GPT写SQL的模版
表:profit_loss_sum_m_snapshot
计算字段:成本cost_whole求和,收入income_whole求和,收入求和-成本求和,成本目标cost_target求和,收入求和-成本目标求和
条件:日期statis_date在2023-11-01,资源类型resource_type为公路,区域cost_structure_org为苏沪皖
分组:区域 cost_structure_org
分组后条件:收入求和-成本求和 小于 收入求和-成本目标求和
排序:按 收入求和-成本求和 倒序
SELECT cost_structure_org,SUM(cost_whole) AS total_cost,SUM(income_whole) AS total_income,SUM(income_whole) - SUM(cost_whole) AS income_minus_cost,SUM(cost_target) AS total_cost_target,SUM(income_whole) - SUM(cost_target) AS income_minus_cost_target
FROM profit_loss_sum_m_snapshot
WHERE statis_date = '2023-11-01'AND resource_type = '公路'AND cost_structure_org = '苏沪皖'
GROUP BY cost_structure_org
HAVING (SUM(income_whole) - SUM(cost_whole)) < (SUM(income_whole) - SUM(cost_target))
ORDER BY income_minus_cost DESC;
增加子查询
表:carrier_label_detail
计算字段:承运商carrier_code去重数量
条件:日期statis_date在2023-11-01,确认状态verify_status为审核通过,工作状态work_status为活跃,承运商carrier_code:内表:表:bid_book_detail 计算字段:承运商carrier_code去重 条件:招标日期quotation_end_time在2023-01-01和2023-08-03之间
分组:区域 develop_org_name
分组后条件:无
排序:无
SELECT develop_org_name, COUNT(DISTINCT carrier_code) AS unique_carrier_count
FROM carrier_label_detail
WHERE statis_date = '2023-11-01'AND verify_status = '审核通过'AND work_status = '活跃'AND carrier_code IN (SELECT DISTINCT carrier_codeFROM bid_book_detailWHERE quotation_end_time BETWEEN '2023-01-01' AND '2023-08-03')
GROUP BY develop_org_name;
嵌套查询
外表:内表:表名:profit_loss_sum_m_snapshot 计算字段:成本cost_whole求和,收入income_whole求和,收入求和-成本求和,成本目标cost_target求和,收入求和-成本目标求和 条件:日期statis_date在2023-11-01,资源类型resource_type为公路,区域cost_structure_org为苏沪皖 分组:区域 cost_structure_org 分组后条件:收入求和-成本求和 小于 收入求和-成本目标求和计算字段:成本求和的求和,收入求和的求和,收入求和-成本求和的求和
条件:成本求和的求和 大于100000
SELECTSUM(subquery.成本求和) AS 成本求和的求和,SUM(subquery.收入求和) AS 收入求和的求和,SUM(subquery.收入减成本) AS 收入减成本求和
FROM (SELECTSUM(cost_whole) AS 成本求和,SUM(income_whole) AS 收入求和,SUM(income_whole) - SUM(cost_whole) AS 收入减成本,SUM(cost_target) AS 成本目标求和,SUM(income_whole) - SUM(cost_target) AS 收入减成本目标FROMprofit_loss_sum_m_snapshotWHEREstatis_date = '2023-11-01'AND resource_type = '公路'AND cost_structure_org = '苏沪皖'GROUP BYcost_structure_orgHAVINGSUM(income_whole) - SUM(cost_whole) < SUM(income_whole) - SUM(cost_target)
) AS subquery
HAVINGSUM(subquery.成本求和) > 100000;
多表关联
表:carrier_label_detail
计算字段:承运商carrier_code去重数量,bid_book_detail表中的vehicle车辆数去重
关联字段:承运商carrier_code
关联表:表名:bid_book_detail,条件:招标日期quotation_end_time在2023-01-01和2023-08-03之间
条件:日期statis_date在2023-11-01,确认状态verify_status为审核通过,工作状态work_status为活跃
分组:区域 develop_org_name
分组后条件:无
排序:无
SELECT develop_org_name,COUNT(DISTINCT carrier_label_detail.carrier_code) AS unique_carrier_count,COUNT(DISTINCT bid_book_detail.vehicle) AS unique_vehicle_count
FROM carrier_label_detail
LEFT JOIN bid_book_detail ON carrier_label_detail.carrier_code = bid_book_detail.carrier_code
WHERE carrier_label_detail.statis_date = '2023-11-01'AND carrier_label_detail.verify_status = '审核通过'AND carrier_label_detail.work_status = '活跃'AND bid_book_detail.quotation_end_time BETWEEN '2023-01-01' AND '2023-08-03'
GROUP BY develop_org_name;
相关文章:
GPT写SQL的模版
表:profit_loss_sum_m_snapshot 计算字段:成本cost_whole求和,收入income_whole求和,收入求和-成本求和,成本目标cost_target求和,收入求和-成本目标求和 条件:日期statis_date在2023-11-01&…...
蓝桥杯官网练习题(平均)
问题描述 有一个长度为 n 的数组( n 是 10 的倍数),每个数 ai 都是区间 [0,9] 中的整数。小明发现数组里每种数出现的次数不太平均,而更改第 i 个数的代价为 bi,他想更改若干个数的值使得这 10 种数出现的次数相等…...
【无标题】动手学深度学习_现代神经网络_未完
这里写目录标题 深度学习之前的网络 AlexNetAlexNet得到了竞赛冠军AlexNet架构Alex net更多细节数据增强 VGGNiN知识补充flop暂退法 drop_out 深度学习之前的网络 1、核方法 机器学习 SVM现在还是很广泛的使用,因为对调参的需求不那么大,对调参不太敏感…...
Java王者荣耀
GameFrame 图片 package 王者荣耀;import java.awt.*; import java.awt.event.ActionEvent; import java.awt.event.ActionListener; import java.awt.event.KeyAdapter; import java.awt.event.KeyEvent; import java.io.File; import java.util.ArrayList;import javax.soun…...
【理解ARM架构】操作寄存器实现UART | 段的概念 | IDE背后的命令
🐱作者:一只大喵咪1201 🐱专栏:《理解ARM架构》 🔥格言:你只管努力,剩下的交给时间! 目录 🍠操作寄存器实现UART🍟UART原理🍟编程 🍠…...
python 左值查找 右值查找
左值查找 在一组数据中查找出 数字x 在这组数据中第一次出现的索引并输出,没有找到则输出-1查找方式:二分查找 数据前提:一组数据要有序一组数据: arr [2, 3, 3, 3, 5, 7, 9, 11, 13, 15, 17]测试: 示例1ÿ…...
机器学习之自监督学习(四)MoCo系列翻译与总结(二)
MoCo中相关工作的对比分析 去噪自动编码器(Denoising Autoencoder)是一种用于学习数据表示的神经网络模型。它的主要目标是通过去除输入数据中的噪声,学习到输入数据的有用表示,从而提高模型对干净数据的鲁棒性。下面是对去噪自动…...
元宇宙企业3d数字展厅轻松低本搭建更全面、多元、趣味化的展览
对所有企业来说,拥有一个3D线上展厅是互联网营销必不可少的部分,但是3D线上展厅定制周期长费用高,让很多企业公司望而却步,web3d开发公司制作的3D线上企业展厅制作平台备导览地图、语音解说、交互热点、全景漫游、自主行走、链接跳…...
华为OD机试真题-开源项目热榜-2023年OD统一考试(C卷)
题目描述: 某个开源社区希望将最近热度比较高的开源项目出一个榜单,推荐给社区里面的开发者。对于每个开源项目,开发者可以进行关注(watch)、收藏(star)、fork、提issue、提交合并请求(MR)等。 数据库里面统计了每个开源项目关注、收藏、fork、issue、MR的数量,开源项目的热…...
深入探索Maven:优雅构建Java项目的新方式(一)
Maven高级 1,分模块开发1.1 分模块开发设计1.2 分模块开发实现 2,依赖管理2.1 依赖传递与冲突问题2.2 可选依赖和排除依赖方案一:可选依赖方案二:排除依赖 3,聚合和继承3.1 聚合步骤1:创建一个空的maven项目步骤2:将项目的打包方式改为pom步骤…...
Shopee如何入驻?如何防封?
Shopee作为东南亚领航电商平台,面向东南亚蓝海市场,近年来随着东南亚市场蒸蒸日上,虾皮也吸引了大批量的跨境商家入驻。那么接下来就给想要入驻的虾皮小白一个详细的安全入驻教程。 一、商家如何入驻 虾皮与LAZADA最大的区别就是商家即卖家&…...
2024年第十六届山东省职业院校技能大赛中职组 “网络安全”赛项竞赛正式卷任务书
2024年第十六届山东省职业院校技能大赛中职组 “网络安全”赛项竞赛正式卷任务书 2024年第十六届山东省职业院校技能大赛中职组 “网络安全”赛项竞赛正式卷A模块基础设施设置/安全加固(200分)A-1:登录安全加固(Windows, Linux&am…...
Python编程基础
Python是一种简单易学的编程语言,广泛应用于Web开发、数据分析、人工智能等领域。无论您是初学者还是有一定编程经验的人士,都可以从Python的基础知识开始建立自己的编程技能。 目录 理论Python语言的发展程序设计语言的分类静态语言与脚本语言的区别 代…...
python类和对象
1.使用对象组织数据 class Student:nameNone #记录名字 stu1Student() #创建对象 stu1.name"abc" #为对象属性赋值2.类的定义和使用 2.1成员方法的定义语法 传参的时候self是透明的,不用管 class Stu:nameNonedef sayHi(self):print(f"你好&#x…...
ubuntu操作系统中docker下Hadoop分布式前置环境配置实验
版本: centos7 hadoop 3.1.3 java JDK:1.8 集群规划: masterslave1slave2HDFS NameNode DataNode DataNode SecondryNameNode DataNode YARNNodeManager ResourceManage NodeManager NodeManager 1.docker容器: 把普通用户加入到docker组&am…...
【Linux学习笔记】protobuf 基本数据编码
https://zhuanlan.zhihu.com/p/557457644https://zhuanlan.zhihu.com/p/557457644 [新文导读] 从Base64到Protobuf,详解Protobuf的数据编码原理本篇将从Base64再到Base128编码,带你一起从底层来理解Protobuf的数据编码原理。本文结构总体与 Protobuf 官…...
OpenCV快速入门:图像分析——图像分割和图像修复
文章目录 前言一、图像分割1.1 漫水填充法1.1.1 漫水填充法原理1.1.2 漫水填充法实现步骤1.1.3 代码实现 1.2 分水岭法1.2.1 分水岭法原理1.2.2 分水岭法实现步骤1.2.3 代码实现 1.3 GrabCut法1.3.1 GrabCut法原理1.3.2 GrabCut法实现步骤1.3.3 代码实现 1.4 Mean-Shift法1.4.1…...
BART - 磁共振重建库 linux系统安装 MATLAB 使用
本文主要介绍如何在linux系统中安装伯克利大学的磁共振重建库BART 和在matlab中的配置使用。 安装必要的库 (linux 命令行) $ sudo apt-get install make gcc libfftw3-dev liblapacke-dev libpng-dev libopenblas-dev 下载编译BART 文件 (官网链接:BART Toolbox) 命令行下…...
在linux下在官网的nginxtar包 的安装方式并配置全局变量
在Linux系统中,Nginx是一种流行的Web服务器和反向代理服务器,它可以提供高性能的静态内容服务和动态内容服务。本文将详细介绍如何在Linux系统中安装Nginx,并配置全局变量。 安装Nginx 以下是在Linux系统中安装Nginx的步骤: 1.…...
Java中数据库查询方法MapListProcessor的应用
1.供应链系统的销售合同捉过了两个金额一样的,同一个项目 2.合同号也一样,oaid不一样,但是从OA前台只有一个 3.一个是建云的一个是泛微的 4.做下过滤,如果同一个合同编号,在泛微里面有的,建云的就不获取了 …...
2026最权威的AI论文助手横评
Ai论文网站排名(开题报告、文献综述、降aigc率、降重综合对比) TOP1. 千笔AI TOP2. aipasspaper TOP3. 清北论文 TOP4. 豆包 TOP5. kimi TOP6. deepseek 在学术写作范畴里,“论文一键生成”身为一种崭露头角的技术工具,正渐…...
AnyLogic-Pypeline:打破仿真与AI壁垒的智能集成方案
AnyLogic-Pypeline:打破仿真与AI壁垒的智能集成方案 【免费下载链接】AnyLogic-Pypeline A custom AnyLogic library for running Python inside an AnyLogic model (Java) 项目地址: https://gitcode.com/gh_mirrors/an/AnyLogic-Pypeline 还在为AnyLogic与…...
OpenClaw安全审计:Phi-3-mini-128k-instruct操作日志分析技能
OpenClaw安全审计:Phi-3-mini-128k-instruct操作日志分析技能 1. 为什么需要操作日志审计 去年我帮朋友调试一个自动化脚本时,发现他的OpenClaw实例在半夜执行了未授权的文件删除操作。这件事让我意识到:当AI获得本地系统操作权限后&#x…...
深蓝词库转换器:3分钟掌握30+输入法词库互转的终极指南
深蓝词库转换器:3分钟掌握30输入法词库互转的终极指南 【免费下载链接】imewlconverter ”深蓝词库转换“ 一款开源免费的输入法词库转换程序 项目地址: https://gitcode.com/gh_mirrors/im/imewlconverter 你是否曾因更换输入法而丢失多年积累的个人词库&am…...
D3KeyHelper:革新性暗黑3自动化助手,重新定义游戏效率体验
D3KeyHelper:革新性暗黑3自动化助手,重新定义游戏效率体验 【免费下载链接】D3keyHelper D3KeyHelper是一个有图形界面,可自定义配置的暗黑3鼠标宏工具。 项目地址: https://gitcode.com/gh_mirrors/d3/D3keyHelper D3KeyHelper是一款…...
VSCode插件开发:集成Phi-4-mini-reasoning实现智能代码补全与解释
VSCode插件开发:集成Phi-4-mini-reasoning实现智能代码补全与解释 1. 为什么需要更智能的代码补全 传统的代码补全工具如Codex主要基于模式匹配和统计概率,虽然能快速给出建议,但缺乏真正的理解能力。在实际开发中,我们经常遇到…...
CSDN博客撰写指南:如何分享你的DeOldify部署与应用实战经验
CSDN博客撰写指南:如何分享你的DeOldify部署与应用实战经验 写技术博客,尤其是分享一个像DeOldify这样酷炫的AI上色项目,是件特别有成就感的事。它不仅帮你梳理了知识,还能帮到无数和你一样踩坑的开发者,更能为你的技…...
Phi-3 Forest Laboratory在操作系统教学中的应用:模拟进程调度与内存管理
Phi-3 Forest Laboratory在操作系统教学中的应用:模拟进程调度与内存管理 不知道你有没有过这样的经历:坐在操作系统原理的课堂上,听着老师讲进程调度、内存分页,那些抽象的概念和算法在PPT上跳来跳去,公式和流程图看…...
StructBERT中文句子匹配效果展示:AI客服对话中用户多轮提问语义连贯性分析
StructBERT中文句子匹配效果展示:AI客服对话中用户多轮提问语义连贯性分析 1. 项目背景与工具介绍 StructBERT中文句子相似度分析工具是基于阿里达摩院开源的先进预训练模型开发的本地化语义匹配解决方案。这个工具专门针对中文语言特点进行了深度优化,…...
Qwen3-VL-4B Pro效果实测:看图说话、细节识别有多准?
Qwen3-VL-4B Pro效果实测:看图说话、细节识别有多准? 1. 4B模型的视觉理解能力有多强? 当谈到视觉语言模型时,很多人会问:4B参数的模型到底能看懂多少图片细节?我们通过一系列实测发现,Qwen3-…...
