Mysql 的左连接与右连接区别

本文详细解析了Mysql中的左连接和右连接概念,通过实例对比两种连接方式在数据检索上的不同表现,帮助读者理解如何在实际场景中选择合适的连接类型。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Mysql 的左连接与右连接区别

1.SQL LEFT JOIN 关键字

           LEFT JOIN 关键字会从左表 (table_name1) 那里返回所有的行,即使在右表 (table_name2) 中没有匹配的行。

2.SQL RIGHT JOIN 关键字

          RIGHT JOIN 关键字会右表 (table_name2) 那里返回所有的行,即使在左表 (table_name1) 中没有匹配的行。

3.在Mysql中的DevDB中创建两个表

Create Table department

CREATE TABLE `department` (
  `ID` int(11) NOT NULL AUTO_INCREMENT,
  `CODE` varchar(100) DEFAULT NULL,
  `NAME` varchar(200) DEFAULT NULL,
  PRIMARY KEY (`ID`)
) ENGINE=InnoDB AUTO_INCREMENT=5 DEFAULT CHARSET=utf8

Create Table job

CREATE TABLE `job` (
  `id` int(11) NOT NULL AUTO_INCREMENT,
  `FirstName` varchar(32) DEFAULT NULL,
  `LastName` varchar(32) DEFAULT NULL,
  `LoginName` varchar(32) DEFAULT NULL,
  `dep_id` int(11) DEFAULT NULL,
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=5 DEFAULT CHARSET=utf8

4.在department表和Job表中插入数据

insert into `department` (`ID`, `CODE`, `NAME`) values('1','Java R&D','Java R&D');
insert into `department` (`ID`, `CODE`, `NAME`) values('2','Mysql R&D','Mysql R&D');
insert into `department` (`ID`, `CODE`, `NAME`) values('3','Interface R&D','Interface R&D');
insert into `department` (`ID`, `CODE`, `NAME`) values('4','Android R&D','Android R&D');
insert into `department` (`ID`, `CODE`, `NAME`) values('5','IOS R&D','IOS R&D');
insert into `Job` (`id`, `FirstName`, `LastName`, `LoginName`, `dep_id`) values('1','Peter','Qiu','Qiu','1');
insert into `Job` (`id`, `FirstName`, `LastName`, `LoginName`, `dep_id`) values('2','Tom','Lee','Lee','2');
insert into `Job` (`id`, `FirstName`, `LastName`, `LoginName`, `dep_id`) values('3','Garfield','Wang','Wang','3');
insert into `Job` (`id`, `FirstName`, `LastName`, `LoginName`, `dep_id`) values('4','哆啦A梦','Jone','Jone',NULL);
insert into `Job` (`id`, `FirstName`, `LastName`, `LoginName`, `dep_id`) values('5','Westlife','西城男孩','Westlife','8');

department表数据

IDCODENAME
1Java R&DJava R&D
2Mysql R&DMysql R&D
3Interface R&DInterface R&D
4Android R&DAndroid R&D
5IOS R&DIOS R&D

Job表数据

idFirstNameLastNameLoginNamedep_id
1PeterQiuQiu1
2TomLeeLee2
3GarfieldWangWang3
4哆啦A梦JoneJone(NULL)
5Westlife西城男孩Westlife8

5.以Job表进行左连接(left join)

/*以Job表进行左连接,此时数据主要以Job表为主,关联department表,如果Job的dep_id为null或者在department表中
无对应的Id匹配对应的字段自动填充null*/
SELECT * FROM Job table_name1  LEFT JOIN department table_name2 ON table_name1.`dep_id`= table_name2.`ID`;
查出来的数据
idFirstNameLastNameLoginNamedep_idIDCODENAME
1PeterQiuQiu11Java R&DJava R&D
2TomLeeLee22Mysql R&DMysql R&D
3GarfieldWangWang33Interface R&DInterface R&D
4哆啦A梦JoneJone(NULL)(NULL)(NULL)(NULL)
5Westlife西城男孩Westlife8(NULL)(NULL)(NULL)

6.以Job表进行右连接(right join)

/*以Job表进行右连接,此时数据主要以department表为主,关联Job表,如果Job的dep_id为null或者在department表中
无对应的Id匹配对应的字段自动填充null*/
SELECT * FROM Job table_name1  RIGHT JOIN department table_name2 ON table_name1.`dep_id`= table_name2.`ID`;

查出来的数据

idFirstNameLastNameLoginNamedep_idIDCODENAME
1PeterQiuQiu11Java R&DJava R&D
2TomLeeLee22Mysql R&DMysql R&D
3GarfieldWangWang33Interface R&DInterface R&D
(NULL)(NULL)(NULL)(NULL)(NULL)4Android R&DAndroid R&D
(NULL)(NULL)(NULL)(NULL)(NULL)5IOS R&DIOS R&D

转载请注明:http://blog.youkuaiyun.com/qiuzhping/article/details/41623967

转载于:https://my.oschina.net/qiuzhping/blog/611696

### 使用人工智能进行MIMO信道估计的方法研究 #### 深度学习在MIMO信道估计中的应用背景 为了评估模型在不同信道环境下的适应性,可以设计一系列信道模型,包括高斯信道、瑞利衰落信道、莱斯衰落信道等,并在每种信道模型下测试模型的性能。深度学习模型需要证明其在各种信道模型下都有良好的估计性能[^1]。 #### 基于深度学习的时频空联合信道外推方法 大规模MIMO系统的时频空联合信道外推方法被深入研究,分析了深度学习在此类问题上的优势。根据不同应用场景下的信道外推原理,探讨了各个场景下基于深度学习的信道外推问题及其共性问题。利用信道数据在时频空域的全局相关性,提出了一种基于卷积神经网络(CNN)的时频空域联合信道外推方法。该方法还特别关注多路并行上行到下行信道预测,在此背景下设计了专门用于多域联合信道外推的神经网络架构[^2]。 ```python import tensorflow as tf from tensorflow.keras import layers, models def create_cnn_model(input_shape): model = models.Sequential() model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=input_shape)) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Flatten()) model.add(layers.Dense(64, activation='relu')) model.add(layers.Dense(1)) return model ``` #### 实验验证比较 实验结果显示,无论是单一信道还是整体系统表现,实用估计器和神经网络估计器均超越传统线性插值技术。具体而言,通过MATLAB编写代码并执行在线CNN训练流程,最终得到各类信道估计的平均平方误差(MSE),并通过图表直观展示单个信道估计效果及实际信道响应情况[^3]。 #### 稀疏贝叶斯学习框架时变参数追踪 一种创新性的解决方案是采用稀疏贝叶斯学习(SBL)框架结合降维卡尔曼滤波算法来处理时变特性显著的大规模MIMO信道建模难题。这种方法不仅能够有效捕捉信道随时间的变化规律,而且提高了计算效率和精度[^4]。 #### CSI反馈机制优化 针对无线通信中至关重要的信道状态信息(CSI)反馈环节,有研究表明可以通过构建特定类型的深度学习模型——如CSiNet——来进行高效压缩感知编码,从而减少传输开销的同时保持较高的重建质量[^5]。
评论
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