精华内容
下载资源
问答
  • SQL Server 2012 外键约束(定义外键、删除外键)

    万次阅读 多人点赞 2019-04-21 20:00:26
    文章目录准备知识定义外键使用SSMS工具定义外键使用SQL方式定义外键删除外键使用SSMS工具删除外键方式一:在对象资源管理器中删除主键方式二:在表设计器中删除主键使用SQL方式删除外键 准备知识     外键...







    准备知识

        外键(FK)是用于建立或加强两个表数据之间的链接的一列或多列。
        通过将表中主键值的一列或多列添加到另一个表中,可创建两个表之间的连接,这个列就成为第二个表的外键
        FK约束的目的是控制存储在外表中的数据,同时可以控制对主键表中数据的修改
        例如:publishers表中记录出版商的信息,titles表中记录书的信息,如果在publishers的表中删除一个出版商,而这个出版商的ID在titles表中记录书的信息时被使用了,则这两个表之间关联的完整性将被破坏,即titles表中该出版商的书籍因为与publisher表中的数据没有链接而变的孤立。
        FK约束可以防止这种情况的发生,如果主键表中数据的更改使得与外键表中数据的链接失效,则这种更改是不能实现的;如果试图删除主键表中的行或试图修改主键值,而该主键值与另一个表的FK约束值相关,则该操作不可实现。若要成功的更改或删除FK约束的行,可以现在外键表中删除外键数据或更改外键数据,然后将外键连接到不同的主键数据上去
        外键主要是用来控制数据库中的数据完整性的,当对一个表的数据进行操作时,和他有关联的一个表或多个表的数据能够同时发生改变



    两个数据表结构如下所示:
    (1)student表
    在这里插入图片描述
    (2)class表
    在这里插入图片描述

    定义外键

    使用SSMS工具定义外键
    1. 右击需要添加外键的数据表,选择“设计”。
      在这里插入图片描述
    2. 进入表设计器界面,选择工具栏上的关系图标,或者右击数据表中的行,在弹出的对话框中选择“关系”。
      在这里插入图片描述
      在这里插入图片描述
    3. 进入外键关系对话框,单击“添加”。
      在这里插入图片描述
    4. 点击右侧网格中的“表和列规范”,再点击右侧的“…”按钮。
      在这里插入图片描述
    5. 进入表和列对话框,从主键表中选择需要外键所在的数据表。
      在这里插入图片描述
    6. 在主键表下方的表格中,选择此表中的主键列,在相邻的网格中选择外键表中相应的外键列。
      在这里插入图片描述
    7. 在“关系名”中填写适合的关系名,点击“确定”。
      在这里插入图片描述
    8. 关闭外键关系对话框,点击保存键,或者按Ctrl+F5键进行保存。展开刚开打开的数据表,再展开“键”,就可以看到刚才定义的外键。
      在这里插入图片描述
      注意:
      (1)定义外键约束的列的数据类型必须和引用的主键列的数据类型相通
      (2)在定义外键约束之前,外键所在的表必须已经定义了主键

    使用SQL方式定义外键
    方式一:在创建数据表的时候定义外键
    1. 在SSMS工具栏中单击“新建查询”,打开“SQL编辑器”窗口
      在这里插入图片描述
    2. 输入创建SQL代码
    USE schoolDB                                                 --打开数据库schoolDB
    GO
    IF EXISTS(SELECT * FROM sysobjects WHERE name='student') 
    DROP TABLE student                --检查student是否已经存在,如果存在,则删除
    GO
    CREATE TABLE student                                           --表名为student
    (
    	  StuID int NOT NULL,                                           --学生学号
    	  StuName varchar(15) NOT NULL,                                 --学生姓名
    	  Sex char(2) NULL,                                             --性别
    	  Major varchar(20) NULL,                                      --所选专业
    	  ClassID int NULL FOREIGN KEY REFERENCES class(ClassID)
    
    )
    
    
    1. 点击“分析”按钮,或按住Ctrl+F5,对SQL代码进行语法分析,确保SQL语句语法正确。
      在这里插入图片描述
    2. 点击“执行”按钮,或按住F5,执行SQL代码。
      在这里插入图片描述
    3. 刷新并查看数据表中的键。
      在这里插入图片描述

    方式二:修改数据表定义外键
    1. 在SSMS工具栏中单击“新建查询”,打开“SQL编辑器”窗口
      在这里插入图片描述
    2. 输入创建SQL代码
    USE schoolDB
    GO
    ALTER TABLE student --打开schoolDB数据库
    ADD CONSTRAINT FK_student_class FOREIGN KEY(ClassID) REFERENCES class(ClassID)     
                              --在表product的CatID列上定义与表category的外键关系
    
    
    1. 点击“分析”按钮,或按住Ctrl+F5,对SQL代码进行语法分析,确保SQL语句语法正确。
      在这里插入图片描述
    2. 点击“执行”按钮,或按住F5,执行SQL代码。
      在这里插入图片描述
    3. 刷新并查看数据表中的键。
      在这里插入图片描述


    删除外键

    使用SSMS工具删除外键
    方式一:在对象资源管理器中删除外键
    1. 展开需要删除外键的数据表,然后再展开“键”。
      在这里插入图片描述
    2. 右击需要删除的外键,选择“删除”。
      在这里插入图片描述
    3. 在删除对象界面,点击“确定”,即可完成外键删除。
      在这里插入图片描述
    方式二:在表设计器中删除外键
    1. 右击需要删除外键的数据表,选择“设计”。
      在这里插入图片描述
    2. 进入表设计器界面,右击鼠标,选择“关系”。
      在这里插入图片描述
    3. 在外键关系对话框中选择需要删除的外键,点击“删除”,完成外键删除。
      在这里插入图片描述
    使用SQL方式删除外键
    1. 在SSMS工具栏中单击“新建查询”,打开“SQL编辑器”窗口
      在这里插入图片描述

    2. 输入创建SQL代码

    USE schoolDB --打开schoolDB数据库
    GO
    ALTER TABLE student 
    DROP CONSTRAINT FK_student_class   --删除表student的外键FK_student_class
    
    
    1. 点击“分析”按钮,或按住Ctrl+F5,对SQL代码进行语法分析,确保SQL语句语法正确。
      在这里插入图片描述
    2. 点击“执行”按钮,或按住F5,执行SQL代码。
      在这里插入图片描述
    3. 外键已被删除。
      在这里插入图片描述
    展开全文
  • JS关联数组的定义

    2018-04-24 16:20:00
    // 用Array 定义数组myhash = new Array();或者myhash=[]myhash[”key1″] = “val1″;myhash[”key2″] = “val2″; 方法二: 以对象的格式显示定义 var myArray = {"a" : "Athens", "b" : "Belgrade", "c" : ...

    方法一:

    // 用Array 定义数组 
    myhash = new Array();或者myhash=[]
    myhash[”key1″] = “val1″;
    myhash[”key2″] = “val2″;

     

    方法二:

    以对象的格式显示定义

    var myArray = {"a" : "Athens", "b" : "Belgrade", "c" : "Cairo" };

    转载于:https://www.cnblogs.com/mei123/p/8931399.html

    展开全文
  • 数据完整 要想了解这三类完整约束首先要了解什么是数据完整。数据完整是指数据库中存储的数据...– 用户定义的完整(User-defined Integrity) • 实体完整和参照完整关系模型必须满足的完整约束...

    数据完整性

    要想了解这三类完整性约束首先要了解什么是数据完整性。数据完整性是指数据库中存储的数据是有意义的或正确的,和现实世界相符。关系模型中三类完整性约束:
    – 实体完整性(Entity Integrity)
    – 参照完整性(Referential Integrity)
    – 用户定义的完整性(User-defined Integrity) •
    实体完整性和参照完整性是关系模型必须满足的完整性约束条件,被称作是关系的两个不变性,应该由关系系统自动支持

    实体完整性

    • 保证关系中的每个元组都是可识别的和惟一的 • 指关系数据库中所有的表都必须有主键,而且表中不允
    许存在如下记录:
    – 无主键值的记录
    – 主键值相同的记录
    • 原因:实体必须可区分
    例如:
    在这里插入图片描述
    上图就出现了主键值(学号是主键)重复的情况。当在表中定义了主键时,数据库管理系统会自动保证数据的实体完整性,即保证不允许存在主键值为空的记录以及主键值重复的记录。

    参照完整性

    也称为引用完整性
    • 现实世界中的实体之间往往存在着某种联系,在关系模型中,实体以及实体之间的联系都是用关系来表示的,这样就自然存在着关系与关系之间的引用
    • 参照完整性就是描述实体之间的联系的
    • 参照完整性一般是指多个实体或关系之间的关联关系
    在这里插入图片描述
    此完整性涉及到了外键:
    • 参照完整性规则就是定义外键与被参照的主键之间的引用规则
    • 外键一般应符合如下要求:
    – 或者值为空
    – 或者等于其所参照的关系中的某个元组的主键值

    用户定义完整性

    • 也称为域完整性或语义完整性
    • 是针对某一具体应用领域定义的数据约束条件
    • 反映某一具体应用所涉及的数据必须满足应用语义的要求
    • 实际上就是指明关系中属性的取值范围,防止属性的值与应用语义矛盾
    • 关系模型应提供定义和检验这类完整性的机制,以便用统一的系统方法处理它们,而不要由应用程序承担这一功能

    展开全文
  • 从大规模数据集中寻找物品间的隐含关系被称作关联分析或关联规则学习。过程分为两步:1.提取频繁项集。2.从频繁项集中抽取出关联规则。 频繁项集是指经常出现在一块的物品的集合。 关联规则是暗示两种物品之间...
  • BUG级别定义标准

    2012-06-06 11:17:15
    3.10关联性错误 8 3.11程序性能低下 8 3.12缺少容错性处理 8 3.13配置问题 8 3.14兼容性问题 8 3.15校检错误 9 3.16程序引起的安全问题 9 3.17功能易用程度低 9 3.18遗留问题 9 3.19暂时无法实现技术问题 9 3.20数据...
  • 本文首先逐条评价了现有关联度四公理的意义,指出规范和接近是必不可少的,整体和偶对对称是没有必要的,接近需要用严谨数学语言描述,适用范围没有必要局限在系统...
  • 机器学习(概述一)——定义

    千次阅读 2019-05-28 16:18:17
    获取隐藏在数据项之间的关联或相互关系,即可以根据一个数据项的出现推导出其他数据项的出现频率。 分类和回归属于有监督学习,而聚类和关联规则属于无监督学习: 回归与分类的不同,就在于其目标变量是连续...


    机器学习(Machine Learning, ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域,它主要使用归纳、综合而不是演绎。

    何谓机器学习

    那究竟何谓机器学习呢?在给概念之前先来看几张图,看看不同人对机器学习的认识:

    不同人的认知

    What society thinks I do

    What society thinks I do


    What my friend thinks I do

    What my friend thinks I do


    What my parents thinks I do

    What my parents thinks I do


    thinks I do

    What other programmers thinks I do


    What I thinks I do

    What I thinks I do


    What I really do

    What I really do

    可见,不同人对机器学习的认识截然不同。正所谓外行看热闹,内行看门道,就像最后一张图,看似高大上的内容,在功能实现上,可能就需要一两行代码。

    与人类认知过程的对比

    而真实的机器学习,其实跟人的认知过程是样的:
    人的认知过程

    人的认知过程

    人们通过所经历事总结出规律,当遇到新的问题时,就可以运动规律就进行判断或预测。你的阅历越丰富,你可能会走得越远。想到韩雪说过的一句话:“喜欢看过世界的男生,不喜欢对世界还蠢蠢欲动的男生”。

    而机器学习的基础是数据,通过对历史数据总结出规律(这个规律在机器学习中叫模型,总结的过程用到的是算法),当遇到新数据时,就可以模型进行预测:
    机器学习的原理

    机器学习的原理

    基本定义

    通过上面的大概认真,现在给出机器学习的基本定义:

    Machine Learning(ML) is a scientific discipline that deals with the construction and study of algorithms that can learn from data.

    机器学习是一门从数据中研究算法的科学学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。就像上面说的,直白来讲,是根据已有的数据,进行算法选择,并基于算法和数据构建模型,最终对未来进行预测。

    基本概念

    在这里插入图片描述
    可看出,跟我们初高中学的函数是一样的,就是通过一些手段进行训练找到这个函数 g(也就是模型),当有新数据 x 时,代入函数 g 就可以得到 y 。(当然这里是以有监督学习为例说的,毕竟机器学习主要还是以有监督学习为主;对于无监督学习相当于只有 x ,没有 y

    比如说预测房价,我们根据房源的一些信息,通过机器学习的算法,得到一个函数 g ,当有一个新的房源,代入到函数中,就可以得到它的房价。

    因为真实的目标函数 f 是未知的无法得到的,根本不可能通过机器学习找到这个完美的函数 f,我们只是找到了一个假设公式 g ,通过机器学习算法达到的最优假设,使其非常接近目标函数 f 的效果。
    机器学习的目标

    机器学习的目标

    模型的好坏,需要进行评估(评估相关的内容,下一篇文章会进行介绍),效果不好话,需要再次进行训练。随着训练次数的增加,该系统可以在性能上不断学习和改进。

    算 法
    模 型
    评 估

    机器学习能用来干吗

    • 个性化推荐:个性化指的是根据各种因素来改变用户体验和呈现给用户内容,这些因素可能包含用户的行为数据和外部因素;推荐常指系统向用户呈现一个用户可能感兴趣的物品列表。比如刷抖音,我们会发现,怎么某些类型(像美食)的内容特别多呢?其实就是根据你的操作数据(点赞量、评论量、转发量、完播率等),认为你可能对美食等类型的内容感兴趣,因此会更多的推荐相关的内容。
    • 精准营销:从用户群众中找出特定的要求的营销对象。
    • 客户细分:试图将用户群体分为不同的组,根据给定的用户特征进行客户分组。比如你打算去银行贷款,银行会根据你的个人信息、信用卡使用情况等判断你是否有还款能力,决定是否贷给你钱。
    • 预测建模及分析:根据已有的数据进行建模,并使用得到的模型预测未来。
    • 当然,机器学习还能做一些听起来更高大上的事:
      机器学习的使用场景
      机器学习的使用场景

    机器学习的常见应用框架

    因为常用的算法都封装好,多数情况下使用相应的框架就能实现,很少有自己手写某某算法。就像文章开始时“What I really do”的那张图,我们想使用SVM(一种机器学习算法)这个算法,只需引入进来即可。

    • sciket-learn
      scikit-learn(简记sklearn),是用python实现的机器学习算法库。sklearn可以实现数据预处理、分类、回归、降维、模型选择等常用的机器学习算法,并且易于安装与使用。sklearn是基于NumPy, SciPy, matplotlib的。一般用于相对小规模数据量的。
      网址:http://scikit-learn.org/stable/

    scikit-learn algorithm cheat-sheet

    scikit-learn algorithm cheat-sheet

    • Mahout
      Mahout 是 Apache Software Foundation(ASF) 旗下的一个开源项目,使用了Taste来提高协同过滤算法的实现,它是一个基于Java实现的可扩展的,高效的推荐引擎。Mahout提供一些可扩展的机器学习领域经典算法的实现,旨在帮助开发人员更加方便快捷地创建智能应用程序。Mahout包含许多实现,包括聚类、分类、推荐过滤、频繁子项挖掘。此外,通过使用 Apache Hadoop 库,Mahout 可以有效地扩展到云中。主要用于大规模数据量。(没用过这个,就从其他地方抄来的这段话)
      网址:http://mahout.apache.org/

    • Spark MLlib
      MLlib是Spark的机器学习库,旨在简化机器学习的工程实践工作,并方便扩展到更大规模。MLlib由一些通用的学习算法和工具组成,包括分类、回归、聚类、协同过滤、降维等,同时还包括底层的优化原语和高层的管道API。主要用于大规模数据量。(没用过这个,同样也从其他地方抄来的这段话)
      网址:http://spark.apache.org/mllib/

    机器学习的分类

    机器学习有多种分类角度,像什么基于学习策略的分类、基于所获取知识的表示形式分类、基于应用领域分类等等。这里只提两种比较觉的分类:

    基于学习形式分类

    1. 有监督学习
      在监督学习的过程中,我们只需要给定输入样本集,机器就可以从中推演出指定目标变量的可能结果。监督学习相对比较简单,机器只需从输入数据中预测合适的模型,并从中计算出目标变量的结果。
      监督学习一般使用两种类型的目标变量 :标称型(也叫离散型)和数值型(也叫连续型)。标称型目标变量的结果只在有限目标集中取值,如真与假、动物分类集合 { 爬行类、鱼类、哺乳类、两栖类 } ;数值型目标变量则可以从无限的数值集合中取值,如 0.100、42.001、1000.743 等。数值型目标变量主要用于回归分析。
      有监督学习根据生成模型的方式又可分为判别式模型生成式模型
      1.1 判别式模型:直接对条件概率p(y|x)进行建模,常见判别模型有线性回归、决策树、支持向量机SVM、k近邻、神经网络等;
      1.2 生成式模型:对联合分布概率p(x,y)进行建模,常见生成式模型有隐马尔可夫模型HMM、朴素贝叶斯模型、高斯混合模型GMM、LDA等。
      生成式模型更普适;判别式模型更直接,目标性更强。
      生成式模型关注数据是如何产生的,寻找的是数据分布模型;判别式模型关注的数据的差异性,寻找的是分类面。
      由生成式模型可以产生判别式模型,但是由判别式模式没法形成生成式模型。

    2. 无监督学习
      监督学习相比,无监督学习的训练集中没有人为的标注的结果,在非监督的学习过程中,数据并不被特别标识,学习模型是为了推断出数据的一些内在结构。
      与有监督学习“对于输入数据 X 能预测变量 Y”不同的是,这里要回答的问题是 :“从数据 X 中能发现什么?” 这里需要回答的 X 方面的问题可能是 :“构成 X 的最佳 6 个数据簇都是哪些?”或者“X 中哪三个特征最频繁共现?”
      无监督学习试图学习或者提取数据背后的数据特征,或者从数据中抽取出重要的特征信息,常见的算法有聚类、降维、文本处理(特征抽取)等。
      无监督学习一般是作为有监督学习的前期数据处理,功能是从原始数据中抽取出必要的标签信息。

    3. 半监督学习
      考虑如何利用少量的标注样本和大量的未标注样本进行训练和分类的问题,是有监督学习和无监督学习的结合。
      主要考虑如何利用少量的标注样本和大量的未标注样本进行训练和分类的问题。半监督学习对于减少标注代价,提高学习机器性能具有非常重大的实际意义。
      缺点:抗干扰能力弱,仅适合于实验室环境,其现实意义还没有体现出来;未来
      的发展主要是聚焦于新模型假设的产生。

    基于目的分类

    1. 分类
      通过分类模型,将样本数据集中的样本映射到某个给定的类别中
    2. 聚类
      通过聚类模型,将样本数据集中的样本分为几个类别,属于同一类别的样本相似性比较大
    3. 回归
      反映了样本数据集中样本的属性值的特性,通过函数表达样本映射的关系来发现属性值之间的依赖关系
    4. 关联规则
      获取隐藏在数据项之间的关联或相互关系,即可以根据一个数据项的出现推导出其他数据项的出现频率。

    分类和回归属于有监督学习,而聚类和关联规则属于无监督学习:

    • 回归与分类的不同,就在于其目标变量是连续数值型。
    • 聚类就是将相似项聚团,关联分析可以用于回答“哪些物品经常被同时购买?”之类的问题。

    机器学习中的十大经典算法

    算法名称算法描述
    C4.5分类决策树算法,决策树的核心算法,ID3算法的改进算法
    CART分类与回归树(Classification and Regression Trees),决策树的变种,可做回归
    kNNK近邻分类算法;如果一个样本在特征空间中的k个最相似的样本中大多数属于某一个类别,那么该样本也属于该类别。简单来说就是:近朱者赤,近墨者黑
    NaiveBayes贝叶斯分类模型;一般用于文本数据,要求属性(特征)间相关性小,如果相关性大的话,用决策树更好(原因:贝叶斯模型假设属性之间是互不影响的)
    SVM支持向量机,一种有监督学习的统计学习方法,广泛应用于统计分类和回归分析中
    EM最大期望算法,常用于机器学习和计算机视觉中的数据集聚领域
    Apriori关联规则挖掘算法
    K-Means聚类算法,是最大似然估计上的一个提升,功能是将n个对象根据属性特征分为k个分割(k<n),属于无监督学习
    PageRankGoogle搜索重要算法之一,其实和机器学习关系不是很大
    AdaBoost迭代算法;利用多个分类器进行数据分类

    说明
    以上十个是基础,更基础的是线性回归。
    SVM转换一下就是感知器,感知器变换一下就是逻辑回归,逻辑回归再变换一下就是线性回归。
    深度学习最基础的是神经网络,神经网络最基础的是神经元,神经元就是感知器。深度学习的总体思想和AdaBoost类似。
    HMM 和EM有些相似。
    ……

    补充

    术语

    拟合:构建的算法符合给定数据的特征
    鲁棒性:也就是健壮性、稳健性、强健性,是系统的健壮性;当存在异常数据的时候,算法也会拟合数据
    过拟合:算法太符合样本数据的特征,对于实际生产中的数据特征无法拟合
    欠拟合:算法不太符合样本的数据特征
    三种数据形式:标量向量矩阵
    在这里插入图片描述
    x ( i ) x^{(i)} x(i):表示第 i 个样本的 x 向量;
    x i x_{i} xix 向量的第i维度的值。

    关系

    1. 数据分析、数据挖掘、机器学习
      数据分析:是指用适当的统计分析方法对收集的大量数据进行分析,并提取有用的信息,以及形成结论,从而对数据进行详细的研究和概括过程。在实际工作中,数据分析可帮助人们做出判断;数据分析一般而言可以分为统计分析、探索性数据分析和验证性数据分析三大类。简单来说:有目的性,特别明确
      数据挖掘:一般指从大量的数据中通过算法搜索隐藏于其中的信息的过程。通常通过统计、检索、机器学习、模式匹配等诸多方法来实现这个过程。简单来说:面对大量数据,不知有什么信息,没什么方向目的
      机器学习:是数据分析和数据挖掘的一种比较常用、比较好的手段

    2. 人工智能、机器学习、深度学习
      在这里插入图片描述

      AI ML DL 三者的关系

    一张图已经能很好的说明问题了。但随着深度这两年的火爆发展,现在一些内容已不属于机器学习的范畴了,如迁移学习。

    总结

    本文主要是机器学习中的一些概念内容,比较基础,好多内容也仅仅是一带而过。下一篇介绍机器学习的开发流程。

    展开全文
  • 数据库 完整约束定义

    千次阅读 2018-10-22 08:29:29
    --建表时定义性别取值为“男或女”默认为“男” --年龄在14到65之间(14,65) -- in (值1,值2,值3...值n) 属于值1到值n其中之一(详见聚集函数) create table Student( Sno Char(7) primary key,--学号 Sname Char...
  • 灰色关联度矩阵模型及其MATLAB实现

    千次阅读 多人点赞 2019-12-06 10:41:15
    灰色关联度矩阵是灰色系统另一个非常重要的领域,通常用于分析向量与向量之间或矩阵与矩阵之间的关联度,其实用非常强。
  • Android中如何优雅的定义常量

    万次阅读 2018-08-04 11:26:17
    在Android开发中如何更好的定义常量 本篇博客是笔者的第一篇博客,其实很早之前就有了写博客的想法,但是奈何万事开头难,一直没有下定决心,随着自己经验的增加,有些知识会经常遗忘,对于某些难题,可能当时有了...
  • C语言

    万次阅读 多人点赞 2019-12-18 23:01:50
    C语言 42.C语言是一种计算机高级语言。 43.C语言允许直接访问物理地址,能进行...48.C程序书写格式,允许一行可以写几个语句 49.C程序的语句无行号 50.C语言的每个语句的最后必须有一个分号 51.C语言本身没有输入...
  • 问题:两变量间是否存在相关或关联? 身高与体重 尿铅排出量与血铅含量 凝血时间与凝血酶浓度 血压与年龄 1、线性相关 例 在某地一项膳食调查中,随机抽取了14名40~60岁的健康妇女,测得每人的基础代谢(kJ /d...
  • Python——函数的定义及调用

    千次阅读 2018-08-12 19:52:21
    函数是组织好的,可重复使用的,用来实现单一,或相关联功能的代码段。 函数能提高应用的模块,和代码的重复利用率。 Python 支持自定义函数。   一. 定义函数 1. 自定义函数的规则 函数代码块以 def ...
  • python中函数的定义以及如何编写一个函数

    万次阅读 多人点赞 2019-06-30 18:06:52
    函数是组织好的,可重复使用的,用来实现单一,或相关联功能的代码段 函数能提高应用的模块,和代码的重复利用率 Python提供了许多建函数,比如print()。但你也可以自己创建函数,这被叫做用户自定义函数。 ...
  • Java设计模式

    千次阅读 多人点赞 2019-09-03 23:20:31
    //由于工厂模式仅关系对象的创建,为说明方便,无需定义方法 } //下面定义高、中、低档具体的汽车 //高档小汽车:TopCar.java public class TopCar implements ICar{ } //中档小汽车:MidCar.java public class ...
  • SQL——基本表的定义

    千次阅读 2020-01-10 07:39:19
    基本表的定义 1.创建数据库 CREATE DATABASE <数据库名> 2.打开数据库 USE <数据库名> 3.基本表的创建 CREATE TABLE <表名> ( <属性列名1> <数据类型> [列级约束条件], <属性...
  • 数据结构之图的定义及基本术语

    千次阅读 2018-02-26 20:59:46
    图的定义图是由顶点集合(Vertex)及顶点间的关系集合组成的一种数据结构:Graph=( V, E )V = {x | x ∈某个数据对象 } 是顶点的有穷非空集合;E ={ (x, y) | x, y ∈V } 是顶点之间关系的有穷集合,也叫做边(Edge)...
  • 数据库实验报告1数据库定义实验

    千次阅读 2020-04-29 11:18:58
    一、 实验目的: (1)理解和掌握数据库DDL语言,...教材3.3数据定义中例3.1至例3.11的要求操作,并截取相应的结果图 1、定义模式 模式定义语句:CREATE SCHEMA <模式名> AUTHORIZATION <用户名> 【例3....
  • ORACLE表的在线重定义

    千次阅读 2014-01-13 18:28:57
    一、在线表重定义的用处: 1、修改表或者簇的存储参数 2、在相同schema的表空间之间,可以移动表或簇 注意:如果表的可以停止dml操作,则可以利用alter table move来进行表空间的更改 3、增加、修改或者删除一个或多...
  • 目录 1.1绪言 1.2信号 1.连续信号与离散信号 2.周期信号和非周期信号 3.实信号和复信号 4.能量信号和功率信号 ...2.冲激函数的广义函数定义 3.冲激函数的导数和积分 4.冲击函数的性质 1.5 ...
  • 文章目录第十四章 Caché 定义和使用关系关系概述一对多关系主子关系主子关系和储存共同关系术语定义关系一般语法定义一对多关系定义父子关系父子关系和编辑。示例一对多关系示例主子关系示例连接对象方案1:更新一...
  • 基于现有的本体定义,采用函数式描述语言精确定义了本体建模基元,给出一种新的 本体形式化描述,并给出了本体间近义关联定义,在新本体形式化描述和本体间近义关联 定义的基础上,提出一种具有封闭的本体代数定义,...
  • UML概述及UML图详解

    万次阅读 多人点赞 2020-01-17 19:34:04
    ​ UML概述 一、UML简介 ...(二)UML的定义包括UML语义和UML表示法两个部分。 1.UML语义:UML对语义的描述使开发者能在语义上取得一致认识,消除了因人而异的表达方法所造成的影响; 2.UML表...
  • 数据挖掘

    千次阅读 多人点赞 2019-04-16 16:26:36
    数据挖掘可以描述为:按企业既定业务目标,对大量的企业数据进行探索和分析,揭示隐藏的、未知的或验证已知的规律,并进一步将其模型化的先进有效的方法。 应用的技术包括:数据库技术、人工智能技术、数理统计、...
  • MySQL--视图定义&操作

    千次阅读 2018-09-28 18:00:23
    MySQL 从5.0.1 版本开始提供视图功能。 定义 视图(View)是一种虚拟存在的表,对于...简单:使用视图的用户完全不需要关心后面对应的表的结构、关联条件和筛选条件,对用户来说已经是过滤好的复合条件的结果集。 ...
  • 项目定义及特征

    千次阅读 2020-03-01 12:06:40
    解释:为实现既定的目标,在一定的资源和要求的约束下,所开展的有相关联的一次工作。 2.项目的特征 一次:每个项目都有明确的开始和结束时间。当项目目标已实现,或者应为项目的目标不能实现而导致项目被终止时...
  • IDL接口定义语言教程

    千次阅读 2013-07-02 11:36:57
    IDL接口定义语言   也叫“接口描述语言”(Interface Description Language),是一个描述软件组件接口的语言规范。 IDL用中立语言的方式进行描述,能使软件组件(不同语言编写的)间相互通信。 IDL通常用于RPC...
  • Qt 定义信号 signals 和 槽 slots

    千次阅读 2018-08-09 16:40:05
    学习到自定义信号和槽的时候经常编译不过去,前边一篇解决了Q_OBJECT编译的问题,这里详细...2、signals区域的函数必须是void类型,而且这些信号函数没有函数体,也就是说不可以自己定义这些信号函数,你只要声明...
  • 关于钱学森定义复杂网络一事的探究

    千次阅读 多人点赞 2018-11-11 21:27:41
    由于本人从事与复杂网络有关的研究,多次在网上看到有关“钱学森给出复杂网络的定义”这样内容的文章,甚至百度百科也是这么介绍的。 百度百科-复杂网络 钱学森给出了复杂网络的一个较严格的定义:具有自组织、...
  • 树和二叉树的定义

    千次阅读 2018-05-27 10:39:22
    树的概念 子节点和父节点(是相对定义的): 一棵树的根节点称为该树的子树的根节点的父节点 ...祖先和子孙:基于父节点/子节点关系和传递,可以确定相应的传递关系,称为祖先关系或子孙关系 度数:一个...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 598,855
精华内容 239,542
关键字:

关联性定义