第一课:数据库的基本操作(表的创建、删除、修改、重命名、主键、截断表)

别再折腾环境了!Windows 11 + VSCode + CMake 3.31.4 + MinGW-w64 一键式配置指南(附常见报错解决) 本文提供Windows 11下VSCode、CMake 3.31.4和MinGW-w64的一键式配置指南,帮助开发者快速搭建高效C++开发环境。涵盖工具链选型、环境变量配置、项目初始化及常见报错解决方案,大幅提升开发效率。 阅读详情

一、表的创建

在Mysql中,通过使用create table 来创建表。

1、create table 的基本语法结构

create table 表名

( 字段名1    数据类型   字段约束

  字段名2    数据类型   字段约束

  ……

) default charset=utf-8;

★★★★★字段约束都包含什么?

[ unsigned   key|primary key   NULL|NOT NULL   UNIQUE    AUTO_INCREMENT    DEFAULT 值    COMMENT‘注释’ ] 

★★★具体:

unsigned:无符号数值

key|primary key:主键约束

NULL|NOT NULL:该字段可空|不可空(二选一)

UNIQUE:约束唯一,即不能重复(例如手机号、身份证号不能重复)

AUTO_INCREMENT:用于主键自动增长

DEFAULT 值:约束默认值()

COMMENT‘注释内容’:约束注释内容

⭐️⭐️⭐️示例:创建一个student表,设置学号、姓名、性别三个字段不能为空,并且给性别字段指定默认值为“男”。

create table student
( ID    char(4)   NOT NULL,  -- 学号(不能为空)
  name  char(20)  NOT NULL,  -- 姓名(不能为空)
  sex   char(2)   NOT NULL DEFAULT '男',  -- 性别(不能为空)
  bir   datetime,  -- 出生日期
  tel1  char(12),  -- 联系方式1
  tel2  char(12),  -- 联系方式2
  col   char(30)   -- 院校名称
);

2、创建带有主键的表

在数据表中能够唯一识别记录的字段,都会被设置为主键,例如:学号。当某个字段被设置为主键后,该字段不能有重复值,也不能为空,数据库管理系统将强制执行这一规则。这就叫“主键约束”。设置主键有两种方式:

方式1:

create table stud1
( ID    char(4) primary key NOT NULL,  -- 学号(申明学号为主键)
  name  char(20)  NOT NULL,  -- 姓名
  sex   char(2)   NOT NULL DEFAULT '男',  -- 性别
  bir   datetime,  -- 出生日期
  tel1  char(12),  -- 联系方式1
  tel2  char(12),  -- 联系方式2
  col   char(30)   -- 院校名称
);

方式2:(当设置多个主键时,必须使用该方法,且主键必须设置为 NOT NULL)

create table stud2
( ID    char(4)   NOT NULL,  -- 学号
  name  char(20)  NOT NULL,  -- 姓名
  sex   char(2)   NOT NULL DEFAULT '男',  -- 性别
  bir   datetime,  -- 出生日期
  tel1  char(12),  -- 联系方式1
  tel2  char(12),  -- 联系方式2
  col   char(30),   -- 院校名称
  constraint xh primary key(ID)  --(申明学号为主键)
);

3、设置多个字段为主键(主键必须设置为NOT NULL)

create table stud3
( ID          char(4)   NOT NULL,  -- 学号
  course_ID   char(6)   NOT NULL,  -- 课程代码
  result1     decimal(6,2),        -- 考试成绩(decimal 为mysql的数据类型)
  result2     decimal(6,2),        -- 平时成绩
  constraint xh_kcdm primary key(ID,course_ID)
);

二、删除表

       当不再需要数据库中的某表时,就应当删除该表释放资源。在删除失败时,大多数原因是该表可能与数据库中的其他表存在联系,此时应该先解除与其他表之间的联系。

drop table student;

三、截断表

只删除表中的数据而不删除表本身,可以使用 truncate 来截断。即:只删除表内的所有数据。

truncate table student;

四、重命名表

alter table stud3
rename to stu_info; -- 将 stud3 重命名为 stu_info

五、修改表

在数据库操作时,可能需要修改表结构,例如修改某字段的数据类型、添加新字段、删除指定字段等。

1、修改字段

alter table stud3  -- 要修改的表
modify             
ID  char(8);       -- 要修改的字段名  要修改字段的新数据类型及长度(长度为可选项,当数据类型为带长度的数据类型时必须定义)

⚠️注意:alter table 可以修改字段的类型和长度,但是遇到以下情况不能修改:

1⃣️数据类型为:text、image、ntext 或 timestamp 字段;

2⃣️有unique约束的字段;

3⃣️设置默认值的字段;

4⃣️重复的字段;

5⃣️计算的或用在计算的字段中;

6⃣️用于check约束的字段;

3、添加新字段

alter table stud3
add
political char(10) ;-- 添加:政治面貌。字段的新数据类型及长度(长度为可选项,当数据类型为带长度的数据类型时必须定义)

4、添加带有默认值的新字段

alter table stud3
add
marry char(2) default'否'; -- 添加新字段婚否?默认值设置为否(一个中文汉字为2个字符)

5、删除字段

使用alter column时,要更改的字段不能是:数据类型为text 、image、ntext或timestamp的字段;表的rowguidcol字段;计算字段或用于计算字段中的字段、被复制字段、用在索引中的字段。能删除数据表中带有默认值的字段。

alter table stud3
drop column
political;        -- 要删除的字段名:政治面貌

免费测试国外大模型Claude 3.7 Sonnet API:无需api key(秘钥) Claude 3.7 Sonnet是Anthropic公司推出的第三代Claude系列AI模型中的中规模版本(2024年发布),在性能与效率间实现平衡。该模型基于改进的Transformer架构,支持128K上下文窗口,擅长复杂推理、数学计算和创意写作,在GSM8K数学基准测试中准确率达92%。其采用"宪法AI"伦理框架,通过多轮对抗训练减少有害输出,同时新增多模态理解能力(可解析图片/图表内容)。Claude 3.7 Sonnet是Anthropic推出的高效轻量级大模型,主打快速响应与成本优化。 阅读详情

相关推荐

从零构建MAVLink通信:PX4飞控与QGC的协议握手全解析

本文详细解析了PX4飞控与QGC地面站通过MAVLink协议进行通信的全过程,重点介绍了航点传输协议的状态机设计、INT类型消息的优化优势以及异常处理与调试技巧。通过实战案例和性能优化建议,帮助开发者高效构建无人机通信系统,提升数据传输效率与稳定性。

weixin_29209805的博客 506

mysql基本操作

以下操作都是在cmd中执行 登陆数据库服务器 # 登陆数据库服务器 mysql -uroot –p+password # 退出数据库服务器(三者任选一) quit \q exit 新建数据库 /*新建数据库*/ create database 数据库名; /*查询数据库服务器中有哪些数据库*/ show databases; 选择使用数据库并查看数据库下的所有表 /*选择数据库...

冥更的博客 552

从桨叶设计到电机匹配:手把手教你调出无人机最佳动力组合

本文系统介绍了无人机动力系统的核心匹配原则,重点解析了如何通过测试与数据分析,优化螺旋桨与电机的组合,从而显著提升系统力效与续航。文章提供了从参数解读、实战测试到深度调优的完整指南,帮助开发者解决电机过热、推力不足等常见问题,实现无人机性能最大化。

weixin_29305313的博客 242

MySQL笔记创建表结构_mysql笔记

mysql端口号:3306mysql默认管理员:root进入本机mysql的命令:mysql -u 用户名 -p密码,例如:mysql -u root -p123远程访问mysql的指令:mysql -h 主机地址 -u 用户名 -p密码 例如:mysql -h 172.18.101.33 -u root -p123查看数据库的指令:show databases;-----------------...

weixin_39962285的博客 786

全网最全vue2技术栈实现AI问答机器人功能(流式与非流式两种接口方法)

markdown-it | markdown-it 中文文档上面的是 markdown-it 中文文档链接 ,供参考使用核心的东西就这些啦,如果有其他想问的,评论区留言即可~博客写作不易,希望大家多多支持,多多捧场~~~最后给大家分享一下 typed.js 网址,网上比较多,我觉得这个比较好理解一些Typed.js - Type your heart out (mattboldt.github.io)[这里是图片011]https://mattboldt.github.io/typed.js/

m0_74825108的博客 3060

逆向某团mtgsig参数时,我踩过的3个坑:从H5guard混淆到Python校验

本文详细解析了逆向某团mtgsig参数时遇到的三大挑战:H5guard混淆破解、环境补全检测与Python结果校验。通过实战案例,揭示了JavaScript加密算法的逆向技巧,包括控制流混淆拆解、隐蔽环境检测点规避以及跨语言校验的解决方案,为开发者提供了一套完整的逆向工程避坑指南。

weixin_27722377的博客 1066

Oracle 常见错误代码处理 00010-04098

目录 ORA-28040: No matching authencation protocol ORA-28040: No matching authencation protocol 1、Spring boot 应用启动时候正常,但是页面访问后台接口,程序再访问数据库时,控制台报错如下:没有匹配的身份验证协议 Caused by: java. sql. SQLExceptiona ORA-28040: No matching authentication protocol at oracle...

蚩尤后裔-汪茂雄 1万+

手把手教你学Simulink实例:基于Simulink的超级电容器充放电仿真

超级电容器(Supercapacitor)是一种高容量电容器,具有快速充放电能力、长寿命和高功率密度等优点。它在能量存储系统、电动汽车、不间断电源(UPS)等领域有广泛应用。为了更好地理解和设计超级电容器的应用系统,通常需要进行详细的仿真分析。Simulink 提供了一个强大的仿真环境,可以用来设计、分析和验证超级电容器充放电系统的控制策略。本教程将详细介绍如何使用 Simulink 进行超级电容器充放电的仿真实例。通过本教程,我们详细介绍了如何使用 Simulink 进行超级电容器充放电的仿真实例。

MHD0815的博客 581

【Oracle】创建表

Oracle数据库创建表的方法,以及常用创建表功能示例。

u011671745的博客 1万+

YOLOv8优化:特征融合 | 金字塔稀疏 Transformer(PST)——一个轻量级、即插即用的模块 | 25年7月最新成果

将 PST 嵌入当前最先进的实时检测模型(YOLOv11-N/S/M)后,在 MS COCO 上的 mAP 分别提升 0.9%、0.5%、0.4%,而延迟增加极小。

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 613

2023年高教社杯 | 2023年高教社杯全国大学生数学建模思路(A题思路、C题思路)

2023年高教社杯 | 2023年高教社杯全国大学生数学建模思路(A题思路、C题思路)

前程算法屋的博客 624

SQL基础学习总结:2(表的创建、删除、更新和名称修改)

表的创建 数据库的创建(CREATE DATABASE 语句) 我们在创建表之前,首先得创建用来储存表的数据库。 运行CREATE DATABASE 语句(注:SQL语句不区分大小写)就可以创建数据库了。 CREATE DATABASE 语句的语法规则如下: CREATE DATABASE <数据库名称>; 如下图: 这里博主将数据库命名为study。 表的创建(CREATE TABLE语句) CREATE TABLE语句的语法结构,如下: CREATE TABLE <表名> (

小关同学的博客 577

数学建模Matlab算法,第七章 对策论

对策论作为研究竞争与决策的数学理论,从零和对策到非常数和对策,为分析各类博弈问题提供了系统框架。其核心要素包括局中人、策略集和赢得函数,通过稳定解、Nash平衡点等概念揭示竞争规律。该理论广泛应用于经济、军事、政治等领域,不仅提供具体分析工具,更改变了决策思维方式,强调在互动中实现理性选择。对策论既揭示了竞争本质,也凸显合作价值,为解决社会矛盾、促进共赢发展提供了重要启示,在全球化背景下将发挥更大作用。

unber的博客 114

数据库表(字段类型、约束、截断表、修改表字段、重命名表)

字段类型: 在这里只列举一些常用的字段类型: 整数类型:int(Integer):普通大小的整数 小数类型: float(m,d):单精度浮点数,m表示数字长度,d表示小数位数,例如float(5,2)最大值999.99 double(m,d):双精度浮点数 日期类型: date:YYYY-MM-DD 1000-01-01 ~ 9999-12-3 datetime:YYYY-MM-DD HH:MM:SS 1000-01-01 00:00:00 ~ 9999-12-31 23:59:59 t

不动声色的小蜗牛的博客 619

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")

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

数据库——修改表

二、修改表 1、修改表字段: a、添加字段 altertablestudent add(sex char(2) default'1'constraintstudent_sex_typecheck(sex='1'orsex='2')) 注意:新添加的字段在表的最后一列,不能指定字段的位置,这与MySQL数据库不同(MySQL数据库可以通过after设定添加字段的...

deng0004的博客 1001

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

MySQL数据库表

一、在之前的博客中(MySQL数据库入门——常用SQL语句和基本数据库操作),我们了解了常用的SQL语句和几种基本的数据库操作,今天我们来学习数据库表的操作。 二、创建表 1、创建表的语法: create table table_name ( name type default 约束 comment , ## 1、name为字段名,一般情况下,如果有多个单词构成,用下划...

我是真的囟的博客 287

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

MySQL数据库03——数据表的创建、修改和删除

学习MYSQL怎么对数据表操作,在这个college库里面创建数据表,并且修改删除等操作。

weixin_46277779的博客 2566

【快捷入门笔记】mysql基本操作大全-SQL表

1.NOT NULL:这意味着这些字段必须有值。2.DEFAULT ‘其他’:如果没有指定breed字段,它将默认为’其他’。3.CHECK (age >= 0):这确保我们不会意外输入负年龄4.DECIMAL(10,2)5位。小数点后两位4.1float:浮点型(7个有效位,最后四舍五入)4.2double:双精度实型(15个有效位,最后四舍五入)4.3decimal:数字型,常用于银行帐目计算。(28个有效位,最后四舍五入)1.时间。

qq_44871101的博客 1177

表和约束

2 1 programming 1 Oracle SQL开发基础 2 2 programming 课程结构 内容 课时(H) 第一章 Oracle数据库基础 2.5 第二章 编写简单的SELECT语句 1.5 第三章 限制数据和对数据排序 2 第四章 单行函数 4 第五章 多表查询 4 第六章 分组函数 3 第七

Frank 1357

SQL数据库语言基础之SQL Server自带数据类型、自定义数据类型与使用、创建修改数据表

关于数据库SQL语言基础中的SQL Server自带数据类型的介绍和用法,自定义数据类型与使用、创建并修改数据表,表的结构等方面的知识。

Viewinfinitely的博客 4540

【MySQL】:表的基本查询

MySQL中对表的查询内容的详细介绍!

Yikefore的博客 1591

Oracle表的相关操作

一.创建表 create table 表名称( 字段 数据类型 [default value], 字段 数据类型 [default value] ); 要求 : 1.必须以字母开头(由字母, 数字, _, #,组成) 2.长度1-30个字符 3.名称要有意义 4.不是Oracle中的保留字 二.复制表 create table 表名称 as 子查询 复制表结构和数据 cr...

闲时不练功,忙时一场空 213

Oracle之表的创建和管理(DDL)

常用操作及字段 对于数据库而言实际上每一张表都表示是一个数据库的对象,而数据库对象指的就是DDL定义的所有操作,例如:表,视图,索引,序列,约束等等,都属于对象的操作,所以表的建立就是对象的建立,而对象的操作主要分为以下三类语法: 创建对象:CREATE 对象名称…; 删除对象:DROP 对象名称…; 修改对象:ALTER 对象名称…; 常用的数据字段 每一张数据表实际上都是由若干个字段组成,而每...

不可以庸俗堕落的博客 899

【数据库】数据库基本操作

操作练习: 创建数据库 删除数据库 修改数据库配置 创建数据表 修改表结构 ———————————— 添加字段 修改字段 重命名字段 更改主键 删除字段 ———————————— 重命名表名 删除表 截断表 表数据的操作 添加数据 修改数据 删除数据 代码实现: 1、创建表: create table student( ...

tyrantForever的博客 208

Mysql第一课--基本操作

1.基本操作 a.登录mysql mysql -uroot -proot -h127.0.0.1 -p3306 2.数据库的操作 a.查看当前数据库 show databases; b.显示当前时间、用户名、数据库版本 SELECT now(), user(), version(); c.创建库 create database hello default character set utf...

阅读之后,对你有帮助,那就点个赞再走吧 370

数据库原理及应用(MySQL版)

1. 大小写不论 2. 字符串值可以双引号也可以单引号(数据库只有字符串类型) 大二下学期,所用教材: 数据库原理及应用(MySQL版)第一篇 数据库基础知识第1章 数据库系统的基本原理1.1 相关概念数据管理技术的发展阶段数据模型*4(模型是对现实世界的抽象)完整性,一致性。。。码,主码,主键。。数据库系统的三个抽象级数据库系统的三级模式数据库系统的二级映射与*数据独立性第2章 关系数据库标准语言SQL8个实验数据库期末总结复习章节习题 第一篇 数据库基础知识 第1章 数据库系统的基本原理 1.1 相

zjj8008120308的博客 1万+
上一篇: 第三课:条件分支与循环——if
下一篇: 实战项目(1)——搭建DNS服务
初雪之路
博客等级 码龄14年 21粉丝 23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