روش ایندکس گذاری clustered


فشرده سازی اطلاعات در SQL Server

پهنه بندی شرق دریاچه ارومیه بر مبنای شاخص توزیع زمانی بارش با روش وارد و K- Means

با توجه به اهمیت بارش و کمبود منابع آب، تحلیل مکانی بارش‌های روزانه توأم با فواصل زمانی مربوطه، یکی از ضروریات می‌باشد. هدف این مطالعه، معرفی یک شاخص برای شناسایی مناطق مستعد از نظر توان دیم‌کاری، با استفاده از داده‌های توأم بارش و فواصل زمانی آن‌ها در شرق حوضة دریاچه ارومیه می‌باشد. با استفاده از مقدار بارش و فواصل زمانی آن، در دورة آماری سال 1370 تا 1392 شاخص توزیع زمانی بارش برای 23 ایستگاه محاسبه شد. برای خوشه‌بندی شاخص توزیع زمانی بارش، روش‌های K-Means و وارد به‌کار گرفته شد. آزمون همگنی خوشه‌های به‌دست‌آمده از طریق روش آماره H انجام گرفت. مقایسة نواحی همگن حاصل از خوشه‌بندی با دو روش ذکرشده با توزیع مکانی خطوط هم‌شاخص نشان داد که روش K-Means نواحی همگن را بهتر از روش وارد تفکیک کرد. بخش‌های جنوبی، مرکزی، شمال شرقی و جنوب غربی ناحیه مورد مطالعه توانایی کشت دیم بیشتری را نسبت به سایر مناطق در شرق دریاچه ارومیه دارند.

کلیدواژه‌ها

عنوان مقاله [English]

Regionalization of the East Part of Urmia Lake Basin Based on temporal distribution of Precipitation using the K- Means and Ward Methods

نویسندگان [English]

  • Parva Mohammadi
  • Ahmad Fakherifard

Considering the importance of precipitation and scarcity of water resources, spatial analysis of daily rainfall together with corresponding time intervals is one of the requirements. Among the atmospheric factors affecting the rainfed farming, precipitation is the most important factor in numerous studies about the rainfed cultivation. In order to reduce the destruction threat of water resources and resolve the future’s food needs of the people, the importance of rainfed agriculture would be inevitable. In this regard, one of the effective measurements that can be done to find rainy areas with the possibility of rainfed cultivation. The greatest water consumption is corresponding to the agricultural sector. According to the water crisis in the country, decline in the groundwater levels and the importance of agriculture in job creation, the water resource management is essential. Therefore, it will have a value of higher management to determine for the fertile lands in the current situation. Despite the reduction in rainfall, it is also necessary to analytically study the rainfed and determine the fertile lands in the country, especially in the Urmia Lake basin. This study aimed to introduce an index for identification of the suitable areas from the viewpoint of rainfed ability, by using daily rainfall in corresponding with the time intervals for each year in the east part of the Urmia Lake basin.
First a program is written in Fortran, using the rainfall data, the proportion of rainfall intervals is determined, then the Fortran program is developed for this propose, based on the concept of the temporal intensity precipitation and their related mechanistic, an index is defined which is the main outcome of the Fortran programming. The index was a criterion for analysis and disintegration of the rainfed quantity. The idea of introducing an index is based on the ratio of rainfall to the interval corresponding. If the ratio quantity was high, it represents the water supply, in other words, the rainfed capability will be great which can play the role of an index rating. In this index, the rainfall depth has positive role and intervals have negative role in the assessment. When the index amount is high, the rainfed capability will increase. Because the amount of precipitation must be bigger (which is the sign of the large amount of rainfall or the smaller interval time) an increase in the amount of rainfall would be followed, or in compound, causes an increase in the proportion, which shows the increase of rainfed ability. The statistical period was 1992-2014 for 23 rainfall stations. The index values were calculated for each year of all stations. Clustering is one of the most useful classification methods. In the cluster analysis, one attempts to actual observations of each cluster, which have the most similarity in terms of variables together. In this study, the clustering methods of the K-Means and Ward were carried out to deline the homogeneous regions based on the developed index values. Clustering in the rainfall stations was considered as a variable, the correlation matrix 23 * 23, where 23 is related to the number of the years stations used. The homogeneity of the clusters were checked through the H-Statistics method and the homogeneous clusters were shown in the GIS environment.
In order to use the K- Means method, the whole study area was considered as two clusters and the results of the H-Statistics homogeneity test showed that the two clusters are homogeneous. The first cluster has a mild homogeneity while the second one is completely homogeneous. In the clustering index using the Ward method, the study area was divided into two clusters. The observation of thehomogeneous clusters with the H-Statistics homogeneity test showed that the both clusters are mild homogeneous. On the other hand, from the viewpoint of spatial variation, Iso-Index lines were drawn over the study area. Identifing the rainy areas was conducted by examining the lines of these areas w are suitable for the rainfed agriculture and have a better temporal rainfall distribution. The comparison of two maps regionalization with two methods and the Iso-Index lines show that the regionalization by K- means method, the first part of this regionalization with Iso-Index lines have the same incremental direction, that suggests more rain stations in this area in comparison with the second area. The second cluster of homogeneous region was obtained using the Ward method, having similarity with Iso-Index only in the limited stations. The comparison of the regions resulted from clustering methods with the spatial distribution of the Iso-Index lines over the study area implied that the K-Means method isolated the regions better than the Ward method. The results show that the south, northeast, northwest and the center parts of the study area were more eligible for the rainfed agriculture than the other parts. These areas, regarding to agriculture, temporal distribution of precipitation and richness of groundwater, are better.

فشرده سازی اطلاعات در SQL Server

فشرده سازی اطلاعات در SQL Server

فشرده سازی اطلاعات در SQL Server

یکی از مهم ترین چالش های اکثر مدیران پایگاه داده رشد زیاد داده ها و حجم کل دیتابیس می باشد که به تبع آن این موضوع باعث کند شدن اجرای کوئری های ارسال شده توسط برنامه نویسان بر روی جداول می شود . به همین دلیل می بایست با روش هایی جهت افزایش حجم بسیار بالای دیتا جلوگیری کرد .

فشرده سازی اطلاعات در SQL SERVER

با استفاده از عملیات فشرده سازی اطلاعات یا Data Compression می توان دیتای پایگاه داده ها را به صورت فشرده با حجم کمتر نگهداری کرد.

عملیات فشرده سازی بر روی موارد موجود در زیر قابل اعمال شده می باشد :

  • جدول هایی که به صورت HEAP می باشند .
  • ایندکس هایی که Clustered می باشند .
  • آیندکس هایی که NonClustered می باشند .
  • بر روی Index View ها

زمانی که از سمت Application دیتای خاصی درخواست می شود ، داده های فشرده شده مورد نظر به حافظع Cache انتقال داده می شود ، بعد از این فرآیند CPU کار Uncompressed کردن دیتا را انجام می دهد ، البته این فرآیند برای Cpu هزینه زیادی ندارد .

فشرده سازی اطلاعات در SqlServer به دو روش زیر انجام می شود :

  • فشرده سازی در سطح ردیف و یا (Row Data Compression)
  • فشرده سازی در سطح صفحات و یا (Page Data Compression)

1 – فشرده سازی در سطح رکورد (Row Data Compression)

این مدل فشرده سازی در دو مرحله زیر انجام می شود :

  • حجم Meta Data هر رکورد در ابتدا به حداقل می رسد(منظور از متا دیتا اطلاعاتی مانند آفست ، طول و اطلاعات سطر و ستون ها می باشد) .
  • در ادامه فیلد ها و داده های با طول ثابت به داده های با طول متغییر تبدیل می شود . مثل : VarChar

برای درک بهتر این مدل فشرده سازی به مثال زیر دقت کنید :

ساخت جدولی با قابلیت فشرده سازی رکورد ، روی گزینه New Query در SqlServer کلیک کرده و اسکریپت زیر را وارد نمایید .

CREATE TABLE TblCompress

(id INT IDENTITY (1,1) PRIMARY KEY , Name VARCHAR(100))

WITH (DATA_COMPRESSION = ROW)

در اسکریپت بالا مشاهده می شود که جدولی با نام TblCompress ایجاد کردیم که اطلاعات را به صورت فشرده در سطح رکورد دارد.

و در اسکریپت زیر جدولی که از قبل موجود بوده را به جدولی با خاصیت فشرده سازی تبدیل میکنیم :

Alter TABLE PageComp REBUILD WITH

2 – فشرده سازی در سطح صفحات و یا (Page Data Compression)

دومین روش فشرده سازی اطلاعات در سطح پیج (Page) بوده که این روش قوی تر و بهینه تر از روش فشرده سازی ردیف می باشد .

در این مدل اطلاعات مشترک در سطر یک صفحه مشترکا مورد استفاده قرار میگیرد ، تکنولوژی موجود در این روش در زیر آمده است :

  • روش قبلی (Row Compression) که در بالاتر گفته شد نیز در این روش بکار برده شده است .
  • PreFix Compression : در هر صفحه به ازای هر ستون موجود PreFix های تکراری یافت شده و در Header مختص فشرده سازی ذخیره می شود . (موقعیت این هدر بعد از هدر اصلی Page می باشد) و در هر قسمتی که به این PreFix اشاره شده باشد عدد مختص جهت شناسایی شدن آن ها نسبت داده می شود .
  • Dictionary Compression : در این روش مقدار های تکراری موجود در یک Page پیدا شده و در Header مختص فشرده سازی ذخیره می شود . در روش قبلی فقط در یک ستون جستجو می شود ولی در این روش در کل Page اعمال می شود .

در ادامه جدولی جدید برای فعال سازی روش ایندکس گذاری clustered این روش می سازیم:

CREATE TABLE TblCompress

(id INT IDENTITY (1,1) PRIMARY KEY , Name VARCHAR(100),Email VARCHAR(100))

WITH (DATA_COMPRESSION = Page)

و برای تغییر خاصیت جداول موجود برای فشرده سازی از اسکریپت زیر استفاده میکنیم :

Alter TABLE PageComp REBUILD WITH

باید به این نکته نیز توجه کرد که در این روش فقط دیتای جداول و ایندکس های کلاستر فشرده خواهد شد و این فرآیند بر روی ایندکس های NonClustered تاثیری نخواهد داشت .

ALTER INDEX Index_name ON DataBase_name.Table_name

جهت فشرده سازی همه ی ایندکس های یک جدول خاص از اسکریپت زیر استفاده کنید :

ALTER INDEX ALL ON dbo.TestCompress

نکته مهمی که در بحث فشرده سازی اطلاعات وجود دارد این است که ما قبل از فشرده سازی اطلاعات می بایست دیتای خود را بررسی کرده و بعد از اطمینان از حصول نتیجه رضایت بخش فرآیند فشرده سازی را انجام دهیم ، به طور مثال فشرده سازی بر روی دیتای متنی با درصد خیلی بالاتری انجام می شود و همچنین این نکته رو باید در نظر داشت که این فرآیند بر روی ایندکس ها و جداول تراکنشی با Read و Write بالا مناسب نمی باشد .

برای بررسی میزان فشرده سازی اطلاعات قبل از انجام میتوان از رویه های ذخیره شده زیر نیز استفاده کرد تا بدون فشرده سازی واقعی از مقدار فشرده سازی قابل انجام مطلع شد .

با دو پراسیجر زیر می توان این میزان را بررسی کرد :

— نمایش میزان فضای برگشتی بعد از عملیات فشرده سازی صفحات

EXEC sp_estimate_data_compression_savings ‘schemaname’, ‘TableName’, NULL, NULL, ‘PAGE’;

— نمایش میزان فضای برگشتی بعد از عملیات فشرده سازی سطرها

EXEC sp_estimate_data_compression_savings ‘schemaname’, ‘TableName’, NULL, NULL, ‘ROW’;

برای بررسی میزان Read و write ایندکس ها از اسکریپت زیر استفاده کنید :

SELECT objectname = OBJECT_NAME(s.object_id),

reads = range_scan_count + singleton_lookup_count,

‘leaf_writes’ = leaf_insert_count + leaf_update_count + leaf_delete_count,

‘nonleaf_writes’ = nonleaf_insert_count + nonleaf_update_count +

FROM sys.dm_db_index_operational_stats (روش ایندکس گذاری clustered DB_ID(), NULL, NULL, NULL) AS s

INNER JOIN sys.indexes AS i

ON i.object_id = s.object_id

WHERE OBJECTPROPERTY(s.object_id, ‘IsUserTable’) = 1

AND i.index_id = s.index_id

امیدوارم این مقاله برای شما مفید واقع شود .

در لینک زیر می توانید مقاله متناظر این مطلب در وب سایت مایکروسافت را مشاهده کنید .

خوشه بندی رفتار سرمایه گذاران بر اساس ویژگی های مالی، رفتاری و جمعیت شناختی: مطالعه ای بر اساس الگوریتم k-means

2 گروه حسابداری و مدیریت مالی، دانشگاه یزد، یزد، ایران.

چکیده

هدف: یکی از موضوعاتی که تأثیر بسزایی در نحوه سرمایه‌گذاری افراد دارد، خصوصیات رفتاری سرمایه‌گذاران است. با توجه به اهمیت این موضوع، سرمایه‌گذاران باید بتوانند افراد سرمایه‌گذار را به طبقات مختلف دسته‌بندی نمایند و برای هر طبقه، سرمایه‌گذاری متناسب با تیپ شخصیتی همان طبقه را به آن‌ها توصیه کنند. یکی از راهکارهایی که برای این منظور می‌توان استفاده نمود، خوشه‌بندی است. ‌خوشه‌بندی یکی از روش‌های یادگیری بدون نظارت بوده و ماهیتی توصیفی دارد. در این روش داده‌ها بر اساس یک معیار مشابهت به‌گونه‌ای تخصیص می‌یابند که داده‌های موجود در هر خوشه دارای بیشترین شباهت با یکدیگر و کمترین شباهت با داده‌های موجود در خوشه‌های دیگر باشند.
روش‌شناسی پژوهش: در این پژوهش با استفاده از خوشه‌بندی k-means و روش انتشار وابستگی، مجموعه‌ای از سرمایه‌گذاران با توانایی و تمایل مشابه برای پذیرش ریسک را شناسایی می‌کنیم. همچنین نشان می‌دهیم که چگونه می‌توان با استفاده از تکنیک‌های خوشه‌بندی به تخصیص مؤثر دارایی‌ها با استفاده از خصوصیات سرمایه‌گذاران پرداخت.
یافته‌ها: از ضریب silhouette برای ارزیابی دو روش خوشه‌بندی استفاده نموده تا بهترین روش را برای خوشه‌بندی داده‌ها انتخاب نماییم. ضریب k-means برابر با 0.17 و انتشار وابستگی برابر با 0.097 شد؛ بنابراین ما روش k-means را به‌عنوان روش خوشه‌بندی مطلوب انتخاب می‌نماییم. با استفاده از روش‌ خوشه‌بندی K-means به خوشه‌بندی سرمایه‌گذاران براساس ویژگی‌های مالی، رفتاری و جمعیت شناختی پرداخته و با توجه به نتایج خوشه‌بندی، افراد را به هفت دسته با پذیرش ریسک کم تا زیاد تقسیم‌بندی می‌نماییم.
اصالت/ارزش‌افزوده علمی: کلیه محاسبات این پژوهش توسط پایتون 3.8 انجام‌شده است. نتایج این پژوهش می‌تواند توسط مدیران سرمایه‌گذاری و مشاوران توصیه گر سهام مورداستفاده قرار بگیرد.

کلیدواژه‌ها

عنوان مقاله [English]

A Clustering of Investors' Behavior According to Their Financial, Behavioral, and Demographic Characteristics (an Application of K-means Algorithm)

نویسندگان [English]

  • Marziyeh Nourahmadi 1
  • Hojjatollah Sadeqi 2

1 Department of Financial Engineering, Faculty of Economics, Management and Accounting, Yazd University, Yazd, Iran

2 Department of Finance and Accounting, School of Management and Economics, Yazd University, Yazd, Iran.

چکیده [English]

Purpose: One of the issues that has a great impact on how people invest is the behavioral characteristics of investors. Given the importance of this issue, investors should be able to categorize investors into different classes and for each class, recommend investment appropriate to the personality type of the same class. One of the solutions that can be used for this purpose is clustering. Clustering is one of the unsupervised learning methods and has a descriptive nature. In this method, the data are allocated based on a similarity criterion so that the data in each cluster are most similar to each other and the least similar to the data in other clusters.
Methodology: In this study, using K-means clustering and Affinity propagation clustering, we identify a group of investors with similar ability and willingness to accept risk. We also show how to effectively allocate assets using investor characteristics using clustering techniques.
Findings: Use silhouette coefficient to evaluate two clustering methods to select the best method for data clustering. The k-means coefficient was equal to 0.17 and the Affinity propagation clustering was equal to 0.097. Therefore, we choose the k-means method as the optimal clustering method. Using the K-means clustering method, we cluster investors based on financial, behavioral and demographic characteristics, and according to the clustering results, we divide individuals into seven categories with low to high risk acceptance.
Originality/Value: All calculations in this study were performed by Python 3.8. The results of this study can be used by investment managers and stock advisors.

کلیدواژه‌ها [English]

  • Clustering
  • Investment consulting
  • Risk tolerance
  • Optimization
  • Investor behavior
  • Recommender system
مراجع

Aghabozorgi, S., Shirkhorshidi, A. S., & Wah, T. Y. (2015). Time-series clustering–a decade review. Information systems, 53, 16-38. https://doi.org/10.1016/j.is.2015.04.007

Chandra, B., Gupta, M., & Gupta, M. P. (2008, October). A multivariate time series clustering approach for crime trends prediction. 2008 IEEE international conference on systems, man and cybernetics (pp. 892-896). IEEE. DOI: 10.1109/ICSMC.2008.4811393

Chiu, B., Keogh, E., & Lonardi, S. (2003, August). Probabilistic discovery of time series motifs. Proceedings of the ninth ACM SIGKDD international conference on knowledge discovery and data mining (pp. 493-498). https://doi.org/10.1145/956750.956808

Dose, C., & Cincotti, S. (2005). Clustering of financial time series with application to index and enhanced index tracking portfolio. Physica A: statistical mechanics and its applications, 355(1), 145-151. https://doi.org/10.1016/j.physa.2005.02.078

Durante, F., Pappadà, R., & Torelli, N. (2014). Clustering of financial time series in risky scenarios. Advances in data analysis and classification, 8(4), 359-376. https://doi.org/10.1007/s11634-013-0160-4

Ezugwu, A. E., Shukla, A. K., Agbaje, M. B., Oyelade, O. N., Jose-Garcia, A., & Agushaka, J. O. (2021). Automatic clustering algorithms: a systematic review and bibliometric analysis of relevant literature. Neural computing and applications, 33(11), 6247-6306. https://doi.org/10.1007/s00521-020-05395-4

Fu, T. C., Chung, F. L., Ng, V., & Luk, R. (2001, August). Pattern discovery from stock time series using self-organizing maps. Workshop notes of KDD2001 workshop on temporal data mining (Vol. 1). https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.124.3646&rep=rep1&type=pdf

Graves, D., & Pedrycz, W. (2010). Proximity fuzzy clustering and its application to time series clustering and prediction. 10th international conference on intelligent systems design and applications (pp. 49-54). IEEE. DOI: 10.1109/ISDA.2010.5687293

He, W., Feng, G., Wu, Q., He, T., Wan, S., & Chou, J. (2012). A new method for abrupt dynamic change detection of correlated time series. International journal of climatology, 32(10), 1604-1614. https://doi.org/10.1002/joc.2367

Jain, P., & Jain, S. (2019). Can machine learning-based portfolios outperform traditional risk-based portfolios? The need to account for covariance misspecification. Risks, 7(3), 74. https://doi.org/10.3390/risks7030074

Keogh, E., Lonardi, S., & Chiu, B. Y. C. (2002, July). Finding surprising patterns in a time series database in linear time and space. Proceedings of the eighth ACM SIGKDD international conference on knowledge discovery and data mining (pp. 550-556). https://doi.org/10.1145/775047.775128

Leng, M., Lai, X., Tan, G., & Xu, X. (2009, August). Time series representation for anomaly detection. 2nd IEEE international conference on computer science and information technology (pp. 628-632). IEEE. DOI: 10.1109/ICCSIT.2009.5234775

León, D., Aragón, A., Sandoval, J., Hernández, G., Arévalo, A., & Niño, J. (2017). Clustering algorithms for risk-adjusted portfolio construction. Procedia computer science, ICCS, 108, 1334-1343. https://doi.org/10.1016/j.procs.2017.05.185

Lohre, H., Rother, C., & Schäfer, K. A. (2020). Hierarchical risk parity: accounting for tail dependencies in multi‐asset multi‐factor allocations. Machine learning for asset management: new developments and financial applications, 329-368. https://doi.org/10.1002/9781119751182.ch9

MacQueen, J. (1967, June). Some methods for classification and analysis of multivariate observations. Proceedings of the fifth Berkeley symposium on mathematical statistics and probability (Vol. 1, No. 14, pp. 281-297). University of California.

Musto, C., Semeraro, G., Lops, P., De Gemmis, M., & Lekkas, G. (2015). Personalized finance advisory through case-based recommender systems and diversification strategies. Decision support systems, 77, 100-111.

Polz, P. M., Hortnagl, E., & Prem, E. (2003). Processing and clustering time series of mobile robot sensory data (OFAI-TR-2003-10). Austrian research institute for artificial intelligence: systemic intelligence for growingup artefacts that live-SIGNAL.

Raffinot, T. (2017). Hierarchical clustering-based asset allocation. The journal of portfolio management, 44(2), 89-99. DOI: https://doi.org/10.3905/jpm.2018.44.2.089

Rai, P., & Singh, S. (2010). A survey of clustering techniques. International journal of computer applications, 7(12), 1-5.

Ren, F., Lu, Y. N., Li, S. P., Jiang, X. F., Zhong, L. X., & Qiu, T. (2017). Dynamic portfolio strategy using clustering approach. PloS one, 12(1), e0169299. https:روش ایندکس گذاری clustered //doi.org/10.1371/journal.pone.0169299

Saxena, A., Prasad, M., Gupta, A., Bharill, N., Patel, O. P., Tiwari, A., . & Lin, C. T. (2017). A review of clustering techniques and developments. Neurocomputing, 267, 664-681. https://doi.org/10.1016/j.neucom.2017.06.053

Sfetsos, A., & Siriopoulos, C. (2004). Time series forecasting with a hybrid clustering scheme and pattern recognition. IEEE transactions on systems, man, and cybernetics-part A: systems and humans, 34(3), 399-405. DOI: 10.1109/TSMCA.2003.822270

Statman, M. (2018). Behavioral finance lessons for asset managers. The journal of portfolio management, 44(7), 135-147.

Tatsat, H., Puri, S., & Lookabaugh, B. (2020). Machine learning and data science blueprints for finance: from building trading strategies to robo-advisors using python. O'Reilly media.

Thuraisingham, B. M., & Ceruti, M. G. (2000, October). Understanding data mining and applying it to command, control, communications and intelligence environments. Proceedings 24th annual international computer software and applications conference. COMPSAC2000 (pp. 171-175). IEEE. DOI: 10.1109/CMPSAC.2000.884710

Tola, V., Lillo, F., Gallegati, M., & Mantegna, R. N. (2008). Cluster analysis for portfolio optimization. Journal of economic dynamics and control, 32(1), 235-258. https://doi.org/10.1016/j.jedc.2007.01.034

Wang, H., Wang, W., Yang, J., & Yu, P. S. (2002, June). Clustering by pattern similarity in large data sets. Proceedings of the 2002 ACM SIGMOD international conference on management of data (pp. 394-405). https://doi.org/10.1145/564691.564737

Williams, B., Onsman, A., & Brown, T. (2010). Exploratory factor analysis: a five-step guide for novices. Australasian journal of paramedicine, 8(3), 1-13.

آموزش گام به گام SQL پیشرفته

اگر از دسته افرادی هستید که آموزش مقدماتی SQL را گذرانده‌ اید یا با مباحث اولیه آن آشنایی دارید، وقت آن رسیده تا به سراغ آموزش SQL Server پیشرفته بروید. در ادامه سرفصل‌ها و مباحثی که در این دوره به آنها خواهیم پرداخت را برای شما به اختصار بیان نموده تا بتوانید بر اساس نیازهای خود این دوره را انتخاب کنید.

advanced sql server

امنیت در SQL Server

یکی از مهم‌ترین مباحثی هنگام آموزش، پرداختن به آن فراموش می‌شود؛ امنیت SQL Server است. رعایت نکات امنیتی در رابطه با هر داده‌ای صدق می‌کند. در این دوره به بررسی روش‌ها و ترفندهایی خواهیم پرداخت که با آنها می‌توانید دسترسی به سرور را محدود نمایید.

نحوه اتصال به SQLServer

همانطور که می‌دانید، Sql Server توسط شرکت مایکروسافت و بر پایه ویندوز و لینوکس توسعه داده شده است. این نرم‌افزار پیچیدگی خاص خود را دارد! و ما متعهد شده‌ایم که در این دوره آموزش کامل را هم تا جای ممکن داشته باشیم. در نتیجه، در این دوره نحوه اتصال به Sql Server سرور را به راحت ترین شکل ممکن و با رعایت ریز نکات موثر خواهید آموخت.

انواع دستورات

مهم‌ترین بخش آموزش این دوره، یاد گرفتن دستورات اصلی آن است. در واقع دستورات Sql از چهار گروه اصلی Select، Delete، Update و Insert ساخته می‌شوند. در این دوره به تفضیل و به طور کامل به این چهار دستور اصلی و دستورات منشعب از آنها خواهیم پرداخت.

آموزش Query زدن در SQL

اگر با مفهوم query آشنا باشید؛ می‌دانید که ریشه این کلمه به معنای پرسش و درخواست است. به زبان ساده‌تر با استفاده از دستورات query از SQL می‌خواهیم داده‌های به خصوصی را با توجه به نیاز ما و به ترتیبی که ما می‌گوییم به سرور بفرستد و به ما نمایش دهد. در این دوره به طور کلی با مفهوم query آشنا می‌شویم و روش های query زدن در Sql را خواهیم آموخت.

توابع Aggregate در SQL

توابع Aggregate تنها یک مقدار را بر اساس داده های یک ستون بر میگردانند که مهم ترین آن ها عبارت اند از: Some ,Avg, Count, Max

انتقال اطلاعات از یک جدول به جدول دیگر

برای انتقال داده‌ها از یک جدول به جدول دیگر بیش از یک روش وجود دارد. البته دو روش اساسی برای این کار بین کاربران محبوب است. یکی با استفاده از دستورات پیشرفته SQL و دیگری با استفاده از خود SQL Server.

انواع تهیه نسخه پشتیبان از بانک های اطلاعاتی

برای تهیه نسخه پشتیبان از SQL به طور معمول از SQL Server Management استفاده می‌کنیم که راحت‌ترین راه هم هست. در این روش با ورود به منوی Task و سپس Backup می‌توانید به راحتی از SQL خود نسخه پشتیبان بگیرید. البته روش‌های دیگری نیز برای این کار وجود دارد که می‌توانید در این دوره آموزشی آن‌ها را یاد بگیرید.

نسخه پشتیبان sql

تریگرها

تریگرها در واقع نوعی از دستورات هستند که می‌توانند بر روی سه دستور اصلی Delete، Update و Insert نوشته شوند. این دستورات خود به دو دسته After Trigger و Instead Of Trigger تقسیم می‌شوند که درباره آنها به طور کامل در این دوره آموزشی، صحبت خواهیم کرد.

طراحی و برنامه نویسی پایگاه داده

پس از یادگیری تمام مطالب بالا به قدم نهایی این دوره، یعنی طراحی و برنامه نویسی پایگاه داده می‌رسیم. طراحی و توسعه پایگاه داده به معنی جمع کردن اطلاعات دقیق و کنار هم قرار دادن آنها در دیتابیس است. نکته اصلی در این زمینه این است که طراحی و توسعه پایگاه داده به خودی خود کار سختی نیست. اما باید از قوانین پیروی کنید و نکات ریز را به خاطر بسپارید تا به خروجی دلخواه خود برسید.

دانلود کتاب جنون سرعت در SQL Server 2012

ستاره فعالستاره فعالستاره غیر فعالستاره غیر فعالستاره غیر فعال

آیا شما هم فکر می‌کنید برای بالا بردن سرعت Database و گزارشات فقط باید سخت افزار سرور را قوی کرد؟ نکته اینجاست که فقط 40 درصد سرعت به سخت افزار سرور بستگی دارد!!

چگونه با ایندکس گذاری حرفه ای سرعت Database و گزارشات را به اوج برسانیم؟ بسیاری از شرکت‌های برنامه نویسی فقط و فقط یک ایندکس ( Primary key / Clustered Index) در جداول‌شان وجود دارد که بسیار تأسف بار است، عدم ایندکس گذاری حرفه ای باعث کاهش شدید سرعت می‌شود، آیا شما هم می‌خواهید مشتریانتان از سرعت کم برنامه و گزارشات شاکی باشند؟

نویسنده: مسعود طاهری

موضوع: برنامه نویسی

دانلود در ادامه

دانلود کتاب دانلود کتاب جنون سرعت در SQL Server 2012

پسورد همه فایل‌ها www.esfand.org است.

برای دانلود فایل های بزرگ از IDM استفاده کنید.

فایل های فشرده را با برنامه winrar باز کنید. در صورتی که فایل در زمان دانلود خراب شد در تب tools گزینه repaired archive را انتخاب کنید.

جهت باز کردن پی دی اف از برنامه ادوب ریدر یا فوکسید و جهت تماشای فایل های تصویری از KMplayer استفاده کنید.

Strict Standards: Only variables should be assigned by reference in /home4/sunmobii/esfand.org/templates/protostar/html/com_content/article/my/relatepost.php on line 15

Strict Standards: Only variables should be assigned by reference in /home4/sunmobii/esfand.org/templates/protostar/html/com_content/article/my/relatepost.php on line 25

Strict Standards: Only variables should be assigned by reference in /home4/sunmobii/esfand.org/templates/protostar/html/com_content/article/my/relatepost.php on line 28

Strict Standards: Only variables should be assigned by reference in /home4/sunmobii/esfand.org/templates/protostar/html/com_content/article/my/relatepost.php on line 29



اشتراک گذاری

دیدگاه شما

اولین دیدگاه را شما ارسال نمایید.