سرفصل‌ها درس 60 از 148 · مدل‌های داده‌ای که انعطاف‌پذیر هستند
مدل‌های داده‌ای که انعطاف‌پذیر هستند

درخواست‌های تغییری را که ندیده‌اید تغییر دهید

چرا اهمیت دارد اولین اسکیمای که یک دستیار می‌نویسد دقیقاً با درخواستی که در مقابلش قرار دارد مطابقت دارد. مدل‌های داده واقعی سال‌ها دوام می‌آورند و لحظه پرهزینه، سومین درخواست است، نه اولین. مدلی که انعطاف‌پذیر است آن را در چند خط جذب می‌کند؛ مدلی که انعطاف‌پذیر نیست به مهاجرت نیاز دارد.

اگر «یک حساب بانکی با موجودی» را درخواست کنید، عددی دریافت می‌کنید که بالا و پایین می‌رود. این دقیقاً به سؤال امروز پاسخ می‌دهد. سپس کسی می‌پرسد موجودی در مارس گذشته چقدر بود و عدد نمی‌تواند به شما بگوید: تاریخچه به محض اضافه شدن هر واریز دور ریخته شده است.

درخواست تغییر: پرسشی جدید از همان داده‌ها، یا واقعیتی جدید دربارهٔ آن، پس از ساخت مدل.

درخواست‌های تغییر از کجا می‌آیند

  • زمان: «در یک تاریخ گذشته چه بود؟»، «ماه آینده چه خواهد بود؟»
  • کاردینالیتی: «یک مشتری می‌تواند آدرس دوم داشته باشد»، «یک سفارش می‌تواند دو پرداخت‌کننده داشته باشد».
  • هویت: «مردم نام خود را تغییر می‌دهند»، «دو محصول نام مشترکی دارند».
  • اصلاحات: «آن ورودی اشتباه بود: آن را معکوس کن، اما رکورد را نگه دار».

شما نمی‌توانید برای هر آینده‌ای برنامه‌نویسی کنید. می‌توانید بپرسید که کسب‌وکار به احتمال زیاد کدام یک از این چهار مورد را خواهد آورد و به جای پاسخ فقط به سؤال امروز، حقایق مورد نیاز آن سؤالات را نگه دارید.

در این ماژول، هر مسئله به صراحت می‌گوید چه نوع تغییری در راه است. سپس آزمون‌های پنهان آن سؤالات را با داده‌هایی که قبلاً ندیده‌اید، مطرح می‌کنند. هر مسئله، توابعی را که درخواست‌های تغییر فراخوانی خواهند کرد، نام می‌برد تا بتوانید آن‌ها را همین حالا بسازید.

خلاصه: حقایق را نگه دارید، نه فقط پاسخ امروز. زمان، کاردینالیتی، هویت و اصلاحات نقاطی هستند که اکثر مدل‌ها در آن‌ها شکست می‌خورند.

مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید

این تمرین به‌زودی باز می‌شود

درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و می‌توانید همین الان این درس را بخوانید.