--复习上节内容
select * from user_tables;
rename myemp_dk to myemp;
ALTER TABLE myemp RENAME TO myemp_dk;
select * from myemp_dk;
alter table myemp_dk modify(
JOB varchar2(50) default 'MANAGER'
);
alter table myemp_dk drop(job);
insert into myemp_dk
(id, name, gender, birth, salary, job, deptno)
values
(1004,
'shiy1',
'F',
to_date('2008-01-28', 'yyyy-mm-dd'),
8000,
'MANAGER',
20
);
select * from myemp_dk;
update myemp_dk set gender = 'M' where id = 1004;
delete from myemp_dk where id = 1004;
--查询指定表中所有字段
--select * from table_name
select * from myemp_dk;
--查看指定字段的信息
select 与 from 之间指定的字段可以包括:
1:表中的字段
2:一个表达式
3:一个函数
s
select name,job,deptno from myemp_dk;
--字符串函数:
--连接字符串CONCAT(id,name)
select concat(id,name) from myemp_dk;
--连接字符串操作符"||"
select name||'-'||deptno from myemp_dk;
--获取字符串长度:length()函数
select name,length(name) from myemp_dk;
upper,lower,initcap 函数:大小写转换
dual:伪表,当查询的数据与任何表没有关系时,可以使用伪表
select upper('helloworld') from dual;
select initcap('helloworld') from dual;
select name, job, salary from myemp_dk where name = lower('ROSE');
trim,ltrim,rtrim 函数
select trim( 'e' from 'eeeeeliteeeee') from dual;
select ltrim('eeeeeeeeliteeeee','e') from dual;
select rtrim('eeeeeeeeliteeeee','e') from dual;
select trim('ttt ooop ') from dual;
lpad,rpad 函数:补位函数
select lpad(salary,8,'$') from myemp_dk;
select lpad(null,8,'$') from dual;
substr函数:截取字符串:
数据库中下标从1开始!
参数:从指定字符串的指定位置开始连续取若干字符。第三个参数
可以不传入,不传入则是取到末尾,若第三个参数的值大于实际可
以获取的字符长度时也默认为取到字符串末尾。
select substr('thinking in java',10,2) from dual;
select substr('thinking in java',10) from dual;
select substr('thinking in java',10,100) from dual;
--数字函数:
round 函数:四舍五入
参数2表示保留到小数点后多少位,0则是保留到
整数位,负数则是10位以上的单位。
select round(45.678,2) from dual;
select round(45.678,0) from dual;
select round(55.678,-2) from dual;
trunc 函数:截取数字
参数2表示保留到小数点后多少位,0则是保留到
整数位,负数则是10位以上的单位。
select trunc(45.678,2) from dual;
select trunc(45.678,0) from dual;
select trunc(55.678,-1) from dual;
mod() 求余
select mod(11,3) from dual;
ceil 、floor 函数
向上取整、向下取整
select ceil(45.678) from dual;
select floor(45.678) from dual;
--日期类型:
date 与 timestamp
date :表示日期,精度到秒,7个字节分别表示世纪年月日时分秒
timestamp 时间戳:表示日期,精度到纳秒,前7个字节与date一致
,后4个字节记录纳秒以下的精度
select sysdate from dual;
select systimestamp from dual;
--日期的计算
数据库中,日期是可以计算的,对一个日期类型的值加上一个指定的
数字,等于加上了指定的天数,返回的日期是计算后的日期,减去也同理。
两日期类型的值相减,差是相差的天数。
日期越晚的越大。
查看每个员工到今天为止入职多少天?
select sysdate-hiredate from emp;
在日期格式字符串中,除了英文与符号外的其他字符,都应当使用双引号括起来
select to_date('2008年08月8日 20:08:08',
'YYYY"年"MM"月"DD"日" HH24:mi:ss'
) from dual;
to_char 函数:
将指定的日期安照指定的日期格式转换为字符串
select ename,to_char(hiredate,'YYYY-MM-DD') from emp;
RR 是2位数字表示的年的日期格式的关键字
RR与YY的区别在于,RR会根据当前系统时间自动判定世纪
select to_char(to_date('99-12-01', 'RR-MM-DD'), 'yyyy-MM-DD') from dual;
根据自己的生日计算到今天为止,共活了多少天?
select sysdate-to_date('1992-08-03','yyyy-MM-dd') from dual;
LAST_DAY()函数:
返回给定日期所在月的月底
select last_day(sysdate) from dual;
add_month() 函数:
对指定的日期加上指定的月数
select ename,add_months(hiredate,3) from emp;
months_between(date1,date2)函数:
计算两个日期之间相差的月数,计算是用date1-date2的结果换算的
select months_between(sysdate, to_date('2018-01-01', 'yyyy-MM-DD'))
from dual;
查看每个员工至今入职多少月?
select ename,months_between(sysdate,hiredate) from emp;
next_day(date,i)
返回的是距离给定的date最近的还没有过的周几
返回给定日期之后一周内的周几
数字表示周几时使用1-7之间的数字。
1表示周日,2表示周一,以此类推。
select next_day(sysdate,1) from dual;
--null值:
create table student_t(
id number(4),
name char(20),
gender char(1)
);
insert into student_t values(1000,'李莫愁','F');
insert into student_t values(1001,'林平之',null);
insert into student_t(id,name) values(1002,'张无忌');
select * from student_t
更新null值
update student_t
set gender = null;
判断null条件
要使用 is null 或 is not null 判断
update student_t set gender = 'M' where gender is null;
null的计算
null 与字符串拼接等于什么都没做
null 与任何数字计算结果还是 null
select ename,sal,comm,sal+comm from emp;
select 'aaa'||null from dual;
--空值函数
nvl(p1,p2)
若p1的值是 null 则函数返回p2,否则返回 p1
select ename,sal,comm,sal+nvl(comm,0) from emp
nvl2(p1,p2,p3)
若p1的值不为null时函数返回P2,若为null则返回p3
p2与P3的数据类型相同,但不是必须与p1同种类型。
select ename,comm,nvl2(comm,'有奖金','没奖金') from emp;
相关推荐
Abaqus 2023 保姆级安装避坑指南:从环境变量到许可证配置,一次搞定
本文提供Abaqus 2023的详细安装指南,涵盖环境变量设置、许可证配置等关键步骤,帮助用户避开常见安装陷阱。通过系统环境检查、目录结构规划、许可证服务器安装及Java环境配置等实用技巧,确保顺利完成安装并优化软件性能。
NULL及DUAL详解
1.NULL 使用详解 常常会有人问到,什么是NULL?顾名思义,NULL就是空,ORACLE中以及其他的数据库中,含有空值的表的列的长度为零。ORACLE允许任何一种数据类型的字段为空,除了以下两种情况: 1、定义该列为主键字段(primary key); 2、定义该列时已显式的加了 NOT NULL 的限制条件的字段。1.1.具体说明: 1、等价于
数据驱动AI落地:从业务价值到技术实践的全链路方法论
以数据驱动为核心,围绕 AI 落地全链路展开:先建全域数据体系(拉通内外部数据、治理数据质量),再将 AI 嵌入研发、制造、营销、服务等业务链路解决痛点,搭配混合算力架构保障技术落地,辅以 “小场景试错 - 复制” 战略、跨部门团队等方法论。结合美的集团数字化转型实践,最终实现 AI 对业务降本、增效、增收的价值,为企业 AI 转型提供可复用路径。
oracle如何理解多个单引号
oracle如何理解多个单引号? 单引号:用于表示字符串 1.1两个单引号的用法: SELECT 'AAA' FROM DUAL ; --结果:AAA 1.2多个单引号的用法: SELECT 'AAA'||'''' FROM DUAL ; --结果:AAA' 'AAA' 理解为字符串:AAA ; ' '' ' 理解为:前后两个单引号代表字符串,中间两个单引号(排在前面:转义符,排在后面:转义对象); SELECT 'AAA''''' FROM DUAL ; --结果:AAA'' ’ AAA’‘
4D 毫米波雷达:智驾普及的新路径(一)
总体而言,4D 毫米波雷达具有更佳的探测能力,更高的分辨率和精度,在人工智能技术的加持下,能够实现更加智能化的感知和跟踪,从而为自动驾驶、智能交通等领域提供更加可靠的数据支持。博世的第五代引入了俯仰维度,但其角度分辨率较差,且最大探测距离为。车载毫米波雷达的尺寸受限,我们认为通过算法的优化、天线内置等方式可以在保障性能的前提下,压缩尺寸,便于车企进行灵活的设计安装。在物理设计、天线性能设计、电连接、封装工艺和材料、散热处理、可靠性与自动化测试等方面进行持续优化,推出可大规模量产的高性能毫米波雷达解决方案。
寒假实训笔记day01——认识M4单片机之STM32F405RGT6
认识M4单片机之STM32F405RGT6(含义、规格、参数)
oracle去重差个数,多表查询 - Oracle 查询技巧与优化_数据库技术_Linux公社-Linux系统门户网站...
前言上一篇blog介绍了Oracle中的单表查询和排序的相关技巧,本篇blog继续介绍查询中用的最多的——多表查询的技巧与优化方式,下面依旧通过一次例子看一个最简单的多表查询。多表查询上一篇中提到了学生信息表的民族代码(mzdm_)这个字段通常应该关联字典表来查询其对应的汉字,实际上我们也是这么做的,首先简单看一下表结构,首先是字典表:如上图,可以看到每个民族代码和名称都是由两个字段——“item...
DeepBSA实战指南:从安装到基因组分析的全流程解析
本文详细解析了DeepBSA工具从安装到基因组分析的全流程,特别介绍了其简化生物信息学分析的'一键式'操作和独家深度学习算法。通过实战案例展示了DeepBSA在信噪比处理和QTL定位上的优势,并提供了Linux和Windows系统的安装避坑指南、数据预处理技巧以及算法选择建议,帮助用户高效完成基因组分析。
oracle 的 null 和 空字符串('')
-- oracle 将 空字符串即''当成null,测试脚本如下: select nvl(null,-1) from dual;select nvl('','-1') from dual;select nvl(nvl(null,''),-1) from dual; select nvl(trim(' '),'-1') from dual; -- 但是要记住,null 与任何值做...
PySide6 vs PyQt6:新手如何根据Python版本选择GUI库?附版本兼容性测试
本文针对Python GUI开发新手,详细对比了PySide6与PyQt6的核心差异,并提供了基于Python 3.8至3.12等不同版本的兼容性实测数据与选择建议。文章重点分析了版本选择策略,帮助开发者根据自身Python环境、项目需求(如与matplotlib集成)及许可证考量,做出最合适的决策,并附有安装验证与避坑指南。
Starlink地面终端天线对星(一)对星流程,星历下载,信标信号
starlink卫星终端对星采用机械伺服+相控阵电子扫描的混合模式,兼顾快速盲扫和高精度跟踪;对星流程分三步:冷启动与盲捕获 → 建立初始链路并下载星历 → 进入正常通信模式;
数据库开发基础-Oracle-SQL基础-003
上节内容【002】练习:--1.查询emp表中数据,列出一列,内容为名字与职位 -- 显示格式:ename:job select ename||':'||job from emp; --2.查看每个员工职位的字符个数 select ename,length(job) from emp; --3.将所有员工的名字以小写形式,与首字母大写形式 --- 查询出来,第一列为小写形式,第二列为首字...
第一讲:halcon模板匹配捆绑测量矩形检测芯片针脚
使用halcon模板匹配捆绑测量矩形,检测位置发生变换的芯片针脚缺陷。
数据库开发基础-Oracle-SQL基础-002(1)
就写到这了,也算是给这段时间的面试做一个总结,查漏补缺,祝自己好运吧,也希望正在求职或者打算跳槽的 程序员看到这个文章能有一点点帮助或收获,我就心满意足了。多思考,多问为什么。希望小伙伴们早点收到满意的offer!越努力越幸运!金九银十已经过了,就目前国内的面试模式来讲,在面试前积极的准备面试,复习整个 Java 知识体系将变得非常重要,可以很负责任的说一句,复习准备的是否充分,将直接影响你入职的成功率。
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
数据库开发基础-Oracle-SQL基础-002,java面试算法题
为了让大家能够在Redis上能够加深,所以这次给大家准备了一些Redis的学习资料,还有一些大厂的面试题,包括以下这些面试题。insert into student_t(id,name) values(1002,‘张无忌’);计算两个日期之间相差的月数,计算是用date1-date2的结果换算的。数字,等于加上了指定的天数,返回的日期是计算后的日期,减去也同理。数据库中,日期是可以计算的,对一个日期类型的值加上一个指定的。返回的是距离给定的date最近的还没有过的周几。
蓝牙模块HM-10手册
蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
Oracle数据库 | 基于SQL基础分析
Oracle开发的关系数据库产品因性能卓越而闻名,Oracle数据库产品为财富排行榜上的前1000家公司所采用,许多大型网站也选用了Oracle系统,是世界最好的数据库产品。此外,Oracle公司还开发其他应用程序和软件。同时,Oracle在英语里还是“神谕”的意思,意为“替神说话的”,寓指Oracle公司的发展目标和决心地位
假人有限元模型
假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用
【Oracle数据库进阶】002.SQL基础查询_表操作
课 程 推 荐。
oracle和sql数据库,SQL与ORACLE异同
001、SQL与ORACLE的内存分配ORACLE的内存分配大部分是由INIT.ORA来决定的,一个数据库实例可以有N种分配方案,不同的应用(OLTP、OLAP)它的配置是有侧重的。SQL概括起来说,只有两种内存分配方式:动态内存分配与静态内存分配,动态内存分配充许SQL自己调整需要的内存,静态内存分配限制了SQL对内存的使用。002、SQL与ORACLE的物理结构总得讲,它们的物理结构很相似,S...
Oracle PL/SQL DB Function 数据库函数
1. Oracle PL/SQL DB Function 数据库函数的基础用法 2.Test DB Function 测试执行函数的语法 3.可以执行 DML 语句的 DB Function
Oracle19C入门到熟练002-入门简介
学习要求 有一定关系型数据库知识储备 教学目标 掌握关系型数据库理论, 了解Oracle相关 数据库概念 数据库 数据库是按照某种数据结构来组织、存储和管理数据的仓库。是一个长期存储在计算机内的、有组织的、可共享的、统一管理的大量数据的集合。 数据库管理系统 数据库管理系统(Database Management System,DBMS)是一种操纵和管理数据库的大型软件,是用于建立、使用和维护数据库。它对数据库进行统一的管理和控制,以保证数据库的安全性和完整性。用户通过dbms访问数据库中的
SQL与ORACLE的对比
function StorePage(){d=document;t=d.selection?(d.selection.type!=None?d.selection.createRange().text:):(d.getSelection?d.getSelection():);void(keyit=window.open(http://www.365key.com/storeit.as
Oracle/MySQL数据库 SQL语句基础知识学习及整理
由于学习需要,从今天起开始学习数据库的基础知识以及SQL语句的编写及使用,因此在这里记录我的学习历程,以此来督促自己,巩固已学过的知识,并且也希望能够帮助到更多入门的同学。 1、建立数据库 create database db_name;//db_name为数据库的名称。 由于我已经打开了数据库,再次创建数据库会提示“失败,数据库已装载”。 2、显示数据库 show databases; 3、创建数据表 //创建学生表 学号、姓名、年龄、性别 create table ...
达梦数据库兼容Oracle之SQL语法(一)
对于刚从Oracle数据库转到达梦数据库,SQL语法的使用基本一致,有一些差别,下面总结的一些常用SQL语法差别。
03-002oracle数据库迁移
说明 注意点:登录secureCRT时,修改session字符集为gb2312或者default,中文字符不会显示为乱码 $ SQL> ###:表示注释掉的命令 数据导出 1、创建备份目录(可用plsql或者sqlplus) $ mkdir /home/oracle/dhmp_web_to_test 登入数据库管理员,执行如下命令: $sqlplus / as sysdba SQL> ...
【转】SQL与Oracle对比
【转】SQL与Oracle对比 网上已经有很多SQL与ORACLE的对比 ,但本人要讲的即不是单纯的SQL,也不是单纯的ORACLE,更不是评价谁好谁坏(意思不大),而是两种数据库之相同和异同,本人曾讲授过SQL与ORACLE的课程,讲SQL时说SQL好,讲ORACLE时又说ORACLE棒,现在终于可以平心而评啦。估计有人现在会嘿嘿冷笑(又一个误人子弟的骗子),老实说,当初每次讲完课,就有这种感觉
SQL与Oracle对比
网上已经有很多SQL与ORACLE的对比 ,但本人要讲的即不是单纯的SQL,也不是单纯的ORACLE,更不是评价谁好谁坏(意思不大),而是两种数据库之相同和异同,本人曾讲授过SQL与ORACLE的课程,讲SQL时说SQL好,讲ORACLE时又说ORACLE棒,现在终于可以平心而评啦。估计有人现在会嘿嘿冷笑(又一个误人子弟的骗子),老实说,当初每次讲完课,就有这种感觉—教的人不得其法,学的人不得其道
427



被折叠的 条评论
为什么被折叠?



