4. Das Preference SQL - System · Preference SQL = Standard SQL + Präferenzen Per Default...

© Prof. Kießling 2015 4 - 1

4. Das Preference SQL - System

4.1 Preference SQL Middleware

4.2 Preference SQL Syntax

4.2.1 Präferenz-Konstruktoren

4.2.2 Qualitätsfunktionen für Bewertung

4.2.3 Top-k Schnittstelle zum Auffüllen

4.2.4 BUT ONLY als Nachfilter

4.3 Anwendungsbeispiele

4.4 Erweiterung um GROUPING


4.1 Preference SQL Middleware

SQL-DB:Oracle,

MySQL,…

Preference SQL-Implementierung

Java-Applikationoder SQL-Client

Client

Pref

eren

ce S

QL-

JDBC

-Tre

iber

Server

Mitarbeit bei Preference SQL in jeder Form erwünscht!

JDBC

-Tre

iber


Beispiel: DbVisualizer als (P)SQL-Client


Benötigte Daten für Treiber-Konfiguration:

Preference SQL-JDBC-Treiber: PreferenceSQLJDBCClient.jar (per Download von Homepage)

Driver: psql.connector.client.PSQLDriver

URL:jdbc:psql://137.250.[email protected]::jdbc:oracle:thin:@gemini.informatik.uni-augsburg.de:1521:db

Login: Näheres dazu auf Übungsblatt


4.2 Preference SQL Syntax

Vorbemerkungen:

Preference SQL = Standard SQL + Präferenzen

Per Default verwendet Preference SQL reguläre SV-Semantik.

Bei jeder numerischer Präferenz ist der d-Parameter (im Folgenden d) optional.

Dokumentation findet sich unter www.trial.preferencesql.com.

http://www.trial.preferencesql.com/


Preference SQL-Abfrageblock:

10. SELECT 1. FROM 2. WHERE

3. - 5. PREFERRING

6. GROUP BY 7. HAVING 8. ORDER BY 9. LIMIT ;


Auswertungsreihenfolge

1. R := R1 x … x Rn kartesisches Produkt

2. T1 := σH (R) H ist eine harte Bedingung auf dem kart. Produkt.

3. - 5. T4:= ...σ [P] (T1) Präferenzauswertung auf dem Ergebnis der harten Selektion; Verfeinerung auf der nachfolgenden Folie;

6. T5 := ΓAGG (T4) Gruppierung nach Aggregationsattributen

7. T6 := σHAVING (T5) Selektion pro Gruppe durch Agg.attribut / Agg.funktion

8. T7 := SORTA (T6) Sortierung nach Attributen

9. T8 := LIMITn (T7) Begrenzung der Ergebnismenge

10. T9 := πA (T8) Projektion von Attributen, Präferenzauswertung stellt weitere Funktionen für Projektion zur Verfügung!


Bemerkungen:

In SQL gruppiert GROUP BY … HAVING die Ergebnismenge nach der harten Selektion in Partitionen, die durch die Gruppierungsattribute charakterisiert sind und den HAVING-Bedingungen genügen müssen.

In Preference SQL gruppiert GROUP BY … HAVING die BMO-Menge, die durch die Präferenzauswertung resultiert, nach den Gruppierungsattributen. Zudem gelten die HAVING-Bedingungen.

© Prof. Kießling 2015 4 - 94 - 9

Präferenz-Selektion:

3. PREFERRING 4. TOP 5. BUT ONLY

3. T2 := σ [P] (T1) Präferenzauswertung nach harter Selektion

4. T3 := TOPk (T2) Top-k Schnittstelle, siehe später

5. T4 := σBO (T3) BO ist eine harte Bedingung (Nachfilter).

Beachte: Die gleichzeitige Verwendung von TOP K und BUT ONLY sollte semantisch durch Anwendung begründbar sein!


Mit Hilfe von Basispräferenzen, die sich aufteilen in

Kategorielle Präferenzen und Numerische Präferenzen

werden induktiv komplexe Präferenzen aufgebaut.

4.2.1 Präferenz-Konstruktoren


1.) SCORE (A, f, d, SV)

Preference SQL-Syntax: SCORE

[ , ] []

Beispiele:alter SCORE 'sqrtScoreF'preis SCORE 'preisFunktion' , 5

4.2.1.1 Numerische Basispräferenzen


SCORE-Funktionen in Preference SQL:Die Definition einer SCORE-Präferenz erfolgt über CREATE [OR REPLACE] SCORE ''

AS BEGIN END;

Vordefinierte SCORE-Funktionen in Preference SQL:- absScoreF : Betrag, z.B. … 'absScore' - identityScoreF : Identität, z.B. … 'identityScoreF', 2- negScoreF : Negation, z.B. … 'negScoreF'- powTwoScoreF : Quadrat, z.B. … 'powTwoScoreF', 10- powThreeScoreF : Kubik, z.B. … 'powThreeScoreF', 4- sqrtScoreF : Quadratwurzel, z.B. … 'sqrtScoreF'Details zum Schreiben von eigenen SCORE- bzw. RANK-Funktionen

http://ursaminor.informatik.uni-augsburg.de/trac/wiki/OverviewPredefinedScoreRankhttp://ursaminor.informatik.uni-augsburg.de/trac/wiki/WriteOwnScoreRankFunctions


2.) BETWEEN (A, [low, up], d, SV)

Preference SQL-Syntax:PREFERRING BETWEEN , [, ] []

Beispiele: alter BETWEEN 10, 16 preis BETWEEN 5000, 6000, 100


3.) AROUND (A, z, d, SV)

Preference SQL-Syntax: AROUND [, ]

[]

Beispiele:leistung AROUND 90verbrauch AROUND 6.5 , 0.5


4.) HIGHEST (A, d, SV)

Preference SQL-Syntax: HIGHEST [ , ]

[]Das 1. -Element ist das Supremum.Das 2. -Element ist der d-Parameter.

Beispiele:leistung HIGHEST jahresgehalt HIGHEST 100000 , 1000


5.) LOWEST (A, d, SV)

Preference SQL-Syntax: LOWEST [ , ]

[]Das 1. -Element ist das Infimum.Das 2. -Element ist der d-Parameter.

Beispiele:preis LOWEST verbrauch LOWEST 2.0 , 0.5


1.) LAYEREDm (A, L, SV)

Preference SQL-Syntax:PREFERRING

LAYERED ( ( ( [, ]* ) | OTHERS)[, ( [, ]* ) |, OTHERS ]* ) []

Zudem gilt: es darf nur ein OTHERS geben.

Beispiel:farbe LAYERED ( ('blau', 'gelb'), ('weiß', 'schwarz'), OTHERS,

('lila', 'rosa') )

4.2.1.2 Kategorielle Basispräferenzen


2.) POS/POS (A, POS1-set, POS2-set, SV)


IN ( [, ]* ) ELSE ( [, ]* )[]

Beispiele:modell IN ('Kombi', 'Limousine') ELSE ('SUV', 'Van') farbe IN ('blau', 'gelb') ELSE ('rot', 'grün')


3.) POS (A, POS-set, SV)

Preference SQL-Syntax:PREFERRING [] ::= = |

IN ( [, ]* )

Beispiele:farbe IN ('gelb', 'grün', 'blau') amtsbezeichnung = 'Bundespräsident' modell = 'Kombi'


4.) POS/NEG (A, POS-set, NEG-set, SV)


IN ( [, ]* ) NOT IN ( [, ]* )[]

Beispiele:modell IN ('Kombi', 'Limousine') NOT IN ('SUV', 'Van') farbe IN ('blau', 'gelb') NOT IN ('pink', 'rosa', 'lila')


5.) NEG (A, NEG-set, SV)

Preference SQL-Syntax:PREFERRING [] ::=

!= | NOT IN ( [, ]* )

Beispiele:farbe NOT IN ('gelb', 'grün', 'blau') amtsbezeichnung 'Bundespräsident' modell != 'Kombi'


6.) EXPLICIT (A, E-Graph)

Preference SQL-Syntax:PREFERRING EXPLICIT ( < [, < ]* )

Die Implementierung sichert Zyklenfreiheit im E-Graph zu. Die Explicit-Präferenz hat keinen SV-Parameter. Es gilt triviale SV-Semantik.

Beispiel:modell EXPLICIT ( 'LKW' < 'Van', 'Van' < 'Kombi',

'Van' < 'Limousine', 'Kombi' < 'Limousine' )


Folgende Produktionen gelten für SV-Relation: ::=

∅ | // Default-SV-Relation, siehe untenREGULAR | // Reguläre SV-SemantikTRIVIAL | // Triviale SV-Semantik// benutzerdefiniert// Implementierung sichert disjunkte SV-// Mengen zuSV ( ( [, ]*)

[, ( [, ]*) ]* )

Für SCORE und Subkonstruktoren ist reguläre SV-Semantik der Default.Für EXPLICIT (und später GROUPING) gilt triviale SV-Semantik als Default.


Beispiel für benutzerdefinierte SV-Semantik:

SELECT id FROM carPREFERRING color

IN ('blue', 'yellow' , 'white') ELSE ('green', 'red' , 'pink') SV ( ('blue', 'yellow'), ('green', 'red') )AND price LOWEST;


Beispiele zu Preference SQL-Anfragen: (elementare Präferenzkonstruktoren)

SELECT * FROM tripsPREFERRING duration AROUND 14, 1;

SELECT * FROM apartmentsPREFERRING area HIGHEST 400, 10;

SELECT * FROM programmersPREFERRING experience IN ('java', 'C++');

SELECT * FROM hotelsPREFERRING location 'downtown';


SELECT make, age FROM carPREFERRING age AROUND 5, 2;

-- Gruppierung obiger BMO-Tupel nach Marke SELECT make, count(*) FROM carPREFERRING age AROUND 5, 2GROUP BY make;

-- zusätzliche Anforderung: Mindestanzahl pro GruppeSELECT make, count(*) FROM carPREFERRING age AROUND 5, 2GROUP BY makeHAVING count(*) > 2;


4.2.1.3 Komplexe Präferenzen

Komplexe Präferenzen setzen sich aus den bereits bekannten Basispräferenzen zusammen.

1.) Pareto ({A1, A2},


2.) Priorisierung ({A1, A2},


Beispiele zu Preference SQL-Anfragen: (komplexe Präferenzkonstruktoren)

SELECT * FROM computersPREFERRING main_memory HIGHEST AND

cpu_speed HIGHEST;

SELECT * FROM carWHERE brand = 'Opel'

PREFERRING (category IN ('roadster') ELSE ('passenger') AND price AROUND 40000, 2000 AND power HIGHEST) PRIOR TO color = 'red'

PRIOR TO mileage LOWEST 0, 10000;


3.) Numerisches Ranking ({A1, A2},


Vordefinierte RANK-Funktionen in Preference SQL, Beispiele:

- avgRankF : gewichteter Durchschnitt, z.B. … 'avgRankF' '0.2, 0.5'- sumRankF : ungewichtete Summe, z.B. … 'sumRankF' - maxRankF : Maximum, z.B. … 'maxRankF'- minRankF : Minimum, z.B. … 'minRankF'- productRankF : gewichtetes Produkt, z.B. … 'productRankF' '3, 5'

Beispiel:( leistung SCORE 'f1' | ( alter SCORE 'f2' | preis LOWEST 0 , 500 ) RANK 'sumRankF' | id SCORE 'f4' ) RANK 'avgRankF' '0.20, 0.50, 0.10' 0.1

-- Fkt.name Parameter d-Parameter

http://ursaminor.informatik.uni-augsburg.de/trac/wiki/OverviewPredefinedScoreRank


4.2.1.4 Qualitätsfunktionen

DISTANCE ()

berechnet die Distanz zwischen einem Attributwert v und den perfekten Treffern bezüglich einer numerischen Basispräferenz über der Domäne von A.

DISTANCE : dom(A) → ℝ0+

DISTANCE (v, [low, up]) := if v ∈ [low, up]

then 0 else if v < low then low - v else v - up

Beispiel:SELECT id, DISTANCE(p_age) FROM carPREFERRING (age AROUND 40 AS p_age)


LEVEL ()

berechnet das Level eines Attributwerts v einer diskretisierten Basispräferenz über der Domäne von A.

Perfekte Attributwerte haben das Level 0.

LEVEL : dom(A) → 0+

Numerische Domäne A mit d-Parameter: LEVEL (v, [low, up]) := ⎡DISTANCE (v, [low, up]) / d⎤

Kategorielle Domäne A:

LEVEL (v) = layerm (v)


Qualitätsfunktionen können benutzt werden

in der Projektion wie Attributez.B. SELECT id, LEVEL(p_age), DISTANCE(p_price) FROM car PREFERRING (age LOWEST 0, 2 AS p_age) AND

(price LOWEST AS p_price)

in der BUT ONLY-Klausel als boolescher Ausdruckz.B. … wie oben

BUT ONLY DISTANCE(p_price) < 5000 AND LEVEL(p_age) < 5


Hinweis:

Bezeichne pref_alias eine Basispräferenz P über einem Attribut A. Mit Hilfe der booleschen Ausdrücke LEVEL(pref_alias) = 0 DISTANCE(pref_alias) = 0.0

kann überprüft werden, ob ein Tupel einen perfekten Attributwert bezüglich P(A) hat.


Beispiel: Qualitätsfunktionen in Projektion

SELECT ident, color, age,

LEVEL(pc) AS lvl, DISTANCE(pa) AS distFROM oldtimer PREFERRING (color IN ('white')

ELSE ('yellow') AS pc) AND

(age AROUND 40 AS pa);

oldtimer ident color ageMaggie white 19Bart green 19Homer yellow 35Selma red 40Smithers red 43

color lvlSelma 40 2 0Homer 35 1 5Maggie 19 0 21

ident age distredyellowwhite

BMO:


Motivation

Das BMO-Query-Modell liefert die bestmögliche Ergebnismenge. Vorab ist aber unbekannt, wie groß die Menge ist.

Das Top-k-Query-Modell soll genau k beste Ergebnisse liefern. k < | BMO | zufällige Auswahl der BMO-Ergebnisse k >= | BMO | BMO-Ergebnisse und weitere nächstbeste

Ergebnisse, so dass k Ergebnisse zurückgeliefert werden.

Eine Erweiterung des BMO-Modells zu einem Multi-Level-BMO-Modell liefert pro Schicht die nächstbesten Ergebnisse.

4.2.1.5 Top-k Schnittstelle


Theorem

Jede strikt partielle Ordnung lässt sich auf eine spezielle schwache Ordnung, die sogenannte Multi-Level-BMO-Ordnung abbilden.

Diese Ordnung wird durch die iterierte Anwendung der Präferenzselek-tion, der jeweils ihre iterationsspezifisches BMOi-Menge zugeordnet ist, generiert.


Multi-Level-BMOBeispiel 2-SV aus Kap. 3:POS/POS(color, {white}; {yellow}, ~) ⊗ AROUND(age, 40, ~) erzeugt eine strikt partielle Ordnung, die auf eine schwache Ordnung (Multi-Level-BMO-Ordnung) abgebildet werden kann:

(red, 40)

(red, 43)

(white, 29)

(green , 19)

(yellow, 35)

(yellow, 51)

29Bart 19Homer 35

404351

ident color ageMaggie white

greenyellow

Selma redSmithers redSkinner yellow

BMO0

BMO1

BMO2


colorMaggie 19Bart 19Homer 35Selma 40Smithers 43

oldtimer ident agewhitegreenyellowredred

Ergebnis:

Beispiel:

SELECT * FROM oldtimer PREFERRING color IN ('red') AND age BETWEEN 40, 45, 5TOP 3

BMO1 := σ[P](oldtimer \ BMO0) =

BMO0 := σ[P](oldtimer) =ident color ageSelma red 40Smithers red 43Homer yellow 35


Kontrolle der Qualität der Ergebnismenge:

BUT ONLY schränkt durch harte Bedingungen das bisherige Ergebnis ein. Dabei können auch die Qualitätsfunktionen für Präferenzen als Qualitätsfilter eingesetzt werden.

Die Verwendung von anderen booleschen Ausdrücken als Selektion auf den Tupeln der Ergebnismenge - syntaktisch analog zur WHERE-Klausel - verursacht eine Nachfilterung der BMO-Menge.

Bemerkung:Bei Verwendung des gleichen booleschen Ausdrucks kann die Ergebnismenge

unterschiedlich sein, je nachdem ob der Ausdruck in der Vorfilterung (WHERE) bzw. in der Nachfilterung (BUT ONLY) verwendet wird.

4.2.1.6 BUT ONLY


Beispiel zum Unterschied zwischen Vorfilterung und Nach-filterung durch gleichen booleschen Ausdruck:

id1 85000 32 12000 63 6000 74 42000 55 84000 5

car price ageSELECT id FROM carWHERE price < 20000PREFERRING age AROUND 5, 2

➞ {2, 3}

SELECT id FROM carPREFERRING age AROUND 5, 2BUT ONLY price < 20000

➞ { }


Beispiel: Qualitätsfunktionen in BUT ONLY

SELECT t.*, LEVEL (p_start_day) AS delta_start, DISTANCE (p_duration) AS delta_duration

FROM trips tPREFERRING (start_day AROUND date '1999-07-03',

INTERVAL '1' DAY AS p_start_day) AND

(duration AROUND 14 AS p_duration)BUT ONLY DISTANCE (p_duration)


4.3 AnwendungsbeispieleDesignhinweise für personalisierte Suchmaschinen:

Harte Selektionen (WHERE) gegen weiche (PREFERRING)? Welche Kontrolle bzgl. der Qualität der Ergebnismenge

(BUT ONLY-Einschränkung)? Bedeutung von Multi-Attribut-Präferenzen

(AND contra PRIOR TO contra RANK)? Präsentation der Ergebnismenge

(Einsatz von LEVEL(p_alias), DISTANCE(p_alias))?

Woher stammen Präferenzen? Fest verbunden mit der Suchmaske durch den Bereitsteller des E-

Services (Benutzermodell)? Explizit eingegeben von den E-Business-Kunden? Implizit eingetragene Verkäufer-Präferenzen? Implizit eingetragenes anwendungsspezifisches Domänen- / Kontext-

wissen?


4.3.1 Gebrauchwagenhandel


SELECT *, LEVEL(p_manu), LEVEL(p_model), LEVEL(p_price), LEVEL(p_mileage), LEVEL(p_regyear), LEVEL(p_diesel), LEVEL(p_airbag), LEVEL(p_autotransmission), LEVEL(p_aircondition) FROM used_cars PREFERRING ((manufacture = 'BMW' AS p_manu) AND

(model = '7' AS p_model)) PRIOR TO

((price BETWEEN 0, 75000, 7500 AS p_price) AND (mileage BETWEEN 0, 30000, 3000 AS p_milage) AND (regyear BETWEEN 1997, 1999, 2 AS p_regyear)

AND (diesel = 'yes' AS p_diesel) AND (airbag = 'yes' AS p_airbag) AND (autotransmission = 'yes' AS p_autotransmission) AND (aircondition = 'yes' AS p_aircondition));


4.4 Gruppierende Präferenzen

Präferenzen lassen sich gruppieren mit dem Schlüsselwort GROUPING, wodurch ausgedrückt wird, dass die Präferenz pro Gruppe ausgewertet werden soll.

Wie von „GROUP BY“ gewohnt, können auch Aggregatsfunk-tionen in der Projektion bzw. in der HAVING-Klausel verwendet werden.

Bemerkung:Die SQL-Schlüsselwörter „GROUP BY … HAVING“ und die

Preference-SQL-Schlüsselwörter „GROUPING … HAVING“ dürfen nur exklusiv genutzt werden!


Deklarative Semantik der gruppierenden Präferenz-Selektion:

Gegeben seien eine Relation R, eine Menge von Attributen G ⊆ attrib(R) und eine Äquivalenz-Relation (als Spezialfall: SV-Relation) ≅G auf dom(G).

Die gruppierende Präferenzselektion bezüglich ≅G ist definiert als:

σ[P GROUPING ≅G](R) :=

{t ∈R | ¬ v ∃ ∈R: t[G] ≅G v[G] t[A] ∧


Gruppierender Preference SQL-Abfrageblock:

9. SELECT 1. FROM 2. WHERE

3'. - 6'. PREFERRING

7. ORDER BY 8. LIMIT ;


Syntax der gruppierenden Präferenz-Selektion:

3'. PREFERRING 4'. TOP 5'. BUT ONLY 3'. GROUPING 6'. HAVING

Der Default der SV-Relation ≅G ist TRIVIAL.


Verarbeitungsreihenfolge der gruppierenden Präferenz-Selektion:

3'. T2 := σ [P GROUPING ≅G] (T1) Präferenzauswertung pro Gruppe

4'. T3 := σTOP (T2) Top-k Schnittstelle

5'. T4 := σBO (T3) BO ist eine harte Bedingung (Nachfilter).

6'. T5 := σHAVING (T4) HAVING ist eine harte Bedingung für Gruppen mittels Gruppierungsattribute

oder Aggregationsfunktionen.

© Prof. Kießling 2015 4 - 53© Prof. Kießling 2012 4 - 53

Bemerkungen:

„GROUPING … HAVING“ verhält sich wie „GROUP BY … HAVING“: Nur Gruppierungsattribute und Aggregatsfunktionen sind in dieser Klausel zulässig und schließen ganze Gruppen aus.

Aliase, die in der GROUPING-Klausel definiert werden, dürfen in der Projektion und in Aggregatsfunktionen benutzt werden.

„TOP“ erzeugt die gewünschte Mengengröße pro Gruppe (Multimengensemantik).

Nicht aggregierte Attribute können nur durch „BUT ONLY“ nachgefiltert werden, wodurch Tupel evtl. gelöscht werden.

Qualitätsfunkionen können in „BUT ONLY“ verwendet werden.


Beispiele zur Auswertung von GROUPING:

Gegeben sei: car make color pricechevrolet brown 12000

chevrolet green 4000



chevrolet silver 7000

porsche brown 13000

porsche green 11000


Beispiel 1:

SELECT make, color, priceFROM carPREFERRING price LOWESTGROUPING makeORDER BY make, color;

car make color price

chevrolet brown 12000





porsche brown 13000

porsche green 11000


Beispiel 2:

SELECT make, color, priceFROM carPREFERRING price LOWESTGROUPING colorORDER BY color, make;



porsche brown 13000




porsche green 11000



Beispiel 3:

SELECT color, count(color) as counterFROM carPREFERRING price LOWESTGROUPING colorORDER BY color;==> color counter

brown 1green 2silver 1



porsche brown 13000




porsche green 11000



Beispiel 4:

SELECT make, color, priceFROM carPREFERRING price LOWESTTOP 3GROUPING makeORDER BY make, color;==>Alle nicht durchgestrichenen Tupel gehören zur Ergebnismenge. Blaue Tupel gehören zu BMO1.







porsche brown 13000

porsche green 11000


Beispiel 5:

SELECT make, color, priceFROM carPREFERRING price LOWESTTOP 3GROUPING makeHAVING make 'porsche'ORDER BY make, color;==>Alle nicht durchgestrichenen Tupel Gehören zur Ergebnismenge.







porsche brown 13000

porsche green 11000


Beispiel 6:

SELECT make, color, priceFROM carPREFERRING price LOWESTTOP 3BUT ONLY price < 2000GROUPING makeHAVING make 'porsche'ORDER BY make, color;==>Leere Ergebnismenge.







porsche brown 13000

porsche green 11000


Beispiel 7:

SELECT make, color, priceFROM carPREFERRING price LOWESTTOP 3GROUPING makeHAVING make 'porsche'ORDER BY make, colorLIMIT 1;==>Nur 1 grünes Tupel







porsche brown 13000

porsche green 11000


GROUPING mit benutzerdefinierter SV-Semantik:A, B, … seien Attribute einer Relation R, wobei ai, bi, … deren

Domänenwerte seien. In der GROUPING-Klausel steht für benutzerdefinierte SV-Semantik folgende Syntax zur Verfügung:

GROUPING A SV ((a1, a2, …) [AS 'KlasseA1'], … , [OTHERS [AS ...]]) [AS A-Alias]], B SV ((b1, b2, …) [AS 'KlasseB1'], … , [OTHERS [AS ...]]) [AS B-Alias]],

…

Bei fehlenden Klassennamen wird ein Default-Name generiert wie '(a1, a2)' bzw. 'OTHERS'.


Beispiel 3-SV1:

SELECT my_color, count(color) as counterFROM carPREFERRING price LOWESTGROUPING color SV (('green'), OTHERS AS 'old_fashioned')AS my_colorORDER BY my_color desc;==> my_color counter

old_fashioned 1(green) 2



porsche brown 13000




porsche green 11000





porsche brown 13000

vw green 4000



porsche green 11000


Beispiel 3-SV2:

SELECT prod_country, count(color) as counterFROM carPREFERRING price LOWESTGROUPING make SV (('vw', 'porsche') AS 'Inland', OTHERS AS 'Ausland') AS prod_countryORDER BY prod_country desc;==> prod_country counter

(Inland) 1(Ausland) 1


Beispiel zu unterschiedlichen Ergebnissen von GROUP BY im Vergleich zu GROUPING:

„Anzahl der möglichst billigenAutos, aufgeschlüsselt nach Marke“

SELECT make, count(*) FROM carPREFERRING price LOWESTGROUP BY make;==>



porsche brown 13000

vw green 4000



porsche green 11000


;

make count(*)vw 1chevrolet 1


Beispiel zu unterschiedlichen Ergebnissen von GROUP BY im Vergleich zu GROUPING:

„Marke und Anzahl der marken-spezifisch möglichst billigen Autos“

SELECT make, count(*) FROM carPREFERRING price LOWESTGROUPING make;==>



porsche brown 13000

vw green 4000



porsche green 11000


;

make count(*)vw 1chevrolet 1porsche 1


Beispiele zu Preference SQL-Anfragen mit GROUPING(GROUPING mit Aggregation in Projektion oder HAVING)

SELECT make, count(*) AS best_model FROM car PREFERRING price LOWEST AND age LOWEST GROUPING make;

SELECT make, count(*) AS best_model FROM car PREFERRING price LOWEST AND age LOWEST GROUPING make HAVING count(*) > 5 AND make 'chevrolet';


Beispiel zu Preference SQL-Anfragen mit GROUPING:(GROUPING mit Vorfilterung und Nachfilterung)

SELECT make, count(*) AS best_model FROM carWHERE age < 10 -- VorfilterungPREFERRING price LOWEST AND age LOWESTBUT ONLY color 'red' -- NachfilterungGROUPING makeHAVING count(*) > 5 and make 'chevrolet';

Folie 14.7 Präferenz-JDBC-Treiber (PSQL-JDBC)Folie 3Folie 44. Preference SQLFolie 6Folie 7Folie 8Folie 9Folie 10Folie 11Folie 124.1 Numerische BasispräferenzenPowerPoint-PräsentationFolie 15Folie 16Folie 17Folie 184.2 Kategorielle BasispräferenzenFolie 20Folie 21Folie 22Folie 23Folie 24Folie 25Folie 264.3 Komplexe PräferenzenFolie 28Folie 29Folie 30Folie 314.5 QualitätFolie 33Folie 34Folie 35Folie 36Folie 37Folie 38Folie 39Folie 40Folie 41Folie 42Folie 43Folie 44Folie 45Folie 46Folie 47Folie 48Folie 49Folie 50Folie 51Folie 52Folie 53Folie 54Folie 55Folie 56Folie 57Folie 58Folie 59Folie 60Folie 61Folie 62Folie 63Folie 64Folie 65Folie 66Folie 67Folie 68

4. Das Preference SQL - System · Preference SQL = Standard SQL + Präferenzen Per Default...

Documents

Transcript of 4. Das Preference SQL - System · Preference SQL = Standard SQL + Präferenzen Per Default...

SQL Server Tutorial - uweziegenhagen.de · t-sql tabelle 2:t-sql schlüsselwörter teil 2 computeinsertselect constraintintersectsession_user containsintoset containstableissetuser

SQL Server 2012 Express - pantheronsql.files.wordpress.com · Agenda Überblick SQL Server Editionen im Vergleich verschiedene Varianten von SQL Server 2012 Express Neuerungen im

AEG EV Preference 2016 - moebelhaus-illing

Prozedurale Konzepte in Oracle PL/SQL14 PROZEDURALE ERWEITERUNGEN: PL/SQL Der Name PL/SQL steht für Procedural language extensions to SQL. Bis Oracle 7 wurde PL/SQL – in erster

Dr. Brigitte Mathiak Kapitel 2 SQL Anfragen. Datenbanken, WS 12/13 Kapitel 2: SQL Anfragen2 Lernziele Syntax von SQL Anfragen Präzise Semantik von SQL.

Oracle PL/SQL · Title: Oracle PL/SQL Author: Marco Skulschus, Marcus Wiederstein Subject: Die SQL-Erweiterung PL/SQL der Oracle 10g/11g-Datenbank bietet eine umfangreiche ...

Monitoring Microsoft SQL Server - netways.de · Software / SQL Server / Performancecounter

SQL Server Tutorial - uweziegenhagen.deuweziegenhagen.de/databases/sqlserver.pdf · t-sql tabelle 2:t-sql schlüsselwörter teil 2 computeinsertselect constraintintersectsession_user

Grundlagen der Datenbanksystem I - SQL · SQL Grundlagen der Datenbanksysteme I VII-1 SQL SQL = Structured Query Language (SEQUEL) IBM San Jose Research Laboratory SYSTEM R

1. MariaDB SQL Datenbankserver. - snafuhome.snafu.de/j.kubiak/lehre/linux/html/linux_mysql.pdf · Linux - MariaDB SQL Datenbankserver. - 1 / 12 - 1. MariaDB SQL Datenbankserver. Ab

SQL - jeromeguy.frjeromeguy.fr/wp-content/uploads/2016/05/Cours-SQL-v5.pdf · donner SQL/86. Puis en 1989 la version SQL/89 a été approuvée. La norme SQL/92 a désormais pour nom

Installationsguide für den Serverumzug mit PASST.prime ... · Unser Produkt PASST.prime 2018 unterstützt die SQL Server 2008 R2, SQL Server 2012, SQL Server 2014, SQL Server 2016

Eine Präsentation von Benedikt Streitwieser und …uhl/PScrypt16...•Blind SQL Injection: •Content-based Blind SQL Injection •Time-based Blind SQL Injection •SQL Injection

Präferenz für Intuition und Deliberation (PID) · Präferenz für Intuition und Deliberation 3 Zusammenfassung. Personen unterscheiden sich darin, ob sie bevorzugt intuitiv oder

3.13 SQL und Programmiersprachendbis.informatik.uni-freiburg.de/content/courses/WS1314/Kursvorlesung... · 3. Der SQL-Standard 3.13. SQL und Programmiersprachen Seite 1 3.13 SQL und

SQL Cockpit - Anwenderdokumentation - cadaxo.com sql... · x SQL Cockpit 2.0 – Anwenderdokumentation Seite 3 Einleitung Vielen Dank, dass Sie sich für das SQL Cockpit von Cadaxo

Investigating the Preference of Translators for Recurrent ... · Investigating the Preference of Translators for Recurrent ... Investigating the Preference of Translators for Recurrent

SQL - Zusammenfassung

Best Practice PL/SQL - doag.org · Überprüfung der fachlichen Korrektheit in PL/SQL PL/SQL-Unittest mit utPLSQL Automatische Code-Analyse PL/SQL-Warnungen PL/Scope

1 Einfache SQL-Befehle. 1-2 Ziel Möglichkeiten von SQL SELECT kennenlernen Ausführen einfacher SELECT Befehle Unterscheide zwischen SQL Befehlen und SQL*Plus.