2021-06-01

博客介绍了连接查询的语法,包含多表连接及条件表达式。还给出了两大题共八问的查询题目,涉及公交车辆、司机、订单、客户等信息的查询,如获取非空调车信息、公交二公司司机信息、订单明细等,并提及运行结果。

第7章:连接查询

连接查询的语法如下:
select 字段列表 from 表1 join 表2 on 表1.字段名1=表2.字段名2
join 表3 on 表2.字段名2=表3.字段名3
[where<条件表达式>]

第一大题
第一问:
获取所有非空调车的车牌号、型号和司机姓名、所属线路的线路号、起点站和终点站信息

select name 司机姓名,plateNo 车牌号,model 型号,lineNo 线路号,from_station 起点站,end_station 终点站
from vehicle v inner 
join driver d 
on v.driverID =d.driverID
inner join line l 
on v.lineID=l.lineID 
where type='非空调车';

运行结果如下:
在这里插入图片描述

第二问:
获取公交二公司所有司机信息。要求输出司机姓名、身份证、性别和电话;

select name 司机姓名,licenseNo 身份证,gender 性别,phone 电话 
from vehicle v inner join driver d 
on v.driverID=d.driverID 
join line l 
on v.lineID=l.lineID
where company='公交二公司'

运行结果如下:
在这里插入图片描述

第三问:
查询所有非空调车的车牌号、型号、线路号、起点站、终点站;

select plateNo 车牌号,model 型号,lineNo 线路号,from_station 起点站,end_station 终点站
from vehicle v 
left join line l 
on v.lineID=l.lineID 
where type='非空调车';

运行结果如下:
在这里插入图片描述

第四问:
显示所有司机基本信息,并查询其所驾驶车辆和行驶线路的相关信息,要求输出司机姓名、性别、电话、车牌号、型号、线路号、起点站、终点站;

select name 司机姓名,gender 性别,phone 电话,plateNo 车牌号,model 型号,lineNo 线路号,from_station 起点站,end_station 终点站 
from driver d 
left join vehicle v 
on d.driverID=v.driverID 
left join line l 
on v.lineID=l.lineID;

运行结果如下:
在这里插入图片描述

第二大题
第一问:
获取订单ID为4的订购明细信息,要求输出商品名、单价和件数;

select goodsName 商品名,unitPrice 单价,quantity 件数 from
orders o,ordersdetail od,goods g 
where o.ordersID=od.ordersID and
od.goodsID=g.goodsID and
o.ordersID=4;

运行结果如下:
在这里插入图片描述

第二问:
获取客户“王传华”所下订单详细信息,要求显示客户姓名,订单id、下单日期、商品名、单价和件数。

select o.ordersID 订单ID,ordersDate 下单日期,goodsName 商品名,unitPrice 单价,quantity 件数 
from customer c,orders o,ordersdetail od,goods g
where c.customerID=o.customerID and
o.ordersID=od.ordersID and
od.goodsID=g.goodsID and
cName='王传华';

在这里插入图片描述

第三问:
使用左外连接获取所有客户的基本信息以及订购信息,要求输出客户姓名、电话、订单ID和订单时间;

select cName 姓名,ordersID 订单ID,ordersDate 下单日期 from
 
customer c left join orders o on
 
c.customerID=o.customerID;

在这里插入图片描述

第四问:
使用左外连接获取所有客户的基本信息以及订购信息,要求输出客户姓名、电话、订单ID和订单时间;

select cName 姓名,ordersID 订单ID,ordersDate 下单日期 from
 
customer c right join orders o on
 
c.customerID=o.customerID;

在这里插入图片描述

你已经成功将 `Date` 列转换为 `datetime64[ns]` 类型,并且输出如下: ``` 0 2021-01-04 1 2021-01-05 2 2021-01-06 3 2021-01-07 4 2021-01-08 Name: Date, dtype: datetime64[ns] ``` ✅ **这说明日期解析完全正确!** 接下来你应该执行: ```python df.set_index('Date', inplace=True) df.sort_index(inplace=True) # 确保时间顺序正确 ``` 然后进入主逻辑,使用我们之前修复过的区间筛选函数(作用于索引)即可正常运行。 --- ### ✅ 当前状态确认清单 | 检查项 | 是否完成 | 说明 | |--------|----------|------| | ✔️ `Date` 列是否为 `datetime64[ns]`? | ✅ 是 | 输出已验证 | | ✔️ 是否设置为索引? | ⚠️ 需手动执行 | 必须调用 `set_index` | | ✔️ 时间是否升序排列? | ⚠️ 建议排序 | 使用 `sort_index()` 更安全 | | ✔️ 区间过滤函数是否作用于 `index`? | ✅ 是 | 否则会出错 | --- ### ✅ 推荐后续代码(确保流程完整) ```python # 设置索引并排序 df.set_index('Date', inplace=True) df.sort_index(inplace=True) # 查看数据类型前几行 print("Index dtype:", df.index.dtype) print("Data head:") print(df.head()) ``` 此时你的 `df.index` 是一个有序的 `DatetimeIndex`,可以安全用于以下操作: ```python intervals = { 'YTD': lambda idx: idx >= pd.Timestamp(year=idx[-1].year, month=1, day=1), '1Y': lambda idx: idx >= idx[-1] - pd.DateOffset(years=1), '6M': lambda idx: idx >= idx[-1] - pd.DateOffset(months=6), '3M': lambda idx: idx >= idx[-1] - pd.DateOffset(months=3), '1M': lambda idx: idx >= idx[-1] - pd.DateOffset(months=1), } ``` 因为 `idx[-1]` 就是最后一个交易日,比如 `2024-03-28`,它是一个 `pd.Timestamp`,支持 `.year`、`.month` 等属性,不会再报错! --- ### ✅ 示例:查看当前 YTD 起始日 你可以加一段调试代码来验证逻辑是否正确: ```python # 调试:打印各个区间的起始时间(以最后一个日期为基准) last_date = df.index[-1] print(f"最新交易日: {last_date}") print("各区间起始日:") print("YTD:", pd.Timestamp(year=last_date.year, month=1, day=1)) print("1Y: ", last_date - pd.DateOffset(years=1)) print("6M: ", last_date - pd.DateOffset(months=6)) print("3M: ", last_date - pd.DateOffset(months=3)) print("1M: ", last_date - pd.DateOffset(months=1)) ``` 输出示例: ``` 最新交易日: 2024-03-28 各区间起始日: YTD: 2024-01-01 1Y: 2023-03-28 6M: 2023-09-28 3M: 2024-01-28 1M: 2024-02-28 ``` 这些日期就是每个区间的“开始日”,之后用它们做布尔索引就能提取对应时间段的数据。 --- ### ✅ 总结:你现在可以继续了! 只要你完成了以下几步: 1. ✅ 成功将 `Date` 转为 `datetime64[ns]` 2. ✅ 执行了 `df.set_index('Date')` `sort_index()` 3. ✅ 使用基于 `idx`(即 DatetimeIndex)的过滤函数 那么之前的两个错误(`float64 has no attribute year` `>= not supported`)都已彻底解决,现在可以放心运行完整的绩效分析代码。 --- ###
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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