mysql——入门3

数据库设计

数据库设计步骤

  1. 明确需求,搜集信息。抽离出数据库表现功能。
  2. 数据库建模:获取实体对象。
  3. 数据库建模:标识实体属性。
  4. 数据库建模:绘制 E-R 图。
  5. 转成数据库表。
  6. 规范化(三范式)

E-R绘制、转换:

E-R图语法:

  1. 矩形:实体对象(名词)
  2. 椭圆:属性(名词)
  3. 菱形:关系(动词)1:1、1:N、N:N

转换原则:

  1. 将实体转成 表, 将属性 转成字段。
  2. 如果没有合适的字段做主键,添加自动增长列做主键。

三范式:

  1. 原子性:表中的字段不可再分。
  2. 非键字段,依赖键字段:一张表只描述一件事。
  3. 消除传递依赖。非键字段键没有依赖关系。(消除冗余)

实际设计过程中,根据具体情况 适当采用 “反三范式”。保证数据库完整性、高效性。

查询语句

字段表达式 和 别名

  • 字段表达式:

    • select ‘床前明月光’; select 10 * 3 ;
  • 别名:

    • 关键字 as (可以省略)、“ ” (可以省略)
    select id as "编号", name "姓名", addr "地 址", score '成绩', score + 20 as "加法"
    from stu;
    

dual 表

  • 伪表

  • 凑 “select xxx from xxx” 语法格式

    select 10 *20 from dual; 
    

导入SQL脚本文件

  1. 将 xxx.sql 脚本文件保存 在 Linux中。
  2. 登录 mysql 客户端。
  3. 在 mysql> 后,键入 “ source xxx.sql 脚本文件 绝对路径”。

where 查询

运算符:

​ > >= < <= =(没有 ==) != and(&&) or(||) not

select * from stu where stuage >=22 and stuage<=27;

select * from stu where 0;	-- 空记录

select * from stu where 1;	-- 全部记录
in 和 not in
  • in:在集合中
  • not in :不在集合中
select * from stu where stuaddress in('北京','上海','天津','河北');

select * from stu where stuaddress not in('北京','上海','天津','河北');
between … and、not between … and
  • 闭区间的 范围 :
select * from stu where stuage >=18 and stuage <=22;

select * from stu where stuage between 18 and 22;	-- 必须 小值在前,大值在后。

select * from stu where stuage not between 18 and 22;
is null 和 is not null
  • 含有空值的 表达式 ,结果为 null
mysql> select stuno, stuname, ch, math, ch+math 总成绩 from stu;
+--------+-----------+------+------+-----------+
| stuno  | stuname   | ch   | math | 总成绩    |
+--------+-----------+------+------+-----------+
| s25301 | 范建      |   80 | NULL |      NULL |
| s25302 | 罗况      |   77 |   76 |       153 |
| s25303 | 申晶冰    |   55 |   82 |       137 |
| s25304 | 杜子腾    | NULL |   74 |      NULL |
| s25305 | 史泰香    |   72 |   56 |       128 |
| s25318 | 郭迪辉    |   86 |   92 |       178 |
| s25319 | 拎壶冲    |   74 |   67 |       141 |
| s25320 | Tom       |   65 |   67 |       132 |
| s25321 | Tabm      |   88 |   77 |       165 |
+--------+-----------+------+------+-----------+
  • 不能使用 = 和 != 判断 null。 使用 is 和 is not
mysql> select stuno, stuname,ch, math from stu where ch = null;
Empty set (0.00 sec)

mysql> select stuno, stuname,ch, math from stu where ch is null;
+--------+-----------+------+------+
| stuno  | stuname   | ch   | math |
+--------+-----------+------+------+
| s25304 | 杜子腾    | NULL |   74 |
+--------+-----------+------+------+

  • 滤空函数 :ifnull(参1, 参2)。 当参1对应的值为 null 时,返回 参2.
mysql> select stuno, stuname, ch, math, (ifnull(ch,0)+ifnull(math,0)) 总成绩 from stu;
+--------+-----------+------+------+-----------+
| stuno  | stuname   | ch   | math | 总成绩    |
+--------+-----------+------+------+-----------+
| s25301 | 范建      |   80 | NULL |        80 |
| s25302 | 罗况      |   77 |   76 |       153 |
| s25303 | 申晶冰    |   55 |   82 |       137 |
| s25304 | 杜子腾    | NULL |   74 |        74 |
| s25305 | 史泰香    |   72 |   56 |       128 |
| s25318 | 郭迪辉    |   86 |   92 |       178 |
| s25319 | 拎壶冲    |   74 |   67 |       141 |
| s25320 | Tom       |   65 |   67 |       132 |
| s25321 | Tabm      |   88 |   77 |       165 |
+--------+-----------+------+------+-----------+

select stuno, stuname, ch 语文, math, (ifnull(ch,0)+ifnull(math,0)) as 总成绩 from stu
#where 总成绩 > 120;  -- Unknown column '总成绩' in 'where clause'
where (ifnull(ch,0)+ifnull(math,0)) > 120;
通配符 和 模糊查询
  • 通配符

    • ‘_’ :匹配任意一个字符。
    • ‘%’ :匹配 0-N 个任意字符。
  • like: 模糊查询

    show variables like 'ch%';
    
    select * from stu where stuname like 'T%';
    
    

Order by 排序

  • order by : 向后作用。作用于 后面的所有字段。
  • asc:升序【默认】. 向前作用。 作用于前面的 一列。
  • desc:降序。向前作用。作用于前面的 一列。
# 按语文成绩降序排列
select * from stu order by ch desc; 

# 按年龄、语文成绩排序
select * from stu order by stuage, ch;  -- 当年龄相同时,按ch成绩排序

# 按年龄升序、语文成绩降序排序
select * from stu order by stuage asc, ch desc;  -- 当年龄相同时,按ch成绩降序排序

# 按年龄降序、总成绩升序排序
select *, (ifnull(ch,0)+ifnull(math,0)) 总成绩 
from stu 
order by stuage desc, 总成绩 asc;

组函数

  • 单行函数:对一行数据进行变换,产生一个结果。
  • 多行函数(组函数、聚合函数):对多行数据进行变换,产生一个结果。
  • 特性:组函数具有自动滤空功能。
  • 组函数:
    1. sum()求和
    2. avg()求平均值
    3. max()求最大值
    4. min()求最小值
    5. count()统计记录数。count(*) MySQL系统选择 主键 字段统计。

分组查询

语法:在 select 的查询列表中,所有没有包含在组函数中的列,出现 在group by 之后。

# 按性别分组,查询平均年龄
SELECT stusex, avg(stuage)
from stu
group by stusex

# 求各个地区,男性平均年龄 和 女性平均年龄。
SELECT stuAddress, stuSex, avg(stuage)
from stu
group by stuAddress, stuSex

having 过滤:

  • having 和 where 区别:
    1. where 从数据库中的原始数据中过滤。having从 结果集中进行过滤。
    2. where子句中不能使用组函数。在having子句中 可以使用组函数。
  • SQL语句中没有组函数,既可以使用 where 也可以使用 having。where 效率高。
# 求平均年龄大于 25 的地区
select stuAddress, avg(stuAge)
from stu
group BY stuAddress
having avg(stuAge) > 25select stuAddress, avg(stuAge) 平均年龄
from stu
group BY stuAddress
having 平均年龄 > 25

select stuAddress, avg(stuAge) 平均年龄
from stu
where 平均年龄 > 25			-- where子句中不能使用组函数 error
group BY stuAddress


limit 限制

  • 语法:limit 起始位置,显示长度。
    • 起始位置:从 0 开始计数。 如果起始位置为零,可以省略。
select * from stu limit 0, 2;
select * from stu limit 2;		-- 显示结果一致。

# 查询班级总分前3名的学员信息
select *, (ifnull(ch,0) + ifnull(math, 0)) 总分
FROM stu
order by 总分 desc 
limit 3;

  • limit 除了在 select 子句中可以使用,也可以在 update、delete中使用。

多表查询

  1. 内连接
  2. 左外链接
  3. 右外连接
  4. 交叉连接
  5. 自然连接(语法优化)

笛卡尔全集

  • 笛卡尔集行 = 表1 的行 x 表2 行
  • 笛卡尔集列 = 表1的列 + 表2的 列
  • 笛卡尔全集中,一定包含 错误信息。 —— 多表查询,一定要滤除错误信息。

内连接

  1. 语法一:
select * from1,2 where1.公共字段 =2.公共字段

select * from emp, dept where emp.deptno = dept.deptno;

  1. 语法二:

    “,” --> inner join

    “where” --> on

select * from1 inner join2 on1.公共字段 =2.公共字段

select * from emp inner join dept on emp.deptno = dept.deptno;

练习:

​ 查询 stuinfo 表和 stumarks 表 的 姓名、学号、性别、笔试成绩、上机成绩:

#方法一:
select stuname, i.stuno, stusex, writtenExam, labExam
from stuinfo i, stumarks m
where i.stuno = m.stuno

#方法二:
select stuname, i.stuno, stusex, writtenExam, labExam
from stuinfo i inner join stumarks m
on i.stuno = m.stuno

外链接

  • 使用外链接的 场景:

    select 的查询结果中,向包含某些 对于 过滤 条件而言,不满足的 场景。

    希望保存,左边表的 数据,使用 左外连接。 右表 使用 null 填充。

    希望保存,右边表的 数据,使用 右外连接。左表 使用 null 填充

# 左外连接
select * from1 left join2 on1.公共字段 =2.公共字段  -- 保存 表1 的全部数据

select stuname, m.stuno, stusex, writtenexam, labexam
from stumarks m left join stuinfo i
on m.stuno = i.stuno			-- 保存 stumarks 表中的全部信息。


# 右外连接
select * from1 right join2 on1.公共字段 =2.公共字段 -- 保存 表2 的全部数据

select stuname, i.stuno, stusex, writtenexam, labexam
from stumarks m right join stuinfo i
on m.stuno = i.stuno			-- 保存 stuinfo 表中的全部信息。

自然连接

自然连接,不是种新的连接方式。是简化的书写形式。

  1. 自然内连接
  2. 自然左外连接
  3. 自然右外连接
#自然内连接
select stuname, stuno, stusex, writtenexam, labexam
from stumarks natural join stuinfo

#自然左外连接
select stuname, stuno, stusex, writtenexam, labexam
from stumarks NATURAL left join stuinfo

#自然右外连接
select stuname, stuno, stusex, writtenexam, labexam
from stumarks NATURAL right join stuinfo

自然连接特性:

  1. 表连接通过同名的字段来连接的

  2. 如果没有同名的字段返回笛卡尔全集

  3. 会对结果进行整理,整理的规则如下

    a) 连接字段保留一个

    b) Select * 查询时,连接字段放在最前面

    c) 左外连接左表在前,右外连接右表在前

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、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有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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