*數據庫課程實驗

實驗一 數據庫與表的創(chuàng)建與管理

一、實驗目的

要求學生熟練使用SQL Server Studio、T-SQL創(chuàng)建和管理數據庫與表。

二、實驗內容

1、創(chuàng)建數據庫、查看和修改數據庫的屬性、修改數據庫的名稱、刪除數據庫； 2、創(chuàng)建和刪除數據表、修改表結構。

1、創(chuàng)建數據庫

在 SQL Server 2008 中創(chuàng)建數據庫的方法有兩種，一是利用 SQL Server Studio 創(chuàng)建數據庫，二是使用 T-SQL 語句創(chuàng)建數據庫。

實驗 1.1 利用 SQL Server Studio 創(chuàng)建 TPCH 數據庫，其數據庫名 為“TPCH”，初始大小為 3MB，最大為 50MB，數據庫按 1MB 比例自動增長；日志文 件的初始大小為 1MB，最大可增長到 20MB，按 10%增長。數據庫的邏輯文件名為 “TPCH”、物理文件名為“TPCH.mdf”，存放路徑為“D:\數據庫實驗”。日志文件的 邏輯文件名為“.ldf”、存放路徑為“D:\數據庫實驗”。

操作步驟如下： ①在“對象資源管理器”中選中“數據庫”文件夾，然后右擊，在彈出的快捷 菜單中選擇“新建數據庫”命令，彈出“新建數據庫”對話框，如圖所示。 ②在“新建數據庫”對話框的“數據庫名稱”文本框中輸入“TPCH”，并修改 數據庫中數據文件的文件名、初始大小，保存位置等信息。 ③單擊“確定”按鈕，就可以創(chuàng)建 TPCH 數據庫。如果在 SQL Server Studio 窗口中出現了 TPCH 數據庫標志，則表明建庫工作已經完成。

實驗 1.2 使用 T-SQL 語句創(chuàng)建 TPCH1 數據庫，其數據庫名為“TPCH1”，其 他同 TPCH 數據庫設置。

單擊“常用”工具欄中的“新建查詢”按鈕，就可以新建一個數據庫引擎查詢 文檔。

然后在查詢文檔中輸入創(chuàng)建數據庫語句。

2、查看和修改數據庫屬性

對于已經建好的數據庫，有時還需要對它的屬性參數進行查看和修改。

實驗 1.3 使用 SQL Server Studio 查看和修改數據庫屬性。 查看和修改 TPCH 數據庫屬性的步驟如下：

① 在“對象資源管理器”中展開“數據庫”文件夾，右擊“TPCH”，在彈出的 快捷菜單中選擇“屬性”命令，彈出“數據庫屬性—TPCH”對話框。 ②在該對話框中選擇“文件”，就可以對數據庫文件進行修改。用戶可以增加 數據庫文件，也可以刪除數據庫文件，還可以修改數據庫文件的邏輯名、大小、增 長率。 ③選擇“文件組”，可以查看當前數據庫的文件組情況，并且可以增加、刪除 文件組，修改文件信息。 ④在該對話框中還可以對選項、權限等進行設置。

3、修改數據庫名稱

①使用 SQL Server Studio 修改數據庫名稱。 在“對象資源管理器”窗口中右擊需要改名的數據庫，從彈出的快捷菜單中選 擇“重命名”命令。當數據庫名稱處于可編輯狀態(tài)時，輸入新名即可。

②利用 T-SQL 語句修改數據庫名稱。 語法格式如下： ALTER 原數據庫名稱 MODIFY NAME = 新數據庫名稱 例如，將 TPCH1 數據庫名稱“TPCH1”改為“TPCHSJK”： ALTER TPCH1 MODIFY NAME = TPCHSJK ③利用系統(tǒng)存儲過程 進行修改，語句格式如下： [@=] ‘’,[@=]‘’ 例如，將 TPCHSJK 數據庫名稱“TPCHSJK”改為“TPCHDB”： exec ‘TPCHSJK’,'TPCHDB’

4、刪除數據庫

刪除數據庫的方法有兩種：

①利用 SQL Server Studio 刪除數據庫 進入 SQL Server Studio 界面，然后選擇要刪除的數據庫，右擊， 在彈出的快捷菜單中選擇“刪除”命令，彈出“刪除對象”對話框，在該對話框中 單擊“確定”按鈕即可。

②利用 T-SQL 語句刪除數據庫 在查詢窗口輸入以下代碼：

DROP 數據庫名

正確輸入后，按鍵盤上的 F5 鍵或單擊“執(zhí)行”按鈕執(zhí)行該 SQL 語句，這樣就刪除了指定的數據庫。

5、表的創(chuàng)建

在 SQL Server 2008 中創(chuàng)建表的方法有兩種，一是利用 SQL Server Studio 創(chuàng)建表，二是使用 T-SQL 語句創(chuàng)建表。

實驗 1.4 在 TPCH 數據庫中，使用 SQL Server Studio 創(chuàng)建 8個表，其結構如圖所示：

聯合主鍵（,）

具體步驟如下：

①在 SQL Server Studio 的對象管理器中單擊數據庫前面的“+” 號，選擇“表”并右擊，在彈出的快捷菜單中選擇“新建表”命令，打開設計表字 段對話框。

②設計表的字段。在設計表字段對話框中有 3 個參數，即列名、數據類型和允 許 NULL 值。 “列屬性”顯示在設計表字段對話框的底部窗格中，包含“常規(guī)”和“表設計 器”兩部分。 展開“常規(guī)”可顯示“名稱”、“長度”、“默認值或綁定”、“數據類型”、 “允許 NULL 值”選項。 展開“表設計器”，可 看到“標識規(guī)范”、“標識種子”、“標識增量”、“計 算列規(guī)范”、“公式”、“簡潔數據類型”、“排序規(guī)則”。

③設計好表的字段后，單擊“關閉”按鈕（或直接單擊“保存”按鈕），彈出是否要保存的提示對話框。

④單擊“是”，彈出選擇名稱的提示對話框，在這里輸入表的名字，單擊 “確 定”按鈕，表就建好了。

說明：外碼約束，可以通過創(chuàng)建數據庫關系圖來實現。 ①在SQL Server Studio 的對象管理器中單擊“數據庫”前面的“+” 號，選擇“數據庫關系圖”并右擊，在彈出的快捷菜單中選擇“新建數據庫關系圖” 命令，添加需要外碼約束的表，此例中 8 個表全部選擇添加。 ②選擇主表的主碼字段，按住鼠標左鍵不放，拖動到外碼表的外碼字段，松開 鼠標，彈出“表和列”對話框，在對話框中，進一步確認主表主碼字段和外碼表外 碼字段，沒有問題點擊“確認”按鈕，

實驗 1.5 在 TPCH1 中，利用 T-SQL 語句創(chuàng)建數據表。 因為表之間有外碼約束存在，所以要注意創(chuàng)建表的順序。

① 創(chuàng)建地區(qū)表 Region 的代碼：

CREATE TABLE dbo.Region

int NOT NULL PRIMARY KEY,

name char(25) NULL,

comment varchar(152) NULL

② 創(chuàng)建國家表 Nation 的代碼：

CREATE TABLE dbo.Nation

int NOT NULL PRIMARY KEY,

name char(25) NULL,

int NULL Region(),

comment varchar(152) NULL

③ 創(chuàng)建供應商表 的代碼：

CREATE TABLE dbo.(

int NOT NULL PRIMARY KEY,

name char(25) NULL,

int NULL Nation (),

phone char(15) NULL,

acctbal real NULL,

comment varchar(101) NULL

④ 創(chuàng)建零件表 Part 的代碼：

CREATE TABLE dbo.Part(

partkey int NOT NULL PRIMARY KEY,

name varchar(55) NULL,

mfgr char(25) NULL,

brand char(10) NULL,

type varchar(25) NULL,

size int NULL,

char(10) NULL,

real NULL,

comment varchar(23) NULL

⑤ 創(chuàng)建零件供應聯系表 的代碼：

CREATE TABLE dbo.(

partkey int NOT NULL Part (partkey),

suppkey int NOT NULL (),

int NULL,

real NULL,

comment varchar(199) NULL,

PRIMARY KEY (partkey,suppkey)

⑥ 創(chuàng)建顧客表 的代碼：

CREATE TABLE dbo.(

custkey int NOT NULL PRIMARY KEY,

name varchar(25) NULL,

address varchar(40) NULL,

int NULL dbo.Nation (),

phone char(15) NULL,

acctbal real NULL, char(10) NULL,

comment varchar(117) NULL

⑦ 創(chuàng)建訂單表 Orders 的代碼：

CREATE TABLE dbo.Orders(

int NOT NULL PRIMARY KEY,

custkey int NULL (custkey),

char(1) NULL,

real NULL,

date NULL,

char(15) NULL,

clerk char(15) NULL,

int NULL,

comment varchar(79) NULL

⑧ 創(chuàng)建訂單明細表 的代碼：

CREATE TABLE dbo.(

int NOT NULL Orders (),

partkey int NULL Part (partkey),

suppkey int NULL (),

int NOT NULL,

real NULL,

real NULL,

real NULL,

tax real NULL,

char(1) NULL,

char(1) NULL,

date NULL,

date NULL,

date NULL,

char(25) NULL,

char(10) NULL,

comment varchar(44) NULL,

PRIMARY KEY (,)

三、實驗心得

這次實驗讓我受益匪淺，我深刻意識到理論知識還是要拿出來操練，才會有不一樣的感悟。在創(chuàng)建表的時候，出現了“此數據庫缺少一個或多個使用數據庫關系圖所需的支持對象”，這時候你要考慮是否創(chuàng)建它們。當有兩個主鍵的時候，如何同時選擇讓前面都有小鑰匙，這就讓我聯想起來了Excel表格如何同時選擇兩列或者多個元組，就是先選擇一個屬性的主鍵，然后同時摁住Ctrl再右擊設置另一個主鍵。但是如果你在輸入表的數據類型輸入錯誤，第一次使用數據庫軟件，很多知識盲區(qū)，所以就刪除了錯誤的表，對數據進行重新輸入，但是你原有的表雖然刪除了，數據和表名還是保存在數據庫系統(tǒng)中的，重新建立的表的表名就和之前的重名了，需要加入一些數字或者字符，區(qū)別于第一個表。但是這樣肯定是繁瑣麻煩的，一定有別的方法解決，我就右擊了我需要修改數據的表，點擊修改，把錯誤的“(199)”更換成“varchar(199)”，但是最后會出現“不允許保存更改。您所做的更改要求刪除并重新創(chuàng)建以下表。您對無法重新創(chuàng)建的表進行了更改或者啟用了‘阻止保存要求重新創(chuàng)建表的更改’選項”，其實大概就是說我無法保存我的更改，讓我刪除表之后重新建立，這不就又回到了問題的初始，所以我又查了資料，點擊工具里面的選項打開了選項對話框，展開，里面的“阻止保存要求重新創(chuàng)建表的更改（s）”選項被選中了，取消前面的選中即可。最后再次去修改錯誤的數據并保存，彈出警告窗口點擊“是”就行了。但是在左面表框里顯示的還是錯誤的數據，所以又檢查了一下表的屬性，屬性中是正確的，所以就是修改完成了。這次創(chuàng)建和查詢數據讓我有了新的感悟，去發(fā)現問題解決問題的過程很奇妙。

時間序列預測的20個基本概念總結

1、時間序列

時間序列是一組按時間順序排列的數據點

比如：

2、時間序列的組成部分

時間序列數據有三個主要組成部分。

3、趨勢

在時間序列中記錄的長期緩慢變化/方向。

4、季節(jié)性

季節(jié)性是在固定時間內發(fā)生的時間序列中的循環(huán)模式。

下面的時間序列顯示了季節(jié)性，在每個周期中，都處于底部和峰值，模式相似。

5、殘差/白噪聲

這是一個時間序列的模式，完全是隨機的，不能用趨勢或季節(jié)成分來解釋。

6、時間序列分解

時間序列分解是將時間序列分解為其組成部分的過程，即趨勢，季節(jié)性和殘差。

在上圖顯示了時間序列數據，數據下面的圖中被分解為其組成部分。

“殘差”顯示的是時間序列中無法用趨勢或季節(jié)性解釋的模式。這些表示數據中的隨機性。

我們可以使用如下所示的庫來分解時間序列。

import pandas as pd

import .pyplot as plt

from .tsa. import STL

df = pd.("time-series-data.csv")

= STL(df['x'], period=12).fit()

可以進一步繪制如下:

fig, (ax1, ax2, ax3, ax4) = plt.(nrows=4, ncols=1, sharex=True,figsize=(10,8))

ax1.plot(.)

ax1.('')

ax2.plot(.trend)

ax2.('Trend')

ax3.plot(.)

ax3.('')

ax4.plot(.resid)

ax4.('')

plt.()

7、時間序列預測

預測是基于歷史時間數據在以后時間上進一步預測數據點的過程。

這可以使用統(tǒng)計模型來完成，例如:

對于較大的數據集，使用以下提到的深度學習模型:

8、預測范圍

根據歷史時間序列數據預測未來數據點的時間段。

例如根據10年記錄的每日氣溫數據，預測下一周的氣溫。

在這種情況下，預測范圍是一周的時間。

9、預測模型基本步驟

時間序列預測模型主要由以下步驟組成:

10、時間序列預測與回歸

下面是時間序列預測與回歸任務的主要區(qū)別。

時間序列數據是有序的。這意味著觀察/數據點依賴于以前的觀察/數據點。因此，在模型訓練期間，數據點順序不會被打亂。

時間序列預測處理隨時間收集的數據。而回歸可以處理不同類型的數據。

11、Na?ve預測與基線模型

基線模型是使用na?ve對時間序列數據進行預測構建的最簡單的模型。作為比較其他預測模型的基線。

以下假設可用于創(chuàng)建基線模型:

12、錯誤指標

準確預測的目的是最小化數據中預測值與實際值之間的差距。所以有各種錯誤指標用于監(jiān)視和最小化這種差距。

常用的誤差指標如下：

13、平穩(wěn)性

平穩(wěn)的時間序列是其統(tǒng)計性質不隨時間變化的序列，這些統(tǒng)計屬性包括:

一般的統(tǒng)計預測方法(AR、MA、ARMA)都假定時間序列是平穩(wěn)的。所以如果非平穩(wěn)時間序列數據與這些一起使用，結果將是不可靠的。

14、變換

變換可以認為是使時間序列平穩(wěn)的數學過程。常用的變換有：

差分計算從一個時間步到另一個時間步的變化。有助于在時間序列數據中獲得恒定的均值。

要應用差分，我們只需從當前時間步長的值中減去之前時間步長的值。

一階差分：對數據應用一次的差分；二階差分：對數據應用兩次的差分

對數函數應用于時間序列以穩(wěn)定其方差，但是對數變換后需要進行逆向變換，將最終的結果進行還原。

15、Dickey-Fuller (ADF) 檢驗

Dickey-Fuller (ADF) Test是一種用于時間序列數據的經濟統(tǒng)計學檢驗方法，用于確定一個時間序列是否具有單位根（unit root）。單位根表示時間序列具有非平穩(wěn)性，即序列的均值和方差不隨時間變化而穩(wěn)定。ADF測試的目的是確定時間序列是否具有趨勢，并且是否可以進行經濟統(tǒng)計學分析。

ADF測試的核心假設是，如果時間序列具有單位根，則序列是非平穩(wěn)的。反之，如果序列不具有單位根，則序列是平穩(wěn)的。ADF測試通過對序列進行回歸分析來驗證這些假設。

我們可以直接使用來進行這個檢驗

from .tsa. import

= ()

print(f"ADF Result Value: {[0]}")

print(f"ADF Result p-value: {[1]}")

16、自相關

是對時間序列中由不同時間步長隔開的值之間線性關系的度量。滯后是分隔兩個值的時間步數。

自相關函數(ACF)圖用于測試時間序列中的值是否隨機分布或彼此相關(如果時間序列具有趨勢)。

from .. import

(, lags = 20)

這里的x軸上的值表示滯后，y軸上的值表示由滯后分隔的不同值之間的相關性。

如果y軸上的任何值位于圖的藍色陰影區(qū)域，則該值在統(tǒng)計上不顯著，比如下面的ACF圖顯示其值之間沒有相關性(除了第一個與自身相關的值)。

17、平滑方法

平滑方法( Methods)是一種用于對時間序列數據進行平滑處理的技術，以便更好地觀察數據的趨勢和季節(jié)性成分。這些方法的目標是減少隨機噪聲，突出數據中的長期變化模式。

常見的有：移動平均法（Moving Average Method）、加權移動平均法（ Moving Average Method）、指數平滑法（ Method）、季節(jié)性平滑法（ Method）

18、時間序列數據特征

靜態(tài)時間序列(Static Time Series)： 靜態(tài)時間序列是指數據在時間上沒有變化的情況下進行分析。也就是說，它假設觀測到的時間序列數據是固定的，沒有隨時間的推移而發(fā)生變化。在靜態(tài)時間序列中，我們通常關注數據的平均水平、趨勢和季節(jié)性等靜態(tài)特征。常見的靜態(tài)時間序列模型包括平均數模型、指數平滑模型和ARIMA模型等。動態(tài)時間序列(Dynamic Time Series)：動態(tài)時間序列是指數據在時間上呈現出變化的情況下進行分析。也就是說，它認為觀測到的時間序列數據是隨時間變化的，并且過去的值對未來的值有影響。在動態(tài)時間序列中，我們關注數據的動態(tài)性、趨勢變化和周期性等動態(tài)特征。常見的動態(tài)時間序列模型包括自回歸移動平均模型（ARMA）、自回歸積分滑動平均模型（ARIMA）和向量自回歸模型（VAR）等。

靜態(tài)時間序列假設數據在時間上沒有變化，主要關注數據的靜態(tài)特征。動態(tài)時間序列考慮數據在時間上的變化，并關注數據的動態(tài)特征。靜態(tài)時間序列可以看作是動態(tài)時間序列的特例，當數據在時間上沒有變化時，可以將其視為靜態(tài)時間序列。

19、季節(jié)性()，循環(huán)性() 區(qū)別

季節(jié)性()和循環(huán)性()都是描述時間序列數據中重復出現的模式，但它們之間存在一些區(qū)別。

季節(jié)性是在較短的時間尺度內，由于固定或變化的季節(jié)因素引起的周期性模式，而循環(huán)性則是在較長時間尺度內，由于經濟或其他結構性因素引起的周期性模式。

季節(jié)性()是指時間序列數據中由于季節(jié)因素引起的重復模式。這種模式通常是在較短的時間尺度內（例如每年、每季度、每月或每周）出現的，并且在不同時間段內的觀測值之間存在明顯的相似性。季節(jié)性可以是固定的，即在每個季節(jié)周期內的模式相對穩(wěn)定，例如每年夏天都有高溫；也可以是非固定的，即在季節(jié)周期內的模式可能有變化，例如某個季節(jié)的銷售量在不同年份間波動。

循環(huán)性()是指時間序列數據中具有較長周期性的模式。這種模式的周期可以大于或小于季節(jié)周期，并且循環(huán)性的持續(xù)時間通常比季節(jié)性更長。循環(huán)性可能是由經濟、商業(yè)或其他結構性因素引起的，與季節(jié)性不同，循環(huán)性的模式不一定按照固定的時間間隔出現，而是根據外部因素的影響而變化。例如，房地產市場的周期性波動就是一個循環(huán)性的例子。

20、時間序列庫推薦

PyFlux: PyFlux是一個用于時間序列分析和建模的庫，提供了多種模型，包括ARIMA、GARCH、VAR等。

PyCaret: PyCaret是一個用于機器學習和自動化建模的庫，它提供了簡化時間序列預測任務的工具。它支持自動特征選擇、模型選擇和調優(yōu)等功能，可以快速構建時間序列預測模型。

sktime: sktime是一個專門用于時間序列數據的機器學習庫，它建立在scikit-learn之上，并提供了許多專門針對時間序列的預處理和建模技術。

: 是一個用于因果效應分析的庫，它可以幫助評估時間序列數據中某個事件或處理對結果的影響。

tsfresh: tsfresh是一個用于提取時間序列特征的庫，它提供了各種統(tǒng)計和時間特征提取方法，用于時間序列數據的特征工程。