Oracle学习(二)——————————————约束

本文深入讲解SQL中的约束概念,包括主键、非空、默认、检查、唯一和外键等不同类型的约束,以及它们在列级和表级的应用。通过实例演示如何在表创建过程中应用这些约束,确保数据完整性和一致性。

这此来学习一下约束

约束可以有两种分类一种是等级分类,一种是类型分类

按等级分类:表级约束、列级约束。

按类型分类:主键约束(primary key)、非空约束(not null)、默认约束(default)、外键约束(foreing key)、检查约束(check)、唯一约束(unique)

一、等级分类

列级约束:

在一个列定义后用空格隔开开始定义列约束

格式 :

create table 表名(

列名 类型 约束,

列名 类型 约束1 约束2,

);

如:

从图中可以看到列级约束在每一列后边用空格隔开,一行列可以有多个约束

表级约束:

在全部列定义后开始定义表级约束

格式:

create table 表名(

列名 类型 ,

列名 类型,

constraint 约束名 约束类型(列名),

constraint 约束名 约束类型(列名1,列名2)

);

5、6行表级约束,约束可以约束多列

非空和默认约束不能使用在表级约束中

列级约束和表级约束区别

 表级约束列级约束
作用一个列上多个列
位置定义在要约束列的后边当所有列定义完之后定义约束
类型主键、外键、检查、唯一

前4个+非空和默认

 

二、类型约束

现在创建一个表,这个表中创建了一个表,用到了主键,非空,默认,检查,唯一

a、非空约束

非空约束只能约束列

非空约束后说明插入这条数据时该列数值不能为空

我们刚才创建的teacher表name加了非空约束
那我们添加两条数据看一下

首先插入一条完整的数据,插入成功

然后我们插入一条数据不插入姓名,于是就报错了

b.主键约束

可以修饰任何数据类型

被修饰后,不能重复且不能为空

一张表只能有一个主键

id被primary key被修饰了,所以我们插入数据

现在已经插入了一条数据

当我们在插入一条id为一的数据,就会报错

c、默认约束

默认约束是当该列未输入该数据时,此数据设置未默认的值。

比如在教师的性别默认不输入便为男

我们插入数据时并没有输入性别,可是查询查看时候性别自动为男

d、检查约束

检查约束对输入条件进行了限制,年龄在0-120之间。

我们插入数据在120以外会如何?

可以看到当输入不符合范围会报错。

e、唯一约束

一张表可以有多个外键

唯一约束就是在这一列中不能出现重复的数据和主键约束有点像

主键约束和唯一约束报的错是一样的。

但是唯一约束不能为空,主键约束可以为空

f、外键约束

建立在两个表之间链接一列或者多列,通过外键将一个表中的主键加到另一个表中

第一个表中的主键便是第二个表的外键

第一个表

第二张表

这便两者创建了联系

on delete cascade(级联删除):当父表中的列被删除时,同时删除子表中相对应的记录

on delete set null(级联置空):当父表中的列被删除时,子表中相对应记录的外键列置空

使用外键的建议:

1)当父表中没有对应的记录时,不要将记录添加到子表

2)不要更改父表中的值而导致子表中的记录孤立

3)子表存在与父表对应的记录时,删除父表记录时 应该级联删除或级联置空

4)删除父表前,先删子表

【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念分析方法;②掌握利用Simulink进行电力系统建模仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 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