Django笔记(十三)一对一,一对多,多对多之间的查询

Django数据库连表查询(一对一、一对多、多对多) 1、一对一关系 比如某班级学生表和学生详细信息表 两张表结构如下 class Student(models.Model): stu_id = models.AutoField(primary_key=True) stu_name = models.CharField(max_length=32) class Stud... 阅读详情

一对一

创建实例


class UserProfile(models.Model):
    user_info = models.OneToOneField('UserInfo',on_delete=models.CASCADE)
    username = models.CharField(max_length=64)
    password = models.CharField(max_length=64)




class UserInfo(models.Model):
    user_type_choice = (
        (0, u'普通用户'),
        (1, u'高级用户'),
    )
    user_type = models.IntegerField(choices=user_type_choice)
    name = models.CharField(max_length=32)
    email = models.CharField(max_length=32)
    address = models.CharField(max_length=128)

先创建UserInfo表,再创建UserProfile表,这个UserProfile表里面有一个字段user_info ,是一对一的字段,也就是这个UserProfile表里面的user_info的字段,所有数据的都不一样,不可能一样,因为是OneToOneField,一对一

choice类型如何获取具体值

字段是choice类型,如何获取到的是对应的值,而不是键

在这里插入图片描述
这个表里面的这个字段,数据库保存的是键1或者2
在这里插入图片描述
我想查询出来的这个字段是具体的值,如何写

在这里插入图片描述也就是使用下划线,

 get_字段名_display()

这样就可以获取具体的值

如何获取一对一另一个表里面的数据

UserInfo是一个表,UserProfile是一个表,并且UserProfile表里面有一个字段是一对一的外键,关联是UserInfo表,那么现在想要使用UserInfo表里面的数据的对象,获取到UserProfile表里面的数据,如何获取

在这里插入图片描述

一对多

实体类

男孩表
class Boy(models.Model):
    name = models.CharField(max_length=100)


女孩表
class Girl(models.Model):
    name = models.CharField(max_length=100)


相亲表
class xaingqing(models.Model):
    nan = models.ForeignKey('Boy',on_delete=models.CASCADE)
    nv = models.ForeignKey('Girl',on_delete=models.CASCADE)

一对多代码(自己创建第三个表)

有个相亲表都是外键,现在想要获取到和一个男孩相亲的女生有多少个,也就是男生是一个,女生是多个,典型的一对多的关系

在这里插入图片描述

    # 查询到某一个男生
    obj = Boy.objects.filter(name="小明").first()

    # 因为相亲表里面有个 字段关联的男生表,所以可以根据男生对象_set,
    获取到相亲表对象

    relist = obj.xaingqing_set.all()
    print(relist) 

 #   <QuerySet [<xaingqing: xaingqing 
    object (1)>, <xaingqing: xaingqing object (2)>]>
    
    # SELECT 
    # `myfirst_xaingqing`.`id`, 
    # `myfirst_xaingqing`.`nan_id`, 
    # `myfirst_xaingqing`.`nv_id` 
    # FROM `myfirst_xaingqing` 
    # WHERE `myfirst_xaingqing`.`nan_id` = 1
    print(relist.query)
    
    
    for item in relist:
        # item 代表相亲表里面的每一行数据对象
        print(item.nv.name)

1、搜索条件使用 __ 连接
2、获取值时使用 . 连接

一对多代码(Django给你生成第三个表)

我们有了男孩表,女孩表,之前我们写一个相亲表,让男孩表和女孩表进行关联。现在我们不写第三个表了,但是还想让两个表进行关联,我们可以这样写。(Django给你生成的只有3列)

实体类

在这里插入图片描述

class Boy(models.Model):
    name = models.CharField(max_length=100)
    nvxx = models.ManyToManyField('Girl')
    
    
class Girl(models.Model):
    name = models.CharField(max_length=100)

现在model里面只有两个类,但是在数据库里面却有3个表,另一个关联表是Django给你生成的,就是通过ManyToManyField() 这个

在这里插入图片描述
在这里插入图片描述

如何操作第三个表

这个Django给生成的第三个表,在model文件里面是没有的,那么我们要如何操作这个表,也就是实现对这个表的增删改查

增加

在这里插入图片描述

移除

在这里插入图片描述

编辑(覆盖)

在这里插入图片描述

查询

在这里插入图片描述

清空

在这里插入图片描述

django数据库数据关系一对一,一对多,多对多,超详解(添加,查询) django数据库数据关系一对一,一对多,多对多,超详解(添加,查询) 查询了网上很多这方面的资料,看过很多介绍,但感觉都不是很全面,自己总结了一下,而且大部分介绍中字段名是采用某个关联模型类名的小写形式(这可能是习惯用法,目前本人算新人,不太了解),但自身认为,这样对于刚接触学习的人,容易产生一个误区,django正向,反向查询,引用的是什么名称(到底是内层直接采用的机制就是实例+目标模型类名小... 阅读详情

相关推荐

27.一对一,一对多,多对多关系表的各种骚操作

27.一对一,一对多,多对多关系表的各种骚操作

孤寒者的博客 2万+

Python Django,关联查询(多表查询)(一对多)

  应用名/models.py(模型,定义模型类,一对多 models.ForeignKey): from django.db import models # 一个图书对应多个英雄人物 # 图书类(一类) class BookInfo(models.Model): btitle = models.CharField(max_length=20, db_column='title'...

houyanhua1的专栏 3万+

ARM的CI-700和Arteris的NoC对比

设计理念:CI-700注重于为移动和客户端SoC提供定制化的互连解决方案,而Arteris的NoC更侧重于提供灵活、可配置的网络互连技术,适用于多种应用场景。性能与功耗:CI-700通过系统级缓存和网状拓扑结构优化性能和功耗,而Arteris的NoC通过物理感知和多协议支持来提升性能和降低功耗。功能安全:Arteris的NoC提供了功能安全支持,这对于汽车和工业应用尤为重要,而CI-700虽然也关注安全性,但未明确提及功能安全支持。互操作性。

ygyglg的专栏 2629

Django ORM 多表操作:一对一、一对多、多对多的增删改查 (二)

Django ORM 多表操作:一对一、一对多、多对多的增删改,基于对象/双下划线的跨表查询

Mr_WoLong 1767

VS配置RTKLIB(卫星定位开源代码)环境

@RTKlib代码调试教程-Visual Studio 2019 你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章,了解一下Markdown的基本语法知识。 ##RTKLIB-rtklib_2.4.3 提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 @RTKlib代码调试教程-Visual Studio 2019 提示:这里可以添加本文要记录的大概内容: 例如:随着人工智能的不断发展,机器学习这门技

qq_42209977的博客 4487

大模型面试题52:LLM如果在训练过程中loss值出现spike应该怎么办?

小白急救:停更→回滚→降LR→裁剪梯度,先保住训练不崩溃;进阶排查:查数据→查优化器→查硬件,找到spike的根因并解决;深层预防:预处理保守配置+训练中实时监控,从源头规避spike。先止损,再溯源,最后预防。

叫好与叫座虽然不是对立面,但想在同一个作品中达到双重效果很难。 1175

Django ORM、一对一、一对多、多对多、详解

原文:https://www.cnblogs.com/pythonxiaohu/p/5814247.html 1.1首先我们先看一个小案例: #_*_coding:utf-8_*_ from django.db import models # Create your models here. class Colors(models.Model): colors=model...

jiangbo721的博客 2084

ESP32实战指南:SPI驱动ADXL345三轴加速度传感器的精准数据采集与姿态解算

本文详细介绍了如何使用ESP32通过SPI接口驱动ADXL345三轴加速度传感器,实现精准数据采集与姿态解算。从硬件连接到SPI通信优化,再到数据处理和低功耗策略,提供了全面的实战指南。特别适合物联网开发者和硬件工程师参考,帮助快速掌握传感器数据采集技术。

vim8coder的博客 1045

在 Django Model ViewSet 中实现多对多字段的搜索

通过这个详细的教程,我们学习了如何在 Django Model ViewSet 中实现多对多字段的搜索。这不仅增加了你的 Django Rest Framework 的技能,也帮助你更有效地处理复杂的查询需求。希望这篇文章能给你带来帮助,更深入地理解和掌握 Django 和 DRF 的强大功能。

K8sCat 1273

Open3D 体素下采样【2026最新版】

体素滤波,博客长期更新,本文最近更新时间为:2026年4月11日。

点云侠的博客 37万+

畅游Diffusion数字人(0):专栏文章导航

畅游Diffusion数字人(0):专栏文章导航

沉迷单车的追风少年 1425

Django之单表查询,多表的正向与反向查询,聚合查询

在开始查询之前,先做一点准备工作,在Django的配置文件中,配置mysql数据库。 然后在项目或app下面的__init__.py文件中指明要用pymysql连接数据库 一、 常用字段和参数 1.1、常用字段 AutoField: int自增列,必须填入参数 primary_key=True。当models中如果没有自增列,则会自动创建一个列名为id的列。 Intege...

贵有恒,何必三更眠五更起;最无益,只怕一日曝十日寒 1718

NSX-T 4.1部署搭建

NSX-T4.1 部署搭建

weixin_58250887的博客 564

Django基础入门⑪:DjangoDjango数据表关联(一对一,一对多,多对多关系)

Django数据表关联Django数据表关联通过ORM(对象关系映射)技术实现不同模型(Model)之间的关联,建立表与表之间的关系。 在Django中,有以下三种常见的数据表关联方式: 一对一关联(One-to-One):关系中的每个对象都与另一个对象有且只有一个关联,例如一个人只有一个身份证号码。 一对多关联(One-to-Many):关系中的一个对象对应另一个对象的多个实例,例如一个班级有多个学生。多对多关联(Many-to-Many:关系中的每个对象都可以与多个其他对象相关联,例如一个学生可

weixin_50804299的博客 1万+

从技术债红线到系统治理:透视 SAP Clean Core 中的 Level D

SAP推出的Clean Core分级体系将扩展风险划分为A到D四个等级,其中Level D代表最高风险类别,涉及直接修改标准代码、隐式增强、使用noAPI对象等不被推荐的做法。这些做法虽然短期见效快,但会带来升级冲突、数据完整性风险等长期问题。SAP强调治理重点不是完全消除经典ABAP,而是优先清理Level D对象,逐步向稳定接口迁移。典型案例显示,依赖内部细节的扩展往往在系统升级或云迁移时集中暴露出问题。企业应通过工具链持续监控Level D占比,将其纳入技术债管理范畴。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1066

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

【后端】【Django DRF】Django ORM 详解:一对一、一对多、多对多

在 Django 的 ORM(对象关系映射)中,数据库的表之间通常需要建立关联关系。掌握这些 ORM 关系,可以帮助你更好地设计数据库结构.

qq_59344127的博客 1625

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

Django数据映射 一对一 一对多 多对多

Django一对一 多对多 一对多

weixin_45185267的博客 1万+

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")

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

Django一对一 ,一对多,多对多

Django 数据库一对多,多对多目录app01/models.pyapp01/views.pyapp01/urls.pyPython_Django/urls.py 目录 app01/models.py from django.db import models # Create your models here. # 1.继承 models.Model # 卖家 class Seller(models.Model): id = models.AutoField(primary_key=True

a1309525802的博客 3288

Django框架-数据库查询、一对一、一对多、多对多关系

Django框架—数据库查询、一对一、一对多、多对多关系 一、创建模型类: # -*- coding: utf-8 -*- from __future__ import unicode_literals # Create your models here. from django.db import models class Course(models.Model): """课程表""...

Fe_cow的博客 1770

Django ORM 一对一,一对多,多对多关系

关联的对象¶当你在一个模型中定义一个关联关系时(例如,ForeignKey、 OneToOneField 或ManyToManyField),该模型的实例将带有一个方便的API 来访问关联的对象。利用本页顶部的模型,一个Entry 对象e 可以通过blog 属性e.blog 获取关联的Blog 对象。(在幕后,这个功能是通过Python 的描述器实现的。这应该不会对你有什么真正的影响,但是这里我们...

阿茂丶 3922

Django数据库一对一、一对多、多对多、操作详解

1.1首先我们先看一个小案例: #_*_coding:utf-8_*_ from django.db import models # Create your models here. class Colors(models.Model): colors=models.CharField(max_length=10) #蓝色 def __str__(self): return self.colors class Ball(models.Model): col

不会写后端的前端不是一个好运维。 4830

django一对一,一对多,多对多的增删改查

一对一关系 一对一反向查询 直接用小写类名 创建: 关联关系的数据创建 先得把那个关联的值创建出来 然后再赋值到这个字段上 m1 = Man f1 = Father(man=m1) 字典导入: color_obj=models.主表.objects.create(colors=“黑”) ball_dic={‘description’:“黑球”} models.子表.objects.create(c...

tang__ya的博客 1918

Django ORM深度游:探索多对一、一对一与多对多数据关系的奥秘与实践

在Django开发中,数据关系的管理至关重要。今天,我们将快速了解Django ORM如何处理多对一、一对一和多对多这三种核心数据关系。这些基础知识将帮助你更高效地构建数据库驱动的应用。让我们一起探索Django ORM的奥秘吧!

啊猪是的读来过倒的博客 1424

Django ORM 多表操作:一对一、一对多、多对多的增删改,基于对象/双下划线的跨表查询 (一)

Django ORM 多表操作:一对一、一对多、多对多的增删改,基于对象/双下划线的跨表查询

Mr_WoLong 2397

django(一对一,一对多,多对多)

这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Ma...

weixin_44805274的博客 1307
上一篇: mybatis plus 代码生成器,我们可以配置什么,每一个属性里面咋写,写什么,一句一句的代码解读
下一篇: django中克隆admin的静态资源到static文件夹里面
一写代码就开心
博客等级 码龄7年 2万+粉丝 1037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

打赏作者

一写代码就开心

你的打赏将是我最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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