109 高普考高考三級 資訊處理 資料庫應用 考古題詳解

本題屬於典型的關聯式資料庫正規化設計架構，實體作者與實體圖書之間存在「多對多（$M:N$）」的關係，透過中介表格「寫書」拆解為兩個「一對多（$1:N$）」關係：

• 作者（<ins>作者編號</ins>, 作者姓名）
• 圖書（<ins>圖書編號</ins>, 書名, 出版年份, 銷售數量）
• 寫書（<ins>作者編號</ins>, <ins>圖書編號</ins>）

其中，「寫書」的（作者編號、圖書編號）為複合主鍵（Composite Primary Key），亦分別為參照「作者」與「圖書」之外來鍵（Foreign Key）。

---

(一) 列出 2015 至 2019 這五年內出版的每一本圖書之圖書編號與書名。（10 分）

核心觀念

本小題測驗單一表格的資料投影（Projection）與條件選擇（Selection），核心在於數值範圍比對運算子 BETWEEN ... AND ... 或比較運算子（>= 與 <=）的邏輯組合。

解題方法

1. 資料來源：所需欄位「圖書編號」、「書名」與條件欄位「出版年份」皆在「圖書」表格中，不需進行多表連接（Join）。
2. 欄位選取：使用 SELECT 圖書編號, 書名 提取目標屬性。
3. 區間篩選：題目要求「2015 至 2019 這五年內」，出版年份為西元整數數值，且包含兩端端點（即閉區間 $[2015, 2019]$）。可使用 BETWEEN 2015 AND 2019 或 出版年份 >= 2015 AND 出版年份 <= 2019 進行條件過濾。

選項分析

本題為非選擇題（SQL 程式指令撰寫題），無選項分析。

解題技巧與防失分提醒

• BETWEEN A AND B 在標準 SQL 中為封閉區間（包含 $A$ 與 $B$ 本身）。
• 題目限定輸出「圖書編號與書名」，切忌隨手寫 SELECT *，在國家考試中會因投影未依題意要求而被扣分。

---

(二) 列出寫過一本以上的書的每一位作者之作者編號。（10 分）

核心觀念

本小題測驗分組彙總（GROUP BY）、聚合統計函數（COUNT）與群組條件篩選（HAVING）。

解題方法

1. 資料來源最佳化：「寫書」表格記錄每一位作者與其著作的配對。因複合主鍵為（作者編號、圖書編號），同一作者所寫的每本書在該表中皆為唯一一筆記錄。因此，直接統計「寫書」表格即可得知各作者出書量，無須額外連接「作者」表格。
2. 分組統計：以作者為單位彙總，語法為 GROUP BY 作者編號，並利用 COUNT(*) 或 COUNT(圖書編號) 計算著作總數。
3. 題意判讀（「一本以上」的標準界定）：

• 國考命題慣例中，命題委員出此題型旨在評量考生是否具備「分組聚合並過濾統計結果」的能力。若解釋為嚴格大於一本（即至少兩本），條件應寫為 HAVING COUNT(*) > 1（或 COUNT(*) >= 2）。
• 若依字面法律文義（依公文及一般法律定義，「以上」俱連本數計算），「一本以上」即為 $\ge 1$ 本；但若僅為 $\ge 1$ 本，因「寫書」表記錄的即為有出書之作者，單純下達 SELECT DISTINCT 作者編號 FROM 寫書 即包含所有出書記錄，喪失檢定聚合語法之出題目的。
• 因此，最符合命題評分標準的解法為使用 GROUP BY ... HAVING COUNT(*) > 1；考試作答時，以 COUNT(*) > 1 為主流標準答案。

選項分析

本題為非選擇題（SQL 程式指令撰寫題），無選項分析。

核心觀念

本題旨在評量實體關係模式（Entity-Relationship Model, ER Model）中「屬性分類（Classification of Attributes）」的核心概念與資料庫設計基礎，主要涵蓋兩大面向：

1. 空值完整性約束（Nullability / Optionality）： 依屬性是否允許為空值（Null），可區分為「必須的屬性」（Required Attribute）與「非必須的屬性」（Optional Attribute）。此分類決定了資料庫實作時欄位的 NOT NULL 約束。
2. 基數與值的數量（Value Cardinality）： 依單一實體實例（Entity Instance）對應屬性值的個數，可區分為「單值屬性」（Single-valued Attribute）與「多值屬性」（Multivalued Attribute）。此分類直接牽涉實體關係圖轉為關聯式綱要（Relational Schema）時，是否符合第一正規化（1NF）之原子性（Atomicity）要求。

---

解題方法

本題為標準的觀念申論題，答題架構應具備「嚴謹定義 $\to$ 特徵與差異對比 $\to$ 實例說明 $\to$ ER 圖表示法 $\to$ 關聯式資料庫對應實作」五個層次：

1. 定義（Definition）：精確界定屬性的語意範疇與約束條件。
2. 實例（Example）：各舉出 1 至 2 個具代表性的資訊系統實務欄位（如身分證字號、電話、證照）。
3. ER 圖表示法（ER Notation）：說明陳氏模型（Chen's Notation）或常見標記法（如 Crow's Foot Notation）中的圖形符號。
4. 關聯式模型轉換（Relational Mapping）：說明將概念模型落實到關聯式資料庫（SQL DDL）時的具體處理規則（如 NOT NULL 約束、拆分獨立子表以符合 1NF）。
5. 綜合比較表（Comparison Table）：將兩組概念條列對比，使閱卷委員一目了然，爭取滿分。

---

選項分析

本題為專業科目申論題，非選擇題。兩小題之評分與論述切入點分析如下：

• 第 (一) 小題（10 分）： 核心在於「資料完整性約束（Integrity Constraints）」與「空值（Null）容許性」。論述時必須清楚說明兩者在業務邏輯（Business Rules）上的強制性差異，以及轉入 SQL DDL 時的 NOT NULL 語意。
• 第 (二) 小題（10 分）： 核心在於「屬性值的數量」與「關聯式資料庫正規化（Normalization）」。單值屬性可直接對應資料表單一欄位；多值屬性若直接置於單一欄位會破壞第一正規化（1NF），答題時務必寫出「拆出新表，以原主鍵加上多值屬性共同組成複合主鍵」的轉換標準作法。

---

解題技巧

1. 辨析混淆概念：

• 勿將「多值屬性（Multivalued）」與「複合屬性（Composite）」混淆。多值屬性是指「同一語意有複數個值」（如：一位員工擁有多張證照）；複合屬性是指「一個屬性由多個子屬性組成」（如：地址由縣市、行政區、街道組成）。

2. 答題加分關鍵（正規化與轉換）：

• 申論題若只寫定義只能拿到及格分數（約 6-7 成）。若能進一步補充「轉為關聯式資料庫（Relational Database）時的實作規則」，即展現系統分析與資料庫實務能力，為獲取滿分（10 分）之關鍵。

3. 記憶口訣：

• 必須／非必須看「Null」（有無值）；單值／多值看「個數」（一個值還是一組值）。

---

【答案】

(一) 「必須的屬性」（Required Attribute）與「非必須的屬性」（Optional Attribute）之定義與區別

1. 定義：

• 必須的屬性（Required Attribute）： 指在實體中為不可或缺的屬性。在系統的業務規則下，每個實體實例（Entity Instance）在該屬性上必須具備明確且具體的值，絕對不允許為空值（Null）。
• 非必須的屬性（Optional Attribute）：

核心觀念

本題測驗關聯式資料庫（Relational Database）正規化理論（Normalization Theory）的基礎層級定義。正規化的主要目標在於藉由分析函數相依（Functional Dependency, FD），將不良的關聯綱目（Relation Schema）分解，以消除資料重複性（Data Redundancy），並防止新增異常（Insertion Anomaly）、刪除異常（Deletion Anomaly）與修改異常（Modification Anomaly）。

解答本題需掌握以下核心定義：

1. 原子值（Atomic Value）：不可再分割的單一資料單元。
2. 候選鍵（Candidate Key, CK）：具備唯一性（Uniqueness）與最小性（Minimality）的屬性集合。
3. 主鍵屬性（Prime Attribute）：包含於任何一個候選鍵中的屬性；反之為非主鍵屬性（Non-prime Attribute）。
4. 完全函數相依（Full Functional Dependency）：若 $X \to Y$，且對於 $X$ 的任何真子集 $X'$，皆滿足 $X' \not\to Y$。
5. 部分函數相依（Partial Functional Dependency）：若 $X \to Y$，且存在 $X$ 的某一真子集 $X'$，使得 $X' \to Y$。
6. 遞移函數相依（Transitive Functional Dependency）：若 $X \to Y$ 且 $Y \to Z$（其中 $Y \not\to X$ 且 $Z \not\subseteq Y$），則存在 $X \to Z$ 的遞移關係。

---

解題方法

本題採「階層漸進法」闡述各正規型式的門檻條件。正規化具備階層包含關係（$3\text{NF} \subset 2\text{NF} \subset 1\text{NF}$），高階正規型式必須先滿足低階正規型式之要求，再消除特定型態的異常依賴。

一、第一正規型式（First Normal Form, 1NF）

一個關聯 $R$ 屬於 1NF，必須符合下列條件：

1. 值域具原子性（Atomicity）：關聯中每一個屬性（Attribute）的值域（Domain）皆僅能包含單一不可分割的純量值（Atomic Value）。
2. 消除重複群（Repeating Groups）與多值屬性（Multivalued Attributes）：不允許出現組合屬性（Composite Attribute）、巢狀關聯（Nested Relation）或集合型態屬性。
3. 元組具有唯一識別性：定義出能唯一識別每筆資料的主鍵（Primary Key）。

二、第二正規型式（Second Normal Form, 2NF）

一個關聯 $R$ 屬於 2NF，必須符合下列條件：

1. 符合 1NF：關聯必須已滿足第一正規型式的所有要求。
2. 消除部分函數相依（No Partial Functional Dependency）：關聯中的每一個非主鍵屬性（Non-prime Attribute），都必須完全函數相依（Fully Functionally Dependent）於該關聯的任何一個候選鍵（Candidate Key）。

• 換言之，不允許任何非主鍵屬性僅相依於候選鍵的「真子集合（Proper Subset）」。若候選鍵為單一屬性構成，且已滿足 1NF，則該關聯自然滿足 2NF。

三、第三正規型式（Third Normal Form, 3NF）

一個關聯 $R$ 屬於 3NF，必須符合下列條件：

1. 符合 2NF：關聯必須已滿足第二正規型式的所有要求。

核心觀念

本題評量資料倉儲（Data Warehouse）多維度資料模型（Multidimensional Data Model）中的線上分析處理（OLAP）核心運算。主要涉及以下重要觀念：

1. 多維度資料模型與資料立方體（Data Cube）：將企業營運資料依「維度（Dimension）」（如時間、地區、產品）與「量度（Measure）」（如銷售額、成本、數量）進行組織。
2. 概念階層（Concept Hierarchy / Dimension Hierarchy）：維度內部具有層級關係，定義了屬性值從低抽象層次（細節）到高抽象層次（概括）的映射路徑。例如：時間維度的「年 $\rightarrow$ 季 $\rightarrow$ 月 $\rightarrow$ 日」；地理維度的「國家 $\rightarrow$ 區域 $\rightarrow$ 城市 $\rightarrow$ 門市」。
3. 資料顆粒度（Granularity / Level of Detail）：指資料庫中資料單位所代表的細緻程度。階層越低，顆粒度越細（Fine-grained）；階層越高，顆粒度越粗（Coarse-grained）。
4. OLAP 基本運算：包括向下鑽取（Drill Down）、向上鑽取（Drill Up / Roll Up）、切片（Slice）、切塊（Dice）與旋轉（Pivot）。

---

解題方法

本題為標準的技術名詞定義與情境應用申論題。解題時應採取結構對稱的切入方式：

1. 運算方式的界定：

• 必須從「概念階層的移動方向」、「資料顆粒度與彙總層級的變化」，以及「維度的增減」三個技術維度進行精準定義。

2. 應用實例的鋪陳：

• 避免空泛口號，必須設計一套連貫的商業情境（如連鎖零售業銷售分析）。
• 清楚寫出「操作前的資料狀態 $\rightarrow$ 執行的操作 $\rightarrow$ 操作後的資料狀態 $\rightarrow$ 帶來的決策效益」。

---

選項分析

本題為問答申論題，無選擇題選項。閱卷評分要點與配分權重切入分析如下：

1. 向下鑽取運算方式（佔 25%）：是否明確說明「沿概念階層向下」或「引入新維度」，並提及資料顆粒度變細、展現更多細節。
2. 向下鑽取應用實例（佔 25%）：能否結合維度（如由季降至月、由總類降至品項）呈現「發現異常、追查根因」的決策應用。
3. 向上鑽取運算方式（佔 25%）：是否明確說明「沿概念階層向上」或「移除維度」，並提及使用聚合函數（SUM, AVG 等）提高資料概括程度。
4. 向上鑽取應用實例（佔 25%）：能否展現「忽略無關細節、掌握宏觀趨勢」以提供高階管理者制定策略的應用。

---

解題技巧

1. 記憶對比公式：

• Drill Down（向下鑽取）：階層向下（或加維度） $\rightarrow$ 顆粒度變細 $\rightarrow$ 細節增加 $\rightarrow$ 適用於「問題除錯與根因分析」。
• Drill Up / Roll Up（向上鑽取）：階層向上（或減維度） $\rightarrow$ 顆粒度變粗 $\rightarrow$ 資料彙總 $\rightarrow$ 適用於「高階管理決策與宏觀趨勢評估」。

2. 常見答題陷阱：

• 陷阱一（定義不全）：多數考生只答「沿階層上下移動」，漏掉「增加維度（Add dimension）」也是向下鑽取、「移除維度（Drop dimension）」也是向上鑽取的一種方式。寫出這點能展現專業深度。
• 陷阱二（範例缺乏層級對照）：舉例時未指明具體維度名稱與層級轉換（例如僅寫「看銷售額變成看更細的銷售額」），應明確寫出「從『2023 全年』細化至『第一季至第四季』」。

---

【答案】

一、向下鑽取（Drill Down）