Database Research Group

WSI – Database Systems Research Group

Datenbanksysteme I


News
  • Feb 25, 2016 — Die Nachklausur findet am 04.April 2016 von 10:00 - 12:00 Uhr in Seminarraum 7E02 (HSZ, Morgenstelle) statt — Dennis Butterstein

  • Feb 17, 2016 — Die Klausureinsicht zur Veranstaltung DB1 findet am Mo 22.2.16 von 10:00-12:00 Uhr in Raum B312 statt.

    Die Gesamtnote, sowie die erzielten Bonuspunkte aus der Übung können ab sofort im ILIAS eingesehen werden.

    Diejenigen, die nicht an der Übung teilgenommen haben und daher keinen Zugang zur ILIAS-Gruppe haben, können ihre Klausurnote bei der Klausureinsicht am Montag oder im Anschluss daran im Campus erfahren. — Benjamin Dietrich

  • Feb 1, 2016 — Am Dienstag, den 2. Februar 2016, findet die Vorlesung DB1 nicht mehr statt. Die Übung am Freitag, den 5. Februar, findet wie geplant statt.

    Damit ist der Vorlesungsbetrieb beendet. Besten Dank für euer Interesse und die aktive Mitarbeit. — Torsten Grust

  • Jan 29, 2016 — Die 90-minütige Klausur zur Vorlesung DB1 wird am Mo, 8.2.2016 um 10:00-12:00 Uhr in Hörsaal N4 (HSZ, Morgenstelle) stattfinden.

    Ein doppelseitig handbeschriebenes A4-Papier ist als Hilfsmittel erlaubt. — Benjamin Dietrich

  • Oct 12, 2015 — Der Termin der Übungsgruppe ist neu: Fr 10:15 - 11:45 Uhr, am Sand 6/7, großer Hörsaal.

    Zur Organisation: Zur Übung DB I gibt es einen Kurs auf ILIAS. Dort wird jeweils Freitags ein Übungsblatt veröffentlicht. Abgabetermin ist jeweils Freitag 10:00 Uhr der darauffolgenden Woche.

    Bitte beachten Sie auch die weiteren Hinweise im Forum! — Benjamin Dietrich


Im Forum zu DB I klären wir alle organisatorischen und inhaltlichen Fragen, die sich im Laufe des Semesters auftun werden. Bitte dort regelmäßig vorbei schauen und keine Scheu zu fragen.

Vorlesung

Die Vorlesung Datenbanksysteme I ist die klassische Einführung in das spannende Gebiet der Datenbanksysteme. Zentrales Thema sind die Relationalen Datenbanksysteme, in denen Daten in tabellarischer Form modelliert, gespeichert und angefragt werden. Dieser strikt tabellarische Blick auf Daten ist elegant, intuitiv aber dennoch formal und durch Datenbanksysteme effizient implementierbar, wirft aber auch interessante Fragen auf, denen wir uns in dieser Vorlesung widmen werden:

  • [ Datenbankbegriff ] Genau welche Services kann ein Datenbanksystem eigentlich bieten?

  • [ Datenmodellierung, ER-Modelle ] Wie bringt man Daten sinnvoll in tabellarische Form, auch wenn Daten zunächst in Form von Objekten, Bäumen, etc. vorliegen?

  • [ Relationales Modell, Normalformen ] Welche Charakteristika von Tabellen können wir ausnutzen, um Daten effizient und redundanzfrei speichern und wieder extrahieren zu können?

  • [ Relationale Algebra, SQL ] Welche Sprachen eignen sich für den Zugriff auf Massen von Tabellendaten?

Sowohl Vorlesung als auch Übung werden von Beispielen und Aufgaben begleitet, die wir mittels des relationalen Datenbanksystems PostgreSQL realisieren werden. PostgreSQL (in der Version 9.x) ist für viele Plattformen (u.a. MS Windows, Linux, Mac OS X) frei verfügbar.

Mit IBM DB2 Express-C V10.1.2 und MySQL stehen weitere relationale Datenbanksysteme frei zur Verfügung.

Klausur und Benotung

Die 90-minütige Klausur zu dieser Vorlesung wird am Montag, den 8. Februar 2016, von 10:00–12:00 Uhr stattfinden.

Wer an der Übung teilgenommen und mindestens 2/3 der Punkte erreicht hat, kann einen Punktebonus für die abschliessende Klausur erhalten. So können von den 90 durch Klausuraufgaben erreichbaren Punkten der Klausur, bis zu 30 Punkte schon im Voraus, durch gute Leistungen in der Übung, erlangt werden.

Literatur

  • Ramakrishnan, Gehrke: Database Management Systems

    (3rd International Edition)

    McGraw-Hill, 2003

    ISBN 0-07-246563-8

    Part I dieses Buch deckt die Inhalte zu relationalen Datenbanksystemen gut ab. Part II widmet sich den Inhalten der Vorlesungen Datenbanksysteme II.

  • Kemper, Eickler: Datenbanksysteme

    (10. Auflage)

    De Gruyter Studium, 2015

    ISBN 3-11-044375-9

    Deutsches Standardlehrbuch, das auch Inhalte der Vorlesung Datenbanksysteme II bespricht. Eine hervorragende Quelle für weiterführende Referenzen.

PostgreSQL, Python und JSONiq

  • Das relationale Datenbanksystem PostgreSQL ist das Hauptwerkzeug in dieser Vorlesung und auch in den Übungen. Effizient, unkompliziert, standardkonform, erweiterbar und generally awesome. Hinweise zum Download und zur Installation von PostgreSQL. (Für User von Apples OS X bietet Postgres.app eine Installation innerhalb von Sekunden.) [ PostgreSQL Version 9.4 ]

  • Gelegentlich werden wir in Vorlesung, Übung und Übungsblättern die Programmiersprache Python einsetzen, um einfache Skripte zur Verarbeitung von Tabellendaten zu entwerfen oder die Funktionsweise von Datenbanksystemen zu illustrieren. Frei verfügbar für alle gängigen Sytsteme und oft bereits vorinstalliert. [ Python Version 2.7 ]

  • Zu Beginn der Vorlesung werden wir JSON als Datenmodell und seine Sprache JSONiq thematisieren. Eine Implementation von JSONiq, sowohl als Sandbox im Web als auch zum Download findet sich auf zorba.io.


Slides
NrChapterDownload
1Welcomepdf
2Data Models and Languages

v2 (letztes Update: 20. Oktober 2015)

pdf
3Typed Data, Declarativity, Data Independence, Persistence

v2 (letztes Update: 27. Oktober 2015)

pdf
4The Relational Data Model

v1 (letztes Update: 2. November 2015)

pdf
5Constraints

v1 (letztes Update: 9. November 2015)

pdf
6A Diversion into SQL

v1 (letztes Update: 10. November 2015)

pdf
7Referential Integrity

v1 (letztes Update: 16. November 2015)

pdf
8Database Design

v3 (letztes Update: 24. November 2015)

pdf
9Grouping and Aggregation

v2 (letztes Update: 30. November 2015)

pdf
10Functional Dependencies

v2 (letztes Update: 14. Dezember 2015)

pdf
11The Entity-Relationship Model

v2 (letztes Update: 10. Januar 2016)

pdf
12The Relational Algebrapdf
13Recursive Queriespdf
Additional material (code, data)
NrFileDownload
1GenBank-Eintrag für Bakers' Yeasttxt
2LEGO Set 5610

Datenmodell Text

txt
3Gewicht des LEGO Set 5610

(Shell-Skript)

Basierend auf sed und awk (Datenmodell Text).

Usage (UNIX-Shell): weight-of-set5610.sh < set5610-1.txt

sh
4Extraktion von DNA-Subsequenzen aus einem GenBank-Eintrag

(Shell-Skript)

Basierend auf awk und cut (Datenmodell Text). Extrahiert Subsequenz im Bereich ⟨from⟩..⟨to⟩ einer DNA-Sequenz.

Usage (UNIX-Shell): dna-subsequence.sh ⟨from⟩ ⟨to⟩ < ⟨GenBank-Eintrag⟩

sh
5LEGO Set 5610

Datenmodell JSON

json
6USGS Earthquake Data

Datenmodell JSON

json
7Gewicht des LEGO Set 5610

(JSONiq-Query)

Usage (UNIX-Shell): zorba -r -i -f -q weight-of-set5610.jq

jq
8Stärke des schwersten Erdbebens auf der Nordhalbkugel

(JSONiq-Query)

Usage (UNIX-Shell): zorba -r -i -f -q worst-northern-quake-mag.jq

jq
9Stärke und Ort des schwersten Erdbebens auf der Nordhalbkugel

(JSONiq-Query)

File enthält drei Varianten der Query (zwei Varianten sind derzeit via (: ... :) auskommentiert).

Usage (UNIX-Shell): zorba -r -i -f -q worst-northern-quake-mag-place.jq

jq
10USGS Earthquake Data

Datenmodell Tabular (CSV)

csv
11Python-Modul "DB1"

Einfache Query-Library (PyQL und relationale Algebra) für Python 2.7. Einbindung in Python-Code via

from DB1 import Table

py
12Stärke und Ort des schwersten Erdbebens auf der Nordhalbkugel

(PyQL-Query)

Usage (UNIX-Shell): python worst-northern-quake-mag-place.py

py
13Tabelle "contains" (LEGO Sets)

Datenmodell Tabular (CSV)

csv
14Tabelle "bricks" (LEGO Bausteine)

Datenmodell Tabular (CSV)

csv
15Tabelle "minifigs" (LEGO Minifiguren)

Datenmodell Tabular (CSV)

csv
16Gewicht des LEGO Set 5610

(PyQL-Query)

Usage (UNIX-Shell): python weight-of-set5610.py

py
17Gewicht des LEGO Set 5610 (Optimierung #1)

(PyQL-Query)

Optimierung basiert auf Regeln (constraints) der LEGO Mini-World: eindeutige Identifier in Tabellen bricks und minifigs sowie Disjunktheit beider Tabellen.

Usage (UNIX-Shell): python weight-of-set5610-key.py

py
18Gewicht des LEGO Set 5610 (Optimierung #2)

(PyQL-Query)

Optimierung basiert auf Konstruktion einer temporären Datenstruktur (Dictionary/partielle Funktion quantity).

Usage (UNIX-Shell): python weight-of-set5610-temp.py

py
19Gewicht des LEGO Set 5610 (Optimierung #2, Parallelität)

(PyQL-Query)

Optimierung basiert auf Konstruktion einer temporären Datenstruktur (Dictionary/partielle Funktion quantity) und der parallelen Abarbeitung der Tabellen bricks und minifigs.

Usage (UNIX-Shell): python weight-of-set5610-par.py

py
20Gewicht des LEGO Set 5610 (Data Independence #1)

(PyQL-Query)

Einführung einer temporären Liste pieces als Vereinigung von bricks und minifig.

Usage (UNIX-Shell): python weight-of-set5610-pieces-list.py

py
21Gewicht des LEGO Set 5610 (Data Independence #2)

(PyQL-Query)

Basiert auf einer neuen persistenten Tabelle pieces.csv, die in der UNIX-Shell durch folgendes Kommando konstruiert werden kann:

cut -f1-6 bricks.csv | last +2 | cat minifigs.csv - > pieces.csv

Usage (UNIX-Shell): python weight-of-set5610-pieces-table.py

py
22SQL DML Statements

(SQL-Skript)

Demonstration der SQL DML Kommandos INSERT, UPDATE und DELETE.

Usage (UNIX-Shell): psql -f calendar.sql

sql
23SQL Foreign Data Wrapper

(SQL-Skript)

Demonstration des PostgreSQL Foreign Data Wrappers (CSV-File wird in den Zustand einer Relation gespiegelt, read-only: Änderungen im CSV-File werden vom RDBMS übernommen, INSERT/UPDATE/DELETE-Kommandos sind auf die Relation nicht anwendbar).

Achtung: Im SQL-Skript muss der (absolute) Pfad zum CSV-File angepasst werden.

Usage (UNIX-Shell): psql -f fdw.sql

sql
24Kopie (Schema und Zustand) einer Tabelle erstellen

(SQL-Skript)

Kopiert erst Schema und dann Zustand einer existierenden Tabelle, benötigt lediglich je ein DDL- und DML-Statement.

Usage (UNIX-Shell): psql -f insert-query.sql

sql
25SQL DDL Statements zur Deklaration von Constraints

(SQL-Skript)

Reichert Tabelle calendar mit einer Reihe von Constraints an, um die Abbildung der Kalender-Miniwelt in die Datenbank zu verfeinern.

Usage (UNIX-Shell): psql -f calendar-constraints.sql

sql
26Kandidaten- und Primärschlüssel

(SQL-Skript)

Deklariert und lädt die Tabellen der LEGO-Miniwelt und fügt Kandidaten- sowie Primärschlüssel hinzu. NB: Einige SQL-Statements führen zu (erwarteten) Fehlern, siehe Kommentare.

Achtung: Im SQL-Skript müssen die (absoluten) Pfade zu den CSV-Files angepasst werden.

Usage (UNIX-Shell): psql -f keys.sql

sql
27Die SQL FROM-Klausel

(SQL-Skript)

Demonstriert, dass die Nennung von Subqueries in der FROM-Klausel reihenfolgeunabhängig ist.

Usage (UNIX-Shell): psql -f calendar-attendees.sql

sql
28Row-Types und Row-Values in SQL

(SQL-Skript)

Demonstriert das Konzept der row types und row values in SQL.

Usage (UNIX-Shell): psql -f row-types.sql

sql
29(Überflüssiges) DISTINCT in SQL

(SQL-Skript)

Demonstriert, das für einige Queries die Nennung von DISTINCT überflüssig sein kann, da ohnehin keine Duplikate erzeugt werden. Das RDBMS erkennt die meisten dieser Situationen nicht selbsttätig.

Usage (UNIX-Shell): psql -f distinct-vs-keys.sql

sql
30SQL: Equi-Joins, θ-Joins

(SQL-Skript)

Demonstriert die Formulierung von Equi- und allgemeiner θ-Joins (Theta-Joins), auch zwischen mehreren Tabellen (hier: 3-Way Join).

Usage (UNIX-Shell): psql -f who-is-busy-at-what-times.sql

sql
31SQL: Kompositionalität (Subqueries)

(SQL-Skript)

Demonstriert den Einsatz von Subqueries (⟨query⟩) in der Berechnung von Ausdrücken.

Usage (UNIX-Shell): psql -f compositional.sql

sql
32SQL: Kompositionalität (WITH)

(SQL-Skript)

Demonstriert den Einsatz von WITH ... zur Konstruktion komplexerer Queries. Die in WITH gebundenen Namen sind nur lokal sichtbar und sind nicht persistent.

Usage (UNIX-Shell): psql -f large-yellow-bricks.sql

sql
33SQL: Korrelierte Unteranfragen

(SQL-Skript)

Demonstriert die Nutzung korrelierter Unteranfragen (die freie Variablen beinhalten, die in der umgebenden Anfrage gebunden werden).

Usage (UNIX-Shell): psql -f correlation.sql

sql
34PyQL: Korrelierte Unteranfragen

(Python-Skript)

Demonstriert Korrelation und Kompositionalität in PyQL:

  1. Unteranfragen können sich auf Variablen beziehen, die in der umgebenden Anfrage gebunden werden und
  2. Unteranfragen können überall da eingesetzt werden, wo eine Anfrage ansonsten einen atomaren Wert erwartet (in PyQL: explizite Konversion von Tabelle zu Atom mittels Funktion single()).

Usage (UNIX-Shell): python correlation.py

py
35SQL: Fremdschlüssel

(SQL-Skript)

Demonstriert die Deklaration und den Einsatz von Fremdschlüsseln (foreign keys), um eine konsistente Verweisstruktur zwischen Source- und Target-Tabellen zu gewährleisten.

Achtung: Im SQL-Skript müssen die (absoluten) Pfade zu den CSV-Files angepasst werden.

Usage (UNIX-Shell): psql -f foreign-keys.sql

sql
36SQL: Referentielle Integrität

(SQL-Skript)

Demonstriert die (manuelle) Überprüfung der referentiellen Integrität einer Datenbank mittels der SQL-Prädikate EXISTS und [NOT] IN.

Achtung: Im SQL-Skript muss ein (absoluter) Pfade zu einem CSV-File angepasst werden.

Usage (UNIX-Shell): psql -f referential-integrity.sql

sql
37SQL: Intra-Table Foreign Keys (Operationen auf Bäumen)

(SQL-Skript)

Repräsentation von Bäumen mittels Fremdschlüsseln innerhalb einer Tabelle (tree). Baum-Operationen führen zu Self-Joins.

Usage (UNIX-Shell): psql -f intra-table-foreign-keys.sql

sql
38SQL: Simulation von NF²-Queries auf 1NF-Daten

(SQL-Skript)

Systematische Übersetzung von Anfragen für NF²-Daten in äquivalente Anfragen über Tabellen in erster Normalform (1NF).

Usage (UNIX-Shell): psql -f functions-1NF.sql

sql
39SQL: Gruppierung und Aggregation (im Turtle-Beispiel)

(SQL-Skript)

Demonstration verschiedener SQL Aggregat-Funktionen (siehe auch die PostgreSQL 9.4-Dokumentation zu Aggregat-Funktionen).

Usage (UNIX-Shell): psql -f grouping-aggregation.sql

sql
40SQL: Gruppierung und Aggregation

(SQL-Skript)

Demonstration von Gruppierung und Aggregation im shapes/turtles-Beispiel.

Usage (UNIX-Shell): psql -f grouping-turtle.sql

sql
41SQL: Gruppierung und Aggregation (Kalender)

(SQL-Skript)

Gruppierung und Aggregation auf der Kalender-Datenbank

Usage (UNIX-Shell): psql -f who-is-busy-at-what-times-grouped.sql

sql
42SQL: LEGO Data Warehouse (Report Queries)

(SQL-Skript)

Aufbau eines Mini-Data Warehouse für die LEGO-Datenbank. Einfache Report-Queries.

Usage (UNIX-Shell): psql -f dw.sql

sql
43SQL: LEGO Data Warehouse (weitere Aggregationen)

(SQL-Skript)

Weitere Gruppierungen und Aggregationen auf dem LEGO Data Warehouse (Set mit der meisten Teilen, schwerstes Set).

Usage (UNIX-Shell): psql -f lego-aggregates.sql

sql
44SQL: Test auf Kandidatenschlüssel

(SQL-Skript)

Test: Ist die angegebene Attributmenge ein Kandidatenschlüssel für Tabelle contains?

Usage (UNIX-Shell): psql -f candidate-key-test.sql

sql
45SQL: Interaktion von Gruppierung/Aggregation und NULL

(SQL-Skript)

Verhalten von Gruppierung und Aggregation auf leeren Tabellen und bei der Verarbeitung von NULL-Werteb.

Usage (UNIX-Shell): psql -f grouping-null.sql

sql
46SQL: LEGO Building Instructions (funktionale Abhängigkeiten)

(SQL-Skript)

Generiert Tabelle instructions, die einen Auszug einer LEGO-Bauanleitung darstellt. Szenario zur Demonstration von funktionalen Abhängigkeiten.

Achtung: Im Skript müssen Pfade zu den Illustrationen der Bauanleitung angepasst werden. Die Illustrationen selbst befinden sich ich im ZIP-Archiv instructions.zip.

Usage (UNIX-Shell): psql -f instructions.sql

sql
47Illustrationen zu den LEGO Building Instructions

(ZIP-Archiv mit PNG-Bildern)

Enthält die Illustrationen zur LEGO-Bauanleitung in Tabelle instructions. Werden in die Datenbank geladen durch SQL-Skript instructions.sql.

Usage (UNIX-Shell): unzip instructions.zip

zip
48Haskell: Generierung von Kandidatenschlüsseln

(Haskell-Source)

Haskell-Implementation der Algorithmen key(K,U,F) und cover(α,F). Mehrere Beispiel-Szenarien sind vorbereitet (siehe Funktion main).

Usage (UNIX-Shell): ghc --make cover-derive-keys.hs; ./cover-derive-keys

hs
49SQL: Simulation von FD-Constraints (mittels Trigger)

(SQL-Skript)

Nutzt einen SQL-Trigger, um die FD rating → stars in Tabelle users zu überwachen. Achtung: Dies ist ineffizient und kein gutes Datenbank-Design.

Usage (UNIX-Shell): psql -f simulate-FD-constraint.sql

sql
50SQL: Erzeugung künstlicher Schlüsselwerte

(SQL-Skript)

Nutzt den SQL-Datentyp serial zur automatischen Generierung künstlicher Schlüsselwerte.

Usage (UNIX-Shell): psql -f serial.sql

sql
51SQL: Airport-Countries (generiert aus ER-Diagramm)

(SQL-Skript)

Relationale Implementation eines ER-Diagramms, das eine many-to-one-Relationship zwischen Entities Airport und Country beschreibt.

Usage (UNIX-Shell): psql -f airport-country.sql

sql
52SQL: Employees-Engineers-Secretaries (generiert aus EER-Diagramm mit Vererbung)

(SQL-Skript)

Relationale Implementation eines ER-Diagramms, das Entity-Typ Employee sowie dessen Spezialisierungen Secretary und Engineer beschreibt. Nutzt die SQL-Klausel INHERITS.

Usage (UNIX-Shell): psql -f employee-secretary-engineer.sql

sql
53RA: Selektion

(Python-Skript, benötigt Python-Modul DB1)

Demonstriert den Selektions-Operators σp der Relationalen Algebra (RA). Das Selektionsprädikat p wird hier in Form eines λ-Ausdrucks als anonyme Funktion angegeben:

lambda t: ...⟨Boolescher Ausdruck, der sich auf Tupel t bezieht⟩ ...

Usage (UNIX-Shell): python selection.py

py
54RA: Projektion

(Python-Skript, benötigt Python-Modul DB1)

Demonstriert den Projektions-Operators π der Relationalen Algebra (RA). Die Projektions-Funktion ℓ kann in zwei Formen angegeben werden:

  1. Als anonyme Funktion, die ein Eingabetupel t auf ein Ausgabetupel abbildet (z.B. zur Umbenennung oder Erzeugung neuer Spalten), Beispiel:

    lambda t: { 'X': t['A'], 'Z': int(t['B']) + 42 }

  2. Als Liste von Namen von Spalten, die nach der Projektion erhalten bleiben — alle anderen Spalten werden "wegprojiziert"):

    ['A', 'B']

Usage (UNIX-Shell): python projection.py

py
55RA: Two-Hops-Query

(Python-Skript, benötigt Python-Modul DB1)

Demonstriert das Zusammenspiel der RA-Operatoren π, σ und ⨉ zur Implementation einer Anfrage über Graphen (findet alle Pfade der Länge 2).

Usage (UNIX-Shell): python two-hops.py

py
56RA: Natural Join

(Python-Skript, benötigt Python-Modul DB1)

Demonstriert die Funktionalität des Natural Join-Operators ⨝ (verbindet zwei Relationen, Join-Prädikat ergibt sich implizit aus der Gleichheit der gleich benannter Spalten).

Usage (UNIX-Shell): python natural-joins.py

py
57RA: Jun Yangs Implementation der RA

(Java Archive)

⚠︎ Benötigt PostgreSQL.

Implementation eines Interpreters und einer REPL für die RA. Basiert auf der Abbildung von RA-Ausdrücken auf äquivalente SQL-Anfragen. Siehe auch Jun Yang: A Relational Algebra Interpreter.

Usage (UNIX-Shell): java -jar ra.jar (startet REPL) oder java -jar ra.jar -i ⟨file.alg⟩

jar
58RA: Two-Hops Query (.alg)

(.alg-File für Jun Yangs Implementation der RA)

Demonstriert das Zusammenspiel der RA-Operatoren π, σ und ⨉ zur Implementation einer Anfrage über Graphen (findet alle Pfade der Länge 2).

Usage (UNIX-Shell): java -jar ra.jar -i two-hops.alg

alg
59RA: LEGO-Steine aus der "Animal"-Kategorie

(Python-Skript, benötigt Python-Modul DB1)

Findet die LEGO-Steine, die aus einer Kategorie mit Bezug zu "Animal" stammen. Greift auf die Tabellen sets.csv und categories.csv zu.

Usage (UNIX-Shell): python animal-bricks.py

py
60RA: LEGO-Sets, die schwerer als "Taj Mahal" sind

(Python-Skript, benötigt Python-Modul DB1)

Findet die LEGO-Sets, die schwerer als das LEGO-Set "Taj Mahal" sind. RA-Query ist bereits in mehrern Schritten optimiert. Greift auf die Tabelle sets.csv zu.

Usage (UNIX-Shell): python heavy-sets.py

py
61Tabelle "sets" (LEGO Sets)

Datenmodell Tabular (CSV)

csv
62Tabelle "categories" (Kategorien für LEGO Bricks)

Datenmodell Tabular (CSV)

csv
63Tabelle "matches" (welcher LEGO Brick kann gleichwertig wie ersetzt werden?)

Datenmodell Tabular (CSV)

csv
64Tabelle "colors" (LEGO Farbpalette)

Datenmodell Tabular (CSV)

csv
65Tabelle "bricks-small" (gekürzte Variante der Tabelle "bricks")

Datenmodell Tabular (CSV)

csv
66Tabelle "sets-small" (gekürzte Variante der Tabelle "sets")

Datenmodell Tabular (CSV)

csv
67Tabelle "contains-small" (gekürzte Variante der Tabelle "contains")

Datenmodell Tabular (CSV)

csv
68RA: Kategorisiere LEGO-Sets nach Volumen

(Python-Skript, benötigt Python-Modul DB1)

Kategorisiert LEGO-Sets nach ihrem Volumen (small, medium, large). Greift auf Tabelle sets zu.

Usage (UNIX-Shell): python set-size-categories.py

py
69SQL: Kategorisiere LEGO-Sets nach Volumen

(SQL-Skript)

Kategorisiert LEGO-Sets nach ihrem Volumen (small, medium, large). Zwei Varianten nutzen Fallunterscheidung (CASE...WHEN) und Mengenoperationen (UNION ALL).

Usage (UNIX-Shell): psql -f set-size-categories.sql

sql
70RA: LEGO-Sets, die keine Bausteine mit Aufkleber enthalten

(Python-Skript, benötigt Python-Modul DB1)

Findet die LEGO-Sets, in denen kein Baustein einen Aufkleber erhält. Nicht-monotone Anfrage, demonstriert den Einsatz der relationalen Differenz. Greift auf gekürzte Varianten der Tabellen sets, contains und bricks zu.

Usage (UNIX-Shell): python no-sticker-bricks.py

py
71RA: LEGO-Sets, die ausschliesslich gelbe Bausteine enthalten

(Python-Skript, benötigt Python-Modul DB1)

Findet die LEGO-Sets, in nur gelbe Bausteine enthalten sind. Nicht-monotone Anfrage, demonstriert den Einsatz der relationalen Differenz. Greift auf gekürzte Varianten der Tabellen sets, contains sowie auf Tabelle colors zu.

Usage (UNIX-Shell): python all-yellow-bricks.py

py
72RA: Ermittle das schwerste LEGO-Set

(Python-Skript, benötigt Python-Modul DB1)

Findet das schwerste LEGO-Set. Nicht-monotone Anfrage, demonstriert den Einsatz des Antijoin-Operators (▷). Greift auf gekürzte Variante der Tabelle sets zu.

Usage (UNIX-Shell): python max-weight-set.py

py
73RA: Welche Sets enthalten alle notwendigen Steine?

(Python-Skript, benötigt Python-Modul DB1)

Findet die LEGO-Sets, die alle Steine beinhalten, die benötigt werden, um das LEGO-Set 1609 zu bauen. Nicht-monotone Anfrage, demonstriert den Einsatz des Divisions-Operators (÷). Greift auf gekürzte Variante der Tabellen sets und contains zu.

Usage (UNIX-Shell): python what-can-we-build.py

py
74RA: Liste LEGO-Steine und ihren evtl. Ersatz auf

(Python-Skript, benötigt Python-Modul DB1)

Listet die LEGO-Steine des Sets 336-1 auf und zeigt an, welche Steine als Ersatz eingesetzt werden können. Demonstriert den Einsatz des Left-Outerjoin-Operators (⟕). Greift auf die Tabellen contains, bricks und matches zu.

Usage (UNIX-Shell): python bricks-with-replacement.py

py
75SQL: Liste LEGO-Steine und ihren evtl. Ersatz auf

(SQL-Skript)

Listet die LEGO-Steine des Sets 336-1 auf und zeigt an, welche Steine als Ersatz eingesetzt werden können. Demonstriert den Einsatz des Left-Outerjoin-Operators in SQL (LEFT OUTER JOIN).

Usage (UNIX-Shell): psql -f bricks-with-replacement.sql

sql
76SQL: Ordne alle LEGO-Farben nach Popularität

(SQL-Skript)

Ordnet alle Farben des LEGO-Sortiments nach Popularität (= Anzahl der Steine, die in einer Farbe verfügbar sind). Demonstriert die Interaktion des Left-Outerjoin-Operators (LEFT OUTER JOIN) und der Gruppierung/Aggregation in SQL.

Usage (UNIX-Shell): psql -f popular-colors.sql

sql
77RA: Iterative/rekursive Anfragen gegen Bäume

(Python-Skript, benötigt Python-Modul DB1)

Beantwortet Teilbaum- und Pfadanfragen auf einer relationalen Baumrepräsentation. Demonstriert den Einsatz der (äquivalenten) iterate(q,r) und recurse(q,r) Query-Templates.

Usage (UNIX-Shell): python tree-queries.py

py
78SQL: Iterative/rekursive Anfragen gegen Bäume

(SQL-Skript)

Beantwortet Teilbaumanfrage auf einer relationalen Baumrepräsentation. Demonstriert den Einsatz rekursiver Common Table Expressions in SQL (WITH RECURSIVE).

Usage (UNIX-Shell): psql -f tree-query-accum.sql

sql
79SQL: Iterative/rekursive Anfragen auf gerichteten azyklischen Graphen

(SQL-Skript)

Beantwortet Pfadanfrage auf einer relationalen Graphrepräsentation (hier: DAG). Demonstriert den Einsatz rekursiver Common Table Expressions in SQL (WITH RECURSIVE).

Usage (UNIX-Shell): psql -f graph-paths-accu.sql

sql
80SQL: Iterative/rekursive Anfragen auf gerichteten zyklischen Graphen

(SQL-Skript)

Beantwortet Pfadanfrage auf einer relationalen Graphrepräsentation (hier: zyklischer gerichteter Graph). Demonstriert den Einsatz rekursiver Common Table Expressions in SQL (WITH RECURSIVE) mit Mengensemantik (UNION [ DISTINCT ]).

Usage (UNIX-Shell): psql -f cycle-paths-accu.sql

sql
81SQL: Simulation eines endlichen deterministischen Automaten (DFA)

(SQL-Skript)

Simuliert einen deterministischen endlichen Automaten (DFA) für den regulären Ausdruck (a|cd)*b. Validiert gegebenen Eingabe-String. Demonstriert den Einsatz rekursiver Common Table Expressions in SQL (WITH RECURSIVE).

Usage (UNIX-Shell): psql -f automaton.sql

sql
82SQL: Simulation eines endlichen nicht-deterministischen Automaten (NFA)

(SQL-Skript)

Simuliert einen nicht-deterministischen endlichen Automaten (NFA) für einen regulären Ausdruck, der die Syntax von Fließkommazahlen beschreibt (etwa -123.56E+4). Validiert gegebenen Eingabe-String. Demonstriert den Einsatz rekursiver Common Table Expressions in SQL (WITH RECURSIVE).

Usage (UNIX-Shell): psql -f nfa.sql

sql