mysql 6.17_2020 6/17 mysql数据的增删改查

一、增删改数据

1、增加数据:

-- 插入所有字段。一定依次按顺序插入

INSERT INTO student VALUES(1,'张三','男',20);

-- 插入部分字段

INSERT INTO student(id,NAME) VALUES(2,'李四');

2、修改数据:

-- 带条件的修改(推荐使用)

UPDATE student SET gender='男' WHERE id=1; -- 修改id为1的学生,修改性别为男

-- 修改多个字段,注意: SET 字段名=值,字段名=值,....

UPDATE student SET gender='男',age=30 WHERE id=2;

3、删除数据:

-- 带条件的删除(推荐使用)

DELETE FROM student WHERE id=2;

--  另一种方式

-- delete from: 可以全表删除

1)可以带条件删除

2)只能删除表的数据,不能删除表的约束

3)使用delete from删除的数据可以回滚(事务)

-- truncate table: 可以全表删除

1)不能带条件删除

2)即可以删除表的数据,也可以删除表的约束

3)使用truncate table删除的数据不能回滚

TRUNCATE TABLE student;

二、查询数据

1、查询所有列:SELECT * FROM student;

2、查询指定列:SELECT id,NAME,gender FROM student;

3、查询时添加常量列:

需求: 在查询student表时添加一个班级列,内容为“java就业班”

SELECT id,NAME,gender,age,'java就业班' AS '年级'  FROM student;

4、查询时合并列:

-- 需求: 查询每个学生的servlet和jsp的总成绩

SELECT id,NAME,(servlet+jsp) AS '总成绩' FROM student;

-- 注意:合并列只能合并数值类型的字段

SELECT id,(NAME+servlet) FROM student;

5、查询时去除重复记录:

-- 需求: 查询学生的性别     男 女

SELECT DISTINCT gender FROM student;

-- 另一种语法

SELECT DISTINCT(gender) FROM student;

-- 需求: 查询学生所在的地区

SELECT DISTINCT address FROM student;

6、条件查询

1)逻辑条件: and(与)     or(或)

2)比较条件: ><>=  <=  =  <>(不等于)between and (等价于>= 且 <=)

3)判空条件:is null / is not null

-- null:表示没有值

-- 空字符串:有值的,但是值是空字符串

4) 模糊条件:like

-- 通常使用以下替换标记:

% : 表示任意个字符

_ : 表示一个字符

需求: 询姓‘张’的学生

SELECT * FROM student WHERE NAME LIKE '张%';

需求: 查询姓‘李’,且姓名只有两个字的学生

SELECT * FROM student WHERE NAME LIKE '李_';

7、聚合查询

常用的聚合函数:

sum():求和函数

avg():求平均数

max():求最大值

min():求最小值

count():统计有多少   注意:count()函数统计的数量不包含null的数据       使用count统计表的记录数,要使用不包含null值的字段

8、分页查询

limit 起始行,查询几行:

起始行从0开始

-- 分页:当前页  每页显示多少条

-- 分页查询当前页的数据的sql: SELECT * FROM student LIMIT (当前页-1)*每页显示多少条,每页显示多少条

9、查询排序

语法 :order by 字段 asc/desc

asc: 顺序,正序。数值:递增,字母:自然顺序(a-z)

desc: 倒序,反序。数值:递减,字母:自然反序(z-a)

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