经典练习-SQL-经典题目(2)

SQL练习题解析
本文精选了部分SQL练习题,包括查询课程成绩对比、查询特定教师授课学生信息等内容,通过实例讲解了SQL联结方法和子查询技巧。

本文没有完全收录网上SQL练习经典50题,只放了一些个人觉得有价值的题目,建议使用的时候反查题目。数据库,表,数据及字段来源:https://blog.youkuaiyun.com/weixin_44167164/article/details/85090602
经典练习-SQL-经典题目(1)
https://blog.youkuaiyun.com/weixin_44167164/article/details/86519335

题目

1、
题干1:查询”01”课程比”02”课程成绩高的学生的信息及课程分数
题干2:查询"01"课程比"02"课程成绩低的学生的信息及课程分数
表:student、score
字段:student.*,score.s_s_score
条件:01课程成绩>02课程成绩
等价代换:
01课程成绩=(student联结score中score.c_id=’01’)这个联结表中的s_s_score
02课程成绩=(student联结score中score.c_id=’02’)这个联结表中的s_s_score

借题干1、2,着重说一下3种常见的联结方法
(1)多张表一块写,没有分步:
在这里插入图片描述在这里插入图片描述
注:on+多个and ,和where 某些情况可以互换使用的。看采取什么方式的嵌套,方便使用on+多个and, 还是where。

(2)每张表分开写,分步骤:类似1+2+3,先算1+2,然后结果再+3
在这里插入图片描述
(3)分步骤,从里往外写,类似于1+(2+3)
x join (xxx join xxx on xxx) on xxx
在这里插入图片描述在这里插入图片描述
题干3:查询“001”课程比“002”课程成绩高的所有学生的学号
表:score
字段:s_id
条件:01课程成绩>02课程成绩
等价代换:
01课程成绩=(select s_s_score from score where c_id=’01’)视图中的s_s_score
02课程成绩=(select s_s_score from score where c_id=’01’)视图中的s_s_score

Select s_id
From(select s_s_score from score where c_id=’01’)a,
   (select s_s_score from score where c_id=’02’)b
where a.sid = b.sid and a.score>b.score;

为什么要写a.sid = b.sid,表示查询是在一个表中进行,两个表没有进行交叉联结。
2、
题干1:查询学过"张三"老师授课的同学的信息
联结:

select st.* 
from student st
 join score s on s.s_id =st.s_id
 join  course c on c.c_id=s.c_id
 join  teacher t on c.t_id=t.t_id 
where t.t_name='张三';或者(where t.t_name like '张%三');

子查询:

select * from student where s_id 
in(select  s_id from score where c_id 
in(select c_id from course where t_id 
in(select t_id from teacher where t_name='张三')));

题干2:查询没学过"张三"老师授课的同学的信息
着重说下题干2。题干2和题干1结果应该刚好相反,按照最简单的逻辑,用题干1的子查询直接取反(not in)就可以了。注意是给最外层的、最后的子查询集合取反。而不是每一层子查询都取反。

select * from student
where s_id 
not in(select s_id from score where c_id  
      in(select c_id from course where t_id   
      in(select t_id from teacher where t_name='张三' )));

还有一种在联结上面取反,是给最后的联结集合取反,而不是联结条件取反或者每个联结取反。注意区别。

SELECT student.*
FROM student
where student.s_id not in 
(select st.s_id from student st
 join score s on s.s_id =st.s_id
 join  course c on c.c_id=s.c_id
 join  teacher t on c.t_id=t.t_id where t.t_name='张三');

另外说下一种错误:当时想的是把联结做成一个视图lianjie,利用视图lianjie和student表做笛卡尔积,条件取反即可。

CREATE VIEW lianjie AS(
select st.s_id
from student st
 join score s on s.s_id =st.s_id
 join  course c on c.c_id=s.c_id
 join  teacher t on c.t_id=t.t_id where t.t_name='张三');

SELECT student.*
FROM lianjie,student
where student.s_id NOT in lianjie.s_id;

逻辑是正确的,但是语法出错。
在这里插入图片描述
原因是,in后面只能取subquery(子集)、和非单值。其他一律语法报错。在这里插入图片描述

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 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