Examina los pares de columnas declarados y describe su cardinalidad a partir
de la unicidad completa de cada lado. La cobertura tabla1_en_tabla2 es la
proporción de valores no ausentes de la primera columna que existe en la
segunda; la cobertura inversa se informa de forma simétrica. Así se puede
escoger la dirección PK/FK sin imponerla de antemano.
detectar_relaciones(
tabla1,
tabla2,
muestra = 1e+05,
columnas_candidatas = NULL,
umbral_cobertura = 0.9,
podar = FALSE,
tope_memoria_mb = Inf,
.rangos = NULL,
.rellenos_finales = NULL
)Data frame con columna_tabla1, columna_tabla2, cardinalidad
—1:1, 1:m, m:1, m:m, sin_coincidencias o sin_comparar—,
n_valores_comunes,
coberturas de integridad referencial en ambas direcciones y motivo_poda,
que sólo tiene valor en los pares no comparados. Los atributos
filas_totales, filas_analizadas y muestreado documentan el alcance:
filas_analizadas son todas las filas y muestreado vale FALSE;
podas, n_pares_totales, n_pares_comparados y n_pares_podados
documentan qué se comparó y qué no.
Objetos que heredan de data.frame.
Se conserva por compatibilidad y se valida como antes, pero ya no limita nada: las coberturas se calculan sobre todas las filas.
Lista de dos vectores de nombres, para tabla1 y
tabla2, que declara las columnas que pueden participar. NULL conserva
la exploración completa por compatibilidad.
Umbral usado por la poda de cardinalidades imposibles.
Si se aplican las podas que cambiarían lo informado —tipos
incompatibles y cardinalidades imposibles—. FALSE por omisión: sólo se
aplica la poda cierta, que no cambia ninguna fila.
Presupuesto de memoria para las filas comparadas, en
megabytes. Las combinaciones pendientes se declaran como podas cuando se
alcanza; Inf no limita el procesamiento.
Uso interno de relaciones_coleccion(). Lista nombrada por
tabla1 y tabla2, con rangos y su origen para cada columna. La poda por
rangos solo acepta rangos de la columna completa o del universo DBI. Una
columna cuya lectura no permite comparar exacto lo declara en
no_comparable, y sus pares salen sin_comparar con ese motivo.
Uso interno de relaciones_coleccion(). Declara
las columnas cuyo controlador compara ignorando espacios finales. Se aplica
solo al par que tiene una columna declarada, para conservar la semantica de
comparacion del motor sin convertir todas las columnas de texto.
Los valores se comparan por su identidad. Los números, por su valor; los
instantes y las fechas también, con su fracción: dos instantes del mismo
segundo no coinciden, y un instante sin fracción se escribe al segundo
—2020-01-01 10:00:00— para que un texto con esa escritura lo encuentre.
Un texto con bytes que no son UTF-8 válido se compara por sus bytes, como
%in%: no es un ausente, y dos valores así distintos no coinciden.
columnas_candidatas permite evitar la exploración de columnas que el usuario
sabe que no pueden participar. El costo crece con el producto de anchos: dos
tablas de treinta columnas son novecientas combinaciones por par de tablas, y
declarar cuáles pueden participar es lo que lo vuelve manejable.
Hay dos clases de poda y el paquete no las trata igual. Dos columnas de
la misma familia con rangos numéricos disjuntos, medidos sobre la columna
completa o sobre el universo DBI, no comparten ningún valor, y eso se sabe sin
comparar: la fila sale como siempre —sin_coincidencias, con cobertura
cero— y la comparación se ahorra. Esa poda está siempre activa porque no
cambia lo que el objeto informa.
Las otras dos sí lo cambiarían. Familias distintas parece decisivo y no lo
es: una columna de texto puede guardar "2020-01-05" y coincidir con una de
fecha. Y una cardinalidad imposible no dice que no haya coincidencias, dice
que no alcanzan umbral_cobertura, que es otra cosa. La cota es por filas,
como la cobertura: con k valores distintos en tabla1, las filas cubiertas
de tabla2 no superan las de sus k valores más frecuentes. Por eso van detrás de
podar = TRUE, y cuando se aplican el par no desaparece: sale con
cardinalidad = "sin_comparar", coberturas NA y su motivo en motivo_poda.
Un par que no se evaluó no es un par sin relación.
Dos pares no se comparan nunca, con podar o sin él, porque la comparación
no daría una respuesta sino una falsa. Si una tabla tiene dos columnas con el
mismo nombre, el nombre no dice cuál de las dos es: sus pares salen
sin_comparar con motivo_poda = "nombre_repetido". Y una fecha contra una
fecha-hora no comparte escritura —2020-01-01 contra 2020-01-01 00:00:00—, así
que ningún valor coincidiría aunque fueran los mismos días: el par sale con
motivo_poda = "fecha_contra_instante". Convertir una de las dos a la clase de
la otra, con tz explícito, y volver a comparar.
Tampoco entra una columna que no tiene un valor comparable por fila: una
compuesta —matriz, tabla anidada, valores que no se escriben como texto,
como una vctrs_rcrd—, una lista de objetos —de vectores, de geometrías,
de NULL— o una magnitud con unidad (units), cuyo número sin la unidad
no es su valor. Sus pares salen sin_comparar con
motivo_poda = "columna_no_comparable", y el detalle en podas dice cuál
de las tres es; la función sigue con las demás columnas.
Todas las podas, de las dos clases, quedan además en el atributo podas con
su motivo y su detalle.
La cardinalidad, la cantidad de valores comunes y las dos coberturas se calculan con ambas columnas completas: la cobertura cuenta las filas de cada valor distinto, así que sale exacta por el costo de una pasada más por columna, sin una muestra que pueda alinearse con los datos.
detectar_claves(), referencial(), proponer_modelo()
personas <- data.frame(id = 1:3)
tramites <- data.frame(persona_id = c(1, 1, 3, 4))
detectar_relaciones(personas, tramites)
Run the code above in your browser using DataLab