数据库开发(五)组函数,子查询

组函数:

  • 单行函数:每一行会得到一个结果
  • 组函数(多行函数):一组得到一个结果,默认情况下所有的数据是一组

常用组函数(统计):

  • SUM():求和
  • AVG():求平均
  • MAX():求最大
  • MIN():求最小
  • COUNT():统计个数

eg1:求所有人的工资总和

SELECT SUM(salary)
FROM s_emp;

eg2:求41号部门员工的薪资总和,平均薪资,最高薪资,最低薪资,人数

SELECT SUM(salary),AVG(salary),MAX(salary),MIN(salary),COUNT(id)
SELECT SUM(salary)
FROM s_emp
WHERE dept_id=41;

注:

  • 组函数统计不包含空值
  • SUM(),AVG()仅针对于数值型统计
    • MAX(),MIN(),COUNT()任何类型都可以
  • COUNT(),统计个数,可以利用他统计行数,要注意,不要针对可能是空的做统计
    • COUNT():主键列,或者*(所有列联合不为空就可以)
  • 组函数不能直接出现在WHERE条件中(WHERE筛选出结果后才能进行统计)
  • SELECT中如果出现组函数,不能再出现普通的列(Oracle中有)
    --不能像下面这样
    SELECT dept_id,SUM(salary)
    FROM s_emp;

 

GROUP BY子句:分组

  • 语法:
    SELECT
    FROM
    WHERE
    GROUP BY 列1,列2
    ORDER BY;
  • 注:
    • 执行流程
      • FROM->WHERE,行的筛选->GROUP BY,把行分组->SELECT,针对组的统计->ORDER BY,排序
    • WHERE:分组前的筛选,GROUP BY在WHERE之后
    • 组函数:一个组可以得到一个结果
    • 查询时,SELECT子句出现组函数或者有GROUP BY子句【“”组“”关系】,查询中不能出现普通的列,但可以出现分组的列
    • 可以按照多列分组,多个列值都相等的在一组

eg1:列出每个部门员工的数量,最低薪水,平均薪水,最高薪水

--dept_id时分组的列,可以列出
SELECT dept_id,COUNT(id),MIN(salary),AVG(salary),MAX(salary)
FROM s_emp
GROUP BY dept_id;

 

订单表和订单明细表

  • 订单表:订单编号,总额,用户信息等
  • 订单明细表:订单明细编号,订单编号,商品编号,数量,价格等

eg2:查询每个订单对应的订单明细数量

SELECT ord_id,COUNT(item_id)
FROM s_item
GROUP BY ord_id;

eg3:查询每个销售对应的客户数量,销售编号

SELECT sales_rep_id, COUNT(id)
FROM s_customer
GROUP BY sales_rep_id;

eg4:查询每个销售对应的客户数量,销售编号,销售名字

SELECT c.sales_rep_id, COUNT(c.id),e.first_name
FROM s_customer c, s_emp e
WHERE c.sales_rep_id=e.id
GROUP BY c.sales_rep_id,e.first_name;
--加与不加e.first_name分组结果一样,只是为了显示名字

eg5:查询部门编号大于40的每个部门id,部门人数,部门名

SELECT d.id,d.name,COUNT(e.id)
FROM s_emp e,s_dept d
WHERE e.dept_id=d.id
AND d.id>40
GROUP BY d.id,d.name;

 

HAVING子句:

  • WHERE子句:行的筛选
  • HAVING:组的筛选,一定出现在分组后
  • 语法:
    SELECT
    FROM
    WHERE 条件,针对行
    GROUP BY
    HAVING 条件,针对组
    ORDER BY;
  • 注:
    • 执行流程:FROM->WHERE,行的筛选->GROUP BY,分组->HAVING,组的筛选->SELECT->ORDER BY
    • 有GROUP BY,才能有HAVING
    • HAVING中只能使用组函数或者分组的列

eg1:查询部门人数高于2人的部门编号,部门人数

SELECT dept_id, COUNT(id)
FROM s_emp
GROUP BY dept_id
HAVING COUNT(id)>2;

eg2:查询平均工资高于1100的部门编号,部门平均薪资

SELECT dept_id, AVG(salary)
FROM s_emp
GROUP BY dept_id
HAVING AVG(salary)>1100;

eg3:查询部门所有人薪资都高于1000的部门编号

SELECT dept_id
FROM s_emp
GROUP BY dept_id
HAVING MIN(salary)>1000;

eg4:查询职位包含sal(不区分大小写),并且对应职位人数高于2人的职位名,人数

SELECT title,COUNT(id)
FROM s_emp
WHERE LOWER(title) LIKE '%sal%'
GROUP BY title
HAVING COUNT(id)>2;

相较于下面这种写法,上面这种写法效率更高

SELECT title,COUNT(id)
FROM s_emp
GROUP BY title
HAVING LOWER(title) LIKE '%sal%' AND COUNT(id)>2;

 

嵌套查询:

  • 查询里面的查询,叫子查询
SELECT
FROM
WHERE (
    SELECT
    FROM
    WHERE
);

注:

  • 查询里面嵌套的查询需要用()括起来
  • 子查询可能出现的位置:WHERE子句,HAVING子句,FROM子句

WHERE子句中:

eg1:查询薪资高于Mark的薪资的员工id,薪资

SELECT id, salary
FROM s_emp
WHERE salary>(
    SELECT salary
    FROM s_emp
    WHERE first_name='Mark'
);

eg2:查询高于平均薪资的员工id,名字和薪资

SELECT id, first_name, salary
FROM s_emp
WHERE salary>(
    SELECT AVG(salary)
    FROM s_emp
);

eg3:查询薪资高于3号和4号员工的员工编号,薪资

如果子查询返回多个结果,不能直接用>,=,<比较,多行子查询

--子查询产生多个结果,错误
SELECT id, salary
FROM s_emp
WHERE salary>(
    SELECT salary
    FROM s_emp
    WHERE id IN(9,10)
);

--正确写法之一(多行子查询)
SELECT id, salary
FROM s_emp
WHERE salary>(
    SELECT salary
    FROM s_emp
    WHERE id=9
)
AND salary>(
    SELECT salary
    FROM s_emp
    WHERE id=10
);

/*
使用ALL,表示salary大于(小于)所有的结果   类似于AND
ANY:salary大于(小于)任意一个结果         类似于OR
IN:等于集合中的某一个
等于一般不使用ALL和ANY,而使用IN
*/
SELECT id, salary
FROM s_emp
WHERE salary>ALL(
    SELECT salary
    FROM s_emp
    WHERE id IN(9,10)
);

--先求出最大值的方法也行(MAX)

HAVING子句中

eg1:查询部门平均薪资高于Bela薪资的所有部门编号,平均薪资

SELECT dept_id, AVG(salary)
FROM s_emp
GROUP BY dept_id
HAVING AVG(salary)>(
    SELECT salary
    FROM s_emp
    WHERE first_name='Bela'
);

FROM子句中:

eg1:查询用户 表第6~10条记录(经典例子):

--rownum是关键字,所以外面的rownum与内部的rownum不同,查询结果不正确
SELECT *
FROM (
    SELECT rownum, id,first_name, salary
    FROM s_emp
    WHERE rownum<11
)
WHERE rownum>5;

--取别名,得到正确结果
SELECT *
FROM (
    SELECT rownum rn, id,first_name, salary
    FROM s_emp
    WHERE rownum<11
)
WHERE rn>5;

eg2:查询薪资最高的5个员工编号,薪资(经典例子):

--错误写法1,会先取前5个,在排序
SELECT id, salary
FROM s_emp
WHERE rownum<6
ORDER BY salary DESC;

--错误写法2,排序之前rownum已经确定,取到的还是前5个
SELECT id, salary
FROM(
    SELECT id, salary,rownum r
    FROM s_emp
    ORDER BY salary DESC
)
WHERE r<6;


--正确写法
SELECT *
FROM(
    SELECT id, salary
    FROM s_emp
    ORDER BY salary DESC
)
WHERE rownum<6;

给结果集起别名,如下,取别名为temp,如有需要可用该方式取别名

SELECT *
FROM(
    SELECT id, salary
    FROM s_emp
    ORDER BY salary DESC
) temp
WHERE rownum<6;

eg3:查询薪资升序排序后第6~10的员工信息

SELECT *
FROM(
	SELECT t.*, rownum rn 
	FROM (
		SELECT id,first_name,salary,dept_id
		FROM s_emp
		ORDER BY salary ASC
	) t
	WHERE rownum<11
)
WHERE rn>5;

至此查询完结

 

  • 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 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