mysql 数据操作命令汇总 hibernate操作

转载其他人的文章,谢谢合作:

http://www.jb51.net/article/59623.htm

http://www.yiibai.com/mysql/mysql_like_clause.html

http://blog.163.com/budong_weimin_zh/blog/static/12919852420115130484204/


http://www.cnblogs.com/greatverve/archive/2011/11/10/mysql-summary.html

http://www.cnblogs.com/52fhy/p/5831589.html

http://www.cnblogs.com/52fhy/p/5269318.html  账户安全

 

 

http://blog.csdn.net/daryl715/article/details/1916060   hibernate ORM   级联关系映射操作案例 好的

 http://www.cnblogs.com/greatverve/archive/2011/11/10/mysql-summary.html

==========================================================

 

distinct 去掉重复的数据行,只有一航。

select distinct  realname as 姓名 ,  password as 密码 from user;


返回表中从上到下的 N行数据:

select top 2  realname as 姓名 ,  password as 密码 from user;  false;

select   realname as 姓名 ,  password as 密码 from user limit 1;

select   realname as 姓名 ,  password as 密码 from user limit 0 , 2;

select  realname as 姓名  from user where username=2;


select  realname as 姓名  from user where username<3;

select  realname as 姓名  from user where username<3  and  表达式;

select  realname as 姓名  from user where username in(1,2); 和上面等价,也是查询

select  realname as 姓名  from user where username  not  in(1,2,2016);


select  *  from user where username  between 1 and 2016;

select  *  from user where username  between 2 and 2016; 范围以内的数据

select  *  from user where username  not  like '马%';
                         where  列明 is not null ;

结果集合数据按照从低到高的正序 或者从高到低的倒叙排序。
select  *  from user where username ,列明,order  by 列明 asc,列明  desc ;

select  *  from user  order  by username  asc  ;

insert  into user values( 3 , '沈晶晶' , 1245 ,  1  );


对每列中的数据进行分组查询:
select  *, count(realname) as 人数  from user group by role ;


join  多种的连接查询: 默认是  内连接(可能存在信息丢失)

select   from  table  join-type join  table2  on  jion-conditions  where search-conditions
order  by  order-expression

例如:
select  商品信息.商品名称  ,商品信息.商品价格,  订单信息,交易数量 
from 商品信息  join  订单信息
on    商品信息.商品编号 = 订单信息.商品编号
where 商品信息.商品价格 <350

select  商品信息.商品名称  ,商品信息.商品价格,  订单信息,交易数量 
from 商品信息 inner join  订单信息
on    商品信息.商品编号 = 订单信息.商品编号
order by 商品信息.商品价格

select  商品信息.商品名称  ,商品信息.商品价格,  订单信息,交易数量 
from 商品信息 inner join  订单信息
on    商品信息.商品编号 = 订单信息.商品编号
and 订单信息.商品价格  between  250  and 350
order by 商品信息.商品价格

以上3条可能存在数据行重复现象。

自然连接:
select  商品信息.商品名称  ,商品信息.商品价格,  订单信息,交易数量 
from 商品信息  join  订单信息
on    商品信息.商品编号 = 订单信息.商品编号
结果集中: 删除连接表中重复列。

 

左外连接:
以主表中的数据为标准  去匹配从表中的数据行,如果没有匹配,从表中的数据行被填上

NULL, 且返回数据。
select  商品信息.商品名称  ,商品信息.商品价格,  订单信息,交易数量 
from 商品信息(主表)  left outer join  订单信息(从表)
on    商品信息.商品编号 = 订单信息.商品编号

 


右外连接:
以主表中的数据为标准  去匹配从表中的数据行,如果没有匹配,从表中的数据行被填上

NULL, 且返回数据。
select  商品信息.商品名称  ,商品信息.商品价格,  订单信息,交易数量 
from 商品信息(从表)  right outer join  订单信息(主表)
on    商品信息.商品编号 = 订单信息.商品编号


全外连接:
以主表中的数据为标准  去匹配从表中的数据行,如果没有匹配,从表中的数据行被填上

NULL, 且返回数据。 相互的返回整个数据
select  商品信息.商品名称  ,商品信息.商品价格,  订单信息,交易数量 
from 商品信息(主表) full outer join  订单信息
on    商品信息.商品编号 = 订单信息.商品编号(从表)

 


自连接:对同一个表进行连接查询。需要定义别名,其他操作一样。

select  A.商品名称  ,B.商品价格,A.商品价格,  B.库存数量 
from 商品信息 as A  inner join  商品信息 as B
on    A.商品编号 = B.商品编号
where A.商品价格  between  200 and 300
order by A.商品价格

 

联合查询:把 查询结果集 再次连接到一起。

select  制造商名称  as  ‘制造商地址’ ,  制造商电话  as  '传真电话'
from   制造商信息
union
select  供货商地址, 供货商电话
from   供货商信息

 

使用In 进行子查询:

select  * from 注册会员
where 会员编号  in
                      ( select    会员编号  from   订单信息  where  交易数量 >3 )


作为外围查询的触发条件的exists查询

select  * from 注册会员
where exists
                  ( select    会员编号  from   订单信息  where  交易数量 >3 )


比较运算符:

select  会员编号, 会员名称,会员地址   from 注册会员
where 会员编号  <= any  或者 all
                  ( select    会员编号  from   订单信息  where  交易数量 >3 )

 


返回单值的子查询:子查询的结果只返回一个值。

select  会员编号, 会员名称,会员地址   from 注册会员
where 会员编号  < 
                  ( select    会员编号  from   订单信息  where  商品价格=3356 )

 


嵌套的子查询:
select  会员名称  from 会员信息
where 会员编号  in(
                          select 会员编号 from 订单信息 where 订单编号 in
                                                                                         (select 订单编号

from   订单明细 id in (3,4,5,6)) )

 ---------------------------------------------------

create table a(

name char(20) not null,

id char(20) not null  primary key);

 

create table b(

b_name char(20) not null,

b_id char(20) not null ,

constraint foreign key(b_id) references a(id) on delete cascade);

insert into a values("111","1");

insert into a values("222","2");


在b表中插入下面数据 insert into b values("1","1"); 显示插入成功。

在b表中插入下面数据 insert into b values("1","3"); 显示插入失败。是因为这里设置了外键而a表中的id没(id=="3")的数据。

执行delete from a where id="1"; b表中的数据也会被删除掉。这里就应用到了级联删除。

 


CREATE TABLE `user` (
 `id` int(4) NOT NULL,
 `sex` enum('f','m') DEFAULT NULL,
  PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8;

CREATE TABLE `userinfo` (
 `sn` int(4) NOT NULL AUTO_INCREMENT,
 `userid` int(4) NOT NULL,
 `info` varchar(20) DEFAULT NULL,
 PRIMARY KEY (`sn`),
 KEY `userid` (`userid`),
 CONSTRAINT `userinfo_ibfk_1` FOREIGN KEY (`userid`) REFERENCES `user` (`id`)
ON DELETE CASCADE
ON UPDATE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8;

 

 

 

 ---------------------------------------

 

 

 

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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