tableの特定のcolumnに対する濃度のこと

重複を省いて何種類の値があるかを数値化したもの

1つのtable内の、複数のcolumnのカーディナリティ同士を比較して、相対的に「高い/低い」と言うことになる

だから、table A のcolumn X と、table B のcolumn Y のカーディナリティを比較しても全く無意味

カーディナリティが低い = 種類数が少ない = 重複度が大きい

カーディナリティが高い = 種類数が多い = 重複度が低い

例

全てのrecordに対して、同じ値が入っている場合は、最もカーディナリティが低い

全てのrecordに対して、異なる値が入っている場合は、最もカーディナリティが高い

table post において、

取りうる genre の種類が5個

取りうる tag の種類が1000個

のような場合、「 genre のカーディナリティは tag のそれに比べて低い」と言える

参考

カーディナリティを考える際に、データのバラツキ度合いも考慮しておく

取りうる値の幅が広い場合でも、偏りが激しいためにカーディナリティが小さくなることもある

例えば、column X の値が、a,a,a,a,...,a,b,cのようなこともある

この場合も、同様に「 X のカーディナリティは低い」のような言い方はできると思う(実際低いので)

ということを考えれば、↓この主張はちょっとおかしい？

(まあ、この記事はrecord数に触れてないのでそもそもよくわからんが)

record数が1000件で、その内、636件が「1/1」だった場合、63%までしか絞り込めない