一個返回它所有上級科目名稱的SQL函數

财政总预算会计标准表一键生成语句——含上级科目名称 ---------------------------------------------------------------------------------------- --火星总预算会计标准表_2018年度 --编制时间:年月日 --编制人:爱玩儿の编程小菜机 --数据源:(火星爱玩儿の编程小菜机国库股总预算会计年度备份账套)ZFKJ2005_ZFKJ2005_2018YEAR --执行结果:生成未包含上级级科目名称的火星总预算会计标准表爱玩儿の编程小菜机_ZYSKJ_BZB_2018 阅读详情
 
CREATE FUNCTION Getacctype(@accid varchar(20))
RETURNS varchar(300) AS 
BEGIN
declare @i int,@accidup varchar(20), @str varchar(300)
set @accid=@accid+'.'
set @accidup=''
set @str=''
set @i=1
while CHARINDEX('.',@accid)>0
  begin
    if @accidup=''
        set @accidup=substring(@accid, 1,CHARINDEX('.',@accid)-1)
    else
        set @accidup=@accidup+'.'+substring(@accid, 1,CHARINDEX('.',@accid)-1)
    set @accid=substring(@accid,CHARINDEX('.',@accid)+1,len(@accid)-CHARINDEX('.',@accid))
    if  @str=''
       set @str= (select acctype from HD_AccType where accid=@accidup)
    else
       set  @str=@str+'->'+  (select acctype  from HD_AccType where accid=@accidup)
end
return  @str
END
淘宝分类类目大全只要1分!!! (ID 名称 上下级关系 sql格式导入即用) 立即下载

相关推荐

2019版本财务科目级联sql.rar

财务科目级联数据,包含上下级关系,科目名称及编码等。包含国标财务科目,主要是sql 文件直接可以导入数据库。

用友T+财务软件数据库——SQL生成含上级科目的标准化科目表

用友T+财务软件数据库——SQL生成含上级科目的标准化科目表

Linn908的博客 1533

从STM32F411到华大HC32F460:一个真实项目移植的踩坑与填坑全记录

本文详细记录了从STM32F411移植到华大HC32F460芯片的全过程,包括开发环境搭建、时钟树配置、中断处理、外设驱动、看门狗陷阱、Flash操作和低功耗设计等关键坑点及解决方案。特别针对HC32F460的200MHz主频、双PLL架构和HSRUN模式等特性进行了深入分析,为工程师提供实用的移植指南,帮助节省大量调试时间。

weixin_33691817的博客 421

数据库函数的名称及其主要功能:

DAVERAGE计算数据库项的平均值 DCOUNT计算数值单元格个数 DCONTA计算非空单元格个数 DGET提取满足指定条件的单个记录 DMAX返回选定数据库项中的最大值 DMIN返回选定数据库项中的最小值 DPRODUCT将特定字段中的数值相乘 DSTDEV根据所选单个样本估算标准偏差 DSTDEVP根据所选样本总体计算标谁偏差 DSUM对特定字段列中的数字求和 DVAR根据单个样本估算方差...

Office_Chen的博客 1609

手把手教你用ObjectCRX进行Caxa二次开发:从零开始的环境搭建教程

本文是一份面向零基础初学者的Caxa二次开发实战指南,重点讲解如何使用ObjectCRX框架从零开始搭建开发环境。内容涵盖Visual Studio 2015版本锁定、ObjectCRX向导集成、项目创建、典型错误解决,并最终实现一个可在Caxa中运行的HelloWorld程序,帮助开发者快速入门并避开常见陷阱。

w3x4y的博客 514

FreeSurfer安装避坑指南:从邮箱选择到环境变量设置的全流程解析

本文详细解析了在Windows系统上安装和配置FreeSurfer神经影像分析工具的全流程避坑指南。重点涵盖WSL2深度配置、软件版本选择、许可邮箱获取策略、环境变量模块化设置以及图形界面调试等关键步骤,帮助用户高效构建稳定的分析环境,避免常见安装陷阱。

weixin_29243063的博客 231

返回数据库中所有表名

select   name   from   sysobjects   where   xtype=U下面的语句执行后返回的列分别是:表名、列名、列类型、列长度、列描述、是否主键,语句如下:Select Sysobjects.Name As Tb_name, Syscolumns.Name As Col_name, Systypes.Name As Col_type, Syscol

ysrock的专栏 894

双斜率积分ADC:高精度测量中的经典选择与TC530/TC534实战指南

模数转换器(ADC)是连接模拟世界与数字系统的关键桥梁,其核心任务是将连续的模拟信号转换为离散的数字量。在众多ADC类型中,双斜率积分ADC以其独特的原理脱颖而出,它通过积分与反积分的线性过程,用时间换取精度,实现了对噪声的卓越抑制和极高的线性度。这种技术价值使其在对抗工频干扰、追求长期稳定性的场景中无可替代,尤其适用于精密测量仪表和工业传感器信号采集。本文聚焦于双斜率积分ADC的经典代表TC530与TC534,深入剖析其工作原理、关键参数如积分电阻、积分电容的选择,并提供从硬件电路设计到软件驱动的完整实战

weixin_30847063的博客 359

数据库的数学 函数 名称和详解

Select 语句大概可分为4部分 1. 主体部分 语法:select [distinct]<[*]|[字段列表]> from <表名> 功能:根据字段列表给出的列筛选出表名所指数据表的全部记录,”*”表示全部字段,distinct表示筛选掉与该字段重复的记录。 2. 条件部分 语法:where <条件表达式> 功能:根据条件表达式筛选出主体部分指定表满足条...

weixin_45160274的博客 3039

在Windows 11上用VirtualBox搞定WRF-Hydro 5.2.0:一个水文模型小白的Ubuntu 22.04虚拟机避坑实录

本文详细记录了在Windows 11上使用VirtualBox和Ubuntu 22.04虚拟机成功编译安装WRF-Hydro 5.2.0水文模型的全过程。从虚拟环境配置、依赖库安装到环境变量设置,作者分享了针对Linux新手的实用避坑技巧和关键命令,帮助科研人员高效完成水文模型的环境搭建。

weixin_30733003的博客 354

Triplet Loss调参实战:Margin选多少?距离函数用哪个?我的模型为什么训不动?

本文深入探讨了Triplet Loss调参中的关键问题,包括margin参数的选择、距离函数的比较以及模型训练不动的常见原因。通过实战案例和技术分析,提供了针对不同场景(如人脸识别、商品图像、文本匹配)的margin黄金区间,并对比了欧式距离与余弦相似度的适用场景。文章还介绍了困难样本挖掘的最新策略和模型诊断的实用清单,帮助开发者高效解决度量学习中的工程难题。

weixin_29050271的博客 414

递归sql查询完整科目名称

100203000003 锦州银行石化广场支行 银行存款-锦州银行存款-锦州银行石化广场支行。100203000001 锦州银行石化支行 银行存款-锦州银行存款-锦州银行石化支行。100203000002 锦州银行铁北支行 银行存款-锦州银行存款-锦州银行铁北支行。100201000001 工行重庆路支行 银行存款-工商银行存款-工行重庆路支行。100202000001 建行铁北支行 银行存款-建设银行存款-建行铁北支行。10020300 锦州银行存款 银行存款-锦州银行存款。1001 1001 现金。

horizon_zpy的专栏 924

基于Cesium实现,动态水面+大坝排水动画

一、绘制面状水域,使用水波纹理,进行渲染,水体透明,可以看到底色。三、使用粒子系统,将喷泉改变方向,加上重力设置,实现排水动画。二、绘制线状三维体,用作模拟大坝拦截效果。四、最后,模拟水位上升,进行淹没分析,

一醉千秋的专栏 1421

用友T+财务软件数据库——SQL生成含上级科目名称的标准化凭证表

用友T+财务软件数据库——SQL生成含上级科目名称的标准化凭证表

Linn908的博客 2260

硬件工程师入门基础知识(一)基础元器件认识(二)

我们的电路输入一般是只有两种状态,0V 或者是其它的高电平(1.8V,3.3V,5V 等),截止状态一般不用怎么考虑,因为如果让三极管的 Vbe=0,自然就截止了,重要的是饱和状态如何保证。也就是说只要 Rb

小幽余生不加糖 1万+

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

sql 凭证明细表 科目余额表_sql查询金蝶科目余额表个期间的数据

selectnull as QYDM,null as SBNF,null as SBYF,本期发生_本年累计_科目余额表.会计年度 as会计年度,本期发生_本年累计_科目余额表.会计期间 as 会计期间,本期发生_本年累计_科目余额表.借贷方向_1借_负1贷as 借贷方向_1借_负1贷,本期发生_本年累计_科目余额表.科目级次 as科目级次,本期发生_本年累计_科目余额表.明细科目_1是_0否 a...

weixin_35964207的博客 1971

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

[SQL]求每位学生最高成绩的科目名称的一种SQL写法

一、问题:求每位学生最高成绩的科目名称。 表结构与数据如下图所示: 期望的结果为: 二、解决方法: 1、第一眼看上去这个问题挺简单的,只接写:select StuName,max(StuScore)as StuScore,StuSubject from example group by StuName; 感觉上是对的,那么验证下看看结果: 和期望的结果

1942

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

金蝶K3 SQL报表系列-供应商科目余额表

金蝶K3 SQL报表系列-供应商科目余额表

hzfw2008的博客 4145

查询某科目某个公司下的往来单位的余额的sql语句

select e.FNumber as 机构号, g.FNumber AS 科目编码, n.FNumber as 币种编码, s.FNumber as 往来单位编码, s.FName_L2 as 往来单位名称, --b.fentrydc,a.foriginalamount nvl(sum(decode(b.fentrydc,1,a.foriginalamount,-a.foriginala

douml88的专栏 2838

将用友会计科目名称转换为方便AX使用的科目名称

--更新一级科目名称 UPDATE _COA SET KMMC_N=KMMC_O WHERE LEN(KMBM_O)=4 --更新二级科目名称 UPDATE _COA SET KMMC_N=B.KMMC_O+' - '+A.KMMC_O FROM _COA AS A INNER JOIN (SELECT * FROM _COA WHERE LEN(KMBM_O)=4) AS BON LE...

weixin_34044273的博客 136

查询各科分数最高的科目名称,学生学号,姓名,分数,排名

筛选全部学生中,每科最高分的学生信息,科目名称,以及分数 1.有三个表student(学生表),sc(成绩表),course(课程表),其定义和数据如下 student: sid sname sage ssex 01 赵雷 1990-01-01 男 02 钱电 1990-12-21 男 03 孙风 1990-12-20 男 04 李云 1990-12-06 男 05 周梅 1991-12-01 女 06 吴兰 1992-01-01 女 07 郑竹 1989-01-01

qq_34796437的博客 9290

转学一个优快云群友的好问题案例!!!关于把科目属性用数字替换如下:

 有一个表,数据是学生选课情况,例如: 姓名: 科目: 张三 语文 李四 数学 王五 历史 西的 数学,历史 似的 化学 地方 语文,化学 等等, 我想将科目用编号代替,结果如下: 姓名: 科目: 张三 1 李四 2 王五 3 西的 2,3 似的 4 地方 1,4 完整的解决方案为:先建好科目表,结构如下:Create table cls (clsid int,clsname varchar(

wisdomone的专栏 802

关于 sql 取值 统计某个科目 余额表余额问题

---按照 公司名称分组, 会计期间分组, 每个分组数据集 建立一个rownidex 便于后续取出分组后的第一条 select unit.FNAME_l2, period.fnumber , balance.FENDBALANCELOCAL, ROW_NUMBER() over(partition by unit.FNAME_l2 order by period.fnumber desc) as newIndex from T_GL_AccountBalanc..

MZ199290的博客 1317

sql 财务科目余额表写法

[code="java"] -->生成测试数据 declare @科目表 table([科目ID] int,[科目编码] nvarchar(10),[科目名称] nvarchar(5)) Insert @科目表 select 1,N'1001',N'现金' union all select 2,N'1002',N'银行存款' union all selec...

ljz520lx的专栏 1961

EAS查询科目余额表一级科目的脚本

按公司、年、期间id、当前期间id、科目、币别、期初余额、借贷金额、期末余额,查询科目余额表情况 select co.fnumber as EntityCode ,co.fname_l2 as EntityName ,pd.fperiodyear as Year ,bal.FPERIODID as PrdId ,( select ctrl.fcurrentperiodid from T_BD_S...

seplves的博客 1790
上一篇: 检测delphi的程序的内存泄漏
下一篇: FastReport经验
HelpMeNow
博客等级 码龄25年 9粉丝 9原创
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
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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