Union和Union All到底有什么区别

转载https://blog.csdn.net/qq_33326449/article/details/53079082

 

以前一直不知道Union和Union All到底有什么区别,今天来好好的研究一下,网上查到的结果是下面这个样子,可是还是不是很理解,下面将自己亲自验证:

Union:对两个结果集进行并集操作,不包括重复行,同时进行默认规则的排序;

Union All:对两个结果集进行并集操作,包括重复行,不进行排序;

 

下面进行简单的测试(因为是测试,所以sql代码写的很简单,没有什么很严格的规范,只是为了理解这两者之间的区别)

严格的标准写法应该先判断数据库是否存在,表是否存在等等约束

第一步,建库:

  1. Create database Test  
  2. go  
  3.   
  4. use Test  
  5. go  


第二步,建表:

  1. Create table Table1  
  2. (  
  3.     id int not null,  
  4.     name varchar(20) not null  
  5. )  
  6.   
  7. Create table Table2  
  8. (  
  9.     id int not null,  
  10.     name varchar(20) not null  
  11. )  

 

第三步,插入测试数据:

  1. Insert into Table1 values (1,'姚羽')  
  2. Insert into Table1 values (2,'边兵兵')  
  3. Insert into Table1 values (3,'袁磊')  
  4.   
  5. Insert into Table2 values (1,'姚羽')  
  6. Insert into Table2 values (2,'柳春平')  
  7. Insert into Table2 values (3,'张永超')  
  8. Insert into Table2 values (4,'刘华健')  


第四步,测试开始:

  1. select * from Table1  
  2. select * from Table2  

执行两个表的查询结果如下

可以很容易的看到,上面插入的测试数据当中,有一条是重复的

那么我们  先看执行union 看看

  1. select * from Table1  
  2. union   
  3. select * from Table2  


 

再执行union  all 看看

  1. select * from Table1  
  2. union all  
  3. select * from Table2  

 

 

相信到此时,应该明白了union  和 union all 的区别了,  我以前也一直没搞清楚,这次看视频,就终于搞清楚了

转载于:https://www.cnblogs.com/myJuly/p/11566836.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于LSTM的财务因子预测选股模型LSTM (Long Short-Term Memory) 是一种特殊的循环神经网络(RNN)架构,用于处理具有长期依赖关系的序列数据。传统的RNN在处理长序列时往往会遇到梯度消失或梯度爆炸的问题,导致无法有效地捕捉长期依赖。LSTM通过引入门控机制(Gating Mechanism)和记忆单元(Memory Cell)来克服这些问题。 以下是LSTM的基本结构和主要组件: 记忆单元(Memory Cell):记忆单元是LSTM的核心,用于存储长期信息。它像一个传送带一样,在整个链上运行,只有一些小的线性交互。信息很容易地在其上保持不变。 输入门(Input Gate):输入门决定了哪些新的信息会被加入到记忆单元中。它由当前时刻的输入和上一时刻的隐藏状态共同决定。 遗忘门(Forget Gate):遗忘门决定了哪些信息会从记忆单元中被丢弃或遗忘。它也由当前时刻的输入和上一时刻的隐藏状态共同决定。 输出门(Output Gate):输出门决定了哪些信息会从记忆单元中输出到当前时刻的隐藏状态中。同样地,它也由当前时刻的输入和上一时刻的隐藏状态共同决定。 LSTM的计算过程可以大致描述为: 通过遗忘门决定从记忆单元中丢弃哪些信息。 通过输入门决定哪些新的信息会被加入到记忆单元中。 更新记忆单元的状态。 通过输出门决定哪些信息会从记忆单元中输出到当前时刻的隐藏状态中。 由于LSTM能够有效地处理长期依赖关系,它在许多序列建模任务中都取得了很好的效果,如语音识别、文本生成、机器翻译、时序预测等。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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