SQL语句基础之DML

YOLO26改进 - C3k2 | C3k2 融合 ARConv 自适应矩形卷积:动态调整卷积核形状与采样点 | CVPR 2025 本文介绍了将自适应矩形卷积(ARConv)模块与YOLO26相结合的方法。ARConv是针对遥感图像全色锐化任务设计的创新卷积模块,可自适应调整卷积核形状与采样点数量,解决传统卷积刚性限制,实现高效特征提取。其工作流程包括学习卷积核高度和宽度、选择采样点数量、生成采样图、卷积实现与空间自适应增强。我们将集成ARConv的C3k2_ARConv模块引入YOLO26,对相关代码进行修改和注册,并配置了YOLO26 - C3k2_ARConv.yaml文件。实验脚本显示,该结合方式应用于目标检测任务。 阅读详情

一、DML介绍

   DML(Data manipulation Language,数据操纵语言)命令使用户能够查询查询数据库和操作已有的数据库中的数据的计算机语言,也就是涉及涉及的sql语句,包括增删改查操作的数据表

二、select语句基础

  1.选择特定的列

     select usernmae from user

  2.计算列值

     select color , price ,price + 500 from cars

  3.使用null值参与运算

     使用select语句进行查询时,有事查询出来的结果null,查询显示的结果会显示为NULL,但是NULL值不能参与运算

  4.设置别名

    select price as 原价格, price + 4444 as 新价格 fron cars     as 可以省略只需要在列名和别名之间价格空格就行

  5. 在select语句中使用连接符

    select concat(cartype, "is !¥" , price ,".00") as car from cars

三、where子句      指定查询条件的

  1.where子句      也叫做条件查询子句,如果只需要查找指定条件下的数据,则可以使用where子句

     select * from user where id = 12

  2.where in 子句   用于声明可以接受的值组

     select username,username from users where id in (1,11)

  3.where not in 用于查询不符合该值组中的任何一个的数据

    select username ,password from users where id not in (1,22)

  4.where between  and子句   用于查找指定范围内的数据

   select * from users where age between  18 and 22

  5.where like子句   用到两种通配符:下划线表示单个字符,百分号代表多个字符的序列

   select username from users where username like '_mike'

  6.where is null子句    表示当条件字段的值不为空时,它去掉查询结果中的空值,通过它可以关注数据的丢失   

  7.where子句中的逻辑操作

      where子句的逻辑操作的关键字有and、or和not

      and:如果and前后的条件符合,那么返回true否则返回false

      or:只要符合or指定条件之一返回true、否则返回false

      not:符合not指定的条件时返回true否则返回false

四、ORDER BY子句   使用该子句在检索时指定顺序进行检索,即结果是按指定条件的降序或者升序

   升序:select * from users order by id  asc    将搜索到的结果集通过id进行升序排序   asc关键字可以省略

   降序:select * from users order by id desc  将搜索到的结果集通过id进行降序排序

五、Group BY 用来进行分组

     1.group by 子句

       该子句根据字段值进行分组,它可以和聚合函数使用,如avg、count、max、min、sum。又可以分为单列分组和多列分组。

      单列分组:select max(score) from users 

      所列分组:select id ,name,age,address from users group by age,address

     

 PS:当group by和order by共同使用时,order by子句要放在group by子句之后

     

六、 HAVING子句  用来指定条件,和where子句功能差不多,但是having子句用于已经分组过得结果

      如果想要对分组的结果限制条件查询,就可以使用having子句,因为having用于限制分组后的结果,所以该子句放到group by之后使用   

      group by 列名  having 条件表达式

      PS:having子句是针对group by子句的,它作用于组;而where子句是在分组之前对满足条件的记录进行查询的,是针对于select语句的,作用于表或者视图上

七、insert语句

    插入单行数据:insert into table_name (col1,col2...) values(val1,val2....)

    向有外键的数据库插入数据:

       创建专业表:

              create table zhuanye(id int not null primary key auto_increment,name varchar(30) not null default '软件工程');

       创建学生表:

             create table xuesheng(sid int not null primary key auto_increment,sname varchar(20) not null ,age int not null default 18 ,zid int not null);

     给学生表的zid添加外键约束:alter table xuesheng add constraint haha foreign key (zid) references zhuanye (id);

    当我们想学生表中插入数据一定要插入学生表中的zid外键,并且这个zid外键必须在专业表中的id存在,倘若不存在,也就是选了不存在的专业,可想而知,执行结果肯定不通过,没法进行插入操作

   ps:添加外键约束:lter table 想要添加外键的表名 add constraint 外键名称 foreign key (外键名称) references 外表表名 (外表对应的主键);

       外键名称可以随便起,但是不能和已经存在的外键的名称相同,应为要对外键进行删除等操作时,它是唯一标识

       删除外键:alter table 拥有外键的表名 drop foreign key 外键名称

                    例如:alter table xuesheng drop foreign key haha;

       查看外键:我们可以通过查看数据表的构成信息来查看该表添加了哪些外键约束

                      show create table 表名

八、update语句  修改数据表中的数据

   修改单行数据:   

     update table_name set col1 = val1 , col2 = val2......

      ps:如果要修改的数据值是数字,则可以直接用数据值,不用加引号,但是如果修改的是字符串或者其他任意类型的数据,则要把数据值用引号引住

  修改有外进约束的表数据

   修改加有外键约束的表数据时和插入操作时类似,只需要注意外键的值一定要在所关联的表格中的主键中存在,否则修改不成功

九、delete语句  删除语句使用delete

   删除满足条件的数据

          delete from table_name where condition   condition表示指定删除条件

  删除有外键约束的表数据

      要删除具有外键约束的表时,如例子中说的zhuanye数据表中的数据时,它的主键不能够和学生表中的数据有关系,否者删除失败。意思可以理解为某个学校的专业要撤销,但是该专业还有很多学生,所有在撤销专业之前需要把该专业的学生给处理掉,然后才能删除该专业

         






YOLOv11-Pose部署RK3588实战:人体姿态识别精度翻倍,边缘推理速度突破瓶颈 本教程从YOLOv11-pose模型的姿态识别训练,到RK3588的边缘量化部署,为你打造了一套“高精度+高实时性+低成本”的人体姿态分析解决方案。无论是健身动作纠正、智能安防行为检测,还是工业人员姿态监控,这套技术都能直接复用——你只需替换数据集与业务逻辑,即可快速落地专属的边缘AI姿态识别系统。如果你在实践中遇到任何卡点,欢迎随时交流。记住,人体姿态识别的价值在于“关键点准、推理快、部署易”,而这三者的平衡,正是你通过本教程能掌握的核心能力。 阅读详情

相关推荐

嵌入式SD/TF卡通用协议-SDIO协议

为了驱动SD卡,首先的第一步就是观察SD卡引脚接线情况,通常我们在画原理图时,都是使用的SD卡卡槽与MCU进行接线。SD卡可以使用SDIO协议和SPI协议进行通信,这里我们主要介绍SDIO协议。下图中的TF卡只是容量小一点的SD卡。以F1C100S为例,接线图如下所示:我们发现上图中的TF卡使用的协议为SDIO协议,主要有4根数据线,1根命令线,1根时钟线组合而成。为了驱动这个SD/TF卡我们就需要去了解SDIO协议的时序。

qq_1033275663的博客 3052

SQL中的DML(数据操纵)语言

SQL语句分类 通常分为五类: DDL(数据定义语言):create、alter、drop等 DQL(数据查询语言):select等 DML(数据操纵语言):insert、delete、update等 TCL(事务操纵语言):commit、rollback等 DCL(数据控制语言):grant、revoke等 本篇文章重点讲述DML(数据操纵语言的语法格式),如有错误请指正~ DML(数组操纵语言) 1、往表中插入数据 全表插入格式(值的数量必须要和顺序要和表的字段相同):insert into 表名

小北爱java 3908

HybridCLR热更新打包报错全解析:从原理到实战解决方案

热更新技术是现代游戏和应用开发中实现动态内容交付与Bug修复的核心机制,它允许开发者在无需重新发布完整应用的情况下更新代码逻辑。其原理通常涉及在运行时加载并执行新的代码模块,这要求框架在底层实现安全的代码隔离、内存管理与元数据桥接。在Unity生态中,HybridCLR作为基于IL2CPP的高性能热更新解决方案,通过补充元数据和AOT泛型引用技术,实现了对C#代码的原生级热更支持,显著提升了开发迭代效率与线上问题修复能力。然而,在实际的工程实践中,尤其是在面向Android、iOS等多平台打包构建时,开发者

weixin_29017445的博客 309

SQL语法——DML (附操作讲解)

Estrella_1的博客 2928

创新实训项目博客:基于LoRA的医疗大模型高效微调实战

预训练大语言模型(LLMs)虽然具备了广泛的知识和一定的通用能力,但在特定领域(如医疗)或特定任务(如遵循特定指令格式进行思考链推理)上,其表现往往不尽如人意。微调(Fine-tuning)能够使模型学习到特定领域的数据分布和任务模式,从而在目标任务上获得更好的性能,使其更贴合实际应用需求。使用Unsloth框架加载并以4-bit量化模型。基于数据集,构建了包含明确思考链引导的训练Prompt。配置了LoRA参数,并使用SFTTrainer在单张T4 GPU上对模型进行了高效微调。

m0_73556916的博客 1291

异常数据处理——3σ原则、箱线图

异常数据处理——3σ原则、箱线图 用不包括异常值的剩余数据的均值替换、删除DataFrame中某列有异常值的整行等方法

杨老师的小跟班(*∩_∩*) 9035

SQL基础之DML

DML英文全称是Data Manipulation Language(数据库操作语言),用来对数据库中表的数据记录进行增删改操作。DELETE语句的条件可以有,也可以没有,如果没有条件,则会删除整张表的所有数据。修改语句的条件可以有,也可以没有,如果没有条件,则会修改整张表的所有数据。DELETE语句不能删除某一字段的值(可以使用UPDATE)。插入数据时,指定的字段顺序需要与值得顺序是一一对应的。插入的数据大小,应该在字段的规定范围内。添加数据(INSERT)删除数据(DELETE)

qq_54040468的博客 224

Ubuntu 22.04蓝牙开关秒关?别慌,可能是这个Intel固件文件在搞鬼

本文深入解析Ubuntu 22.04蓝牙开关秒关问题,指出Intel固件文件缺失是常见原因,并提供详细修复方案。通过确认硬件型号、检查固件文件及智能替代方案,帮助用户快速解决蓝牙故障,提升系统稳定性。

weixin_30247307的博客 758

SQL基础——DML

DML:增删改表中的数据

qq_43093129的博客 995

华为OD机试新系统真题 - 电池充电时间计算

华为OD机试 新系统真题【电池充电时间计算】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题【电池充电时间计算】多语言题解。

qq_45776114的博客 534

基于 YOLOv26 的车辆违规停车检测系统:实时监控

本文提出了一种基于YOLOv26的车辆违规停车实时检测系统。系统采用多模块架构,包括视频预处理、YOLOv26目标检测、DeepSORT目标跟踪、停车区域定义、行为分析和违规判定等功能模块。关键技术包括使用YOLOv26s模型进行车辆检测,结合DeepSORT算法实现车辆跟踪,支持多种停车区域定义方式(多边形、矩形、限时区域等)。系统通过边缘计算平台部署,实现了对道路边、禁止停车区等场景的实时监控,能够准确识别长时间停车、禁止区域停车等违规行为,并触发告警机制。实验结果表明,该系统在车辆检测准确率和违规判定

一键难忘的博客 777

SQL学习笔记(二): DML语句初识与基础查询

1. 写在前面 最近需要用到HQL语句做一些数据分析的工作,又发现了自己的短板, HQL这个东西用起来并不是很流畅,虽然建表,查询的基本语句还能应付(这还是吃的大学的SQL基础老本), 但涉及到一些复杂的查询等就不行了,每次都得谷歌, 但谷歌完了并没有留下记录,记不住,导致下一次再用到还得再继续谷歌, 这中间就浪费了很多搜索的时间。效率非常低。 所以就想再突击一遍SQL, 之所以复杂的查询不会,是因为之前的SQL基础忘光了,而基于hive的查询和SQL语句实在是太像了, 并且来到公司之后发现, 不管是开发还

Miracle8070 538

基于YOLOv11的无人机目标检测系统:实现drone、bird、aircraft多类别识别

采用改进的YOLOv11网络结构,平衡检测精度和速度融合VisDrone和UAVDT数据集,增强模型泛化能力设计多尺度特征融合模块,提升小目标检测性能开发直观的UI界面,便于实际部署和应用。

YOLO 326

【SQL】DML语句

DML英文全称是Data Manipulation Language(数据操作语言),用来对数据库中表的数据记录进行增、删、改操作。

Ros_y_的博客 1351

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

SQL语句之DML && DQL

查询语句获取到的结果 是以伪表形式体现​SELECT StudentName AS '学生姓名',Address AS '家庭住址',Email AS '电子邮箱'​SELECT SubjectName "科目名",ClassHour "学习时长",ClassHour*(10+10) "计算后的学习时长"8、祛除重复的记录。

weixin_68398469的博客 1137

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

【MySQL】数据库SQL语句之DML

DML数据操作语言,详细讲解,阅读有收获噢。

muwithxi的博客 4125

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

SQL语句及其应用(上) (DDL语句以及DML语句)

全称叫 Structured Query Language, 结构化查询语言, 主要是实现 用户(程序员) 和 数据库软件(例如: MySQL, Oracle)之间交互用的.就是用来限定某列值的范围的, 必须是: 整数, 小数, 字符串, 日期等…在数据类型的基础上, 进一步对该列值做 限定.DDL: 数据定义语言, 主要是操作 数据库, 数据表, 字段, 进行: 增删改查(CURD)涉及到的关键字: create, drop, alter, show。

2401_86300041的博客 1307

Spark SQL DML语句详解

本文介绍了 Spark SQL 中常用的 DML 语句,包括SELECTUPDATE和DELETE的用法。虽然 Spark SQL 不直接支持某些传统的 DML 操作(如UPDATE和DELETE),但是我们通过结合 DataFrame 操作和 SQL 查询,仍然可以实现数据的增、删、改、查功能。此外,Spark SQL 提供了强大的数据处理能力和灵活的查询接口,能够帮助我们高效地处理和分析大规模数据。

小蜗牛的珍贵百宝箱 1087

第四章 SQL语句之DML && DQL

有关数据表的DML操作INSERT :数据的插入DELETE :数据的删除UPDATE :数据的修改。

2302_77378293的博客 930

Spark SQL DML语句

DML(Data Manipulation Language,数据操作语言)操作主要用来对数据进行插入、更新和删除操作。本节主要介绍Spark SQL中的DML操作。Spark SQL提供了一个命令行工具,可以让用户直接通过命令行运行SQL查询。Spark SQL可以兼容Hive,以便Spark SQL支持Hive表访问、UDF(用户自定义函数)以及Hive查询语言(HiveQL/HQL)。

夏天又到了的专栏 1339

SQL常用语句DDL和DML

SQL常用语句showCREATEDROPALTER show SHOW CHARACTER SET; --查看字符集 SHOW COLLATION; --查看排序规则 SHOW DATABASES; --查看数据库列表 CREATE CREATE DATABASE test1 character set utf8mb4; --创建一个数据库test1,字符集类型为utf8mb4 create table student(id int unsigned auto_increment primary k

枫叶斜阳的博客 506

SQL——DML语句

DML(Data Manipulation Language) 一、数据的插入 语法: 单行插入:INSERT INTO 表名(字段名1,字段名2,...)values(值1,值2,...) 多行插入:INSERT INTO 表名(字段名1,字段名2,...) values(值1,值2,...),values(值1,值2,...); 特点: 字段和值列表一一对应:包含类型、约束必须匹配 数值型的值,不用单引号;非数值型的值,必须使用单引号 字段顺序无要求 #...

Deng_Allen的博客 282

SQL基础——DML语句

每一条主键都对应唯一的一条数据,每一条数据也有唯一一个主键相对应.此时我们查找数据时,只要查找到主键信息,就可以获取该条记录的全部能容, 可以提升查询效率。

Ashenlex的博客 966

SQL DML操作语句

DML(Data Manipulation Language,数据操作语言)是SQL(Structured Query Language,结构化查询语言)中用于查询、插入、更新和删除数据库表中数据的部分。

weixin_57272853的博客 306

【SQL简单例子2】SQL语句、DML语句

使用SQL语句插入数据如下 1、更新student表中所有人的年龄,将所有人的年龄设置为22岁。 2、将student表中学号为‘2018002’的专业改成‘通信工程’ 3、将course表中的课程号改为‘c002’ 并体会外键的作用 4、删除course表中的全部数据,并体会外键的作用。 5、删除sc表中的全部数据 6、删除student表中所有女同学的数据 7、删除student、course、sc表

海苔冲冲冲的博客 821

SQl语句学习——DML语句

2.delete语句不能删除某一个字段的值(可以使用update,将该字段值置为null即可)。注:1.delete语句的条件可以有,也可以没有,如果没有条件,则会删除整张表的所有数据。注:插入数据时,指定的字段顺序需要与值的顺序相对应,字符串和日期型数据应该包含在引号中。注:修改语句的条件可以有,也可以没有,如果没有条件,则会修改整张表的所有数据。

2301_80247191的博客 580
上一篇: SQL语句的基础DDL
下一篇: HTML之Table表单的属性以及用法
JavaWeb_Hao
博客等级 码龄9年 21粉丝 73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