C# SQL数据库 查询结果为空

sql语句错了 like 后面缺少'%'

应该是select s1TrainID,s1StationName,s1StopTime,s2StationName,s2StopTime,s2Distance-s1Distance from Runlist s1,Runlist s2 where s1StationName like '%徐州%' and s2StationName like '%北京%' and s1TrainID=s2TrainID

可能是因为SELECT @FEE=@HFEE+@OIL@DISTANCE 其中

@HFEE；@OIL；@DISTANCE 三个值中有空的 你可以改成

@FEE=ISNULL(@HFEE0)+ISNULL(@OIL,0)ISNULL(@DISTANCE,0)

如果是空值中0代替

地理加权回归（GWR）在R里面怎么实现？

121 人关注0 条评论

写回答

查看全部 5 个回答

写回答

叶山Shan Ye

GIS/地质/人文地理/可持续发展

A2A 谢邀，

我和我认识的一些人，刚开始用R做空间分析的时候，也遇到过这个问题。R这种开源的东西，优点是各种包很丰富，缺点是有些包的说明写得很乱，地理加权回归（GWR）的R包其实功能很强大，但大部分说明都不大靠谱。

GWR在R里面可以用好几个不同的包来实现，其中步骤最简单的是spgwr。思路就两步：建立窗口、用窗口扫全局。这其实就是GWR本质上的两步。比如我要在全美国范围内统计某两个（或多个）变量之间的回归关系，我可以做一个全局回归（global regression），但因为这些变量在空间分布上或许会有异质性（heterogeneity），表现在统计结果上就是空间不稳定性（nonstationarity），因此只看全局的统计，可能看不出什么结果来。举个不完全恰当但是很容易领会精神的例子，你比如说，我要分析亚洲范围内，经济发展程度与牛肉销量之间的关系，经济越发达的地方，人们就越吃得起牛肉。可是等我统计到印度的时候，坏了，印度大部分人不吃牛肉，这不是经济状况导致的，这一下就影响了全局统计的参考价值，那怎么办呢？我们可以建立一个窗口（正规说法是带宽窗口，bandwidth window），每次只统计窗口范围内的经济与牛肉销量的关系，然后用这个窗口去扫过全局的范围。等统计到印度的时候，印度内部的各地和印度自己比，吃牛肉的人的比例就不会突然减少，这样就能减少这种空间不稳定性对全局统计的影响。

所以，第一步就是要建立这样一个『窗口』。当然了，首先要安装包，我们要用到的R包有：

library(spgwr)

library(rgdal)

library(sf)

library(spData)

library(sp)

library(lattice)

library(ggplot2)

library(ggthemes)

其中，spgwr是做GWR的包，rgdal是用来读取矢量要素的，sf，sp和spData都是用来处理矢量数据的，别的基本都是画图用。

以下默认你会R和GWR的基本 *** 作。并且，以下只展现方法，不要纠结我的数据和结果，我随便找的数据，这个数据本身没有什么意义，所以做出的统计看起来很『壮观』。

我们先导入数据。这里我用的是美国本土48州各个县（county，也有翻译成郡的）的人口普查数据和农业数据，来源是ESRI Online数据库。为啥用这个数据呢？因为我电脑里面就存了这么个可以用来做GWR的数据

我们用rgdal读取数据，然后把它画出来看看

require(rgdal)

usa_agri <- readOGR(dsn = "~/Documents/Spatial", layer = "usa_counties")

plot(usa_agri)

会得到这个东西：

readOGR里面，dsn后面加储存shp的路径（加到文件夹为止），layer后面写shp的文件名（不加shp）。不喜欢rgdal的同学可以不用，用maptools或者spData等别的处理shp的R包代替。不过如果用maptools，要注意处理一下参考系。

我们看一下这个shp里面的列联表都有什么：

可见，shp里面有3108个县的数据，数据有61种。然后再看data下面有什么：

总之就是各种人口普查的数据，后面截不完图，还有经济、房地产和农业之类的数据。那我们就随便选两个来当变量。我就随便挑了，因变量选AVESIZE12，即2012年各个县农场的平均占地面积。自变量选POP_SQMI，也就是人口密度（每平方英里的人口）。

现在正式建立窗口，调用的是spgwr里面的gwrsel函数：

bw <- gwrsel( AVE_SIZE12 ~ POP_SQMI, data = usa_agri, gweight = gwrGauss,

verbose = FALSE, method = "cv")

其中~前后分别是因变量和自变量。GWR里因变量只能有1个，但自变量可以选多个，如果需要多个自变量的话，就在代码POP_SQMI之后用+号连接就行。gweight是你的空间加权的函数（随空间距离增大而不断衰减的函数，衰减率由下面要提到的带宽控制），这里用的是比较常用的高斯函数，其余的还有gwrbisquare等函数可以调用。verbose决定是否汇报制定窗口的过程。method是决定构建带宽窗口模型的方法，这里用的cv指的是cross validation，即交叉验证法，也是最常用的方法，简单说就是把数据分成不同的组，分别用不同的方法来做回归计算，计算完了之后记录下结果，然后打乱重新分组，再回归计算，再看结果，周而复始，最后看哪种计算方法的结果最靠谱，这种方法就是最优解。还有一种很常见的选择最佳拟合模型的方法是AIC optimisation法，把method后面的cv改成aic就可以用。具体AIC optimisation是什么：AIC（赤池信息准则）_百度百科。总之，空间加权函数和带宽窗口构建方法的选择是GWR里面十分重要的步骤。

以上便是固定带宽窗口的示意图。比如我在对佐治亚做GWR，这一轮的regression target是红色的这个县，根据做出来的窗口，圆圈以内的县都要被算为红色县的邻县，其权重根据高斯函数等空间权重函数来赋值，而圆圈以外的县，空间权重都赋为0。

不喜欢固定带宽窗口的同学也可以不用它，而是用符合Tobler地理学第一定律的非固定带宽邻域统计， *** 作方法是在gwrsel里面加一个命令adapt = TRUE，这样的情况下，根据你设置的k邻居数，每一轮统计的时候，和本轮对象在k以内相邻的多边形的权重参数会被赋值为0到1之间的一个数，比如下图:

我在对佐治亚做GWR，这一轮的regression target是红色的这个县，那么图上标为1的县就是红色县的1阶邻县，标为2的是2阶（邻县的邻县），标为3的是3阶（邻县的邻县的邻县）。如果用非固定带宽邻域统计，k为3，那么1、2、3都被定义为红色县的邻县，它们的权重从3到1依次增加，会按比例被赋上0和1之间的值，而其它没有标注的县，权重为0。

下一步就是用前一步做出的窗口去扫过全局区域：

gwr_result <- gwr(AVE_SIZE12 ~ POP_SQMI, data = usa_agri, bandwidth = bw,

gweight = gwrGauss, hatmatrix = TRUE)

这一步如果数据量大，可能会要跑一阵，跑完之后我们看看结果里面有什么：

Call:

gwr(formula = AVE_SIZE12 ~ POP_SQMI, data = usa_agri, bandwidth = bw,

gweight = gwrGauss, hatmatrix = TRUE)

Kernel function: gwrGauss

Fixed bandwidth: 2058803

Summary of GWR coefficient estimates at data points:

Min 1st Qu Median 3rd Qu Max Global

XIntercept 73883e+01 21081e+02 32802e+02 66691e+02 85705e+03 6255656

POP_SQMI -80085e+01 -45983e-01 -14704e-01 -73703e-02 -21859e-03 -00426

Number of data points: 3108

Effective number of parameters (residual: 2traceS - traceS'S): 1196193

Effective degrees of freedom (residual: 2traceS - traceS'S): 2988381

Sigma (residual: 2traceS - traceS'S): 104878

Effective number of parameters (model: traceS): 8490185

Effective degrees of freedom (model: traceS): 3023098

Sigma (model: traceS): 1042741

Sigma (ML): 10284

AICc (GWR p 61, eq 233; p 96, eq 421): 5210955

AIC (GWR p 96, eq 422): 520177

Residual sum of squares: 3287040139

Quasi-global R2: 04829366

基本上你做GWR该需要的结果这里都有了。比如窗口大小（Fixed bandwidth）是2058803，意思是前一步构建的带宽窗口是半径20588千米的圆。Effective number of parameters显示的是你带宽窗口的大小合不合适。Sigma是残差的标准差，这个值要尽量小。Residual sum of squares（RSS）也是对拟合程度的一个评估值。最重要的是最后那个R2，越靠近1说明统计的拟合度越好。我这里面Sigma很大，R2也不是很大，因为我这里只是呈现方法，用的数据本来就是互不相干、没什么太大意义的，所以不用太纠结。如果你是真正的统计数据要来做GWR，就需要注意这些值了。

然后，我们就可以把每个县的R2画在地图上。首先，前面报告里的这些数据，比如R2，要先自己去生成的GWR结果里面去找，然后自己再算一下每个县的local R2，并把它们赋值到shp里面去：

数据库中id-dependent entity 的意思是id依赖于实体。

实体间的关系，简单来说无非就是一对一、一对多、多对多，根据方向性来说又分为双向和单向。Code First在实体关系上有以下约定：

1 两个实体，如果一个实体包含一个引用属性，另一个实体包含一个集合属性，Code First默认约定它们为一对多关系。

2 两个实体，如果只有一个实体包含一个导航属性或一个集合属性，Code First也默认约定它们是一对多关系。

3 两个实体分别包含一个集合属性，Code First默认约定它们为多对多关系。

4 两个实体分别包含一个引用属性，Code First默认约定它们为一对一关系。

5 在一对一关系情况下，需要提供给Code First额外的信息，以确定它们的主从关系。

6 在实体中定义一个外键属性，Code First使用属性是否为空来确定关系是必须还是可选。

你截图没有列名，看代码无法对应上，代码里面用了，不知道你代表是哪几个列，

如果只考虑area列，可以这样

declare @a varchar(max)

set @a=''

select @a=@a+area from 表 group by area

print @a

经测试课使用，把数据存进临时表，再从临时表中读取数据 。A为你的数据表

CREATE table #temp

(

product_id NCHAR(10),

charge_id nchar(10),

[user_id] nchar(10) )

declare @p_id nchar(10),@c_id nchar(10),@u_id nchar(10)

declare id_cursor cursor for

select from A

open id_cursor

fetch from id_cursor

into @p_id ,@c_id,@u_id

while @@fetch_status=0

begin

if not exists( select from #temp where product_id=@p_id and charge_id=@c_id ) insert into #temp (product_id ,charge_id ,[user_id] )values(@p_id,@c_id,@u_id);

fetch next from id_cursor

into @p_id,@c_id,@u_id

end

close id_cursor

deallocate id_cursor

select from #temp

Go

Cassandra通过使用geospatial功能来计算山上的距离。首先，需要将山的坐标存储在Cassandra数据库中。然后，可以使用Cassandra提供的geospatial函数来计算山之间的距离。具体来说，可以使用Cassandra提供的geospatial函数st_distance（）来计算两个山之间的距离。它接受两个参数，分别是两个山的坐标，并返回它们之间的距离。另外，Cassandra还提供了其他的geospatial函数，如st_within（），st_intersects（）等，可以用来计算山上的距离。因此，通过使用Cassandra提供的geospatial功能，可以轻松计算山上的距离。

以上就是关于C# SQL数据库 查询结果为空全部的内容，包括:C# SQL数据库 查询结果为空、sql sever存储过程为什么调用时都提示返回值为null、加权后的数据怎么用r转换出来等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！