单条SQL语句实现复杂逻辑的几个例子(2)

查询字段a的值连续三条以上相同的记录

初始表数据如下:

a b c

- - -

1 2 3

1 4 5

1 3 6

2 3 3

1 5 7

2 5 8

1 6 9

1 2 3

1 4 5

1 3 6

要求用SQL实现如下效果:

a b c

- - -

1 2 3

1 4 5

1 3 6

1 6 9

1 2 3

1 4 5

1 3 6

建表语句如下:

create table tmp2 (a number,b number, c number);

insert into tmp2 values (1,2,3);

insert into tmp2 values (1,4,5);

insert into tmp2 values (1,3,6);

insert into tmp2 values (2,3,3);

insert into tmp2 values (1,5,7);

insert into tmp2 values (2,5,8);

insert into tmp2 values (1,6,9);

insert into tmp2 values (1,2,3);

insert into tmp2 values (1,4,5);

insert into tmp2 values (1,3,6);

commit;

解题思路:

这道题看起来非常简单,我们甚至一眼就能看出来哪些记录是连接3条相同的,但 千万不要被其简单的表象迷惑了,特别是那些下意识就能得出结论的问题,这往往会让我们的思维陷入到自我的思维误区中,而不再以计算机的执行模式去理解问题,因此这题 核心要解决的问题 将我们的思维方式转换成 sql 可以理解的 记数 方式。

先来理一理我们的逻辑,看看能否转换成对应的SQL操作:

首先肯定是拿上一条与下一条做对比,看看是否相同---&gtlead,lag分析函数可以实现这一点

计算相同数---&gtcount分析函数可以实现,但是这里面有一个问题,分析函数虽然是逐条对比生成结果,但此处我们的依据是是否相同的字段值,假设该字段值为0或1的话,count() over(partition by )就没有了依照,因此我们需要先将比较的结果字段通过sum() over(order by rownum)计算相加,以便生成分区用的字段。

如果计数>3则这些记录符合我们的需求

OK,思路理清了,下面一步步来试试,首先生成比较是否相同的字段:

JSSWEB> select a.*,

     2         rownum rn,

     3         decode(a, lag(a, 1, a) over(order by rownum), 0, 1) na

     4    from tmp2 a

     5  ;

 

         A          B          C         RN         NA

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

         1          2          3          1          0

         1          4          5          2          0

         1          3          6          3          0

         2          3          3          4          1

         1          5          7          5          1

         2          5          8          6          1

         1          6          9          7          1

         1          2          3          8          0

         1          4          5          9          0

         1          3          6         10          0

 

10 rows selected

*rownum列是为了排序用

然后生成用于partition的列

JSSWEB> select b.*, sum(na) over(order by rn) so

     2    from (select a.*,

     3                 rownum rn,

     4                 decode(a, lag(a, 1, a) over(order by rownum), 0, 1) na

     5            from tmp2 a) b

     6  ;

 

         A          B          C         RN         NA         SO

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

         1          2          3          1          0          0

         1          4          5          2          0          0

         1          3          6          3          0          0

         2          3          3          4          1          1

         1          5          7          5          1          2

         2          5          8          6          1          3

         1          6          9          7          1          4

         1          2          3          8          0          4

         1          4          5          9          0          4

         1          3          6         10          0          4

 

10 rows selected

这下就清晰多了,剩下的就没难度了,count() over()生成数量,取数量大于2的记录即可:

JSSWEB> select a,b,c from(

     2  select c.*, count(so) over(partition by so) ct

     3    from (select b.*, sum(na) over(order by rn) so

     4            from (select a.*,

     5                         rownum rn,

     6                         decode(a, lag(a, 1, a) over(order by rownum), 0, 1) na

     7                    from tmp2 a) b) c

     8  )where ct>=3

     9  ;

 

         A          B          C

---------- ---------- ----------

         1          2          3

         1          4          5

         1          3          6

         1          6          9

         1          2          3

         1          4          5

         1          3          6

 

7 rows selected

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

查看前例:

例1:按指定规则生成指定商品指定年限销售额

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/7607759/viewspace-237969/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/7607759/viewspace-237969/

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