135模型的操作 2

本文详细介绍了Django中对数据库的操作,包括字段和参数、模型元数据、admin使用、国际化、单表操作以及多表操作。重点讲解了多对一、一对多、多对多的关系建立,以及如何在模型中定义这些关系。此外,还涵盖了基于对象和双下划线的跨表查询,以及高级查询技巧。内容深入且实用,适合Django初学者和进阶者学习。
摘要由CSDN通过智能技术生成

昨日回顾

1 常用/非常用的字段和参数,元数据
	-常用字段
	-常用参数
	-元信息: 表名,联合索引,联合唯一索引
	
2 admin的使用(快速的对表增删查改)
	-创建超级用户
	-/admin/
	-把表在admin.py中注册
3 国际化
	-中文,时区问题
4 单表的新增,单表的删除,单表的修改
	-新增
		·对象.save
		·类名.object.create()
	-删除
		·Queryset.delete()
		·对象.delete()
		 对象.save
	-修改
		·对象.save()
		·Queryset.update()
5 单表查询
	-13个API
	filter,all,get,first,last,reverse,count,order_by,values,values_list,distinct,exclude,exist
	-模糊查询
	·__in
	·__range
	·__gt/lt/gte/lte
	·__year
	·__startswith
	·__endswith
	·__contains
	·__icontains

6 在脚本中调用django
7 打印原生sql

今日内容

1 多表操作之模型创建

1 图书表Book、作者表Author、作者详情表Author_detail、出版社表publisher
2 作者和作者详情:一对一
3 图书跟出版社:一对多,关系一旦确立,关联字段写在多的一方
4 图书和作者:多对多,需要建立第三张表(自动生成)

class Book(models.Model):
	title = models.CharField(max_length=64)
	price = models.DecimalField(max_digits=2, decimal_places=2)
	# to:跟哪个表关联(可以写字符串也可以写类名,写类名需先定义),to_field:跟哪个字段关联,可以不写,默认和主键关联
	# 2.x版本 外键字段必须加 参数on_delete, 1.x版本不需要
	publisher = models.ForeignKey(to='Publisher', to_field='id', on_delete=models.CASCADE, null=True)
	# 自动创建第三张表
	# 数据库中不存在该字段,没有to_field
	author = models.ManyToManyField('Author')
	# 时区相关
	# 默认存当前utc时间,
	# 中国是东八区,存到数据库中时间差8个小时
	# 通过设置,存东八区的时间,在配置文件中修改
	publish_date = models.DateField(auto_now_add=True)

	class Meta:
		# 表名
		db_table = "book"
		# 联合索引
		index_together = [
			('title', 'publisher'),
		]
		# 联合唯一索引
		# unique_together = (('title', 'publisher'),)

		# admin中显示的表名称
		verbose_name = '图书表'
		# verbose_name加s
		verbose_name_plural = '图书表'

	def __str__(self):
		return self.title


class Publisher(models.Model):
	name = models.CharField(max_length=64)
	city = models.CharField(max_length=32)

	def __str__(self):
		return self.name

	class Meta:
		db_table = 'publisher'
		verbose_name_plural = '出版社'


class Author(models.Model):
	name = models.CharField(max_length=64)
	age = models.IntegerField()
	details = models.OneToOneField('AuthorDetail')

	def __str__(self):
		return self.name

	class Meta:
		db_table = 'author'
		verbose_name_plural = '作者'


class AuthorDetail(models.Model):
	gender = models.SmallIntegerField()
	address = models.CharField(max_length=64)
	phone = models.BigIntegerField()

	class Meta:
		db_table = 'author_detail'
		verbose_name_plural = '作者信息'

2 一对多添加记录

# 两种方式
publisher = models.Publisher.objects.create(name='北京出版社', city='北京')
# 1
	book = models.Book.objects.create(title='西游记', price='49.5', publisher=publisher)
# 2
	book = models.Book.objects.create(title='西游记', price='49.5', publisher_id=publisher.id)


# 总结:
	1 email可以不传email,本质就是varchar(admin中会判断)
    2 新增图书:
    	-publish=publish
        -publish_id=publish.id
    3 写在表模型中的publish字段,到数据库中会变成publish_id(ForeignKey)
    4 查到book对象以后
    	-book.publish     对象
    	-book.publish_id  id号,数字

3 多对多添加记录,修改,删除

1 自动创建的表,表模型就拿不到,book.authors代指表模型


    # 多对多,作者和书
    # 给西游记这本书新增两个作者lqz和egon
    # 去到西游记这本书
    # book=models.Book.objects.get(name='西游记')
    # 代指中间表book.authors
    # lqz=models.Author.objects.get(id=2)
    # egon=models.Author.objects.get(id=3)
    # book.authors.add(2,3) # 新增作者,通过id新增
    # # book.authors.add(lqz,egon) # 新增作者,通过对象新增
    # book.authors.add(2,egon) # 新增作者,通过对象新增

    # 西游记删除一个作者
    # book = models.Book.objects.get(name='西游记')
    # book.authors.remove(2)
    # egon = models.Author.objects.get(id=3)
    # book.authors.remove(egon)

    # clear 清空所有作者
    book = models.Book.objects.get(name='西游记')
    # book.authors.add(2, 3)
    # book.authors.clear()

    # set 先清空,再add,前提是不存在的作者
    book.authors.set([4, ])
    
    # add ,remove,set clear

5 基于对象的跨表查询


	# -基于对象的跨表查询: 子查询

	# 查询id为1的书,出版社所在的城市
	book = models.Book.objects.get(id=1)  # res = models.Book.objects.filter(id=1).first()
	pub = book.publisher  # 又执行了一次查询,根据publisher_id查询出publisher
	print(pub.city)

	# 北京出版社所有的书籍
	pub = models.Publisher.objects.get(name='北京出版社')
	books = pub.book_set.all()
	print(books)

	# 正向查询,book表中有publisher字段,直接对象.字段名
	# 反向查询, book表内没有book字段,出版社对象,表名小写_set.all()

	# 一对一查询
	# 查询所有住在北京的作者
	author_det = models.AuthorDetail.objects.filter(city='北京').first()
	# 反向
	print(author_det.author.name)

	# 查询作者egon的地址
	auth = models.Author.objects.get(name='egon')
	print(auth.author_detail.city)

	# 多对多关系查询
	# 正向
	# 西游记所有的作者的名字和手机号
	book = models.Book.objects.get(name='西游记')
	authors = book.author.all()
	for i in authors:
		print(authors.author_detail.phone)

	# 反向 查询egon出过所有书的名字
	obj = models.Author.objects.get(name='egon')
	books = obj.book_set.all()
	for i in books:
		print(i.title)

	# 总结:基于对象的跨表查询,先查对象,通过对象再去查一个对象(正向:字段名,反向:表名小写_set())




6 基于双下划线的跨表查询

	# -基于双下划线的跨表查询: 关联查询, 连表查询
	# 一对多:
	# 查询北京出版社出版书的名字和价格
	res = models.Publisher.objects.filter(name='北京出版社').values_list('book__title', 'book__price')
	print(res)
	res = models.Book.objects.filter(publisher__name='北京出版社').values('name', 'price')
	print(res)

	# 多对多
	# 查询egon出过所有书的名字
	res = models.Author.objects.filter(name='egon').values('book__title', 'book__price')
	res = models.Book.objects.filter(author__name='egon').values('title', 'price')

	# 一对一
	# 查询egon的手机号
	res = models.Author.objects.filter(name='egon').values('author_detail__phone')
	res = models.AuthorDetail.objects.filter(author__name='egon').values('phone')

	# 连续跨表查询
	# 查询北京出版社出版的书名和作者姓名
	res = models.Publisher.objects.filter(name='北京出版社').values('book__name','book__author__name')
	res = models.Book.objects.filter(publisher__name='北京出版社').values('title','author__name')
	res = models.Author.objects.filter(book__publisher__name='北京出版社').values('name','book__name')

	# 手机号以189开头的作者出版过的所有书籍名称以及出版社名称
	res = models.AuthorDetail.objects.filter(phone__contains='189').values('author__book__name',)

7进阶连续跨表查询

    # 连续跨表
    #查询北京出版社出版过的所有书籍的名字以及作者的姓名
    # res=models.Publish.objects.filter(name='北京出版社').values('book__name','book__authors__name')
    # print(res)

    # res=models.Book.objects.filter(publish__name='北京出版社').values('name','authors__name')
    # print(res)

    # res=models.Author.objects.filter(book__publish__name='北京出版社').values('book__name','name')
    # print(res)

    # 手机号以189开头的作者出版过的所有  书籍名称  以及   出版社名称
    # res=models.AuthorDetail.objects.filter(phone__startswith='189').values('author__book__name','author__book__publish__name')
    # print(res)

    # SELECT `app01_book`.`name`, `app01_publish`.`name` FROM `app01_author` INNER JOIN `app01_authordetail` ON (`app01_author`.`author_detail_id` = `app01_authordetail`.`id`) LEFT OUTER JOIN `app01_book_authors` ON (`app01_author`.`id` = `app01_book_authors`.`author_id`) LEFT OUTER JOIN `app01_book` ON (`app01_book_authors`.`book_id` = `app01_book`.`id`) LEFT OUTER JOIN `app01_publish` ON (`app01_book`.`publish_id` = `app01_publish`.`id`) WHERE `app01_authordetail`.`phone` LIKE  '189%' ;
    res=models.Author.objects.filter(author_detail__phone__startswith='189').values('book__name','book__publish__name')
    print(res)

扩展

1 看一看这篇博客

https://www.cnblogs.com/nokiaguy/p/13803370.html

2 安装模块相关

pip3 install django    
# 本质是去https://pypi.python.org/simple,搜这个模块,会根据你的平台下载在一个安装包(windows平台是whl),下载完,再安装

# pip安装失败的情况
# 我们可以绕过它,有了whl文件以后,自己装
# https://www.lfd.uci.edu/~gohlke/pythonlibs/#opencv
pip3 install django.whl   

# 官方库没有上传到pypi,官方也不给制作whl文件
#如何安装  包 (setup.py)
到达安装目录,setup.py所在的目录
python setup.py build
python setup.py install

# 配置清华源,豆瓣源,本质是
豆瓣源会把pypi,包拉到自己的服务器上,以后你再下,去它的服务器上下,所以速度快

# 你自己写的包,如何上传到pypi上给别人使用?

2 外键关系要不要建立

1 关联字段与外键约束没有必然的联系(建管理字段是为了进行查询,建约束是为了不出现脏数据)
2 默认情况,关联关系建好以后,外键约束就自然建立了
3 实际工作中,外键约束一般不建(影响效率),都是人为约束(代码约束)
	-db_constraint=False
4 表模型和数据库表的对应,不要直接修改表(这是可以的,但是不建议),要修改表模型,同步到表中

作业

1 讲的东西整理完

2 连续跨表的其它写法

3 如下(基于对象,基于双下滑下)

	# 查找所有书名里包含红楼的书
	res = models.Book.objects.filter(title__contains='红楼梦').all()
	print(res)
	# 查找出版日期是2017年的书
	res = models.Book.objects.filter(publish_date__year='2017').all()
	print(res)
	# 查找出版日期是2017年的书名
	for i in res:
		print(i.title)
	# 查找价格大于10元的书
	res = models.Book.objects.filter(price__gt=10).all()
	print(res)
	# 查找价格大于10元的书名和价格
	for i in res:
		print(i.title,i.price)
	# 查找在北京的出版社
	res = models.Publisher.objects.filter(city='北京').all()
	print(res)
	# 查找名字以沙河开头的出版社
	res = models.Publisher.objects.filter(name__startswith='沙河').all()
	print(res)
	# 查找作者名字里面带“小”字的作者
	res = models.Author.objects.filter(name__contains='小').all()
	print(res)
	# 查找年龄大于30岁的作者
	res = models.Author.objects.filter(age__lt=30).all()
	print(res)
	# 查找手机号是155开头的作者
	obj = models.AuthorDetail.objects.filter(phone__startswith='155').values('author__name')
	print(obj)
	# 查找手机号是155开头的作者的姓名和年龄
	obj = models.AuthorDetail.objects.filter(phone__startswith='155').values('author__name','author__age')
	print(obj)
	# 查找书名是“红楼梦”的书的出版社
	book = models.Book.objects.get(title='红楼梦')
	print(book.publisher)
	# 查找书名是“红楼梦”的书的出版社所在的城市
	res = models.Book.objects.filter(title='红楼梦').values('publisher__city')
	print(res)
	# 查找书名是“红楼梦”的书的出版社的名称
	res = models.Book.objects.filter(title='红楼梦').values('publisher__name')
	print(res)
	# 查找书名是“红楼梦”的书的所有作者
	res = models.Book.objects.filter(title='红楼梦').values('author__name')
	print(res)
	# 查找书名是“红楼梦”的书的作者的年龄
	res = models.Book.objects.filter(title='红楼梦').values('author__name','author__age')
	print(res)
	# 查找书名是“红楼梦”的书的作者的手机号码
	res = models.Book.objects.filter(title='红楼梦').values('author__authordetail__phone')
	print(res)
	# 查找书名是“红楼梦”的书的作者的地址
	res = models.Book.objects.filter(title='红楼梦').values('author__authordetail__address')
	print(res)
	# 查找书名是“红楼梦”的书的作者的邮箱
	# res = models.Book.objects.filter(title='红楼梦').values('author__authordetail__emailaddress')

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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