fn_registry/dev/issues/0175-eda-relational-fk-inference-views.md

id, title, status, type, domain, scope, priority, depends, blocks, related, created, updated, tags

id	title	status	type	domain	scope	priority	depends	blocks	related	created	updated	tags
0175	EDA relational: precisión de FK inference (falsos positivos) + filtrar VIEWs + test ATTACH	pendiente	bugfix	registry-quality	registry-only	alta			0173 0174 0176 0177	2026-06-29	2026-06-29	eda datascience infer_fk_containment_duckdb build_join_graph profile_database duckdb benchmark

0175 — EDA relational: precisión de FK inference + filtrar VIEWs

Contexto

El benchmark /eda (29/06/2026, temp/eda_benchmark/EVALUATION.md) confirmó que la inferencia de claves foráneas a nivel de base es inútil por falsos positivos masivos y que las VISTAS se perfilan como tablas base. El join graph resultante necesita filtrado manual para ser legible.

Hallazgos cubiertos:

Hallazgo	Severidad	Evidencia del benchmark
H3 — FK inference por contención: 10-20× falsos positivos	crítico	chinook 111 candidatas vs ~11 reales; sakila 565 vs ~30. Casos absurdos: InvoiceLine.Quantity→Album.AlbumId, Genre.GenreId→{Album,Artist,Customer,…}
H5 — VIEWs perfiladas como tablas base	alto	sakila n_tables=21 incluye 5 VISTAS (customer_list, film_list 5462 filas, staff_list, sales_by_store, sales_by_film_category) + film_text (FTS, 0 filas)
H10 — coste relacional gastado en computar FK falsas	medio	sakila 31.82s: la mayoría en INTERSECT de los 565 pares candidatos, casi todos falsos
H14 — bug sqlite_master does not exist tras ATTACH (ya parcheado, falta test)	bajo (resuelto)	_run.log: profile_database falló con Catalog Error: src.sqlite_master; re-run posterior ok

Causa raíz (verificada en código, READ-ONLY)

• python/functions/datascience/infer_fk_containment_duckdb.py:217-285 emite una FK candidata si inclusion(A⊆B) ≥ min_inclusion y B "parece clave" (unicidad ≥0.95). No usa el nombre de la columna, que es la señal más fuerte de FK (AlbumId→Album.AlbumId), ni excluye columnas no-clave (cantidades, importes) como ORIGEN. Enteros pequeños (GenreId 1..25) están contenidos en casi todo → ruido.
• python/functions/pipelines/profile_database.py:155-159 lista tablas con duckdb_list_tables sin filtrar table_type → perfila VIEWs y tablas FTS como base (H5), lo que infla el universo de pares y multiplica las FK falsas (relaciona H10).
• H10 es el mismo cambio que H3: filtrar candidatos por nombre antes del INTERSECT reduce pares (más rápido) y falsos positivos (más preciso) a la vez.

Tareas

1. H3+H10 — señal de nombre en infer_fk_containment_duckdb.py:217-285: antes de lanzar el INTERSECT, exigir coincidencia/patrón de nombre entre origen y destino (from_col casa con to_table/to_col, patrón <X>Id → <X>.<X>Id; case-insensitive). Excluir como ORIGEN columnas claramente no-clave (cantidades, importes, flags) por heurística de nombre/tipo. Esto poda el O(tablas²×columnas²) y elimina la mayoría de los falsos positivos. Validar mejor la cardinalidad (los 1:1 imposibles del benchmark).
2. H5 — filtrar VIEWs antes de perfilar e inferir FK: filtrar table_type='BASE TABLE' vía information_schema.tables / duckdb_tables(). Decidir (a confirmar al implementar) si el filtro va como flag nuevo en duckdb_list_tables (infra, reutilizable) o en profile_database.py tras listar. Preferir el flag en duckdb_list_tables si no rompe consumidores.
3. H3 — propagar al join graph: verificar que build_join_graph.py recibe la lista ya filtrada y que el diagrama Mermaid resultante es legible (sin nodos VIEW ni aristas espurias).
4. H14 — test de regresión: añadir test (en profile_database_test.py o infer_fk_containment_duckdb_test.py) que haga ATTACH de una base SQLite pequeña en DuckDB y perfile, confirmando que se usa information_schema/duckdb_tables() y nunca sqlite_master. (A confirmar: localizar la función que hace el ATTACH —probablemente summarize_table_duckdb.py o una primitiva infra duckdb_*— para cubrirla.)
5. Tests: casos sintéticos con tablas que tengan columnas tipo XId (FK real) y columnas de cantidad contenidas en claves (falso positivo) → confirmar que solo emite las reales.

Definition of Done

Escenario	Tipo	Comando / evidencia	Resultado esperado
Golden: FK reales sin ruido	e2e	re-correr profile_database sobre chinook	~11 FK candidatas (no 111); incluyen Album.ArtistId→Artist.ArtistId, Invoice.CustomerId→Customer.CustomerId; NO incluyen InvoiceLine.Quantity→Album.AlbumId
Edge: VIEWs excluidas	e2e	re-correr profile_database sobre sakila	n_tables cuenta solo BASE TABLE (sin customer_list/film_list/…); FK candidatas ≪ 565
Edge: cantidad vs clave	unit	infer_fk_containment_duckdb_test.py con columna Quantity contenida en una clave	NO emite FK desde Quantity
Error: ATTACH SQLite	unit	test de regresión ATTACH SQLite→DuckDB	perfila sin sqlite_master does not exist; usa information_schema
Rendimiento (H10)	e2e	medir duración de profile_database sobre sakila	menor que el baseline 31.82s (menos INTERSECT)
Mecánica	—	./fn run infer_fk_containment_duckdb_py_datascience, ./fn run profile_database_py_pipelines; fn index	tests verdes; índice limpio

Re-correr el benchmark sobre chinook y sakila y confirmar que las FK reales son distinguibles del ruido y que las VIEWs no se cuentan como tablas.

Notas

Issue derivado de temp/eda_benchmark/EDA_ISSUES.md. Tres síntomas (H3/H5/H10) con un núcleo común: la capa de inferencia de relaciones inter-tabla. Atacarlos juntos en una rama; filtrar VIEWs reduce el universo de pares y filtrar candidatos por nombre arregla precisión y velocidad a la vez. H14 ya está parcheado en producción; este issue solo añade el test de regresión que faltaba. Hermanos: 0173, 0174, 0176, 0177.