【无标题】

创建表的完整语法

create table t1(字段名1 数据类型 约束条件 约束条件 约束条件 约束条件,。。。)

注意:字段名和数据类型是必须写的,不能省略,约束条件是可选的,可有可无,而且可以有多个

表结构中最后一个字段不能有逗号

约束条件

作用:用于保证数据的完整性和一致性 主要分为:

 unsigned

无符号

id int unsigned

zerofil

使用0填充

default

为该字段设置默认值

create table t4 (id int, name varchar(32) default 'kevin');
    insert into t4 values(1, 'jerry');
    insert into t4(id) values(1);

not full

标识该字段不能为空

create table t5 (id int, name varchar(32) not null);
insert into t5(id) values(1);

unique

标识该字段的值是唯一的

单列唯一
    create table t6 (id int, name varchar(32) unique);
多列唯一
    create table t7 (
        id int,
        ip varchar(32),
        port varchar(32),
        unique(ip, port)
    );

主键(primary key)

主键单纯从约束上来看,它相当于是非空且唯一 unique not null

id unique not null ---------> id primary key
    create table t8 (id int primary key);
    create table t8 (id int unique not null);

 InnoDB存储引擎规定每一张表都要有一个主键,但是,我之前创建的表都没有指定主键, 表是怎么创建成功的?

是因为InnoDB存储引擎内部有一个隐藏的主键,这个主键我们看不到,它也不能够加快查询速度,仅仅是为了帮助我们把表创建成功. 所以,以后我们创建表的时候都主动的创建一个主键,我们自己创建的主键能够加快查询速度,因为是一个索引.

 一般情况下,主键应该创建哪个字段? 大多都给id字段加了,所以,每一张表都要有一个id字段,并且一张表中不只是有一个主键,可以有多个主键,但是,大多数情况下,都只有一个

auto_incrment

自增:每一次主动比上一次加1

  create table t9 (
        id int primary key auto_increment,
        name varchar(32)
    );

清空表的两种方式

 delete from 表名;

这种操作方式不会清空id值,再次添加数据的时候id会会从上次记录的开始

truncate 表名;

清空表,重置id值

一些其他的SQL语句

修改表名

ALTER TABLE 表名 RENAME 新表名;

增加字段

ALTER TABLE 表名 ADD 字段名  数据类型 [完整性约束条件…]

ALTER TABLE 表名 ADD 字段名  数据类型 [完整性约束条件…]  FIRST;# 将字段添加到第一个

 ALTER TABLE 表名 ADD 字段名  数据类型 [完整性约束条件…]  AFTER 字段名; #将字段添加到某一个字段之后

删除字段

ALTER TABLE 表名 DROP 字段名;

修改字段

ALTER TABLE 表名 MODIFY  字段名 数据类型 [完整性约束条件…];

ALTER TABLE 表名 CHANGE 旧字段名 新字段名 旧数据类型 [完整性约束条件…];

 modify只能改字段数据类型完整约束,不能改字段名,但是change可以

查询关键字where

数据准备

1.查询id大于等于3小于等于6的数据

select id,name from emp where id >= 3 and id <= 6;
select *  from emp where id between 3 and 6; 

2.查询薪资是20000或者18000或者17000的数据

select * from emp where salary = 20000 or salary = 18000 or salary = 17000;
select * from emp where salary in (20000,18000,17000);

3.查询员工姓名中包含o字母的员工姓名和薪资

模糊查询:没有明确的筛选条件

关键字:like
关键符号:
        %:匹配任意个数任意字符
        _:匹配单个个数任意字符

select name,salary from emp where name like '%o%';

4.查询员工姓名是由四个字符组成的员工姓名与其薪资

select name,salary from emp where name like '____';
select name,salary from emp where char_length(name) = 4

5.查询id小于3或者大于6的数据

select *  from emp where id not between 3 and 6;

6.查询薪资不在20000,18000,17000范围的数据

select * from emp where salary not in (20000,18000,17000);

7.查询岗位描述为空的员工名与岗位名  针对null不能用等号,只能用is

select name,post from emp where post_comment = NULL;

8. 查询为空

select name,post from emp where post_comment is NULL;
select name,post from emp where post_comment is not NULL;

查询关键字之group by分组

分组: 按照某个指定的条件将单个单个的个体分成一个个整体
按照男女分组:男 女
按照年龄分组:20岁以下 20-30 30-40

在MySQL中分组之后,只能够获得分组的依据! 按照哪个字段分组就只能获取这个字段的值,别的字段不能拿到

分组一般配合聚合函数使用:

    sum max min avg count

分组的关键字:group by

数据分组应用场景:每个部门的平均薪资,男女比例等

 分组之后默认只能够直接过去到分组的依据 其他数据都不能直接获取

1.按部门分组
select * from emp group by post;  # 分组后取出的是每个组的第一条数据

select id,name,sex from emp group by post;  # 验证

设置sql_mode为only_full_group_by,意味着以后但凡分组,只能取到分组的依据,
不应该在去取组里面的单个元素的值,那样的话分组就没有意义了,因为不分组就是对单个元素信息的随意获取

2.获取每个部门的最高工资

select post,max(salary) from emp group by post;
补充:在显示的时候还可以给字段取别名
select post as '部门',max(salary) as '最高工资' from emp group by post;

每个部门的最低工资

select post,min(salary) from emp group by post;

每个部门的平均工资

select post,avg(salary) from emp group by post;

每个部门的工资总和

select post,sum(salary) from emp group by post;

每个部门的人数

select post,count(id) from emp group by post;

分组补充函数

group_concat

如果真的需要获取分组以外的数据字段 可以使用group_concat()

每个部门的员工姓名

select post,group_concat(name) from emp group by post;

select post,group_concat(name,'|',sex) from emp group by post;

select post,group_concat(name,'|',sex, '|', gender) from emp group by post;

select post,group_concat(distinct name) from emp group by post;

select post,group_concat(distinct name separator '%') from emp group by post;

concat 

不分组使用

select concat(name,sex) from emp;
select concat(name,'|',sex) from emp;

concat_ws()

select post,concat_ws('|', name, age, gender) from emp group by post;

关键字之having过滤

where与having都是筛选功能 但是有区别
where在分组之前对数据进行筛选
having在分组之后对数据进行筛选

1.统计各部门年龄在30岁以上的员工平均薪资,并且保留平均薪资大于10000的部门.

# 先筛选出年龄在30岁以上的
select * from emp where age > 30;

# 在进行分组,按照部门分组
select avg(salary) as avg_salary from emp where age > 30 group by post;

# 保留平均薪资大于10000的部门
select avg(salary) as avg_salary from emp where age > 30 group by post having avg(salary) > 10000;

关键字之distinct去重

select distinct id,age from emp;

关键字之order by排序

select * from emp order by salary; #默认升序排
select * from emp order by salary desc; #降序排

#先按照age降序排,在年轻相同的情况下再按照薪资升序排
select * from emp order by age desc,salary;

'''多字段排序,如果想让后面的字段排序生效,前提:前面的排序字段必须一样'''

# 统计各部门年龄在20岁以上的员工平均工资,并且保留平均工资大于1000的部门,然后对平均工资进行排序

#  20岁以上的员工
select * from emp where age > 20;
# 各部门的平均薪资
select avg(salary) from emp where age > 20 group by post having avg(salary) > 1000;
#
select avg(salary) from emp where age > 20 group by post having avg(salary) > 1000 order by avg(salary) desc;

关键字之limit分页

# 限制展示条数
# 限制展示条数
select * from emp limit 3;
# 查询工资最高的人的详细信息
select * from emp order by salary desc limit 1;

# 分页显示
select * from emp limit 0,5;  # 第一个参数表示起始位置,第二个参数表示的是条数,不是索引位置
select * from emp limit 5,5;

使用优化算法,以优化VMD算法的惩罚因子惩罚因子 (α) 和分解层数 (K)。 1、将量子粒子群优化(QPSO)算法与变分模态分解(VMD)算法结合 VMD算法背景: VMD算法是一种自适应信号分解算法,主要用于分解信号为不同频率带宽的模态。 VMD的关键参数包括: 惩罚因子 α:控制带宽的限制。 分解层数 K:决定分解出的模态数。 QPSO算法背景: 量子粒子群优化(QPSO)是一种基于粒子群优化(PSO)的一种改进算法,通过量子行为模型增强全局搜索能力。 QPSO通过粒子的量子行为使其在搜索空间中不受位置限制,从而提高算法的收敛速度与全局优化能力。 任务: 使用QPSO优化VMD中的惩罚因子 α 和分解层数 K,以获得信号分解的最佳效果。 计划: 定义适应度函数:适应度函数根据VMD分解的效果来定义,通常使用重构信号的误差(例如均方误差、交叉熵等)来衡量分解的质量。 初始化QPSO粒子:定义粒子的位置和速度,表示 α 和 K 两个参数。初始化时需要在一个合理的范围内为每个粒子分配初始位置。 执行VMD分解:对每一组 α 和 K 参数,运行VMD算法分解信号。 更新QPSO粒子:使用QPSO算法更新粒子的状态,根据适应度函数调整粒子的搜索方向和位置。 迭代求解:重复QPSO的粒子更新步骤,直到满足终止条件(如适应度函数达到设定阈值,或最大迭代次数)。 输出优化结果:最终,QPSO算法会返回一个优化的 α 和 K,从而使VMD分解效果最佳。 2、将极光粒子(PLO)算法与变分模态分解(VMD)算法结合 PLO的优点与适用性 强大的全局搜索能力:PLO通过模拟极光粒子的运动,能够更高效地探索复杂的多峰优化问题,避免陷入局部最优。 鲁棒性强:PLO在面对高维、多模态问题时有较好的适应性,因此适合海上风电时间序列这种非线性、多噪声的数据。 应用场景:PLO适合用于优化VMD参数(α 和 K),并将其用于风电时间序列的预测任务。 进一步优化的建议 a. 实现更细致的PLO更新策略,优化极光粒子的运动模型。 b. 将PLO优化后的VMD应用于真实的海上风电数据,结合LSTM或XGBoost等模型进行风电功率预测。
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