oracle 截取自父亲长度,oracle中 connect by prior 递归算法

connect by 是结构化查询中用到的,其基本的语法是:

select ... from tablename start with 条件1

connect by 条件2

where 条件3;

例:

select * from table

start with org_id = ‘HBHqfWGWPy‘

connect by prior org_id = parent_id;

简单说来是将一个树状结构存储在一张表里,比方一个表中存在两个字段:

org_id,parent_id那么通过表示每一条记录的parent是谁,就能够形成一个树状结构。

用上述语法的查询能够取得这棵树的全部记录。

当中:

条件1 是根结点的限定语句,当然能够放宽限定条件,以取得多个根结点,实际就是多棵树。

条件2 是连接条件,当中用PRIOR表示上一条记录,比方 CONNECT BY PRIOR org_id = parent_id就是说上一条记录的org_id 是本条记录的parent_id,即本记录的父亲是上一条记录。

条件3 是过滤条件,用于对返回的全部记录进行过滤。

简介例如以下:

早扫描树结构表时,须要依此訪问树结构的每一个节点,一个节点仅仅能訪问一次,其訪问的过程例如以下:第一步:从根节点開始;第二步:訪问该节点;第三步:推断该节点有无未被訪问的子节点,若有,则转向它最左側的未被訪问的子节,并运行第二步,否则运行第四步;第四步:若该节点为根节点,则訪问完成,否则运行第五步;第五步:返回到该节点的父节点,并运行第三步骤。总之:扫描整个树结构的过程也即是中序遍历树的过程。

1.树结构的描写叙述树结构的数据存放在表中,数据之间的层次关系即父子关系,通过表中的列与列间的关系来描写叙述,如EMP表中的EMPNO和MGR。EMPNO表示该雇员的编号,MGR表示领导该雇员的人的编号,即子节点的MGR值等于父节点的EMPNO值。在表的每一行中都有一个表示父节点的MGR(除根节点外),通过每一个节点的父节点,就能够确定整个树结构。在SELECT命令中使用CONNECT BY和蔼START WITH子句能够查询表中的树型结构关系。其命令格式例如以下:SELECT。。。CONNECT BY {PRIOR列名1=列名2|列名1=PRIOR裂名2}

[START WITH];当中:CONNECT BY子句说明每行数据将是按层次顺序检索,并规定将表中的数据连入树型结构的关系中。PRIORY运算符必须放置在连接关系的两列中某一个的前面。对于节点间的父子关系,PRIOR运算符在一側表示父节点,在还有一側表示子节点,从而确定查找树结构是的顺序是自顶向下还是自底向上。在连接关系中,除了能够使用列名外,还同意使用列表达式。START WITH子句为可选项,用来标识哪个节点作为查找树型结构的根节点。若该子句被省略,则表示全部满足查询条件的行作为根节点。

START WITH: 不但能够指定一个根节点,还能够指定多个根节点。2.关于PRIOR运算符PRIOR被放置于等号前后的位置,决定着查询时的检索顺序。PRIOR被置于CONNECT BY子句中等号的前面时,则强制从根节点到叶节点的顺序检索,即由父节点向子节点方向通过树结构,我们称之为自顶向下的方式。如:CONNECT BY PRIOR EMPNO=MGR

PIROR运算符被置于CONNECT BY子句中等号的后面时,则强制从叶节点到根节点的顺序检索,即由子节点向父节点方向通过树结构,我们称之为自底向上的方式。比如:CONNECT BY EMPNO=PRIOR MGR在这样的方式中也应指定一个開始的节点。3.定义查找起始节点在自顶向下查询树结构时,不但能够从根节点開始,还能够定义不论什么节点为起始节点,以此開始向下查找。这样查找的结果就是以该节点为開始的结构树的一枝。

4.使用LEVEL在具有树结构的表中,每一行数据都是树结构中的一个节点,因为节点所处的层次位置不同,所以每行记录都能够有一个层号。层号依据节点与根节点的距离确定。不论从哪个节点開始,该起始根节点的层号始终为1,根节点的子节点为2,依此类推。图1.2就表示了树结构的层次。

5.节点和分支的裁剪在对树结构进行查询时,能够去掉表中的某些行,也能够剪掉树中的一个分支,使用WHERE子句来限定树型结构中的单个节点,以去掉树中的单个节点,但它却不影响其后代节点(自顶向下检索时)或前辈节点(自底向顶检索时)。6.排序显示象在其他查询中一样,在树结构查询中也能够使用ORDER BY子句,改变查询结果的显示顺序,而不必依照遍历树结构的顺序。

应用实例:

请教个SQL递归求和的问题

有个一个表,例如以下

NAME  P_NAME  NUM

a        -1      3

b        -1      4

c        a      5

d        b      6

e        c      7

f        d      8

g        e      9

我想得到例如以下

NAME  P_NAME  NUM

a        -1      24

b        -1      18

当中 24=3+5+7+9

18= 4+6+8

感觉须要在递归中求和,请高手指点下。

開始:

SQL> select * from t;

NAME       P_NAME            NUM

---------- ---------- ----------

a          -1                  3

b          -1                  4

c          a                   5

d          b                   6

e          c                   7

f          d                   8

g          e                   9

已选择7行。

SQL> select NAME,P_NAME,

2      (select sum(NUM) from t connect by P_NAME = prior NAME start with NAME= t0.NAME) NUM

3  from t t0

4  where P_NAME=‘-1‘;

NAME       P_NAME            NUM

---------- ---------- ----------

a          -1                 24

b          -1                 18

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