Seznam či strukturovaná hodnota v jedné buňce
Soubor ve formátu CSV by měl být obrazem tabulky v relační databázi, nejlépe tak, aby do ní šel přímo nahrát, a aby se s daty co nejsnadněji pracovalo. Příklad CSV souboru z datové sady „Číselníky pro volby 2016“, který porušuje základní poučku o tom, jak má vypadat databázová tabulka (první normální forma):
VSTRANA,NAZEVCELK,SLOZENI,TYPVS 299,"Koalice CZ, COEX, NEZ, ODA","013,072,088,133",K 300,"Koalice ČSNS, SV SOS","002,101",K 301,"Koalice KSČM, SZ","005,047",K 459,"Sdružení SZ, US-DEU, NK","005,080,102",D 461,"Sdružení NV, NK","080,163",D 462,"Sdružení SNK ED, SD-SN, SOS, SZ, US-DEU, NK","005,080,102,103,129,143",D
Sloupec SLOZENI totiž obsahuje čárkou oddělený seznam ID stran, které tvoří koalici.
Pokud bych se tedy chtěl zeptat například na to, které strany tvoří koalici s ID „„459““, jsem odkázán na zpracovávání řetězců v databázovém jazyce místo toho, abych se zeptal zcela přirozeně pomocí tabulky vazeb mezi stranami, která by určovala příslušnost do koalice.
Jsou 2 možnosti řešení.
Dělení na 2 datové sady
Toto byly 2 datové sady, „Číselník stran pro volby 2016“ a „Příslušnost stran do koalic pro volby 2016“. CSV druhé datové sady by vypadalo třeba takto:
KOALICE,STRANA 299,013 299,072 299,088 299,133 300,002
Pro normalizaci databází se používají různě přísné normální formy. První normální forma zakazuje strukturované hodnoty, tedy například seznamy. Je to proto, že se pak s takovou hodnotou nedá rozumně pracovat, a data se musí před použitím předzpracovávat, rozpadat na více tabulek.
Duplikace řádku
Druhou možností je seznam rozpadnout do jednotlivých řádků, kde hodnoty ve zbylých sloupcích zůstanou stejné. Tomuto postupu se také říká denormalizovaná tabulka.
VSTRANA,NAZEVCELK,SLOZENI,TYPVS 299,"Koalice CZ, COEX, NEZ, ODA","013",K 299,"Koalice CZ, COEX, NEZ, ODA","072",K 299,"Koalice CZ, COEX, NEZ, ODA","088",K 299,"Koalice CZ, COEX, NEZ, ODA","133",K 300,"Koalice ČSNS, SV SOS","002",K 300,"Koalice ČSNS, SV SOS","101",K