MYSQL-键表约束及修改数据表

MySQL外键约束 1.添加外键约束 外键指的是在一个表中引用另一个表中的一列或多列,被引用的列应该具有主键约束或唯一性约束,从而保证数据的一致性和完整性. 被用的表称为主表 引用外键的表称为从表 [ CONSTRAINT symbol] FOREIGN KEY [index_name(index_ col_name,… REFERENCES tbl_name(index_col_name,…) [ON DELETE {RESTRICT | CASCADE | SET NULL | NO ACTION |SET DEFAULT 阅读详情

初涉主键约束 (PRIMARY KEY)

PRIMARY KEY:
1、主键约束
2、每张数据表只能存在一个主键
3、主键保证记录的唯一性
4、主键自动为 NOT NULL

在这里插入图片描述
注意:
UNSIGNED :unsigned表面含义是 '无符号’的意思,unsigned既为非负数,用此类型可以增加数据长度,

若有人问,TINYINT(m)代表了什么。
TINYINT(10):没有意义,输入10和1000是没有什么区别的。这里输入8,只不过是有10个字符的位置,但是还是显示8,所有没有意义。
TINYINT(10) UNSIGNED :这里的10也是没有意义的。
TINYINT(10) ZEROFILE :这里的10才是有意的。我们输入234则会在2前面 补上7个零。
TINYINT(10) UNSIGNED ZEROFILE :这个和上面的一个是一样的,只是完整的。(ZEROFILE则是在你设置的位数未满补0)

初涉唯一约束(UNIQUE KEY)

1、唯一约束,去重
2、唯一约束保证记录的唯一性
3、唯一约束的字段可以为空值(NULL)
4、每张数据表可以存在多个唯一约束

可能很难理解,原因很简单:
如果说这个字段为空的话,那么就代表两条或两条以上的记录这个字段都可以为空。如果都为空话,那么值都是相同,而相同的又和为一性相背离,但是实际上他们在存储的时候,即使你存储多个数据,他最终保留的控制只有一个,所以说,他也只能有一个空值,这是它保证的唯一性。

现在我们来创建一个既有主键又有唯一约束的数据表:
在这里插入图片描述

MYSQL初涉默认约束 (DEFAULT)

1、默认值
2、当插入记录时,如果没有明确为字段赋值,则自动赋予默认值

在这里插入图片描述
在这里插入图片描述

MYSQL外键约束的要求解析

约束:
1、约束保证数据的完整性和一致性
2、约束分为表级约束和列级约束(是根据约束字段的多少来决定的。如果约束只针对某一个字段来约束的话,我们成为列约束;而如果约束针对两个或两个以上的字段来进行约束的话,我们成为表约束。)
3、约束类型包括:
3.1、NOT NULL(非空约束)
3.2、PRIMARY KEY(主键约束)
3.3、UNIQUE KEY (唯一约束)
3.4、DEFAULT(默认约束)
3.5、FOREIGN KEY(外键约束)

FOREIGN KEY:
1、保持数据一致性,完整性
2、实现一对一或一对多关系。

外键约束的要求:
1、父表和子表必须使用相同的存储引擎,而且禁止使用临时表。
(子表指的是具有外键列的表,我们称之为子表。而子表所参照的表我们称之为父表。)
2、数据表和存储引擎只能为InnoDB.
3、外键列和参照必须具有相似类型。其中数字的长度或是否有符号位必须相同,而字符的长度则可以不相同。
4、外键列和参照列必须创建索引。如果外键列不存在索引的话,MySQL将自动创建索引。
(如果参照列上没有索引的话,mysql将自动创建索引,如果外键列没有索引的话,Mysql将不能自动创建索引。)
如果不是InnoDB的话,将进行修改成InnoDB
编辑数据表的默认存储引擎
MySQL配置文件(my.ini)
default-storage-engine =INNODB
在这里插入图片描述
![在这里插入图片描述](https://img-blog.csdnimg.cn/20191227224001117.png?x-oss-process=image
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

矢量网络分析仪VNA的校准之SOLT方法 作者:杭州冥鸿电子科技有限公司 邮箱:huanglong@deepelec.com S参数的测量方法有两种,一种是基于扫频测量的原理(VNA),另外一种是基于快沿阶跃响应的原理(TDR)。 下图是VNA的原理框图,主要包括以下部分: (1)激励信号源:提供感兴趣的频率范围内的入射信号; (2)信号分离装置:含功分器和定向耦合器,分离出入射,反射和传输信号; (3)接收机:... 阅读详情

相关推荐

从零开始:STM32C011开发板的硬件生态与快速验证

本文全面解析STM32C011开发板的硬件生态与快速验证方法,帮助开发者从零开始掌握这款基于ARM Cortex-M0+内核的微控制器。内容涵盖硬件架构解析、开发环境搭建、基础功能验证及性能优化技巧,为嵌入式开发提供实用指导。

swift5iosmith的博客 482

sqlserver 当删除表中的所有记录后插入记录时提示主键不唯一的解决方法

sqlserver 当删除表中的所有记录后插入记录时提示主键不唯一的解决方法: truncate table WeiShopDB_empty.dbo.i_EntSubInfoNew    执行该语句则清空该表的原有数据

Elvis技术小屋 1919

DAC8568实战指南:如何用STM32实现8通道DAC精准控制(附代码)

本文提供DAC8568与STM32结合的实战指南,详细解析8通道16位DAC的精准控制方法。内容涵盖硬件连接、SPI配置、驱动层构建、时序调试及多通道同步输出等关键步骤,并附有经过验证的HAL库驱动代码,帮助工程师快速解决实际项目中的通信与输出稳定性问题。

weixin_29175469的博客 747

PG中删除重复记录

数据 drop table test; create table test(id int, name varchar, description varchar); insert into test values (1,'a','a'); insert into test values (1,'a','b'); insert into test values (1,'a','c'); inse...

岳麓丹枫 1839

图像超分辨率在医学影像中的应用:如何用深度学习提升CT/MRI图像质量

本文探讨了深度学习驱动的图像超分辨率技术在医学影像(如CT/MRI)质量提升中的应用。文章分析了医学图像超分辨率在提升诊断信息含量、平衡保真度与临床相关性方面的独特挑战,并详细介绍了如何针对3D体数据特点定制模型架构、设计病理感知损失函数,以及解决高质量配对数据稀缺的策略。通过实战案例,阐述了从数据模拟、模型训练到临床评估的完整流程,旨在为医学影像的清晰化与诊断精准化提供有效解决方案。

weixin_29063681的博客 525

告别电压瓶颈:手把手教你用SVPWM过调制算法提升电机驱动性能(附Simulink仿真)

本文详细介绍了如何利用SVPWM过调制算法提升电机驱动性能,解决电动汽车高速运行时的电压瓶颈问题。通过过调制I区和II区的算法实现细节,包括相角补偿与跳变控制,结合Simulink仿真演示,帮助工程师和研究者平衡电压增益与谐波失真,提升系统效率与动态响应。

weixin_30315723的博客 392

DBeaver修改一行之后把所有的行都修改了

DBeaver修改一行之后把所有的行都修改了

yxb_xb的博客 6537

周立功CAN盒二次开发实录:用QT5.1.0解析汽车CAN报文(附数据可视化技巧)

本文详细介绍了基于QT5.1.0和周立功USBCAN-E-U设备进行汽车CAN总线二次开发的实战过程。核心内容包括利用CANdb++数据库解析原始报文并转换为物理值,以及通过QCustomPlot库实现高性能实时数据可视化,为车载诊断与车联网开发提供了一套完整的工程实践方案。

sugar的博客 1059

DBeaver 修改快捷键(自定义快捷键位)

1. 问题:DBeaver 没有像 eclipse 或者 idea 一样可以自助修改快捷键位的功能。 2. 修改方案: (1)关闭 DBeaver,找到功能所在的 jar 包 (2) 右键用 WinRAR 打开,把 plugin.xml 拿出来(一定要拿出来在本地修改) (3) 查找 ALT+X,(ALT+X 是执行选中的脚本,因为用 Navicat 习惯了 CTRL+SHIFT+R) (4)在这里快捷键想改成什么就改成什么,相互不要有冲突 (5)改完之后,删掉之前 jar 包中的.

cpych的专栏 9799

金蝶云星空应用开发初级考试题目汇总

摘要:本文为金蝶云星空应用开发初级考试题目汇总

2401_86113757的博客 3801

024、反激变换器的短路保护设计

本文详细探讨了反激变换器短路保护的设计要点与实践经验。作者通过实际案例分析了短路时反激拓扑的电流特性,指出初级峰值电流限制是最基础的保护手段,但需配合打嗝模式使用。文章重点剖析了打嗝模式设计的三个关键陷阱:频率设定、退出条件和软启动衔接。同时强调次级侧辅助保护、变压器参数优化、环路响应协调的重要性,并比较了自恢复与锁死方案的适用场景。最后提出实测验证的四个关键点和设计经验:不盲信芯片手册、保护电路独立设计、充分留有余量、进行破坏性测试。全文以工程实践为导向,为反激电源的可靠短路保护提供了系统性解决方案。

Jack010169的博客 245

数据库添加唯一键报错,求大神帮忙看看啊!

使用dbeaver链接了GBase数据库,建表完成添加唯一键的时候报错信息如下,百度搜了一下说是语法错误,求大神帮忙看看,提提建议啊! 这个是自动生成的sql语句: ALTER TABLE sp_db:informix.sys_dictionary ADD CONSTRAINT sys_dictionary_pk PRIMARY KEY (id);

renzhijie910306的博客 4164

【AI理论学习】手把手推导扩散模型:Diffusion Models(DDPM)

生成扩散模型DDPM如下图所示分为前向、逆向两个过程,它首先通过不断往原始清晰数据中添加噪声使其变成标准高斯噪声(前向过程),而后期望从标准高斯噪声中还原原始数据(逆向过程)。若能实现,那便可从已知的标准高斯分布中采样一个噪声数据,而后利用DDPM模型生成符合原始数据分布的新数据。 Diffusion模型包含两个过程:数学符号:y∝xy\propto xy∝x:y正比于x,即y随着x增大而线性增大。 条件概率:贝叶斯公式:p(A∣B)=p(B∣A)×p(A)p(B)p(A|B)=\frac{p(B|A)\

小哲的博客 1513

MySQL数据库之用户管理

在创建数据表的时候,我们有的时候需要使用另外一个表的结构或数据,如果一个个添加,过于繁琐,这时我们可以使用克隆。我们这里有一张初始的表。

qq_57377057的博客 1361

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

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

mysql之用户管理

mysql之用户管理

linhaoyanglinhao的博客 425

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

MySQL中的约束及修改问题

自动增长,避免ID重复stuid INT PRIMARY KEY AUTO_INCREMENT,#必须搭配主键。

2401_88972412的博客 1804

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")

Mysql值之约束以及修改数据表

unsigned:这里约束的意思是没符号,不能为负数,只能是整数 建立外键约束的表格 提示: 给表添加外键约束的时候,外键列和参照列必须的类型必须一致,就好比上图的中的两个表格的类型都是int,但是当我们的父表的类型是smallint,而子表的类型是bigint,这样也是会报错的,其中数字的长度或者是否有符号位(unsigned)必须相同,字符的长度可以不相同,索引也必须相同,外键表中...

j_better的博客 1107

MYSQL——外键约束

常见的6种约束/规则:主键约束、外键约束、非空约束、唯一性约束、默认值约束、自增约束、` 如果同一个属性字段x在表一中是主键,而在表二中不是主键,则字段称为表二的外键。`以公共关键字作为主键的表为主键表(父表、主表)以公共关键字作为外键的表为外键表(从表、外表) ` 注意:与外键关联的主表的字段必须设置为主键。要求从表不能是临时表,主表外键字段和从表的字段具备相同的数据类型、字符长度和约束(不包括主键约束)。`

zhou641694375的博客 5094

MySQL的键表约束

主键约束(primary key): 一张表只有一个主键,使得该字段不重复,不为空 首先创建一张表: create table db ( id int(11) primary key, #创建主键 name char(10), sex char(1) ); 并插入数据: insert into db values(001,'张三','男'); insert into db values(002,'李四','男'); insert into db va

m0_52032201的博客 1577

MySQL(三)约束以及修改数据表

这里有重复内容,因为我听了2遍 约束类型与作用域 列级约束的定义为对单一字段起作用,表级约束定义为对多字段起作用   设置数据库默认引擎方法 在MySQL配置文件(my.ini)中写入或更改该句,更改完记得重新启动MySQL服务. 查看数据表创建命令 show create table  表名; 第一个表,也是父表 父表的id被设为主键,主键会自动创建索引 第二个...

include_ice的博客 655

MySQL 数据表

文章目录前言一、创建数据表1.创建简单数据表2.为数据表设置主键3.为数据表设置外键二、查看数据表1.查看某数据库中所有的表2.查看表中的详细信息三、修改数据表1.列操作2.主键操作3.外键操作4.默认值操作四、删除数据表 前言 数据表,是一个临时保存数据的网格虚拟表(表示内存中数据的一个表)。本博客对数据表的创建、查看、修改和删除进行讲解。 一、创建数据表 1.创建简单数据表 首先,创建数据表需要以下信息:表名,表字段名和定义每个表字段,建表语句如下: CREATE TABLE [IF NOT ..

weixin_45659364的博客 675

MySQL数据表进阶操作

SQL语句的用法以及数据库的用户管理

DTY9999的博客 1723

MySQL数据表高级操作

如果同一个属性字段x在表一中是主键,而在表二中不是主键,则字段x称为表二的外键。

m0_58076958的博客 1257

【转载】mysql数据数据表的排序规则修改

在工作中同事遇到的问题,是找一种简便的方法批量修改数据表字段的排序规则,在MySQL中叫collation,和编码CHARACTER一起出现的。collation有三种级别,分辨是数据库级别,数据表级别和字段级别。 database、table、column 问题是,mysql表外键和关联的主键不能建立关系,因为排序规则的问题。utf8_bin, 网上搜到的解决办法,都提到了修改数据表级别c...

盛唐年华的博客 1530

MYSQL之外键约束

默认值约束(default):create(address varchar(50) default ‘南京’)自增约束(auto_increment):随着记录增加,基于最新的记录的id进行+1的自增长。唯一性约束(unique [key|index]):唯一,可为空,但空值只允许出现一次。alter table (表名) drop foreign key (约束值)主键约束(primary key):具有唯一且非空。非空约束(not null):不可为空。references:引用。

l17605229954的博客 1902

SQL server数据库中数据表的创建、查询、修改、删除

1.数据表的创建(create table) 在创建数据表之前,需要有一个数据库,(创建数据库已经在其它篇有写)打开数据库语法:use 数据库名称 创建数据表语法:create table 表名称(列名称 数据类型 约束, 列名称 数据类型 约束, 列名称 数据类型 约束)每个列都要用逗号分开,最后一列不用分开约束语法非空约束: not null 标示列,自动增长约束: identity(标识种子,增长量) 默认: default 默认值 主键约束: primary key 外键约束

weixin_45467975的博客 1459
上一篇: mysql命令大全
下一篇: 连接本地数据出现1045错误
961225
博客等级 码龄7年 13粉丝 27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