「データ抽出」と「データセット作成」の違い

医療系のデータベースを提供している機関が、利用者に対してデータを提供します。

このとき、利用者のためにデータベースから「データ抽出」をしました。と良く言われます。

データ抽出の定義は、人によって解釈は違います。

しかし、ほとんどの機関で提供しているデータを観察していると普遍性があります。

それは、各機関が保有しているデータベースと同じデータ構造のデータを提供しているという点です。

生物統計系の方に分かりやすく言い換えると、「変数が元のデータベースのものと変わらない」データ構造で提供されているとも言えます。

ここまで説明しても、「それがどうかしたの？」と思う人もいるでしょう。

だから、もう少し論理的に述べてみましょう。

計算負荷から見たデータ抽出の定義

先ほど述べたデータ抽出の定義（変数が変わらない）を、計算負荷の観点から定義してみます。

一般に、データベースには複数のテーブルが存在しています。

ここで、各テーブルのレコード数を一律にNと仮定してみます。

すると、データ抽出の計算負荷量もNになります。

ここで重要なことは、先の定義に従う限り計算負荷はN×N（Nの二乗）以上には決してならないということです。

よくある間違い

データ抽出で良くある間違いは、「JOIN」コマンドを使うことです。

データ抽出に、JOINコマンドは必要ありません。

JOINコマンドは、２個以上のテーブルを掛け合わせる行為です。

つまり、JOINを使ってしまうとN×N（Nの二乗）のオーダーになってしまうのです。