ORACLE命令 group by having

本文深入探讨了SQL查询中HAVING与GROUP BY的运用,通过实例展示了如何统计不同职位和部门的平均工资,同时过滤出高于2500的工资信息。进一步优化查询效率,理解二者在数据筛选与聚合中的作用。

先通览我们要查询的表:

SQL> SELECT * FROM EMP ;
 
     EMPNO ENAME      JOB         MGR HIREDATE          SAL DEPTNO
---------- ---------- --------- ----- ----------- --------- ------
      7369 SMITH      CLERK      7902 1980/12/17     800.00     20
      7499 ALLEN      SALESMAN   7698 1981/2/20     1600.00     30
      7521 WARD       SALESMAN   7698 1981/2/22     1250.00     30
      7566 JONES      MANAGER    7839 1981/4/2      2975.00     20
      7654 MARTIN     SALESMAN   7698 1981/9/28     1250.00     30
      7698 BLAKE      MANAGER    7839 1981/5/1      2850.00     30
      7782 CLARK      MANAGER    7839 1981/6/9      2450.00     10
      7788 SCOTT      ANALYST    7566 1987/4/19     3000.00     20
      7839 KING       PRESIDENT       1981/11/17    5000.00     10
      7844 TURNER     SALESMAN   7698 1981/9/8      1500.00     30
      7876 ADAMS      CLERK      7788 1987/5/23     1100.00     20
      7900 JAMES      CLERK      7698 1981/12/3      950.00     30
      7902 FORD       ANALYST    7566 1981/12/3     3000.00     20
      7934 MILLER     CLERK      7782 1982/1/23     1300.00     10
 
14 rows selected

我们对JOB和DEPTNO进行统计汇总,并过滤掉SAL<2500的信息。

SQL> SELECT JOB, DEPTNO, AVG(SAL)AS AVG_SAL FROM EMP GROUP BY JOB,DEPTNO  HAVING AVG(SAL) >=2500  ORDER BY JOB ASC;
 
JOB       DEPTNO    AVG_SAL
--------- ------ ----------
ANALYST       20       3000
MANAGER       20       2975
MANAGER       30       2850
PRESIDENT     10       5000

可以看出,HAVING 对于GROUP BY ,类似于WHERE 对于SELECT  。 

HAVING用于过滤掉GROUP BY 中不满足条件的信息,仅仅显示满足条件的信息。比如上例中只显示SAL>=2500的信息。

GROUP 的执行会消耗大量CPU资源,HAVING配合GROUP也算是一种优化吧。


Python 中集成 Ollama 可以通过使用 `ollama` 官方提供的 Python 客户端库来实现。Ollama 是一个本地运行的大型语言模型(LLM)工具,它支持多种模型,如 Llama 2、Mistral 等,并且可以通过简单的 APIPython 应用程序集成。 ### 安装 Ollama Python 库 首先,需要确保你已经在本地系统上安装了 Ollama。你可以从 [Ollama 官方网站](https://ollama.com/)下载并安装适用于你操作系统的版本。 接下来,安装 Python 客户端库。Ollama 提供了一个官方的 Python 包,可以通过 `pip` 安装: ```bash pip install ollama ``` ### 使用 Ollama Python 库 安装完成后,可以使用 `ollama` 模块来调用 OllamaAPI。以下是一个简单的示例,展示如何使用 Ollama 的 `generate` 方法来生成文本: ```python import ollama # 生成文本 response = ollama.generate(model='llama3', prompt='为什么天空是蓝色的?') # 打印响应 print(response['response']) ``` 在这个例子中,`model` 参数指定了要使用的模型(例如 `llama3`),`prompt` 参数是用户输入的提示词。Ollama 会根据提示词生成相应的文本,并返回一个包含 `response` 字段的字典。 ### 获取模型列表 如果你想查看当前可用的模型,可以使用以下代码: ```python import ollama # 获取模型列表 models = ollama.list() # 打印模型列表 for model in models['models']: print(model['name']) ``` ### 模型对话(Chat) Ollama 还支持更复杂的对话模式,允许你在多轮对话中保持上下文。以下是一个使用 `chat` 方法的示例: ```python import ollama # 开始对话 response = ollama.chat( model='llama3', messages=[ {'role': 'user', 'content': '你好,你能帮我做什么?'}, {'role': 'assistant', 'content': '你好!我可以帮助你回答问题、提供建议,甚至进行简单的创作。有什么我可以帮你的吗?'}, {'role': 'user', 'content': '你能告诉我关于机器学习的基础知识吗?'} ] ) # 打印响应 print(response['message']['content']) ``` 在这个例子中,`messages` 参数是一个包含多个对话记录的列表,每个记录都有一个 `role` 和 `content` 字段。Ollama 会根据这些对话记录生成相应的回复。 ### 错误处理 在实际应用中,建议添加错误处理逻辑,以应对可能出现的网络问题或模型加载失败等情况: ```python import ollama try: response = ollama.generate(model='llama3', prompt='为什么天空是蓝色的?') print(response['response']) except Exception as e: print(f"发生错误: {e}") ``` ### 相关问题
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值