SQL— DQL语句学习【后端 11】

FPGA新手必看:用USB转TTL实现串口通信的完整流程(附CH340G电路详解) 本文为FPGA新手提供了通过USB转TTL模块实现串口通信的完整实战指南。详细解析了CH340G电路设计要点、硬件连接方法,并分享了经过验证的Verilog代码框架,帮助读者快速掌握FPGA与PC通信的核心技术,解决电平匹配与波特率设置等常见问题。 阅读详情

DQL语句

请添加图片描述

引言

DQL(Data Query Language,即数据查询语言)是SQL(Structured Query Language)中用于从数据库中检索数据的重要部分。在数据库管理中,DQL语句是日常工作中最常用的工具之一。通过DQL,我们能够从数据库中获取所需的信息,实现数据的精准提取。本文将详细介绍DQL的基础语法,包括基本查询、条件查询、聚合查询、分组查询、排序查询、分页查询等核心内容,并结合具体案例进行说明。


基础语法

SELECT语句

SELECT语句是DQL的核心,用于从数据库表中选取数据,其基本语法如下:

SELECT column1, column2, ...  
FROM table_name;

要查询表中的所有列,可以使用星号(*)作为通配符,表示“选取所有列”:

SELECT *  
FROM table_name;

示例:

假设我们有一个employees表,结构如下:

idnamepositionsalarydepartment
1AliceManager6000HR
2BobAnalyst4000Finance
3CarolEngineer5000IT

查询所有员工信息:

SELECT *  
FROM employees;

查询特定列,如员工姓名和职位:

SELECT name, position  
FROM employees;

WHERE子句

WHERE子句用于筛选满足条件的记录。其基本语法为:

SELECT column1, column2, ...  
FROM table_name  
WHERE condition;

条件可以是数值、字符串或日期的比较,也可以通过逻辑运算符(AND、OR、NOT)组合多个条件。

示例:

查询薪资大于4500的员工信息:

SELECT *  
FROM employees  
WHERE salary > 4500;

查询属于“IT”部门的员工:

SELECT *  
FROM employees  
WHERE department = 'IT';

你还可以组合条件,查询薪资大于4000且职位为“Engineer”的员工:

SELECT *  
FROM employees  
WHERE salary > 4000 AND position = 'Engineer';

基本查询

基本查询是DQL最常见的操作。你只需指定要查询的列和表名即可。

示例:

查询所有学生信息:

SELECT * FROM students;

查询学生的id、name和age:

SELECT id, name, age FROM students;

条件查询

条件查询通过WHERE子句进行数据过滤,返回满足特定条件的记录。还可以使用IN、BETWEEN等操作符进行复杂查询。

示例:

查询年龄在18到25岁之间的学生信息:

SELECT *  
FROM students  
WHERE age BETWEEN 18 AND 25;

查询学生所在城市为“New York”或“Los Angeles”的记录:

SELECT *  
FROM students  
WHERE city IN ('New York', 'Los Angeles');

聚合查询

聚合查询通过聚合函数对一组值进行计算,常见的聚合函数包括COUNT()、SUM()、AVG()、MAX()、MIN()。这些函数可以帮助你快速获得统计信息。

示例:

查询学生总数:

SELECT COUNT(*)  
FROM students;

计算各城市的学生总数:

SELECT city, COUNT(*)  
FROM students  
GROUP BY city;

查询最高薪资:

SELECT MAX(salary)  
FROM employees;

分组查询

分组查询使用GROUP BY子句,将结果集按一列或多列进行分组。常与聚合函数结合使用,返回每个分组的统计结果。

示例:

按城市分组,查询每个城市的平均学生年龄:

SELECT city, AVG(age) AS avg_age  
FROM students  
GROUP BY city;

分组后可以使用HAVING子句对分组结果进行过滤。例如,查询平均年龄大于20岁的城市:

SELECT city, AVG(age) AS avg_age  
FROM students  
GROUP BY city  
HAVING AVG(age) > 20;

排序查询

ORDER BY子句用于对查询结果按指定列进行排序。可以按升序(ASC)或降序(DESC)排序。

示例:

按年龄升序排列学生信息:

SELECT * FROM students  
ORDER BY age ASC;

按薪资降序排列员工信息:

SELECT * FROM employees  
ORDER BY salary DESC;

你也可以按多列排序,例如,先按部门升序,然后按薪资降序排列:

SELECT *  
FROM employees  
ORDER BY department ASC, salary DESC;

分页查询

分页查询在处理大数据集时尤为重要,避免一次性加载过多数据导致性能问题。在MySQL中,LIMIT子句可以帮助实现分页。

示例:

查询第1页的数据,每页显示5条记录:

SELECT *  
FROM students  
LIMIT 0, 5;

查询第2页的数据,每页显示5条记录:

SELECT *  
FROM students  
LIMIT 5, 5;

如果要查询第n页的数据,可以通过公式(n-1)*每页记录数来确定起始位置。


结论

DQL是数据库查询的核心工具,熟练掌握它能够帮助你从海量数据中高效提取有价值的信息。通过结合基本查询、条件查询、聚合查询、分组查询、排序查询和分页查询,你可以实现对数据的灵活操控。希望本文的讲解和示例能够帮助你更好地理解和运用DQL语句。

基于DNN神经网络的多输入多输出数据回归预测(附带Matlab代码) 假设我们的输入数据包含n个特征,输出数据包含m个特征。在本文中,我们将介绍如何使用DNN(深度神经网络)实现多输入多输出数据回归预测,并提供相应的Matlab代码。需要注意的是,上述代码中的DNN模型是一个简化的示例,您可以根据实际任务的复杂程度和要求进行相应的调整和优化。综上所述,我们介绍了如何使用DNN神经网络实现多输入多输出数据回归预测,并提供了相应的Matlab代码。函数对DNN模型进行训练,其中输入数据需要转置,以适应网络的输入要求。最后,我们使用训练好的模型对测试数据进行预测,并打印预测结果。 阅读详情

相关推荐

使用模拟工具Modbus poll 和PLC 通讯

使用模拟工具Modbus poll 和PLC 通讯 简介 Modbus Poll 是一个模拟Modbus 主站的工具。不用在现场调试,在家也能使用,方便快捷的调试验证程序。使用它可以和PLC进行Modbus TCP /RTU 通讯等功能,接下来为大家介绍使用Modbus Poll 和 PLC 进行 Modbus TCP 通讯。 组态PLC PLC作为我们的从站和Modbus Poll 通讯,那我们组态一个PLC。 创建通信DB 创建一个DB块,在数据类型处输入:TCON_IP_V4

weixin_61398412的博客 1万+

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

App渗透 - 人脸识别登录绕过

一、APP抓包和逆向破解加密算法打开APP是一个登录框抓包后发现参数被加密了使用Jadx脱源码发现,并没有加壳也没有混淆,运气很好根据经验,先搜索Encrypt、Decrypt等关键字,发现在Common.js中有一个encryptData函数定位过去,一套加解密算法都写好了放在这放到浏览器console里面调试,果然没错二、寻找注入点首先测试了一下注入明文:{"userName":"TEST'...

渗透测试研究中心 2827

SQL之DQL学习

用于记录SQL中DQL的学习

qq_54842049的博客 3237

国产信创麒麟操作系统 (kylin v10 x86架构) 离线安装nginx步骤(亲测,超详细步骤)、修改nginx配置文件、启动、重启、关闭nginx记录(亲测有效)

国产信创麒麟操作系统 (kylin v10 x86架构) 离线安装nginx步骤(亲测,超详细步骤)、修改nginx配置文件、启动、重启、关闭nginx记录(亲测有效)

qq445829096的博客 2777

NE564锁相环FM解调电路设计:10.7MHz中频实测与3种失真优化方案

本文详细解析了NE564锁相环在10.7MHz中频FM解调电路中的设计与优化方案。通过分析锁相环技术基础、电路架构设计及典型失真问题,提供了3种有效的失真优化方法,包括限幅增强、VCO频偏补偿和环路滤波优化,显著提升解调性能。文章还涵盖了PCB布局要点和系统测试验证,为高频电子线路设计提供实用参考。

weixin_33314040的博客 350

SQL— DDL语句学习【后端 9】

DDL是SQL中用于定义数据库结构的部分,它允许我们创建、修改或删除数据库对象。在数据库设计阶段,DDL语句是不可或缺的工具。

delepaste的博客 1905

【科研绘图】【数据拟合曲线】:附Origin详细画图流程

拟合曲线图

weixin_50236590的博客 4万+

SQL中的DQL语句

在SQL语句中,DQL主要用于查询数据库中的记录,关键字:select *DQL:Data Query Language数据查询语言 下面是常用的DQL语句: 首先,创建一个学生列表有id、name、chinese、english、math 字段。并在其中添加元素。 create table student(id int,name varchar(20),chinese float, ...

laopeter0的博客 1600

基于STM32L4XX、HAL库的RTL8201F 以太网收发器(PHY)驱动程序设计

define PHY_RESET_DELAY 1000 // PHY复位延迟(ms)#define PHY_AUTONEGO_DELAY 3000 // 自动协商延迟(ms)/* 检查PHY ID (RTL8201F的ID为0x001CC816) *//* 系统时钟配置,确保ETH有50MHz时钟 *//* 初始化CPU, AHB和APB总线时钟 */

zhusl6688的博客 817

12、控件使用之录入英文、阿拉伯数字删除增加功能及二维码显示

控件使用之录入英文、阿拉伯数字删除增加功能及二维码显示1、用到的控件2、添加控件2.1、添加【文本录入】控件2.1、添加【文本显示】控件2.1、添加【QR 二维码】控件3、保存工程及生成文件4、下载文件 1、用到的控件   需要用的显示控件为【文本显示】控件和【QR二维码】控件,以及触控控件【文本录入】控件。 2、添加控件 2.1、添加【文本录入】控件   【文本录入】控件也叫【ASCI 文本录入】,是用来录入ASCI 字符,打开 DGUS 软件,点击【触控控件】—【文本录入】,用鼠标框选一个区域,即可在右

嵌入式羊圈 630

SQL DQL查询语句

SQL(Structured Query Language)中的DQL指的是数据查询语言,它用于从数据库中检索数据。

m0_70982551的博客 1455

如何懂固高卡以及滚筒轴+平移轴配合运动?

🏆本文收录于专栏,主要记录项目实战过程中所遇到的Bug或因后果及提供真实有效的解决方案,希望能够助你一臂之力,帮你早日登顶实现财富自由🚀;同时,欢迎大家!持续更新中,up!up!up!!

**My Coding Family** 853

MySql的初识感悟,以及sql语句中的DDL和DML和DQL的基本语法

MySql的初识感悟,以及sql语句中的DDL和DML和DQL的基本语法

weixin_61789925的博客 1270

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

【MySQL】DML数据操作语句和基本的DQL语句

insert into student(sname,ssex) values('杨文琦','男'),('杨博海','男'),('杨坤','男');insert into student values(null,'齐韬尊','1789-1-1','女',2);insert into student(sname) values('杨文齐'),('小小杨'),('杨帅哥'),('帅气的杨同学');-- insert into 表名(字段名,字段名,...,字段名)values/value (值,值...值)

weixin_71491685的博客 1944

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----DQL

DQL-介绍 DQL数据查询语言,用来查询数据库中表的记录 查询关键字:select DQL-语法 select 字段列表 from 表名列表 where 条件列表 group by 分组字段列表 order by 排序字段列表 limit 分页参数; DQL-基本查询 查询多个字段 select 字段1,字段2,字段3,... from 表名; select * from 表名; 设置别名 select 字段1 [as 别名1], 字段2 [as 别名2], ... from 表名; 去除重复记录

emmmm..... 691

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语句学习

1)什么是SQL语句: SQL 是一种标准化的语言,它允许你在数据库上执行操作,如创建数据库、表等等,查询内容,更新内容,并删除条目等操作。Create, Read, Update, and Delete 通常称为CRUD操作。 SQL语句分类 : DDL(Data Definition Language):数据定义语言,用来定义数据库对象:库、表、列等。 DML(Data Manipulation Language):数据操作语言,用来定义数据库记录(数据)。 ...

Morning Sunshine的IT技术博客 3221

MySQL数据库(四)SQL之DQL语句

成功不易,加倍努力!DQL语句1 单表操作2 多表查询2.1 子查询2.2 联合查询:UNION2.3 交叉连接2.4 内连接2.5 左和右外连接2.6 完全外连接2.7 自连接3 SELECT语句处理的顺序 DQL语句 1 单表操作 语法: SELECT [ALL | DISTINCT | DISTINCTROW ] [HIGH_PRIORITY] [STRAIGHT_JOIN] [SQL_SMALL_RESULT] [SQL_BIG_RESULT] [SQL_

崔庆贺的博客 486

学习之SQL语句之DQL(数据库查询语言)

DQL英文全称是Data Query Language(数据查询语言),数据查询语言,用来查询数据库中表的记录查询关键字:SELECT数据准备:id INT COMMENT “编号”,workno VARCHAR ( 10 ) COMMENT “工号”,NAME VARCHAR ( 10 ) COMMENT “姓名”,gender CHAR ( 1 ) COMMENT “性别”,age TINYINT UNSIGNED COMMENT “年龄”,

qq_42792477的博客 2261

SQL语法-DQL-测试练习

DQL语句测试练习

这个博主不懒,但Ta什么也没写~(私信互关24小时必回) 1748

Mysql之DQL语句

SQL语句有很多,最好进行分门别类才方便记忆。DQL-数据查询语言,凡是带有select关键字的都是查询语句。DML-数据操作语言......

Maddoxzhi的博客 327

数据库SQL语句期末总复习

SQL语句的分类 DDL(数据定义语言):create、drop、alter对表结构进行增删改 DQL(数据查询语言):select查询语句 DML(数据操作语言):insert、delete、update对表中数据进行增删改 DCL(数据控制语言):grant、revoke授权与撤销授权 TCL(事务控制语言):commit、rollback提交事务与回滚事务 DDL数据定义语言 -- 创建数据库 create database <数据库名>; -- 删除数据库 drop databa..

zt的博客 7407

SQL常用语句(DDL、DML、DQL)

SQL的常用语法使用,包含DDL,DML,DQL

qq_51938362的博客 1373

SQL语句基础--深入理解 DQL(数据查询语言)

是 SQL 语言的一个子集,用于从数据库中查询数据。DQL 的核心是SELECT语句,通过指定查询条件、排序、分组等操作,用户可以高效地从数据库中提取所需数据。

zzb1580的博客 1358

数据库基础——DQL数据查询(常用语句)

前言 上篇中介绍了SQL语言的基本格式,DDL操作数据库、表和列,DML操作数据库数据的增删改查,DCL操作用户访问权限和设定安全级别。还有DQL数据查询在上篇中没有介绍,那是因为数据查询太重要了,内容也很多。所以呢,在这里我就单独抽出来做一篇DQL数据查询。 DQL数据查询 数据库执行DQL语句不会对数据进行改变,而是让数据库发送结果给客户端。 查询返回的结果集是一张虚拟表。 查询关键字:SELECT 语法:SELECT 列名 FROM 表名 【WHERE --> BROUP BY–>HAVI

跌跌撞撞的小白 5167

【MySQL基础篇】SQL指令:DQL及DCL

DQL英文全称是Data Query Language(数据查询语言),数据查询语言,用来查询数据表中的记录。(在MySQL中应用是最为广泛的)查询关键字:SELECT。

2401_83283514的博客 2889
上一篇: SQL— DML语句学习【后端 10】
下一篇: 数据库多表设计:深入理解一对多、一对一、多对多关系 【后端 12】
终末圆
博客等级 码龄2年 1389粉丝 86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