-- 主要内容
-- SQL Server 实用脚本
-- 1、case语句
-- 2、子查询
-- 3、连接查询
-- 4、表表达式
-- 5、变量与流程控制(选择与循环等)
-- 6、事务
-- 7、存储过程
-- 8、触发器
1、case语句
-- if-else结构
/*
case
when 条件 then 值
when 条件 then 值
...
else 默认值
end
*/
-- switch-case结构
/*
case 字段
when 值1 then 结果1
when 值2 then 结果2
...
else 默认值
end
*/
create table Score
(
学号 nvarchar(10),
课程 nvarchar(10),
成绩 int
)
insert into Score values('0001','语文',87);
insert into Score values('0001','数学',79);
insert into Score values('0001','英语',95);
insert into Score values('0002','语文',69);
insert into Score values('0002','数学',84);
--
select * from Score;
-- 表的透视变换 ANSI-SQL的做法(-- T-SQL2008 透视变换与你透视变换PIvote UnPivote)
select
学号
, sum(case when 课程='语文' then 成绩 else 0 end) as '语文'
, sum(case when 课程='数学' then 成绩 else 0 end) as '数学'
, sum(case when 课程='英语' then 成绩 else 0 end) as '英语'
from
Score
group by
学号
2、子查询:在一个查询中,一个查询的结果作为另一个查询的条件,
那么这个查询称为子查询,这个使用条件的查询称为外部查询
-->独立子查询:可以单独执行的,标量子查询和多值子查询就是独立子查询
-->标量子查询:返回一个值(一般加上top 1 关键字)
select * from TestDataBase..Score where stuId =
(select top 1 stuId from TestDataBase..Student where stuName='纪明杰');
-->多值子查询:返回多个值(in)
select * from TestDataBase..Score where stuId in
(select stuId from TestDataBase..Student where stuName='濮阳语儿');
-->相关子查询
select
stuName
, (
select avg(testBase+testBeyond+testPro)
from TestDataBase..Score
where stuId = t.stuId -- 此时子查询需要使用外部查询的stuId
)'分数'
from
TestDataBase..Student as t
where
stuName='濮阳语儿';
3、连接查询(表连接:将多张表合并成一张表)
-->交叉连接:cross join 计算笛卡尔集
-->内连接: inner join 在交叉连接的基础上筛选得到的结果
-->外连接:在内连接的基础上找回部分数据
-->左外连接:left join
-->右外连接:right join
-->全连接:full join
/*
ANSI-SQL 89的写法
select * from Employee,Title --交叉连接
select * from Employee,Title on Employee.TitleId=Title.TitleId --内连接
*/
4、表表达式
-->派生表:就是由一个查询得到的结果集,作为数据源被查询,这个结果集就是派生表
select
*
from
(select * from Stuent) as t
where
t.stuName='濮阳语儿';
-->公用表表达式(CTE common table expression):
/*
with 别名([列名],[列名][列名],...)
as
(
结果集
)
查询
*/
with sales_CTE(salesPersonId,numberOfOrders) --每个经理报告的雇员的数目。
as
(
select salesPersonId,count(*)
from sales.salesOrderHeader
where salesPersonId is not null
group by salesPersonId
)
select salesPersonId,numberOfOrders
from sales_CTE
order by salesPersonId
-->视图:视图的本质,是对系统中具体的物理表的复杂查询的一个映射,
--> 其本质还是一个查询,可以认为是一个查询的别名
/*
create view 架构.v_视图名
as
结果集
*/
5、变量与流程控制
--> 变量的使用(先声明,在赋值,后使用)
declare @varible varchar(10); -- 声明变量
set @varible = '测试数据'; -- 赋值
set @varible = (select '测试的数据'); -- 标量子查询赋值
select @varible=stuName from Student where stuId = 3;
--> if..else..
/*
if(表达式)
begin
...
end
else
bein
...
end
*/
-->循环结构
/*
while(表达式)
begin
../
[break]|[contine];
end
*/
6、事务:事务是单个的工作单元。如果某一事务成功,则在该事务中进行的所有数据修改均会提交,成为数据库中的永久组成部分。如果事务遇到错误且必须取消或回滚,则所有数据修改均被清除。
-->在SQL Server中每一条sql语句默认为一个事务(下面的语句有一条执行失败,则全部插入失败,因为一条sql就是默认为一个事务)
insert into Employee(empId, empName, titleId) values
(4, '赵晓雪', null),
(5, '赵晓飞雪', null),
(6, '赵大雪', null)
-->手动使用事务
begin transaction
-->提交事务,让这里的代码全部生效
commit transaction
-->回滚事务,这里所有的操作无效
rollback transaction
begin transaction --@@error 记录最近一次sql语句执行的状态码,如果大于0表示这条有错误
declare @myError int;
set @myError = 0;
update bank set balance=balance - 500 where cid='0001'
set @myError = @myError + @@ERROR;
update bank set balance=balance + 500 where cid='0002'
set @myError = @myError + @@ERROR;
if @myError > 0
begin
rollback transaction
end
else
begin
commit transaction
end
-->事务的特征:
-->原子性(Atomicity):原子性意味着数据库中的事务执行是作为原子。即不可再分,整个语句要么执行,要么不执行。
-->持久性(Durability):事务完成以后,该事务所对数据库所作的更改便持久的保存在数据库之中,并不会被回滚。
-->隔离性(Isolation):事务的执行是互不干扰的,一个事务不可能看到其他事务运行时,中间某一时刻的数据。
-->一致性(Consistency):事务开始之前和事务结束以后,数据库的完整性约束没有被破坏。
begin transaction
begin try
update bank set balance=balance + 600 where cid='0001'
update bank set balance=balance - 600 where cid='0002'
commit transaction
end try
begin catch
rollback transaction
end catch
7、存储过程:类似于C#里面的方法
8、触发器:是存储过程,类似于C#里面的事件(约束只能在字段上使用,触发器可以跨表)
相关推荐
计算机网络实验——入侵检测系统实验
在图1所示的网络结构中,此方案的具体实施:在路由器Router1的接口1出方向配置入侵检测策略,在收到ICMP ECHO请求包时,丢弃并同步向日志服务器报告警告,此时,终端PC2和PC3无法对终端PC0和PC1执行ping操作,并且日志服务器将记录相应的警告信息;在实验一的基础上,添加扩展分组过滤器,指定需要进行检测的信息流的类别,将扩展分组和对应的入侵检测规则进行绑定,使得只对特定的信息流进行入侵检测。加载指定类别的特征库,这里的指定类别是 ios_ips 类别中的 basic 子类别。
sql统计-关于学生成绩
学生成绩表(stuscore): 姓名:name 课程:subject 分数:score ...
从数据集到产品:聊聊Room-to-Room (R2R) 如何影响扫地机器人、AR导航的未来
本文探讨了Room-to-Room (R2R) 数据集如何推动视觉与语言导航(VLN)技术的发展,并重塑扫地机器人和AR导航的未来。通过分析R2R基于Matterport3D的设计及其在真实场景中的应用,揭示了其在提升智能导航精度和自然语言交互能力方面的潜力。文章还讨论了从实验室到产品化的关键技术挑战与解决方案。
MYSQL数据库:case when then
其语法如下: 1)case vlaue when [compare-value]then reslut [when[compare-value]] then result ...] [else result] end (2)case when [condition] then result [when[condition]then result...][else result] end
用户存续期价值评估CLV(二) BG/NBD Model python模拟
BG/NBD Model …继续 想象每一个客户有两个硬币,一个“Buy Coin"控制客户购买的概率;一个"Die Coin"控制客户流失、不再购买的概率。 前面假设了客户的交易次数服从泊松过程: 在一年中的每个月,客户都以抛硬币的方式来决定是否购买。我们所观察到的购买次数取决与泊松分布的参数 ????。 %matplotlib inline import numpy as np impor...
MyEclipse 2017 CI 10安装与激活
本文介绍MyEclipse 2017 CI 7、CI 8、CI 9和CI 10的安装与激活。此方法理论上应该能激活MyEclipse 2017 CI所有系列,即激活方法是通用的,只是激活文件略有不同。本文提供MyEclipse 2017 CI 7、CI 8、CI 9和CI 10的激活文件。说明:博主所提供的压缩包格式均为RAR5,即WinRAR 5.0以上的版本才能正常解压,别的压缩软件博主不太清...
【MySQL】细谈SQL高级查询
面对繁杂的SQL查询语句,是否感到阅读起来吃力呢,来学习一下SQL的高级查询
系统架构设计(以飞控系统、航电系统、机电管理系统、电子电气架构为例)
系统架构涉及对系统的结构和行为进行高层次的描述。它包括系统的组成部分、这些部分之间的关系、与外部环境的交互方式,以及满足特定功能和非功能性需求的方法。系统架构定义了系统的总体设计蓝图,指导系统的开发、集成、部署和维护。系统架构设计的目的是通过合理的结构和设计原则,确保系统能够高效、稳定、安全地运行,满足当前和未来的需求,同时具备良好的维护性、扩展性和可持续性。良好的系统架构不仅能够提高系统的开发效率和运行性能,还能降低长期的维护和运营成本,支持系统的持续演进和技术更新。
高级sql技巧进阶教程
掌握高级SQL技巧不仅能帮助你写出更复杂的查询,还能帮助你提高查询效率,优化数据库性能。你可以通过使用窗口函数、递归查询、条件聚合等技巧来处理复杂的业务逻辑,同时通过索引优化、分区表等技术提升查询性能。在实际开发中,要根据数据量、查询需求和性能要求灵活选择和使用这些技巧。更多内容可以访问我的博客。
利用 IP 中的集成调试功能来调试 PCI Express 链接训练问题
JTAG Debugger”和“In-system IBERT”功能结合在一起即可提供即时信息,用于判断链接训练问题的可能原因。“test_rd.tcl”文件可读取 BRAM 中存储的调试数据,并输出 *.dat 文件,如下所示。同样,您可能看到某一箭头旁的数字较大,表明可能存在不稳定的链接。要采集 PCIe 链接眼图,请在 IP 配置 GUI 的“Add. Debug Options”选项卡中选择“启用 In-System IBERT (Enable In-System IBERT)”选项。
基于 YOLOv26 的陶瓷产品缺陷检测系统:智能视觉质检方案
本文提出了一种基于YOLOv26深度学习模型的陶瓷产品智能缺陷检测系统。该系统针对陶瓷生产中的裂纹、气泡、釉面缺陷等8类常见质量问题,采用YOLOv26目标检测算法实现高精度自动化检测。系统架构包含数据采集、预处理、YOLOv26检测和后处理四个模块,具有多类别分类、实时推理和强鲁棒性等技术优势。文章详细介绍了数据预处理与增强方法,并提供了Python代码实现示例。该方案可显著提升陶瓷产品质量检测效率,替代传统人工检测方式,为陶瓷制造业提供智能化质检解决方案。
高级SQL技巧
掌握高级 SQL 技巧,可以帮助您应对复杂的数据处理需求,提高查询性能和代码可维护性。实际工作中,这些技巧需要结合业务需求和数据库特性灵活应用,同时借助索引优化和分析工具确保高效执行。
【系统分析师】高分论文:论面向对象设计方法及应用
本文以某市职业院校合并后的信息化系统建设项目为例,探讨了面向对象设计方法在系统开发中的应用。作为系统分析师,作者在415.6万元、6个月工期的项目中,通过遵循单一职责原则(简化构件库)、依赖倒置原则(开发公共接口)和开闭原则(构件扩展)等设计原则,成功完成了5个子系统融合改造和4个智慧实训室建设。项目采用J2EE分层设计和SOA架构,最终在2022年11月顺利上线,提升了教学管理效率,获得用户好评。文章总结了设计原则对提高系统复用性、可维护性的重要作用,同时也反思了部署过程中的经验教训。
深入掌握高级SQL技巧
在数据驱动的商业环境中,SQL作为与数据库交互的桥梁,其高级技巧的掌握对于提高数据处理效率、优化查询性能至关重要。本文将深入探讨窗口函数、公用表表达式(CTE)、递归查询、高级联接技巧、子查询优化、索引优化、数据操作技巧、性能调优以及安全性与权限管理等高级SQL技巧,旨在帮助数据库专业人士和数据分析人员提升其技能,以应对日益复杂的数据挑战。在现代数据库应用中,SQL语言扮演着至关重要的角色。
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');```[](https://bitdeli.com/free "Bitdeli Badge")
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,
SQL Server高级编程
SQL Server高级编程
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
高级SQL语句
语法:SELECT “字段1” FROM “表格1” WHERE EXISTS (SELECT * FROM “表格2” WHERE “条件”);语法:SELECT “字段1”, SUM(“字段2”) FROM “表格名” GROUP BY “字段1” HAVING (函数条件);语法:SELECT “表格別名”.“字段1” [AS] “字段別名” FROM “表格名” [AS] “表格別名”;语法:SELECT “字段1”, SUM(“字段2”) FROM “表名” GROUP BY “字段1”;
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
高级SQL技巧教程
基本的连接操作包括内连接(INNER JOIN)、左连接(LEFT JOIN)、右连接(RIGHT JOIN)和全连接(FULL JOIN),但高级SQL需要掌握更复杂的连接技巧。
PostgreSQL 高级 SQL
PostgreSQL 提供了丰富的高级 SQL 功能,能高效处理复杂查询、数据分析、递归操作等场景。
高级SQL查询技巧
在这些技巧中,例如,应用窗口函数可以在不需要分组数据的情况下计算数据的排名或者进行数据的分区统计,这是常规的GROUP BY所不能实现的。子查询允许你在SQL语句中嵌入另一个查询,它可以用在SELECT、INSERT、UPDATE和DELETE语句之中,提高查询的灵活性和复杂度。使用CTE能让查询更加易读,特别是在执行复杂的查询、多层次的子查询或具有递归逻辑的查询时。,它仅返回两个表中匹配的行。,因为你可以将查询分成多个逻辑上的部分,先定义CTE,然后在主查询中引用这些CTE,就像引用真实的表或视图一样。
SQL高级语句
文章目录一、SQL高级语句1.1、select语句1.2、distinct语句1.3、where语句① and or(且 或) ②显示已知值的资料(in)③ 显示两个范围内的资料(between)④ 通配符(% _ )⑤like语句⑥ order by 语句 一、SQL高级语句 #创建数据库 create database kgc; #使用数据库 use kgc; #########创建表location,插入数据 create table location (Region char(10),Store_
MySQL数据库之——高级[进阶]SQL语句——SQL高级语句、函数
文章目录一、SQL高级语句1、 SELECT2、DISTINCT3、WHERE4 、AND OR5、IN6、BETWEEN7 通配符8 LIKE9 ORDER BY二、SQL函数1、数学函数2 聚合函数3 字符串函数 一、SQL高级语句 1、 SELECT 显示表格中一个或数个栏位的所有资料 语法:SELECT “栏位” FROM “表名”; 例: select * from infol; select name from infol; 2、DISTINCT 不显示重复的内容 语法:SELECT D
高级sql教程
这些是高级SQL教程中的一些常见主题,通过学习这些高级技巧,您可以更好地理解和应用SQL语言,以处理更复杂的数据操作和分析任务。事务管理:学习如何使用事务来保证SQL操作的一致性和完整性,以及如何处理并发访问和锁定问题。存储过程和函数:了解如何创建和使用SQL存储过程和函数,以实现更复杂的数据操作和业务逻辑。子查询和嵌套查询:学习如何在一个查询中嵌套另一个查询,以实现更复杂的逻辑和条件筛选。视图(VIEW):学习如何创建和使用SQL视图,以简化复杂的查询操作并提高查询性能。
mysql约束和高级sql
事务是一组SQL语句的集合,它们要么全部成功执行,要么全部不执行,把一系列的操作放在一个地方,然后再决定是否生效。MySQL存储过程是一组为了完成特定功能的SQL语句集合,它被编译并存储在数据库中,可被多次调用执行,使用存储过程可以提高性能,加强可维护性。:连接用于结合两个或多个表的行,基于相关的列。这个查询的结果将是一个包含两列的表 books.title 和 authors.name,每一行都对应一个书籍及其作者的名称。MySQL中的约束用于定义表中数据的规则,以确保数据的准确性和可靠性。
Oracle 高级sql篇
SQL高级编程语法实例
SQL 高级
SQL 数据库 高级 速过复习
1563



被折叠的 条评论
为什么被折叠?



