一文入门mysql 数据库

一、数据库概述

什么是数据库

       数据库是一个用于存储和管理数据的仓库。数据按照特定的格式存储,可以对数据库中的数据进行增加、修改、删除和查询操作。数据库的本质是一个文件系统,按照一定的逻辑结构组织数据,以方便高效地访问和维护。

什么是数据库管理系统

       数据库管理系统(DataBase Management System,DBMS)是一个操作和管理数据库的软件。它用于建立、使用和维护数据库,对数据库进行统一管理和控制,以保证数据库的安全性和完整性。用户通过数据库管理系统访问数据库中表内的数据。

常见的数据库管理系统

MYSQL :

MySQL 不仅用于小型数据库,还可以扩展到大型企业级应用场景。它在许多高流量的网站和大型企业系统中得到了广泛应用。
虽然 Oracle 收购了 MySQL,但开源版本仍然存在且免费。MySQL 有多个版本(如社区版、企业版等),其中一些版本收费,但免费的社区版仍在维护和更新。
Oracle :收费的大型关系数据库管理系统,主要用于大型企业级应用。

SQLServer:MicroSoft 公司收费的中型的数据库。SQL Server 不仅适用于 C# 和 .NET 语言,还可以与其他编程语言(如 Java、Python、PHP 等)一起使用。

SQLite : 嵌入式的小型数据库,SQLite 不仅应用于手机端,还可以应用于桌面应用程序和物联网(IoT)设备等。

PostgreSQL:PostgreSQL 是一种开源的关系数据库管理系统,功能强大且可扩展,适用于各种规模的应用场景。它在许多大型企业和开源项目中得到了广泛应用。

NoSQL:除了上述描述的关系数据库管理系统外,还有一类称为 NoSQL(Not Only SQL)数据库,它们使用非关系模型来存储和管理数据。这些数据库包括 MongoDB(文档存储)、Redis(键值存储)、Apache Cassandra(列存储)和 Neo4j(图数据库)等。这些数据库在大数据、分布式系统和实时应用场景中具有优势。

数据库表

数据库中以表为组织单位存储数据。

表类似我们的Java类,每个字段都有对应的数据类型。

那么用我们熟悉的java程序来与关系型数据对比,就会发现以下对应关系。

类----------表

类中属性----------表中字段

对象----------记录

二、MySql数据库

1.安装:

可以观看我之前的作品

2.登录,在windows命令窗口

mysql -u(用户名) -p(密码) -h(主机ip地址) -P(主机ip端口号) 

3.基础指令

(1)数据库基本指令:

show  databases;  显示所有的数据库

create database 数据库名 charest=utf8;  创建数据库

drop database 数据库名;  删除数据库

use 数据库名; 使用数据库

select database();  查看当前使用的数据库

(2)数据表基本指令:

show tables;  显示数据库中的所有数据表

create  table 表名 (列名 类型 约束1 约束2...,列名  类型  约束1  约束2...);  创建数据表

desc 表名;  查看数据表结构

drop table 表名;  删除数据表

(3)数据表中列的增删改:

alter table 数据表名 drop 列名;  删除列

alter table 数据表名  add  列名 类型 约束1  约束2...;  创建列

alter table 数据表名  change 列名 新列名 类型 约束1  约束2...;  修改列

(4)列的约束条件:

1.主键 :primary  key ,可以确定唯一的一行

2.非空 :not null ,不能为空,必须有值

3.自增长: auto_increment  ,每次+1

4.唯一: unique, 列中内容不重复

5.默认:default,默认值

6.外键:foreign,与其他表关联,是其他表的主键

7.检查:check,Mysql 8 才有,检查满足条件

4.高级指令

(1)、CURD  增删改查

查:

1.select * from 数据表名 where 条件; 慎用,非常耗时

2.select 列名,列名,列名 from 数据表名 where 条件;

### Milvus 向量数据库入门教程 #### 一、基本概念与功能概述 Milvus 是一款专为处理非结构化数据设计的强大向量数据库,旨在解决复杂语义关系和高维向量数据的相似性检索问题[^1]。相比于传统的关系型数据库,Milvus 提供了更加智能化和高效的检索方式,适用于需要语义理解和多模态处理的应用场景。 #### 二、安装与环境配置 对于初学者来说,推荐使用 **Milvus Lite** 版本进行本地 Python 程序开发。该版本非常适合初次接触 Milvus 的用户,因为它简单易用且无需复杂的部署流程[^2]。而对于更大规模的数据集或生产环境中,则建议考虑 Docker 或 Kubernetes 部署方案。这些高级部署模式不仅提供了更高的灵活性,还保持了 API 的一致性,使得迁移变得轻松便捷。 #### 三、核心操作指南 ##### 创建集合 (Collection) 在开始之前,首先要定义并创建一个新的集合用于存储向量数据: ```python from pymilvus import CollectionSchema, FieldSchema, DataType, connections, utility connections.connect("default") fields = [ FieldSchema(name="id", dtype=DataType.INT64, is_primary=True), FieldSchema(name="embedding", dtype=DataType.FLOAT_VECTOR, dim=128) ] schema = CollectionSchema(fields, description="Example collection") collection = Collection(name="example_collection", schema=schema) ``` ##### 插入数据 接着可以往刚刚建立好的集合里插入一些测试数据: ```python import numpy as np data = [ [i for i in range(10)], # id field data [[np.random.rand() * 0.5 for _ in range(128)] for _ in range(10)] # embedding vectors ] mr = collection.insert(data) print(f"Number of entities inserted: {len(mr.primary_keys)}") ``` ##### 构建索引 为了提高查询效率,在实际应用中通常会对特定字段构建索引来加速搜索速度。这里以 HNSW 索引为例展示如何设置参数并创建索引: ```python index_params = { "index_type": "HNSW", "metric_type": "L2", "params": {"M": 16, "efConstruction": 64} } collection.create_index(field_name="embedding", index_params=index_params) ``` ##### 执行搜索 最后一步就是利用已有的索引来进行高效地向量相似度匹配查找: ```python search_param = {"metric_type": "L2", "params": {"ef": 10}} results = collection.search( data=[[0.1]*128], param=search_param, limit=3, expr=None, output_fields=["id"] ) for result in results: print(result) ``` 以上便是关于 Milvus 向量数据库的基础入门指导,涵盖了从安装到执行具体任务所需的各个重要环节[^3][^4].
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