sql将查询结果插入到表的每一列中

Posted 2023-05-16

//创建表
create table Credits
(
SNO int primary key,
NoPass int,
SumCredit float
)
//找到学号插入
insert into
Credits (SNO)
select distinct SNO
from SC
//找到总学分插入
insert into
Credits (SumCredit)
select SC.SNO, SUM(c2.CREDIT) as SumCredit
from SC, Courses c1, Courses c2
group by SNO
//找到挂科数目插入
insert into
Credits (NoPass)
select distinct one.SNO, COUNT(one.GRADE) as NoPass
from Courses,SC one ,SC two
where one.SNO = two.SNO and Courses.CNO = one.CNO
group by one.SNO,one.GRADE
having one.GRADE<60
一共四个表，students，sc，Courses，还有credits（分成三列，学号，学分总分，挂科数目）
这段代码的问题是
“INSERT 语句的选择列表包含的项多于插入列表中的项。SELECT 语句中值的数目必须与 INSERT 语句中列的数目匹配。”

你是单独插入一列的..所以需要条数一致..就是说..你查询出来的多少条数据,插入到新表中必须要有这么多行..不能多.不能少...
而且..insert into 是倒序插入的...就是说..你查询出来的结果第一条是插到最后面的..你可以自己实验看看.. 参考技术A 你在select投影中投出那么多列，但是只要求在Credits表中的一个属性中插入 当然出错啦

如何在 Dataframe 的每一列中搜索异常？

【中文标题】如何在 Dataframe 的每一列中搜索异常？

【英文标题】：How can I search for anomalies in each column in a Dataframe?

【发布时间】：2020-12-30 00:38:33

【问题描述】：

我有一个数据框，我的目标是找出每个不同列的异常情况。所以我正在寻找单变量异常。

假设这是我的数据框：

df=pd.DataFrame(np.random.rand(100, 6) * 1, columns=['A','B','C','D','E','F'])

我面临两个问题：

哪些算法适合这个目标？例如。隔离森林？ 如何对所有列运行算法（例如隔离森林），而不是逐列执行？我可以使用 for 循环吗？

感谢您的帮助！

【问题讨论】：

这能回答你的问题吗？ Apply function on each column in a pandas dataframe

并非如此。如何使用 df.apply(function, axis=0) 进行异常检测？

您必须运行定义一个函数来检测 pd.Series（即一列）中的异常情况，然后使用 df.apply 在每一列上运行它

这超出了我的认知。如何定义检测异常的函数？

您可以做的一件简单的事情是找出与平均值相差 1.5 或 2 个标准差的值。这通常称为异常值检测。

【参考方案1】：

Q2：例如。

df = pd.DataFrame("bytes":[1,2,3,4,5], "flow":[1,2,3,4,5], "userid":[1,2,3,4,5]).set_index("userid")

def get_anomaly(arr):
    # your algorithm
    if arr.bytes < 3 and arr.flow < 3:
        return -1
    elif arr.bytes > 3 and arr.flow > 3:
        return 1
    else:
        return 0

df['is_anomaly'] = df.apply(get_anomaly, axis=1)

>>> df
   bytes  flow  userid  is_anomaly
0      1     1       1       -1
1      2     2       2       -1
2      3     3       3        0
3      4     4       4        1
4      5     5       5        1

我们可以谈谈第一季度。

0 级：线性关系或其他体验

Box-plot: min outlier < Q1-1.5ΔQ <= normal data <= Q3+1.5ΔQ < max outlier

Scott rule: Δb=3.5σn1/3 .Split the data and do distribution statistics

Other data status: avg. mean std and so on.

第 1 级：统计算法

Great algo: 
CMP
https://www.sciencedirect.com/science/article/abs/pii/S1389128616301633

Beehive
https://nds2.ccs.neu.edu/papers/Beehive.pdf

CBLOF
https://www.goldiges.de/publications/Anomaly_Detection_Algorithms_for_RapidMiner.pdf

And some AR MA ARMA algo, I don't know much.

第 2 级：无监督学习

Kmeans and so on...(This is actually quite a lot)

第 3 级：监督学习

from elasticsearch (doc)

EWMA  
s2=α*x2+(1-α)*s1

Holt-Linear  
s2=α*x2+(1-α)*(s1+t1)
t2=ß*(s2-s1)+(1-ß)*t1

Holt-Winters
si=α(xi-pi-k)+(1-α)(si-1+ti-1)
ti=ß(si-si-1)+(1-ß)ti-1
pi=γ(xi-si)+(1-γ)pi-k

from ML
CNN RNN LSTM Prefixspan AutoML Bayes and so on.(There are a few scenarios you can use.)

有太多的未列出，太多的算法要使用，太多的合适，太多的细节要写下来。 UEBA 的思维在分析异常时很重要。

【讨论】：

感谢您的建议。我要研究那个。不过，第 2 个问题仍未解决。

@Minfetli 已更新。