SQL学习笔记-1:Select的使用

【SQL高级(四)】【SQL UNION 操作符+SQL SELECT INTO 语句+SQL INSERT INTO SELECT 语句】 本章主要内容:SQL UNION 操作符,SQL SELECT INTO 语句,SQL INSERT INTO SELECT 语句。 阅读详情


参考教程链接
练习教程链接
练习教程答案

select的基础用法

示例表格:

namecontinentareapopulationgdp
AlbaniaEurope28748283174112960000000
AlgeriaAfrica238174137100000188681000000
AndorraEurope468781153712000000
AngolaAfrica124670020609294100990000000
……………

用select … from … 从一张table里面调出数据:

select XXX from table

其中select用大写小写都可以,不同的调取数据之间用英文逗号 隔开

select name from student

select和其他搭配使用

  • where:调取名称为Germany的国家人口
SELECT population FROM world WHERE name = 'Germany'
  • IN:调取名称为Sweden, Norway 和 Denmark的国家名称和人口数
SELECT name, population FROM world WHERE name IN ('Sweden', 'Norway', 'Denmark');
  • between and:调取人口在200000和250000之间的国家和面积
SELECT name, area FROM world WHERE area BETWEEN 200000 AND 250000
  • like:调取以Al开头的国家的名称和人口
SELECT name, population  FROM world  WHERE name LIKE "Al%"
  • 比较运算符:>、<
SELECT name, area, population  FROM world WHERE area > 50000 AND population < 10000000
  • 逻辑计算
SELECT name, area*2 FROM world WHERE population = 64000
  • 嵌入函数:SUM、MAX、COUNT、DISTINCT
SELECT SUM(population) FROM world
select count(name) from world where area > 1000000
SELECT DISTINCT continent from world
select count(name) from world where area > 1000000

注意这里的count、sum选取的是非空值,如果表中有一些是空值,是不会计数在内的

  • 和select嵌套使用:调取人均GDP比United Kingdom多的欧洲国家名称
SELECT name FROM world
  WHERE (gdp/population > ((SELECT gdp FROM world WHERE name='United Kingdom')/(SELECT population FROM world WHERE name='United Kingdom'))) and continent = 'Europe'
  • ORDER BY:升序或者降序排列展示,显示获奖者、年份、科目并且获奖者名字是以“Sir”开头,先按年份降序排列,再按获奖者名字升序排列
select winner, yr, subject from nobel where winner like 'Sir%' order by yr desc, winner asc
  • LIMIT:限制显示结果的行数,查询人口为第四到第七的国家和人口
select name  from world order by population desc limit 3, 4
  • GROUP BY:按地区调取一个地区的国家总数量
SELECT continent, COUNT(name)  FROM world GROUP BY continent
  • GROUP BY 和 HAVING:调取所有人口总数大于100000000的地区
SELECT continent FROM world GROUP BY continent HAVING SUM(population)>100000000

having是对聚合之后的数据进行筛选,所以它的运行是正在group by之后,而where是对聚合前字段进行筛选

07群晖Docker部署nousresearch/hermes-agent 群晖Docker部署nousresearch/hermes-agent。 阅读详情

相关推荐

o型圈沟槽设计_O型密封圈——详细选型过程及步骤

一、密封圈常用材料二、密封圈常用密封形式密封圈分为活塞密封,活塞杆密封,端面密封,旋转密封。三、O型密封圈的选型规则O型密封圈的尺寸图径向安装O型圈选型(静态和动态运动)活塞杆密封选择适当规格的O形圈时,应该保证其外径(d1+2*d2)至少等于或者大于沟槽外径d6;当选择的O形圈直径d1大于250 mm时, O形圈外径将不能超过沟槽外径的3%;当选择的O形圈直径d1小于250mm时, O形圈外径将...

weixin_39856630的博客 2万+

数据库基础——4.select语句

这篇文章我们来讲一下select语句,这是数据库中最最重要的一个关键字。

m0_52096593的博客 1万+

Java后端中的链路追踪:使用OpenTelemetry实现全链路监控

在现代的微服务架构中,链路追踪是监控和优化系统性能的关键技术。通过链路追踪,我们可以跟踪请求在系统中的流转,识别性能瓶颈,定位问题根源。本文将介绍如何在Java后端应用中使用OpenTelemetry实现全链路监控,包括具体的实现步骤和代码示例。通过集成OpenTelemetry,您可以实现全面的链路追踪,帮助您识别瓶颈和潜在问题,从而提升系统的可靠性和用户体验。OpenTelemetry是一个开源项目,旨在提供统一的工具集来收集、处理和导出应用程序的遥测数据,包括跟踪、度量和日志。

聚娃科技开发者博客 1727

基本select语句的使用

假使我们的列名为lie 表名为table 1.select代表选择哪些列,from代表从哪个表内选择,select * 代表选择全部列,如:select * from table; 2.选择特定的列则 select lie from table; 3.给一个列取别名有三种方法:首先可以通过空格来取别名 如:select lie L from table;其次可以通过as来起别名 如:select lie as L from table;又或者通过双引号来起别名 如:select lie "列" fro

m0_54185237的博客 1万+

GSview5.0安装步骤及问题

GSview5.0安装步骤及问题安装步骤遇到的问题 尝试过很多对图片去白边的方法,感觉最好用最有效的还是用GSview比较好操作。本文针对gsview安装及安装过程中踩过的坑记录下来。 安装步骤 在官网下载gsv50w64.exe(或32位的),直接双击安装即可。 安装Ghostscript;注意:GSview5.0不支持最新版的Ghostscript9.54,这里用到是9.27的版本可以在Github中找到,下载gs927w64.exe,一定要安装在GSview的安装目录Ghostgum下 Gho

LilianLYN的博客 1万+

adas硬件_ADAS智能辅助驾驶系统硬件在环(HIL)测试之硬件介绍

这篇主要分享的是ADAS融合系统的HIL测试系统的硬件结构及其作用,其主要包括上位机、机柜、雷达模拟器系统、雷达暗箱系统以及视频暗箱。 上位机 上位机主要运行HIL测试系统的相关软件,测试人员所有的前期准备工作与测试操作均在上面进行,并监控测试结果,其通过网口实现与NI实时机的通信,上位机将VeriStand项目工程下载至NI实时机运行。机柜 机柜主要由可编程电源...

weixin_39580748的博客 2243

SELECT 语句基本用法介绍

· DQL 数据查询语言(核心) :select(查询) · DML 数据操纵语言 :update(改) , insert(增) , delete(删) · DDL 数据定义语言 :create(创建数据表) , alter (增加数据表),drop(删除数据表) 1.DQL 数据查询语言(核心) :select(查询) · 条件查询 : where , distinct , 逻辑运算符 · 分组 :group by having · 排序 :order by ...

藜笙的博客 1万+

基于STM32L4XX、HAL库的YT8531C-CA以太网收发器(PHY)驱动程序设计

是一款由裕太微推出的高性价比、低功耗的单端口 10/100M 以太网物理层收发器(PHY)。它通过标准的 MII(介质独立接口)或 RMII(精简介质独立接口)与微控制器的 MAC 层连接,实现将数字信号与网络模拟信号之间的转换。支持自动协商(Auto-Negotiation),自动选择最高速率和双工模式。支持 HP Auto-MDIX(自动交叉直连),无需区分直通线或交叉线。低功耗设计,特别适合电池供电或对功耗敏感的 STM32L4 应用。支持 MII 和 RMII 接口,节省引脚(RMII模式)。

zhusl6688的博客 628

select基本用法

Select语句 注:下列所用数据库及二维表地址:https://blog.youkuaiyun.com/weixin_44134356/article/details/119959170?spm=1001.2014.3001.5501 -基础语法: select [distinct] 字段名1 as 别名,2... from 表名 [where 条件语句] | [group by 字段名1,2... ] [order by 字段1,字段2.. [desc|asc]] [limit n] -- 解释参数: []

涛哥的博客 6825

反光柱定位算法实战03:VEnus代码解析和纯反光柱定位中的可改进方向

本文深入解析了开源框架VEnus的反光柱定位与建图实现流程,包括强度提取、聚类、数据关联、位姿优化等核心模块。同时指出其三大局限:匹配质量脆弱性、单一传感器依赖和地图扩展逻辑缺失,并提出改进方向:融合里程计/IMU数据、引入图优化后端、建立动态地图维护机制。该分析为基于反光柱的定位系统优化提供了实用参考,有助于提升工业场景下的定位鲁棒性和精确性。

Studying…… 520

uniapp - 超详细 H5 网页引入百度地图教程,附地图示例 / 获取当前设备定位的省市区、详细地址、经纬度信息 / 用户当前 IP 属地定位地理位置等等(新手小白快速上手,详细配置及使用全流程)

uniapp百度地图,uniapp百度地图ip属地定位,uniapp百度地图获取省市区详细地址经纬度等,uniapp百度地图当前用户设备定位省份市区详细所在地ip属地等详细教程示例,uniapp网页h5引入百度地图详细教程,uniapp h5网站使用百度地图详细教程,uniappH5端如何接入使用百度地图api,uniapp H5网页端百度地图获取地理位置信息,uniapp h5页面引入百度地图,uniapp h5平台百度地图获取城市信息,uniapp百度地图获取经纬度,uniapp 百度地图拿省市区用什么

🏆 前端领域优质创作者 6218

select的三种用法

1、客户端在recv前使用select,可用于做心跳定时处理,超时时长为3个心跳包,若超时,关闭心跳、close(sockfd)、并且reInitSockfd, (服务端心跳在接收客户心跳之后的处理函数中刷新心跳定时,并回复心跳)。 2、在accept之前调用select,可同时监听listenfd和connfd多个描述符,在一个线程(进程)中,处理多个客户连接。 3、非阻塞connect...

Turbyun的博客 2603

S7-200 SMART PLC 子程序功能块(阀门控制)

由于S7-200 SMARTPLC的子程序种种功能、容量限制,有时想实现多次调用的子程序可能并不是太容易,这篇博客还是给出一些推荐写法,供大家参看。

RXXW_Dor的博客 8070

SQL学习笔记1-insert&select

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd"> <div id="content" class= "content mod-cs-content text-content clearfix"> 【INSERT】

liupeng_qwert的专栏 410

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

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

oracle学习笔记1-Writing basic sql select statments

摘录学习笔记,铭记前进的每一步.hoho开始还是蛮简单的哦!Objectives @List the capabilities of sql select staements @Exectue a basic select statement @Differentiate between sql statements and Isql *plus comamndsBasic select stat

Teana轻灵的专栏 1160

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

【Oracle】SQL学习笔记1---基本概念及SELECT语句及提取和排序数据

SQL01 Table of Contents 1 SQL注意事项 2 column heading default 3 arithmetic expression 4 Null value 5 column alias 6 concatenation operator 7 literal character strings 8 ...

weixin_34032827的博客 133

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")

学习笔记(1):7天带你玩转Mysql数据库之SQL语句-Select语句初始介绍

您观看课程学习后 免费入群领取【超全Python资料包+17本学习电子书】 七年SQL语句编写经验。满满的干货! 在网上找了好多SQL数据库的教程,但你还会面临这样的问题: 1. 自己写了SQL却不知道对不对。 2. 在上线后发现原有的数据内容SQL语句执⾏结果没问题, 但是数据变化了以后SQL返回的结果就...

weixin_45470862的博客 243

【Oracle】Oracle学习笔记

oracle学习笔记

weixin_42924812的博客 738

SQL之SELECT使用篇

这些语句定义了不同的数据库、表、视图、索引等数据库对象,还可以用来创建、删除、修改数据库和数据表的结构。

兀坐晴窗独饮茶 5037

MySQL基础篇2——SQL之SELECT使用篇

此笔记来自b站尚硅谷课程,仅做复习使用。 一、SQL语言的规则与规范1、SQL大小写规范2、注释3、命名规则4、SQL分类5、数据导入指令二、基本的SELECT语句1、SELECT...FROM2、列的别名3、去除重复行4、空值参与运算5、着重号6、查询常数7、显示表结构8、过滤数据:WHERE三、4大类运算符1、算术运算符2、比较运算符3、逻辑运算符4、位运算符5、运算符的优先级四、排序与分页1、排序:ORDER BY2、分页:LIMIT五、多表查询1、笛卡尔积(或交叉连接)2、多表查询分类讲解3、SQ

无 1万+

SQL Lesson 1: SELECT 查询

声明:文章内容来自http://www.xuesql.cn/,本文做了部分修改,并保证仅用作学习不用于其他商业用途。 一、查询 SELECT语句, 通常又称为查询(queries), 正如其名,SELECT可以用来从数据库中取出数据. 一条 SELECT 语句或者叫一个查询, 可以描述我们要从什么表取数据, 要取哪些数据,在返回之前怎么对结果做一些转化计算等等. 你可以把一个表(...

qq_40308933的博客 6411

SQL中使用where 1=1 和 select * 的坏处

先看一个例子:           SELECT  *  FROM PERSON   WHERE    1=1                          AGE > #ageValue#               ]]>         解释: 1、  SQL中使用了where 1=1 ,很优美的解决了参数中ageValue为空时SQL语法

wlinshan的博客 7800

MySQL学习笔记:03 基本SELECT语句

本文简单介绍了SQL语句的由来以及MySQL中最经常使用的SELECT语句的用法。

每天进步一点点 1709

SQL:SELECT语句

一、列的查询 查询表中某几列 匹配查询,通过SELECT语句查询并选出必要数据的过程。 SELECT <列名> FROM <表名>; -- SELECT列举要查询的列 -- FROM指定要查询的表 SELECT product_id,product_name,purchase_price FROM Product; 查询出的列,顺序可以任意指定。查询结果中列的顺序和...

ISWW 3139

【SQL基础(一)】【SQL简介+SQL 语法+SQL SELECT 语句+SQL SELECT DISTINCT 语句】

本章主要内容:SQL简介,SQL 语法,SQL SELECT 语句,SQL SELECT DISTINCT 语句。

LinGavinQ 1294

SQL中select 1 from table的作用

参考文章:https://blog.youkuaiyun.com/u010104750/article/details/51141221 select 1 from table的作用及延展 ① select 1 from table 得到一个行数和table一样的表,每行的列值为1 ② select count(1) 得出一个数,该数是table表的行数 ③ select sum(1) 得出一个数,该数是ta...

aaqian1的博客 6534
上一篇: VBA学习——1
下一篇: SQL学习笔记-2:不同表的联合查询
大星小辰
博客等级 码龄11年 102粉丝 103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