使用 GROUP BY WITH ROLLUP 改善统计性能

使用 GROUP BY 的 WITH ROLLUP 字句可以检索出更多的分组聚合信息,它不仅仅能像一般的 GROUP BY 语句那样检索出各组的聚合信息,还能检索出本组类的整体聚合信息。

下面我们的例子对比了普通的 GROUP BY 操作和有 WITH ROLLUP 子句的 GROUP BY 操作的不同:

查询表的内容,是雇员的基础信息表:

 

 

[xhtml] view plain copy

  1. <a href="http://lib.csdn.net/base/mysql" class='replace_word' title="MySQL知识库" target='_blank' style='color:#df3434; font-weight:bold;'>MySQL</a>> select * from employee;  
  2. +------+--------+------+------+------+  
  3. | id | name | dep | pos | sal |  
  4. +------+--------+------+------+------+  
  5. | 1 | abcd | 01 | 01 | 1000 |  
  6. | 2 | eefs | 01 | 02 | 2000 |  
  7. | 3 | micro | 02 | 01 | 1500 |  
  8. | 4 | cathey | 02 | 02 | 3000 |  
  9. | 5 | amy | 03 | 01 | 2500 |  
  10. | 6 | lily | 03 | 02 | 2200 |  
  11. | 7 | bobo | 01 | 01 | 2000 |  
  12. | 8 | gray | 01 | 02 | 1900 |  
  13. | 9 | leon | 03 | 02 | 2900 |  
  14. | 10 | sun | 02 | 02 | 1900 |  
  15. +------+--------+------+------+------+  
  16. 10 rows in set (0.00 sec)  

 

普通的 GROUP BY 操作,可以按照部门和职位进行分组,计算每个部门,每个职位的工资平均值:

 

 

[xhtml] view plain copy

  1. <a href="http://lib.csdn.net/base/mysql" class='replace_word' title="MySQL知识库" target='_blank' style='color:#df3434; font-weight:bold;'>mysql</a>> select dep,pos,avg(sal) from employee group by dep,pos;  
  2. +------+------+-----------+  
  3. | dep | pos | avg(sal) |  
  4. +------+------+-----------+  
  5. | 01 | 01 | 1500.0000 |  
  6. | 01 | 02 | 1950.0000 |  
  7. | 02 | 01 | 1500.0000 |  
  8. | 02 | 02 | 2450.0000 |  
  9. | 03 | 01 | 2500.0000 |  
  10. | 03 | 02 | 2550.0000 |  
  11. +------+------+-----------+  
  12. 6 rows in set (0.02 sec)  

 

 

如果我们希望再显示部门的平均值和全部雇员的平均值,普通的 GROUP BY 语句是不能实现的,需要另外执行一个查询操作,或者通过程序来计算。如果使用有 WITH ROLLUP 子句的 GROUP BY 语句,则可以轻松实现这个要求:

 

 

[java] view plain copy

  1. mysql> select dep,pos,avg(sal) from employee group by dep,pos with rollup;  
  2. +------+------+-----------+  
  3. | dep | pos | avg(sal) |  
  4. +------+------+-----------+  
  5. | 01 | 01 | 1500.0000 |  
  6. | 01 | 02 | 1950.0000 |  
  7. | 01 | NULL | 1725.0000 |  
  8. | 02 | 01 | 1500.0000 |  
  9. | 02 | 02 | 2450.0000 |  
  10. | 02 | NULL | 2133.3333 |  
  11. | 03 | 01 | 2500.0000 |  
  12. | 03 | 02 | 2550.0000 |  
  13. | 03 | NULL | 2533.3333 |  
  14. | NULL | NULL | 2090.0000 |  
  15. +------+------+-----------+  
  16. 10 rows in set (0.00 sec)  

 

 

需要注意的是,使用有 WITH ROLLUP 子句的 GROUP BY 语句时,不能再使用 ORDER BY 语句对结果集进行排序,如果对返回的结果顺序不满意,需要应用程序获得结果后在程序中进行排序。

转载于:https://my.oschina.net/u/3630550/blog/1492160

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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