数据定义初体验

数据定义

1.新建数据库用户

在定义模式之前,我们可以建立一个新的用户,步骤如下:在这里插入图片描述
建立一个新的用户名,然后设置一下登录名,一个新的用户就建立好了。

也可以使用SQL语句创建,后面会学到

2.模式定义与删除

定义模式

为用户WANG定义一个学生-课程模式S-T
在SQL界面点击新建查询,就可以输入SQL语句了。
输入: CREATE SCHEMA “S-T” AUTHORIZATION WANG;
即可为用户WANG定义S-T模式了。
在这里插入图片描述
如果输入的语句为:
CREATE SCHEMA AUTHORIZATION WANG;
该语句没有指定<模式名>,<模式名>隐含为<用户名>

*SQL server 中,默认用户为 dbo,在没有创建模式的情况下,默认的模式名为dbo,所以表名为dbo.

📢注意:如果语句没正确,但执行错误,是因为没有将可用数据库调换成当前数据库,没有用户WANG这个用户,将数据库调成你所选的就可以
在这里插入图片描述
定义模式实际上定义了一个命名空间
在这个空间中可以定义该模式包含的数据库对象,例如基本表、视图、索引等。
在CREATE SCHEMA中可以接受CREATE TABLE,CREATE VIEW和GRANT子句。格式如下:
CREATE SCHEMA <模式名> AUTHORIZATION <用户名>
[<表定义子句>|<视图定义子句>|<授权定义子句>]

运用SQL与据创建TEST模式,并建立TAB1,TAB2表
在这里插入图片描述

删除模式

删除模式分为级联和限制。

CASCADE(级联)
删除模式的同时把该模式中所有的数据库对象全部删除
例:DROP SCHEMA WANG CASCADE;
删除模式WANG,同时该模式中定义的表TAB1也被删除

RESTRICT(限制)
如果该模式中定义了下属的数据库对象(如表、视图等),则拒绝该删除语句的执行。
仅当该模式中没有任何下属的对象时才能执行。

2.表的定义、删除与修改

创建基本表

CREATE TABLE <表名>
(<列名> <数据类型>[ <列级完整性约束条件> ]
[,<列名> <数据类型>[ <列级完整性约束条件>] ]

[,<表级完整性约束条件> ] );

🔴<表名>:所要定义的基本表的名字
🔴<列名>:组成该表的各个属性(列)
🔴<列级完整性约束条件>:涉及相应属性列的完整性约束条件
🔴<表级完整性约束条件>:涉及一个或多个属性列的完整性约束条件

如果完整性约束条件涉及到该表的多个属性列,则必须定义在表级上,
否则既可以定义在列级也可以定义在表级。

建立一个Student学生表。
在这里插入图片描述
建立一个Course表。
在这里插入图片描述
建立一个学生选课表SC。
在这里插入图片描述

对表进行修改

向Student表增加“入学时间”列,其数据类型为日期型
在这里插入图片描述
🛑不管基本表中原来是否已有数据,新增加的列一律为空值
更改原有的数据类型:
ALTER TABLE <表名称> ALTER COLUMN <列名> <数据类型>;
例:将年龄的数据类型由字符型(假设原来的数据类型是字符型)改为整数。
ALTER TABLE Student ALTER COLUMN Sage INT;
对已有的属性增加约束条件
ALTER TABLE <表名称> ADD UNIQUE(<列名>)
增加课程名称必须取唯一值的约束条件。
ALTER TABLE Course ADD UNIQUE(Cname);

删除基本表

DROP TABLE Student CASCADE;
基本表定义被删除,数据被删除
表上建立的索引、视图、触发器等一般也将被删除

若表上建有视图,使用RESTRICT(限制)时表不能删除;

使用CASCADE(级联)时可以删除表,视图也自动删除。


❤定义模式和对表进行操作,非常的简单,只要掌握SQL语句,就可以轻易上手,在进行基本表删除时,要注意删除模式的选用,避免出现删除不了和多删的现象。

  • 2
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
欢迎来到 tensorflow 初体验第四关! 在这一关中,我们将学习如何使用 TensorFlow 构建一个简单的神经网络,并对手写数字进行分类。 首先,让我们导入所需的库和数据集: ```python import tensorflow as tf from tensorflow import keras import matplotlib.pyplot as plt # 加载 MNIST 手写数字数据集 mnist = keras.datasets.mnist (train_images, train_labels), (test_images, test_labels) = mnist.load_data() ``` 接下来,让我们对数据进行预处理。我们将把像素值缩放到 0 到 1 的范围内,并将标签转换为 one-hot 编码: ```python # 将像素值缩放到 0 到 1 的范围内 train_images = train_images / 255.0 test_images = test_images / 255.0 # 将标签转换为 one-hot 编码 train_labels = keras.utils.to_categorical(train_labels) test_labels = keras.utils.to_categorical(test_labels) ``` 现在,我们可以构建一个简单的神经网络模型。我们将使用两个隐藏层,每个隐藏层包含 128 个神经元,并使用 softmax 激活函数进行输出: ```python # 构建一个简单的神经网络模型 model = keras.Sequential([ keras.layers.Flatten(input_shape=(28, 28)), keras.layers.Dense(128, activation=tf.nn.relu), keras.layers.Dense(128, activation=tf.nn.relu), keras.layers.Dense(10, activation=tf.nn.softmax) ]) ``` 接下来,我们需要编译模型并指定损失函数、优化器和评估指标: ```python # 编译模型 model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) ``` 最后,我们可以训练模型并评估其性能: ```python # 训练模型 model.fit(train_images, train_labels, epochs=5) # 评估模型 test_loss, test_acc = model.evaluate(test_images, test_labels) print('Test accuracy:', test_acc) ``` 恭喜你完成了 tensorflow 初体验第四关!现在你已经知道如何构建一个简单的神经网络,并对手写数字进行分类。

“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 1
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