in与exist , not in与not exist 的区别

  1. in和exists  
  2. in 是把外表和内表作hash 连接,而exists是对外表作loop循环,每次loop循环再对内表进行查询。一直以来认为exists比in效率高的说法是不准确的。  
  3. 如果查询的两个表大小相当,那么用in和exists差别不大。  
  4. 如果两个表中一个较小,一个是大表,则子查询表大的用exists,子查询表小的用in:  
  5. 例如:表A(小表),表B(大表)1:select * from A where cc in (select cc from B)  
  6. 效率低,用到了A表上cc列的索引;select * from A where exists(select cc from B where cc=A.cc)  
  7. 效率高,用到了B表上cc列的索引。  
  8. 相反的2:select * from B where cc in (select cc from A)  
  9. 效率高,用到了B表上cc列的索引;select * from B where exists(select cc from A where cc=B.cc)  
  10. 效率低,用到了A表上cc列的索引。  
  11.   
  12.   
  13. not in 和not exists  
  14.   
  15. 如果查询语句使用了not in 那么内外表都进行全表扫描,没有用到索引;而not extsts 的子查询依然能用到表上的索引。所以无论那个表大,用not exists都比not in要快。  
  16.   
  17.    
  18.   
  19. not in 逻辑上不完全等同于not exists,如果你误用了not in,小心你的程序存在致命的BUG:  
  20.   
  21. 请看下面的例子:  
  22. create table t1 (c1 number,c2 number);  
  23. create table t2 (c1 number,c2 number);  
  24.   
  25. insert into t1 values (1,2);  
  26. insert into t1 values (1,3);  
  27. insert into t2 values (1,2);  
  28. insert into t2 values (1,null);  
  29.   
  30. select * from t1 where c2 not in (select c2 from t2);  
  31. no rows found  
  32. select * from t1 where not exists (select 1 from t2 where t1.c2=t2.c2);  
  33. c1 c2  
  34. 1 3  
  35.   
  36. 正如所看到的,not in 出现了不期望的结果集,存在逻辑错误。如果看一下上述两个select语句的执行计划,也会不同。后者使用了hash_aj。  
  37. 因此,请尽量不要使用not in(它会调用子查询),而尽量使用not exists(它会调用关联子查询)。如果子查询中返回的任意一条记录含有空值,则查询将不返回任何记录,正如上面例子所示。  
  38. 除非子查询字段有非空限制,这时可以使用not in ,并且也可以通过提示让它使用hasg_aj或merge_aj连接  

  • 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