SQL的简单使用

SQL Server的安装和简单使用 SQL Server数据库是Microsoft开发设计的一个关系数据库智能管理系统(RDBMS),现在是全世界主流数据库之一;SQL Server数据库具备方便使用、可伸缩性好、相关软件集成程度高等优势,能够从单一的笔记本上运行或以高倍云服务器集群为基础,或在这两者之间任何东西上运行。尽管说成“任何东西”,可是依然要考虑有关的软件和硬件配置; 阅读详情

多表查询首先涉及到笛卡尔积的计算

SELECT查询

DISTINCT去重

SELECT DISTINCT STUDENT_NO FROM STUDENT_BASIC;

LIKE使用

标识符作用
%通配符,可以匹配一个或多个字符
_只匹配一个字符

例:

SELECT STUDENT_NO FROM STUDENT_BASIC WHERE STUDENT_NO LIKE '100100%';

SELECT STUDENT_NO FROM STUDENT_BASIC WHERE STUDENT_NO LIKE '100_00';

JOIN连接

 

 

有两张表JOINA和JOINB

JOINA:

IDC_A1C_A2
1001a11a12
1002a21a22

JOINB:

IDC_B1C_B2
1001b11b12
1003b21b22

INNER JOIN(A与B的交集)

select * from JOINA a JOIN JOINB b ON a.ID = b.ID
IDC_A1C_A2ID_1C_B1C_B2
1001a11a121001b11b12

LEFT JOIN(以A为基准,匹配B的值,若未匹配到,则为空)

select * from JOINA a LEFT JOIN JOINB b ON a.ID = b.ID
IDC_A1C_A2ID_1C_B1C_B2
1001a11a121001b11b12
1002a21a22

RIGHT JOIN(以B为基准,匹配A的值,若未匹配到,则为空)

select * from JOINA a RIGHT JOIN JOINB b ON a.ID = b.ID
IDC_A1C_A2ID_1C_B1C_B2
1001a11a121001b11b12
1003b21b22

FULL OUTER JOIN(LEFT和RIGHT的并集)

select * from JOINA a FULL OUTER JOIN JOINB b ON a.ID = b.ID
IDC_A1C_A2ID_1C_B1C_B2
1001a11a121001b11b12
1003b21b22
1002a21a22

UNION(将两个sql查询的结果合并起来)

select * from JOINA union select * from JOINB
IDC_A1C_A2
1001a11a12
1002a21a22
1001b11b12
1003b21b22

聚合函数

AVG() 平均数

SELECT AVG(count) AS CountAverage FROM access_log;

MAX() 指定列的最大值

MIN() 指定列的最小值

SUM() 指定列的总数

GROUP BY根据一个或多个列对结果集进行分组

-- 统计学生男女各占多少人
SELECT SEX, COUNT (SEX)
    FROM STUDENT_BASIC
GROUP BY SEX

HAVING (相当于聚合函数的where条件,在使用聚合函数后可以继续分组)

-- 统计学生数大于10等级
  SELECT GRADE, COUNT (GRADE) COUNT
    FROM STUDENT_BASIC
    GROUP BY GRADE
    HAVING COUNT (GRADE) > 10

UCASE() 将字段的值转为大写

LCASE() 将字段的值转为小写

LEN() 获取字段值的长度

SQL server2022的详细安装流程以及简单使用 本文主要详细的介绍安装SQL Server 2022版本以及对应管理工具和启动SQL server服务的三种方法,建立数据库、建立课程表的简单的方法。写此文章不仅仅为了完成作业,更是自我提升,如果能帮助到其他同学就更加好了。SQL Server详细使用教程(包含启动SQL server服务、建立数据库、建表的详细操作) 非常适合初学者_时雨691的博客-优快云博客SQL Serve详细安装步骤_sql server安装教程_Dandi0707的博客-优快云博客。 阅读详情

相关推荐

实验吧三道sql注入题目解题思路以及当中至少点整理(简单的SQL注入、简单的SQL注入2、简单的SQL注入)

0x00 最近学习CTF有一段时间了,下面将实验吧三题题目的简单SQL注入进行一定的整理, 0x01 简单的sql注入 做题的地址为: http://ctf5.shiyanbar.com/423/web/ 第一步:随便输入个数字load下url:http://ctf5.shiyanbar.com/423/web/?id=1发现是这个,老套路,既然题目提示是过滤 我们来各种试试到底过滤了

xiaotaode2012的专栏 4253

mysql多表连接

表a: 表b: 1、全连接 将各个表用逗号隔开,就指定了一个全连接。 select * from a,b ; select count(*) from a,b ; select * from a,b where a.id = b.id;

qq_33699659的博客 1997

Windows平台COLMAP实战:从零到三维重建的避坑指南

本文详细介绍了在Windows平台上使用COLMAP进行三维重建的完整流程,包括安装指南、数据准备技巧、图形界面操作及常见问题解决方案。特别针对Windows用户提供了CUDA版本与非CUDA版本的性能对比,帮助用户高效完成从照片到三维模型的重建过程。

weixin_29090677的博客 191

select count(distinct a)

我想对一个表里面字段a的个数进行进行统计,因为字段a有重复的记录,我想排除重复的记录,该sql语句为: select count(distinct a) 链接:http://www.w3school.com.cn/sql/sql_func_count_distinct.asp 定义和用法 可以一同使用 DISTINCT 和 COUNT 关键词,来计算非重复结果的数目。 语...

weixin_30537451的博客 972

Autoware1.14-摄像头目标检测YOLO-V3

在Autoware1.14中部署YOLOV3

weixin_43687753的博客 3140

电路抗干扰原理及应用(1)

电路抗干扰原理——介绍干扰源、干扰途径、抗干扰技术(接地技术)

qq_34758408的博客 2069

DISTINCT,COUNT(*),GROUP_BY,HAVING的联合使用

一、distinct用于获得表中某一列或多列不重复数据,其既可以作用于单列也可以作用于多列,使用时其必须要放置于查询语句的开头,distinct语句中select显示的字段只能是distinct指定的字段,其他字段是不可能出现的。 二、count(*) 函数返回在给定的选择中被选的行数,语法:select count(*) from table 例如:有student_course表如下...

斛兵的博客 1969

UFS电源管理实战:如何优化手机存储的功耗与性能(附实测数据)

本文深入探讨了UFS电源管理的实战优化策略,旨在平衡手机存储的功耗与性能。通过解析UFS核心电压域与工作状态,重点介绍了通过动态调整bActiveICCLevel(活动电流等级)来实现精细控制,并结合实测数据与场景驱动的智能策略,为Android系统与硬件工程师提供了降低功耗、提升流畅度的有效方法。

weixin_29214559的博客 504

关于mysql 联表使用count的一个问题

今天遇到了一个sql问题,及理解过程记录下 select a.id as id, count(b.id) from A a left join B b on a.id = b.aid A表可以理解为班级表 B表为学生表,现在用以上语句试图求出每个班级下多少个学生 这个语句在oracle中,是有问题的,会直接报错,因为oracle要求非聚合函数都必须进行分组 但是在mysql中

胸口碎核桃zZ的博客 6413

Hi3516CV610 YOLOv8模型转换与部署实战:从源码到板端推理全流程解析

本文详细解析了将YOLOv8模型部署到Hi3516CV610开发板的全流程。内容涵盖从Ubuntu环境搭建、模型获取与验证,到关键的PyTorch模型转换为ONNX格式,并利用海思工具链量化生成板端可执行的.wk文件。最后,指导开发者编写板端C程序,完成视频流处理、NNIE推理及结果后处理,并提供了部署调试与性能优化的实用技巧。

weixin_29215815的博客 271

IPCP(IP Control Protocol,IP控制协议)

IPCP(IP Control Protocol,IP控制协议)

天赐好车的博客 760

从多表连接后的select count(*)看待SQL优化

从多表连接后的select count(*)看待SQL优化 一朋友问我,以下这SQL能直接改写成select count(*) from a吗? SELECT COUNT(*) FROM a LEFT JOIN b ON a.a1 = b.b1 LEFT JOIN c ON b.b1 = c.c1 废话不多说,直接上实验。 1. 准备数据 创建测试表a,b,c,并...

风中清淡 5198

互联网人提高效率必备软件合集

很多的时候我们解决不了问题,只是因为没有找到对的工具,实际上,很多好的工具就在那里,只是你不用而已。这点上,信息壁垒是一个很大的原因,因此我希望兄伙伴们多出去走走,不要只是局限在一个圈层;

zhonglunshun的专栏 3486

SQL 简单查询

-- 简单查询 -- 简单查询语法1: SELECT [DISTINCT] * FROM 表名; 注:* 代表所有列;DISTINCT 指的是去除重复元素 例如:SELECT * FROM emp; -- 简单查询语法2: SELECT [DISTINCT] 列名 [AS] "列名",... FROM 表名; 例如:SELECT empno AS "编号",ename AS "姓名",sal

侯春强的博客 505

CANoe.DiVa的应用——生成测试用例过程流程详解(一)

Diva 生成用例过程

LOVE135149的博客 7927

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

SQL简单查询

简单查询:查询一张数据表中所有数据行的内容。 ②语法格式:SELECT [DISTINCT] * | 列名称 [别名]//可选项 ①FROM 表名称 [别名]; 首先执行①,确定来源。后面是数据筛选操作。  简单查询是所有的行和列的数据,简单查询是不能控制数据行的,只能在SELECT子句里面控制列 如果是全部的查询列,那么就使用通配符“*”完成。 SELCET * FROM emp;

我的心里没有你也没有她 542

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

sql 修改列名_SQL 简单查询

本文知识要点:一、SQL基础介绍关系数据库 = 多张表 + 各表之间的关系数据类型:字符串、数字、日期DDL(数据定义语言):create:创建数据库和表 drop:删除数据库和表alter:修改数据库和表的结构DML(数据操纵语言):insert:向表中插入数据delete:删除表中的数据select:查询表中的数据update:修改表中的数据DCL(数据控制语言):commit:确认对数据库中...

weixin_39973416的博客 1936

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

sql 百分比_SQL之简单查询篇

首先回顾一下SQL语句的基本书写规则和如何新建查询查询-右击-新建查询,在查询编辑器书写代码、运行和保存此次文章主要内容是学习SQL的简单查询一、基本查询语句SELECT 姓名,性别 FROM student;-- 从student表中查询出全部列 SELECT* FROM student;-- 重命名列"姓名"为"Name","性别"为"Gender" SELECT 姓名 AS Name, 性别...

weixin_39854440的博客 1362

SQL 的 SELECT 简单查询

在数据库管理中,SELECT语句是 SQL 中最常用的语句之一,用于从数据库表中检索数据。

m0_73812383的博客 1227

sql 以a开头的所有记录_SQL简单查询

今天讲SQL的简单查询,主要分为以下5个部分1、基本的查询语句2、指定查询条件3、注释和sql语句注意事项4、运算符5、字符串模糊查询在这之前,强调下SQL书写规则:1、SQL语句以英文分号(;)结尾2、SQL语句不区分关键字的大小写3、列名不能加单引号,中间不能有空格4、符号只能使用英文符号一、基本的查询语句如下图所示进入Navicat客户端练习:我们通过客户端输入Select 语句,来访问Sq...

weixin_39646688的博客 3201

sql查询以什么开头和结尾_SQL之简单查询

本章开始学习SQL的简单查询,涉及的知识点如下:练习1: 查询学生表 - 基本的查询语句练习2: 指定查询条件 - Where条件语句用法练习3: 算术运算符和比较运算符 练习4: 逻辑运算符练习5: 查找学生 - 字符串模糊查询 like本章注意事项练习1:查询学生表-- 1.从student表中查询出学生的姓名和性别 SELECT 姓名,性别 FROM student; -- 2.为列设定别...

weixin_39722196的博客 1万+

SQL查询语句简要使用精华——之 简单查询

SQL查询语句简要使用精华——之 简单查询  简单查询 简单的Transact-SQL查询只包括选择列表、FROM子句和WHERE子句。它们分别说明所查询列、查询的 表或视图、以及搜索条件等。 例如,下面的语句查询testtable表中姓名为“张三”的nickname字段和email字段。 SELECT nickname,email FROM testtable

Li_soso的专栏 740
上一篇: JAVA读取Excel文件
下一篇: JVM学习笔记1
半归枫
博客等级 码龄9年 5粉丝 41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