df1.index与df.类别

1、查看数据类型：type(a)

2、查看已安装的包：

在dos命令行界面：如果你使用的是pip来作为你的python包管理器的话，可以在命令行下直接运行$ pip freeze或者$ pip list来查看安装包的信息，当然其它的包管理器也有类似的功能，同时，你也可以在python交互式解释器中导入pip模块来查看包信息。

在python提示符下，用help(‘modules’)，可以显示所有包名称，用import sys as s >>s.modules.keys() ，可以显示系统模块；

3、在LINUX环境下安装anaconda：https://blog.csdn.net/wyf2017/article/details/118676765?spm=1001.2101.3001.6650.2&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-2.pc_relevant_default&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-2.pc_relevant_default&utm_relevant_index=5

1）先找需要安装版本的官网地址链接，如https://repo.anaconda.com/archive/Anaconda3-5.3.0-Linux-x86_64.sh；

2）在linux控制台输入：wget https://repo.anaconda.com/archive/Anaconda3-5.3.0-Linux-x86_64.sh

3）先赋权在安装程序：chmod +x Anaconda3-5.3.0-Linux-x86_64.sh

./Anaconda3-5.3.0-Linux-x86_64.sh

4）一直按ENTER，直到出现选择yes or no，输入yes；

5）继续按ENTER，直到出现选择yes，输入yes，添加环境变量；

6）若上面这一步没选择yes，会默认选择no，则需要自己到安装anaconda的路径下，设置环境变量：

export PATH=/home/anaconda3/bin:KaTeX parse error: Expected 'EOF', got '#' at position 36: …一句话注释掉： #̲ export PATH=/u…PATH

export PATH=/root/anaconda3/bin:$PATH

8）然后，保存更改：source ~/.bashrc

9）检测是否安装成功：

进入自己的文件夹目录下输入：anaconda -V conda -V

4、在linux环境下下载并安装mysql：https://blog.csdn.net/darendu/article/details/89874564?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522164517585116780265466903%2522%252C%2522scm%2522%253A%252220140713.130102334…%2522%257D&request_id=164517585116780265466903&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2blogbaidu_landing_v2~default-3-89874564.nonecase&utm_term=linux%E7%8E%AF%E5%A2%83%E4%B8%8B%E5%AE%89%E8%A3%85mysql&spm=1018.2226.3001.4450

1）先找安装包网址链接：从官网或者网盘下载

2）用linux命令将安装包下载到指定文件夹下：wget https://dev.mysql.com/get/Downloads/MySQL-5.7/mysql-5.7.25-linux-glibc2.12-x86_64.tar.gz

3）再安装到指定目录下：

cd 路径

解压：tar -zxvf mysql-5.7.25-linux-glibc2.12-x86_64.tar.gz

修改文件夹名称：mv mysql-5.7.25-linux-glibc2.12-x86_64 /mysql

2）新建data目录

命令：mkdir /mysql/data

3）新建mysql用户组及mysql用户

命令：groupadd mysql //新建用户组

命令：useradd mysql -g mysql //新建用户

4）将/usr/local/mysql的所有者及所属组改为mysql

chown -R mysql.mysql /usr/local/mysql

5）配置

命令：/usr/local/mysql/bin/mysql_install_db --user=mysql --basedir=/usr/local/mysql/ --datadir=/usr/local/mysql/data

6）配置/etc/my.cnf

vim /etc/my.cnf

7）开启服务

命令：cp /usr/local/mysql/support-files/mysql.server /etc/init.d/mysql //将mysql加入服务

命令：chkconfig mysql on //开机自动启动

命令：service mysql start //开启mysql服务

开启mysql服务报错， 在这里插入图片描述

8）设置密码

命令：/usr/local/mysql/bin/mysql -u root -p //在my.cnf中配置了取消密码验证，此处密码任意输入

命令：use mysql// *** 作mysql数据库

命令：update user set authentication_string=password(‘你的密码’) where user=‘root’//修改密码

命令：flush privileges

命令：exit//退出

9）将/etc/my.cnf中的skip-grant-tables删除

10）如果是本机安装则到此步骤已经安装配置完成，如果是在虚拟机或者远程服务器上安装，则需要以下步骤

允许远程连接

命令：/usr/local/mysql/bin/mysql -u root -p //登录

命令：use mysql

命令：update user set host=’%’ where user = ‘root’

命令：flush privileges

命令：exit

Pandas

dataframe：

1、dataframe，如何查看一个DataFrame对象的所有索引，列名，以及DataFrame中具体的值？

有一个dataframe对象df1，查看索引使用使用df1.index，查看列名使用df1.columns，查看所有的值为df1.values。

2、创建dataframe：

df1=pd.DataFrame(np.arange(16).reshape(4,4),

index = pd.date_range(‘20200101’, periods = 4),

columns=list(‘ABCD’))

3、使用df1.index返回的是一个索引，如果获取具体的值的话，需要使用df1.index.values转化为列表。

4、根据列名取dataframe的数据

基本格式：dataframe[列名]

1）取多列

列名要用中括号括起来，所以下述命令

dataframe[[‘P4_profit_rate’,‘P3PS’,‘P3NS’]] 没问题,返回pandas.core.frame.DataFrame类型的值

dataframe[‘P4_profit_rate’,‘P3PS’,‘P3NS’]出错

2）取一列

列名可以不用中括号括起来，

dataframe[‘P4_profit_rate’] 没问题，返回pandas.core.series.Series类型的值

列名也可以用中括号括起来，

dataframe[[‘P4_profit_rate’]] 也能正常运行，但返回pandas.core.frame.DataFrame类型的值

1. 常用基本方法及属性

df.info() 输出总行数、各列的行数、类型、索引、占用内存等信息；

df.index 输出索引，为 pandas.core.indexes.range.RangeIndex 类型；

df.columns 输出列名，为pandas.core.indexes.base.Index 类型，可使用df.columns.str ；

df.dtypes 各列的类型，输出一个series，值是object类型；

df.values 值，输出一个 array ；

df.describe() 输出各数值列的统计值，如非空个数、均值、std、极值、分位数。

2. 索引

df.set_index() 设置索引，括号内可以填入DataFrame中某列的列名，就能使用此列作为索引；

df.loc[ ] 以label索引，可实现花哨的混合索引，如：df.loc[ df.density>100, [‘pop’, ‘density’] ] ；

df.iloc[ ] 以绝对位置索引，即数字；

掩码 *** 作，如 df[ df [‘density’] >100 ] 。

3. 计算：

df.cov() 协方差，df.corr() 相关系数，df.mean(axis = 1)，df.median()，df.max()；

df[ ‘Age’ ].value_counts(ascending = True, bins = 5) 非nan计数(升序排列，分箱)；

pd.cut()也能实现连续值离散化，pandas.cut(x,bins,right=True,labels=None,retbins=False,precision=3,include_lowest=False)。

4. 增删改查、合并、排序

使用df.copy()防止误修改df；

df.rename(index = {‘a’ : ‘A’}, inplace = True) 重命名索引，注意需要inplace为True才能真正修改；

df.append(df2) 增加；

df.drop([‘a’, ‘b’], inplace = True) 删除；

data.drop_duplicates()去重，subset参数可以选择具体的列；

df3 = pd.concat([df1,df2], axis = 0) 实现两个DataFrame的简易合并；

pd.merge(on, left_on, right_on, left_index, right_index, how, suffixes) 数据表连接 *** 作，on可以指定多个列作为键

多列排序 data.sort_values(by=[‘group’,‘data’],ascending = [False,True],inplace=True)，即在by、ascending处传入list，会先按’group’列再按’data’列排序。

5. groupby聚合 和数据透视表pivot_table（相当于多维的groupby *** 作）

df.pivot_table(index = ‘Sex’, columns=‘Pclass’, values=‘Fare’，aggfunc = ‘sum’) ，aggfunc默认是mean；

6. 时间序列

Pandas所有关于日期与时间的处理方法全部是通过Timestamp对象实现的；

pd.to_datetime(‘2017-11-24’) 把str转化为Timestamp对象（pd.Timestamp也可以）；

ts + pd.Timedelta(‘5 days’) 用Timedelta加上时间间隔；

pd.read_csv()方法中参数parse_dates = True，可以直接将数据中的时间作为索引；

将时间戳作为索引值取出对应时间段内的数据：data[pd.Timestamp(‘2012-01-01 09:00’):pd.Timestamp(‘2012-01-01 19:00’)] ，

同时也可以使用 data[‘2013’]，data[‘2012-01’:‘2012-03’] 等简便方式；

仅取1月份的数据 data[data.index.month == 1] ；

时间重采样，将原始数据转化为均匀间隔的数据，

DataFrame.resample(rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention=‘start’,kind

=None, loffset=None, limit=None, base=0)，如df.resample(‘3D’)方法，对3天的数据进行重采样。

7. apply自定义函数 DataFrame.apply(func, axis=0, broadcast=False, raw=False, reduce=None, args=(), kwds)，说明：

允许传入0个或任意个参数，这些可变参数在函数调用时自动组装为一个tuple，

关键字参数允许传入0个或任意个含参数名的参数，这些关键字参数在函数内部自动组装为一个dict。

8.缺失值：DataFrame.isnull().any()，.fillna() 等。

9.字符串Series.str.lower()，str是Series的一个属性，s.str.upper()，s.str.len()，index.str.strip()，df.columns.str.replace(’ ‘,’‘)，s.str.split(’‘)，s.str.contains(‘Ag’)，s.str.get_dummies(sep = ‘|’) 。

10、notebook显示设置：

pd.set_option()，pd.get_option()用于使用Notebook做展示；

pd.set_option(‘display.max_columns’,30)，pd.set_option(‘display.max_colwidth’,100)，

pd.set_option(‘display.max_colwidth’,100)。

11、重复记录处理

1）生成重复记录

#生成重复数据

df=pd.DataFrame(np.ones([5,2]),columns=[‘col1’,‘col2’])

df[‘col3’]=[‘a’,‘b’,‘a’,‘c’,‘d’]

df[‘col4’]=[3,2,3,2,2]

df=df.reindex(columns=[‘col3’,‘col4’,‘col1’,‘col2’]) #将新增的一列排在第一列

2）判断重复记录

isDplicated=df.duplicated() #判断重复数据记录

3）删除重复值

new_df1=df.drop_duplicates() #删除数据记录中所有列值相同的记录

new_df2=df.drop_duplicates([‘col3’]) #删除数据记录中col3列值相同的记录

new_df3=df.drop_duplicates([‘col4’]) #删除数据记录中col4列值相同的记录

new_df4=df.drop_duplicates([‘col3’,‘col4’]) #删除数据记录中(col3和col4)列值相同的记录

4）python去重drop_duplicates后一定要reset_index()。

pandas.DataFrame.reset_index

函数作用：重置索引或其level。

重置数据帧的索引，并使用默认索引。如果数据帧具有多重索引，则此方法可以删除一个或多个level。

函数主要有以下几个参数：reset_index(level=None, drop=False, inplace=False, col_level=0, col_fill=’')

各个参数介绍：

level：可以是int, str, tuple, or list, default None等类型。作用是只从索引中删除给定级别。默认情况下删除所有级别。

drop：bool, default False。不要尝试在数据帧列中插入索引。这会将索引重置为默认的整数索引。

inplace：bool, default False。修改数据帧（不要创建新对象）。

col_level：int or str, default=0。如果列有多个级别，则确定将标签插入到哪个级别。默认情况下，它将插入到第一层。

col_fill：object, default。如果列有多个级别，则确定其他级别的命名方式。如果没有，则复制索引名称。

返回：

DataFrame or None。具有新索引的数据帧，如果inplace=True，则无索引。

python使用问题集锦

1、报错：NameError: name ‘scipy’ is not defined

使用!pip install packages scipy，重新安装成功后，还报错；在运行前先from scipy import optimize，再运行也报错；

还有说是注释或者换行等问题导致的，都无法解决，最后一个可能再试试：在安装scipy前要先安装numpy+mkl(非numpy)。

在如下地址下载安装numpy： http://www.lfd.uci.edu/~gohlke/pythonlibs/#numpy

Numpy+MKL is linked to the Intel® Math Kernel Library and includes required DLLs in the numpy.DLLs directory.

下载完成后，在cmd命令行中用pip install numpy-1.22.2+mkl-pp38-pypy38_pp73-win_amd64.whl进行安装，报错如下：

ERROR: numpy-1.22.2+mkl-pp38-pypy38_pp73-win_amd64.whl is not a supported wheel on this platform.

错误原因：安装的不是对应python版本的库，下载的库名中cp27代表python2.7,其它同理。我的python是3.8版本，重新下载后，再安装，进入正常流程中。但是又报如下错误： 在这里插入图片描述

文章知识点与官方知识档案匹配

Python入门技能树首页概览

208764 人正在系统学习中

点击阅读全文

打开CSDN APP，看更多技术内容

Pandas的基本功能_笑 瘾的博客_pandas作用

一、Pandas的常用32个方法和功能 DataFrame() 创建一个DataFrame对象 df.values 返回ndarray类型的对象 df.shape 返回行列数 df.index 获取行索引 df.set_index 设置索引 df.reset_index 重制索引 df.columns 获取列索引 df.rename 重...

继续访问

pandas教程:pandas主要功能详解_hello-java-maker的博客_pand...

df =pd.read_csv("Counts.csv", header=0) df.head() 1 2 选择/切片 df[‘column_name’] ,df[row_start_index, row_end_index] 选取指定整列数据 df['name'] # 选取一列,成一个series df[['name']] # 选取一列...

继续访问

numpy‑1.21.4+mkl‑pp38‑pypy38_pp73‑win_amd64.whl

numpy‑1.21.4+mkl‑pp38‑pypy38_pp73‑win_amd64.whl

Python数据分析 | (17) pandas的基本功能

本篇博客中，我将介绍 *** 作Series和DataFrame中的数据的基本手段。后续将更加深入地挖掘pandas在数据分析和处理方面的功能。这不是pandas库 的详尽文档，主要关注的是最重要的功能，那些不大常用的内容(也就是那 些更深奥的内容)就交给你自己去摸索吧。 目录 1. 重新索引 2. 丢弃指定轴上的项 3. 索引、选取和过滤 4. 整数索引 5. 算术运算和数据对齐 6. ...

继续访问

最新发布 python安装ERROR: matplotlib-3.6.2-pp38-pypy38_pp73-win_amd64.whl is not a supported wheel on this plat

我把文件名称改为matplotlib-3.6.2-py39-none-any.whl。2、看到支持的文件的名称是py30-none-any。

继续访问

热门推荐 使用python经常出现NameError: name 'xxx' is not defined

使用python经常出现NameError: name ‘xxx’ is not defined感觉神之存在的Bug 用注释居然解决了 之前k_means一直是没定义后来加了注释#abc就解决了from sklearn.cluster import k_means# abc如下图所示：解决后感觉太特么奇妙了

继续访问

pandas中index索引功能是什么

pandas的索引对象可以用来保存坐标轴标签和其它元数据，是使用过程中必要的参与对象，那pandas中index索引功能是什么呢？pandas中index索引可以轻松的读取数据，更方便的数据查询，使用index查询的时候可以获得性能提升。 一、index索引特点 更方便的数据查询，使用index查询的时候可以获得性能提升； 自动的数据对齐功能； 更多更强大的数据结构支持。 二、index索引用途 1、使用index读取数据 import pandas as pd df = pd.read_csv("./.

继续访问

pandas 基础功能（二）

pandas 基础功能（二） 1.新增 2.删除 3.修改数据 1.新增 1)在最后新增一列(列S)： df["列S]=list ## 增加列的元素个数要跟原数据列的个数一样 2)在指定位置新增一列(列Q): # 语法格式：列表.insert(index, obj) # index --->对象 obj 需要插入的索引位置。 # obj --->要插入列表中的对象（列名） col_name=df1.columns.tolist() # 将数据框的列...

继续访问

【报错解决】复现Deep Supervised Cross-Modal Retrieval报错module scipy has no attribute spatial的解决

module scipy has no attribute spatial报错的解决。

继续访问

Python函数调用出现NameError: name ‘xxx‘ is not defined的解决办法

原因： 函数里用的是局部变量，从而函数调用结束后会被销毁。如果不声明是全局变量，那么就会报错：（注意灰色字体注释的地方） def load_data(): from keras.datasets import mnist # global train_image, train_lable , test_image, test_lable (train_image, train_lable), (test_image, test_lable) = mnist.load_data.

继续访问

Python使用pip安装报错：is not a supported wheel on this platform的解决方法

我的python是3.8 win64位 安装cryptography报错is not a supported wheel on this platform 首先我是在官网cryptography · PyPI下载的cryptography-37.0.2-pp38-pypy38_pp73-win_amd64.whl 官网如下，安装的时候报错cryptography · PyPI 解决版本：改安装报的名字 步骤一，cmd里面输入pip debug --verbose，会列出支持包的名字，我把包的名字改

继续访问

Python-Pandas{数据结构与基本功能}

PandsSeries手动构建SeriesSeries的索引和切片按照字典的方式进行索引和切片   Pandas通常是用于数据分析过程中, 数据的清洗, 数据预处理, 数据的描述性分析等过程中。在整个Python数据分析的生态环境中, Pandas的地位非常重要, 利用Pandas可以快速便捷的对数据进行各种各样的处理与 *** 作.   在Pandas中, 最重要的两种数据结构是1维的Series和2维的DataFrame. Series：一维数组，与Numpy中的一维array类似。二者与Python基本的数

继续访问

Pandas 10. 索引index的用途

更方便的数据查询：df.loc[index, :]使用index会提升查询性能自动的数据对齐功能使用index.更多更强大的数据结构支持 很多强大的索引数据结构Categoricallndex,基于分类数据的Index,提升性能Multilndex,多维索引，用于groupby多维聚合后结果等；Datetimelndex,时间类型索引，强大的日期和时间的方法支持：

继续访问

Pandas的索引index的用途（十一）

1、Pandas的索引index的用途 把数据存储于普通的column列也能用于数据查询，那使用index有什么好处？ index的用途总结： 1、更方便的数据查询； 2、使用index可以获得性能提升； 3、自动的数据对齐功能； 4、更多更强大的数据结构支持； 2、实例用途 （1）读取数据 import pandas as pd df = pd.read_csv...

继续访问

python语法基础

1.import 和 from … import 模块的变量、方法引用差异 from pandas import DataFrame from…import // 直接使用函数名使用就可以了 import pandas as pd import //模块.函数 a.import…as import：导入一个模块；注：相当于导入的是一个文件夹，是个相对路径 import A as B：给予工具库 A 一个简单的别称 B ，可以帮助记忆。例：import torc...

继续访问

python数据分析学习（3）

python数据分析·numpy的一些函数

继续访问

Pandas详解三之Index对象

约定 import pandas as pd from pandas import DataFrame import numpy as np Index Index对象保存着索引标签数据，它可以快速找到标签对应的整数下标，其功能与Python的字典类似。 dict1={"Province":["Guangdong","Beijing","Qinghai","Fu...

继续访问

Pandas的索引index的用途

##Pandas的索引index的用途 '''把数据存储于普通的column列也能用于数据查询，那使用index有什么好处?index的用途总结: 1.更方便的数据查询2.使用index可以获得性能提升3.自动的数据对齐功能4.更多更强大的数据结构支持''' import pandas as pd df =pd.read_csv('F:\\python387\\pandas\\antlearnpandasmaster\\datas\\ml_latest_small\\ratings.csv'.

继续访问

python创建python.py时遇到的问题 name is not defined

创建py文件之后，运行文件时报错： 是一个nameerror，说var为定义，所以执行不成功。这是因为将var定义在了函数里面，即return后一行的代码缩进了，导致var没有定义成功，只需要去除缩进就可以了。 更改如下： ...

继续访问

pandas的Index对象

Index对象保存着索引标签数据，它可以快速找到标签对应的整数下标，其功能与Python的字典类似。 dict1={"Province":["Guangdong","Beijing","Qinghai","Fujiang"], "year":[2018]*4, "pop":[1.3,2.5,1.1,0.7]} df1=DataFrame(dict1) df1 1 2 3 4 5 代码结果 Province pop year 0 Guangdong 1.3...

继续访问。

需要用的资料以链接的形式给需要的同学。

我用的mysql版本为： Mysql-5.5.45-win64.msi 密码是：26zw

图形化工具 Navicat(前期不推荐用，直接手动敲)： Navicat 密码：c7fs

开始我的MySQL之旅吧 始于2016.12.04

--WH

一、数据库的安装

这个就不在这里过多阐述了，因为网上实在是太多安装mysql的教程了，有了我给的mysql，在按照这个安装教程(MySQL安装教程)去看，就能够安装完好。

安装好mysql后，如果需要使用windows命令窗口(也就是cmd)来 *** 作mysql，那么就需要配置环境变量，在安装好的mysql下找到bin，将其目录放到环境变量path中去，就行了，检测成功与否的方法是在cmd命令窗口中输入mysql，就会出现一大段英文，就说明成功了，反之失败，如果不会的话就去百度搜教程。

二、数据库的基本 *** 作

1、开启mysql服务命令

net start mysql

2、进入mysql的两种方式

明文进入：mysql -uroot -proot格式：mysql -u帐号　-p密码

密文进入：mysql -uroot -p 按enter会提示你输入密码(Enter pssword:)，此时你写的密码就会显示为***这样。

3、查看mysql中所有的数据库(一般在固定的单词命令就会是用大写，这个要习惯，看多了敲多了就认识了)

前面四个数据库是mysql中自带的，也就是必须的.

SHOW DATABASES

4、创建名为test_1的数据库

格式：CREATE DATABASE 数据库名

CREATE DATABASE test_1

5、删除名为test_1的数据库

格式：DROP DATABASE 数据库名

DROP DATABASE test_1

总结：学习了对数据库的三个 *** 作，1、查看所有数据库 2、创建数据库 3、删除数据库

三、数据表的基本 *** 作

数据表和数据库还有Mysql三者的关系

mysql中保存了很多数据库、一个数据库中可以保存很多表。

对数据表的增(创建表)删(删除表)改(修改表字段)查(查询表结构)。 注意：这里的 *** 作对象是表，对表的 *** 作也就是表的结构，和表中的字段的 *** 作(字段和记录要分清楚)

前提：表是在数据库下的，所以要先确实使用哪个数据库。

USE test_1

1、创建数据表

格式：CREATE TABLE 数据表名(

　字段名1数据类型[列级别约束条件],

　字段名2数据类型[列级别约束条件],

　字段名3数据类型[列级别约束条件]

　)　

注意：格式不一定需要这样隔着写，完全可以全部写成一行。但是那样写可观性非常差。我这样写只是为了可以看的更清晰。

解释：

1、[]中括号中的内容表示可以有可以没有，

2、列级别这个“列”一定要搞清楚说的是什么，一张表中有行有列，列表示竖，行表示横　

3、约束条件后面会讲到

1.1、创建没有约束的student表

　CREATE TABLE student( idINT(11), nameVARCHAR(12), ageINT(11) 　)

注释：SHOW TABLES 查询数据库底下的所有表。

1.2、创建有约束的student表

　六大约束：主键约束、外键约束、非空约束、唯一约束、默认约束、自动增加

1.2.1：主键约束

PRIMARY KEY(primary key)：独一无二(唯一)和不能为空(非空)，通俗的讲，就是在表中增加记录时，在该字段下的数据不能重复，不能为空，比如以上面创建的表为例子，在表中增加两条记录，如果id字段用了主键约束。则id不能一样，并且不能为空。一般每张表中度有一个字段为主键，唯一标识这条记录。以后需要找到该条记录也可以同这个主键来确认记录，因为主键是唯一的，并且非空，一张表中每个记录的主键度不一样，所以根据主键也就能找到对应的记录。而不是多条重复的记录。如果没有主键，那么表中就会存在很多重复的记录，那么即浪费存储空间，在查询时也消耗更多资源。

一般被主键约束了的字段度习惯性的称该字段为该表的主键

单字段主键约束

两种方式都可以

CREATE TABLE student(CREATE TABLE student(

idINT(11) PRIMARY KEY,idINT(11),

nameVARCHAR(12),nameVARCHAR(12),

ageINT(11) ageINT(11),

)　PRIMARY KEY(id) )

多字段主键约束(复合主键)

这个id和name都市主键，说明在以后增加的插入的记录中，id和name不能同时一样，比如说可以是这样。一条记录为id=1，name=yyy、另一条记录为：id=1，name=zzz。 这样是可以的。并不是你们所理解的两个字段分别度不可以相同。

CREATE TABLE student(CREATE TABLE student(

idINT(11) PRIMARY KEY,idINT(11),

nameVARCHAR(12) PRIMARY KEY,　nameVARCHAR(12),

ageINT(11)　ageINT(11),

)PRIMARY KEY(id,name) )

1.2.2：外键约束

什么是外键举个例子就清楚了，有两张表，一张表是emp(员工)表，另一张表是dept(部门)表，一个员工属于一个部门，那么如何通过员工能让我们自己他在哪个部门呢？那就只能在员工表中增加一个字段，能代表员工所在的部门，那该字段就只能是存储dept中的主键了(因为主键是唯一的，才能确实是哪个部门，进而代表员工所在的部门，如果是部门名称，有些部门的名称可能是同名。就不能区分了。)，像这样的字段，就符合外键的特点，就可以使用外键约束，使该字段只能够存储另一张表的主键。如果不被外键约束，那么该字段就无法保证存储进来的值就一定是另一张表的主键值。

外键约束的特点：

1、外键约束可以描述任意一个字段(包括主键)，可以为空，并且一个表中可以有多个外键。但是外键字段中的值必须是另一张表中的主键。

2、这样被外键关联的两种表的关系可以称为父子表或者主从表。子表(从表)拥有外键字段的表，父表(主表)被外键字段所指向的表。

3、子表被外键约束修饰的字段必须和父表的主键字段的类型一样。

注意：一个表中有被外键修饰的字段，就称该表有外键(是“有外键”。而不是“是外键”)，并会给该表中的外键约束取一个名称，所以我们常说的这个表有没有外键，指的不是被外键约束修饰的字段名，而是指这个表是否有存在外键约束。也就是说，不能说这个表的外键是xxx(该表中被外键约束修饰的字段名)，这种说法是错误的，但是大多数人已经习惯了这样，虽然影响不大，但是在很多时候需要理解一个东西时，会造成一定的困扰。

格式：CONSTRAINT外键名称FOREIGN KEY(被外键约束的字段名称)REFERENCES 主表名(主键字段)

英文解释：CONSTRAINT:约束REFERENCES:参考

CREATE TABLE tableA

(

id INT(11),

name VARCHAR(22),

location VARCHAR(50),

PRIMARY KEY(id)

)

CREATE TABLE tableB

(

id INT(11),

name VARCHAR(22) NOT NULL,

deptId INT(11),

PRIMARY KEY(id),

CONSTRAINT tableA_tableB_1 FOREIGH KEY(deptId) REFERENCES tableA(id)

)

　解释：tableB中有一个名为tableA_tableB_1的外键关联了tableA和tableB两个表，被外键约束修饰的字段为tableB中的deptId，主键字段为tableA中的id　

1.2.3：非空约束

NOT NULL. 被该约束修饰了的字段，就不能为空，主键约束中就包括了这个约束

CREATE TABLE tableA

(

id INT(11),

name VARCHAR(22) NOT NULL,

location VARCHAR(50),

PRIMARY KEY(id)

)

1.2.4：唯一约束

UNIQUE 被唯一约束修饰了的字段，表示该字段中的值唯一，不能有相同的值，通俗点讲，就好比插入两条记录，这两条记录中处于该字段的值不能是一样的。

　 CREATE TABLE tableA

(

id INT(11),

name VARCHAR(22) UNIQUE,

location VARCHAR(50),

PRIMARY KEY(id)

)

也就是说在插入的记录中，每条记录的name值不能是一样的。

1.2.5：默认约束

Default 指定这一列的默认值为多少，比如，男性同学比较多，性别就可以设置为默认男，如果插入一行记录时，性别没有填，那么就默认加上男　

CREATE TABLE table

(

id INT(11) PRIMARY KEY,

name VARCHAR(22) NOT NULL,

deptId INT(11) DEFAULT 1111,

salary FLOAT

)

1.2.6：自动增加

AUTO_INCREMENT 一个表只能一个字段使用AUTO_INCREMENT，并且使用这个约束的字段只能是整数类型(任意的整数类型 TINYINT,SMALLIN,INT,BIGINT)，默认值是1，也就是说从1开始增加的。一般就是给主键使用的，自动增加，使每个主键的值度不一样，并且不用我们自己管理，让主键自己自动生成

CREATE TABLE table( id INT(11) PRIMARY KEY AUTO_INCREMENT, name VARCHAR(22) NOT NULL)

2、查询表结构

2.1、查看表基本结构语句

格式1：DESCRIBE 表名/DESC 表名这两个的功能是一样的，简写了单词describe

DESCRIBE　student

2.2、查看创建表的语句　

　格式：SHOW CREATE TABLE 表名

　SHOW CREATE TABLE student

这样显示的格式很不好，看不清楚，所以有了下面这个语句

格式：SHOW CREATE TABLE 表名\G

SHOW CREATE TABLE student\G

3、修改数据表

修改数据表包括：对表中字段的增加、删除、修改。 在这个里面用的关键字为 ALTER

3.1、修改表名

格式：ALTER TABLE<旧表名>RENAME[TO]<新表名>

将student表名改为student1(改完后在改回来)

ALTER TABLE student RENAME TO student1

3.2、修改表中的字段名

格式：ALTER TABLE<表名>CHANGE<旧字段名><新字段名><新数据类型>

将student表中的name字段名改为 username

ALTER TABLE student CHANGE name username VARCHAR(30)

3.3、修改表中的数据类型

格式：ALTER TABLE<表名>MODIFY<字段名><数据类型>　

ALTER TABLE student MODIFY username VARCHAR(20)

解释：只能修改字段名的数据类型，但是其原理跟上面change做的事情一样，这里也有修改字段名的过程，只不过修改后的字段名和修改前的字段名相同，但是数据类型不一样。

3.4、修改字段的排列位置

　方式1：ALTER TABLE<表名>MODIFY<字段1><数据类型>FIRST|AFTER<字段2>

　解释：将字段1的位置放到第一，或者放到指定字段2的后面

　ALTER TABLE student MODIFY username VARCHAR(20) AFTER age

方式2：ALTER TABLE<表名>CHANGE<字段1><字段2><数据类型>FIRST|AFTER<字段3>　

解释：其实是一样的，将是字段2覆盖字段1，然后在进行排序

ALTER TABLE student CHANGE username username VARCHAR(20) AFTER age

总结

CHANGE和MODIFY的区别？

原理都市一样的，MODIFY只能修改数据类型，但是CHANGE能够修改数据类型和字段名，也就是说MODIFY是CHANGE的更具体化的一个 *** 作。可能觉得用CHANGE只改变一个数据类型不太爽，就增加了一个能直接改数据类型的使用关键字MODIFY来 *** 作。

3.5、添加字段

格式：ALTER TABLE<表名称>ADD<新字段名><数据类型>[约束条件][FIRST|AFTER<已存在的表名>]

解释：在一个特定位置增加一个新的字段，如果不指定位置，默认是最后一个。

ALTER TABLE student ADD sex VARCHAR(11)

3.6、删除字段

格式：ALTER TABLE<表名称>DROP<字段名>

ALTER TABLE student DROP sex

3.7、删除表的外键约束

格式：ALTER TABLE<表名称>DROP FOREIGN KEY<外键约束名>

注意：外键约束名 指的不是被外键约束修饰的字段名，切记，而是我们在创建外键约束关系时取的名字。

3.8、更改表的存储引擎

格式：ALTER TABLE<表名>ENGINE=<更改后的存储引擎名>

这个存储引擎目前我自己也不太清楚，虽然知道有哪几种引擎，但是稍微深入一点就不清楚了，所以打算留到日后在说。

4、删除表

4.1、删除无关联表

格式：DROP TABLE<表名>；

ALTER TABLE student

4.2、删除被其他表关联的主表

这个是比较重要的一点，在有外键关联关系的两张表中，如果删除主表，那么是删不掉的，并且会报错。因为有张表依赖于他。那怎么办呢？针对这种情况，总共有两种方法

1、先删除你子表，然后在删除父表，这样就达到了删除父表的目的，但是子表也要被删除

2、先解除外键关系，然后在删除父表，这样也能达到目的，并且保留了子表，只删除我们不需要的父表。在3.7中就讲解了如何删除外键关系。

datax字段名不一样

dx_substr：从字符串的指定位置（包含）截取指定长度的字符串。如果开始位置非法抛出异常。如果字段为空值，直接返回（即不参与本transformer）

dx_pad：如果源字符串长度小于目标字段长度，按照位置添加pad字符后返回。如果长于，直接截断（都截右边）。如果字段为空值，转换为空字符串进行pad，即最后的字符串全是需要pad的字符

dx_replace：从字符串的指定位置（包含）替换指定长度的字符串。如果开始位置非法抛出异常。如果字段为空值，直接返回（即不参与本transformer）

dx_filter ：如果匹配正则表达式，返回Null，表示过滤该行。不匹配表达式时，表示保留该行。

dx_groovy：groovy表达式处理

---