversos Nombres de Ubicación.
  • Crear un Sistema de Puntuación: Almacenar estos resultados en una nueva tabla que refleje NombreEmpresa, NombreUbicación, y su correspondiente PuntuaciónCoincidencia.

Paso 4: Implementar Umbrales

  • Filtrar Coincidencias: Definir una puntuación umbral; cualquier coincidencia que caiga por debajo de esta puntuación predeterminada será excluida de consideraciones posteriores.

Paso 5: Verificación Manual

  • Revisar los Datos: Verificar manualmente cada entrada listada por NombreEmpresa, NombreUbicación, y PuntuaciónCoincidencia y finalizar cuáles nombres realmente representan cada empresa.
  • Organizar para Eficiencia: Ordenar los resultados por PuntuaciónCoincidencia para agilizar el proceso de revisión y reducir la carga de trabajo.

Conclusión

Si bien el proceso delineado puede parecer que consume tiempo, aprovecha la automatización y técnicas algorítmicas para manejar la complejidad de manejar alrededor de 18,000 registros. Este enfoque estructurado no solo ahorra tiempo, sino que ayuda a categorizar datos con confianza, lo que conlleva a una mejor integridad de la base de datos y análisis significativos en el futuro.

Al emplear este método, debería encontrar mucho más fácil normalizar tablas con baja integridad y mejorar la usabilidad de su base de datos. Siempre recuerde: el objetivo de la normalización no solo es estructurar datos, sino también mejorar su accesibilidad y confiabilidad.