正規化とは？第1〜第3正規形を実務例でやさしく解説【2026年版】

はじめに

「同じ顧客が2つのIDで登録されている」「住所の書き方がバラバラで集計できない」「データを1件修正したら、あちこちで矛盾が起きた」。こうしたデータの問題に悩んだことはないでしょうか。

これらはすべて、データベースが正規化されていないことで起きる典型的なトラブルです。

データベースの正規化とは、データの重複や矛盾をなくし、長期的に管理しやすいテーブル構造を設計することを指します。データ分析や機械学習・ディープラーニングの精度を高めるための前提となる、非常に重要な概念です。

この記事では、正規化の意味から第1〜第3正規形（1NF・2NF・3NF）の違い、実際の手順やメリット・デメリットまで、初心者の方にもわかりやすく解説します。

設計判断を先に比較する →

---

---

1. データベースの正規化とは？

データベースの正規化とは、データの重複や矛盾を排除するために、テーブル構造を段階的に整理していくプロセスのことです。1970年にエドガー・コッドが提唱し、1970年代にかけて発展した理論が起源で、現在もリレーショナルデータベース設計の基本として広く使われています。

1.1 正規化の3つの目的

正規化の目的は、大きく分けて3つあります。

1. データの整合性: 同じ情報が複数箇所に重複して存在しないため、1回の修正で全体を正確に保てます。
2. データの参照しやすさ: 目的の情報が一箇所にまとまっており、分析や処理がスムーズに行えます。
3. データの保守しやすさ: テーブル構造が明確になることで、将来の修正・拡張が容易になります。

1.2 正規化の具体例

以下のような顧客情報テーブルがあったとします。

このテーブルにはいくつかの問題があります。

1. 顧客ID 1と4は同じ佐藤太郎さんですが、電話番号が異なります。入力ミスなのか正しい変更なのか判断できません。
2. 住所情報が重複しています。渋谷区への引っ越しがあったとき、複数行を修正しなければなりません。
3. 購入商品と顧客情報が同じテーブルにあるため、どの顧客がどの商品を購入したかが把握しにくいです。

正規化を行うと、以下のように分割できます。

顧客情報表

住所情報表

購入商品表

テーブルを分割することで、重複がなくなり、どのデータも一箇所で管理できるようになりました。

---

2. 正規化の種類：第1〜第3正規形を理解する

正規化は段階的に行うもので、「正規形」と呼ばれるレベルが定義されています。

実務では、第3正規形（3NF）までの適用が一般的です。4NF以上は複雑なデータモデルが必要な場面に限られます。

1NF（第1正規形）

1NFは、各列がスカラ値（それ以上分割できない値）である状態を指します。

例えば「住所」という1列に「東京都渋谷区〇〇丁目△△番地」と複数の情報が含まれていれば1NFを満たしていません。「都道府県」「市区町村」「番地」のように列を分割する必要があります。また、1つのセルに複数の値（「スマホ, パソコン」）が入っている場合も1NF違反です。

2NF（第2正規形）

2NFは、1NFを満たしたうえで、すべての非キー属性が主キーに完全従属している状態です。

例えば、以下のようなテーブルがあったとします。

「購入商品」は主キー「顧客ID」だけでは一意に決まりません（1人が複数購入できるため）。これが部分従属で2NF違反です。「購入ID」を新たに設けて、購入商品が購入IDに完全従属するよう分割します。

3NF（第3正規形）

3NFは、2NFを満たしたうえで、非キー属性が他の非キー属性に推移従属していない状態です。「Aが決まればBが決まり、BによってCが決まる」という連鎖依存がある場合が推移従属にあたります。

例えば、以下のようなテーブルがあったとします。

「都道府県」は主キーの「顧客ID」ではなく、非キー属性の「郵便番号」によって決まります。郵便番号が決まれば都道府県が自動的に定まるため、「都道府県」は「郵便番号」に推移従属しています。この場合は、郵便番号と都道府県の対応を別テーブルで管理することで3NFを満たすことができます。

---

3. 正規化の手順：ステップバイステップ

実際にテーブルを正規化するときは、以下の順番で進めます。

Step 1：現状のテーブルを整理する 既存のテーブルやExcelシートを洗い出し、どの列（属性）があるかを把握します。

Step 2：1NFを適用する 各列にスカラ値のみが入るよう、繰り返し項目や複合値を分割します。

Step 3：2NFを適用する 主キーに部分従属している列がある場合、別テーブルに切り出します。

Step 4：3NFを適用する 非キー属性同士の推移従属がある場合、さらにテーブルを分割します。

Step 5：必要に応じてBCNF以上を検討する 複雑なデータ構造が必要な場合のみ、BCNFや4NF・5NFを検討します。多くのシステムでは3NFまでで十分です。

---

4. 正規化のメリットとデメリット

メリット

• データの一貫性を保てる: 同じ情報が一箇所にしかないため、更新漏れや矛盾が起きません。
• 更新・削除の異常を防げる: 非正規化テーブルで起きやすい「更新時に一部だけ変わる」「削除すると必要な情報まで消える」といった問題を回避できます。
• ストレージを節約できる: 重複データがないためデータ量を抑えられます。

デメリットと反正規化（Denormalization）

正規化を進めると、テーブルが細かく分割されるため、データを取り出すときにJOINが増えてクエリが複雑になるという課題が生じます。テーブル結合が多くなるとパフォーマンスが低下し、大量データの集計が遅くなることもあります。

このトレードオフを解消するために使われるのが**反正規化（Denormalization）**です。意図的にデータを重複させてテーブル結合の回数を抑え、クエリ応答速度を向上させる手法で、データウェアハウスや分析用DBなど参照頻度が高いシステムで採用されます。

正規化と反正規化は「どちらが正しい」ではなく、用途に応じて使い分けるものです。

---

5. データ分析・機械学習における正規化

「正規化」という言葉は、文脈によって指す概念が異なります。

この記事で扱っているのは「データベース正規化」ですが、機械学習の文脈では「正規化」がMin-Max正規化や標準化（Z-score）などの特徴量スケーリングを指すことがあります。両者は全く異なる概念ですので注意が必要です。

データベース正規化の観点では、機械学習モデルの学習に使うデータの品質を高めるうえでも正規化は重要です。正規化されていないデータを使うと、以下のような問題が発生します。

• 同じ顧客が異なるIDで重複登録されており、正確な顧客数が把握できない。
• 住所情報が不正確: 住所情報が異なる形式で入力されているため、同一の住所を認識することができません。

データが整理されていないまま機械学習モデルを学習させると、誤ったパターンを学習してしまい、予測精度が低下します。まずデータベースを正規化してデータ品質を高めることが、精度向上への近道です。

データ活用の実践事例については、Looker Studioダッシュボード事例集もあわせてご参照ください。

---

6. 正規化を実践するツール

正規化は概念を理解したうえで、適切なツールを使えば実装はそれほど難しくありません。

SQL（MySQL・PostgreSQL など）

正規化したテーブル設計を実装する最も一般的な方法です。CREATE TABLE 文で外部キーを設定し、JOIN でテーブルを結合します。

-- 顧客テーブル
CREATE TABLE customers (
 customer_id INT PRIMARY KEY,
 name VARCHAR(100),
 phone VARCHAR(20),
 address_id INT,
 FOREIGN KEY (address_id) REFERENCES addresses(address_id)
);

-- 住所テーブル（正規化して分離）
CREATE TABLE addresses (
 address_id INT PRIMARY KEY,
 prefecture VARCHAR(50),
 city VARCHAR(100)
);

Python（Pandas）

既存のCSVやExcelデータを正規化された形に変換したい場合は、PandasのDataFrameを使って列の分割や重複除去を行えます。

import pandas as pd

# 元データ（顧客・住所・購入が1つのテーブルに混在）
df = pd.read_csv("customers_raw.csv")

# 住所テーブルを切り出し（重複除去してaddress_idを付与）
addresses = (
    df[["address"]]
    .drop_duplicates()
    .reset_index(drop=True)
    .rename_axis("address_id")
    .reset_index()
)

# 顧客テーブルを作成（住所はaddress_idで参照）
customers = (
    df.merge(addresses, on="address")[["customer_id", "name", "phone", "address_id"]]
    .drop_duplicates(subset="customer_id")
)

# 購入テーブルを分離
purchases = df[["customer_id", "product"]].reset_index(names="purchase_id")

drop_duplicates() で重複を排除し、参照用IDを付与して別DataFrameに分離することで、3NFに近い形へ再構成できます。

データベース正規化の詳細については What is database normalization?（Google Cloud） も参考になります。

---

まとめ

データベースの正規化は、データを長期的に安全・正確に管理するための基本設計です。本記事のポイントをまとめます。

• 正規化の目的: データの整合性・参照しやすさ・保守性を高めること
• 1NF: 各列がスカラ値（単一の値）になっている状態
• 2NF: 非キー属性が主キーに完全従属している状態
• 3NF: 非キー属性が他の非キー属性に推移従属していない状態
• 実務では3NFまでが基本。分析用DBでは反正規化（Denormalization）も選択肢
• 「機械学習の正規化」とは別概念。ML文脈では特徴量スケーリングを指すことが多い

---

関連記事

• ランタイムとは？実行環境の基本と選定ポイントを実務視点で解説
• 蒸留（Distillation）とは？小型モデル化の手順と失敗パターンを解説

---