MongoDB 基本操作

本文介绍了MongoDB的启动方式,包括命令行启动、配置文件启动及后台Daemon启动等,并详细讲解了如何通过MongoDB Shell进行数据库操作,如连接数据库、插入记录、查询记录等。

MongoDB ShellMongoDB自带的交互式javascript shell。用来对MongoDB进行操作和管理的交互式环境。

2.1 启动数据库

2.1.1 命令行方式启动

MongoDB默认的存储数据目录为/data/db,默认端口27017,默认HTTP端口28017。也可以修改成不同目录:mongod --dbpath=/data/db

2.1.2 配置文件方式启动

启动时加上-f参数,并指向配置文件即可。配置中dbpath=/data/db/

mongod -f /etc/mongodb.cnf

2.1.3 Daemon方式启动

MongoDB提供了一种后台Daemon方式启动的选择,只需要加上—fork参数即可。如果用到了--fork参数,就必须启用--logpath参数,这是强制的。

2.1.4 mongod参数说明

Mongod主要参数:

dbpath:数据文件存放路径。每个数据库会在其中创建一个子目录,防止同一个实例多次运行的mongod.lock也保存在次目录中。

logpath:错误日志文件

logappend:错误日志采用追加模式(默认覆写模式)

bind_ip:对外服务的绑定ip,一般设置为空,及绑定在本机所有可用ip上。如有需要可以单独绑定。

port:对外服务端口。Web管理端口在这个port的基础上+1000

fork:以后台Daemon形式运行服务。

journal:开启日志功能,通过保存操作日志来降低单机故障的恢复时间。

syncdelay:系统同步刷新磁盘的时间,单位为秒,默认时60秒。

directoryperdb:每个db存放在单独的目录中,建议设置该参数。

repairpath:执行repair时的临时目录。如果没有开启journal,异常down机后重启,必须执行repair操作。

在源代码中,mongod的参数分为一般参数,windows参数,replication参数,replica set参数以及隐含参数。上面列举的时一般参数。

mongod的参数中,没有设置内存大小的相关参数,因为MongoDB使用os mmap机制来缓存数据文件数据,自身目前不提供缓存机制。mmap在数据量不超过内存时效率很高,但是数据超过内存后,写入的性能不太稳定。

2.2 停止数据库

2.2.1 Control-C

如果处与链接状态,那么直接通过control+C方式停掉MongoDB的实例。

MongoDB快速入门 - sheperd - 牧羊人的博客

2.2.2 shutdownServer()指令

通过admin库中发送db.shutdownServer()指令停止MongoDB实例。


MongoDB快速入门 - sheperd - 牧羊人的博客

4.3 连接数据库

新建一个session,键入mongo出现:

MongoDB快速入门 - sheperd - 牧羊人的博客
 

默认shell连接的是本机localhost上的test库,”connecting to”显示正在使用的数据库的名称,使用”use mydb”来切换数据库。

Mongo shell采用js shell

4.4 插入记录


MongoDB快速入门 - sheperd - 牧羊人的博客
 

不需要预先创建一个集合,在第一次插入数据时候会自动创建。

在文档中其实可以存储任何结构的数据。

每次插入数据时候集合中都会有一个ID,名字叫_id

4.5 _id key

MongoDB支持的数据类型中,_id是其自有产物。

存储在MongoDB集合中的每个文档都有一个默认的主键_id,这个主键名称是固定的,它可以是MongoDB支持的任何数据类型,默认是ObjectId

mongoDB中,每个集合都必须有一个叫做_id的字段,字段类型默认是ObjectId

虽然_id的类型可以自由指定,但是在同一个集合中必须唯一。

4.6.1 普通查询

MongoDB快速入门 - sheperd - 牧羊人的博客
 

从一个查询中返回一个游标对象,可以简单的通过find()来查询,它返回一个任意结合的集合。

上面的例子显示了游标风格的迭代输出。

当我们使用的是JavaScript shell,可以用到JS的特性forEach就可以输出游标了。forEach()必须定一个函数供每个游标元素调用。

MongoDB快速入门 - sheperd - 牧羊人的博客

mongodb shell里,可以把游标当作数组来使用。使用游标时应该注意占用内存的问题,所以应该使用迭代的方式来输出。

MongoDB快速入门 - sheperd - 牧羊人的博客
 
MongoDB快速入门 - sheperd - 牧羊人的博客
  

4.6.2 条件查询

MongoDB快速入门 - sheperd - 牧羊人的博客
 查询条件是{a:A,b:B,...}类似 “where a==A and b==B”

上面查询初所有的元素,也可以返回特定的元素,类似于返回表里某字段的值。 

MongoDB快速入门 - sheperd - 牧羊人的博客

4.6.3 findOne()语法

findOne函数返回游标里第一条数据,或者返回Null

MongoDB快速入门 - sheperd - 牧羊人的博客

4.6.4 通过limit限制结果集数量

通过limit方法可以限制结果集的长度,这是解决性能问题的方法,减少网络传输。

MongoDB快速入门 - sheperd - 牧羊人的博客

4.7 修改记录

namemongo的记录的name修改为mongo_new

MongoDB快速入门 - sheperd - 牧羊人的博客

4.8 删除记录

将用户Namemongo_new的记录从集合things中删除。

MongoDB快速入门 - sheperd - 牧羊人的博客
标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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