Anfragesprachen für On-Line Analytical Processing (OLAP)
|
|
|
- Clemens Michel
- vor 5 Jahren
- Abrufe
Transkript
1 Anfragesprachen für On-Line Analytical Processing (OLAP) Seminar Business Intelligence Teil I: OLAP & Data Warehousing René Rondot Universität Kaiserslautern
2 Anfragesprachen für OLAP Gliederung: 1. Data Cube Operator Grundlegender Operator für Aggregation über mehrere Dimensionen 2. Regel-basierte Sprachen komplexer formaler Ansatz für Operationen auf einem Cube 3. MDX MultiDimensional expressions: Microsoft-Entwicklung 4. nd-sql Sprache für föderierte Datenbanken und Ad-Hoc-Aggregation Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.1
3 1. Der Data Cube Operator vorgestellt 1997 von Jim Gray et al. arbeitet auf normalen Relationen zunächst: mehrdimensionaler Roll-Up Roll-Up nacheinander über mehrere Dimensionen Aggregation mit verschiedenen Detailliertheitsgraden Beispiel: Relation mit Verkaufsdaten von Fahrzeugen Attribute: Modell, Jahr, Farbe, Verkaeufe Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.2
4 Ergebnis des Roll-Up (1) SELECT Modell, Jahr, Farbe, SUM(Verkaeufe) FROM VerkaufTabelle GROUP BY Modell, Jahr, Farbe Modell Jahr Farbe SUM Golf 2002 Weiß 50 Golf 2002 Schwarz 40 Golf 2003 Weiß Golf 2003 Schwarz 115 Lupo 2002 Weiß 50 Lupo 2002 Schwarz 10 Lupo 2003 Weiß Lupo 2003 Schwarz 75 Lupo Golf Schwarz Weiss Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.3
5 Ergebnis des Roll-Up (2) UNION SELECT Modell, Jahr,, SUM(Verkaeufe) FROM VerkaufTabelle GROUP BY Modell, Jahr Modell Jahr Farbe SUM Golf 2002 Weiß 50 Golf 2002 Schwarz Golf Golf Lupo Lupo Lupo Golf Schwarz Weiss Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.4
6 Ergebnis des Roll-Up (3) UNION SELECT Modell,,, SUM(Verkaeufe) FROM VerkaufTabelle GROUP BY Modell Modell Jahr Farbe SUM Golf 2002 Weiß 50 Golf 2002 Schwarz Golf Golf Lupo Lupo Golf 290 Lupo 220 Lupo Golf Schwarz Weiss Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.5
7 Ergebnis des Roll-Up (4) UNION SELECT,,, SUM(Verkaeufe) FROM VerkaufTabelle Modell Jahr Farbe SUM Golf 2002 Weiß 50 Golf 2002 Schwarz Golf Lupo Golf Schwarz Weiss Golf Lupo Lupo Golf Lupo Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.6
8 SQL-Statement für Roll-Up Roll-Up über die 3 Dimensionen Farbe, Jahr, Modell: SELECT Modell, Jahr, Farbe, SUM(Verkaeufe) FROM VerkaufTabelle GROUP BY Modell, Jahr, Farbe UNION SELECT Modell, Jahr,, SUM(Verkaeufe) FROM VerkaufTabelle GROUP BY Modell, Jahr UNION SELECT Modell,,, SUM(Verkaeufe) FROM VerkaufTabelle GROUP BY Modell UNION SELECT,,, SUM(Verkaeufe) FROM VerkaufTabelle Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.7
9 Data Cube Lupo Golf Schwarz Weiss Roll-Up ist asymmetrisch symmetrische Erweiterung: Data Cube Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.8
10 Ergebnis des Data Cube (1) UNION SELECT Modell,, Farbe, SUM(Verkaeufe) FROM VerkaufTabelle GROUP BY Modell, Farbe Modell Jahr Farbe SUM Golf 2002 Weiß Golf Schwarz 135 Golf Weiß 155 Lupo Golf Schwarz Weiss Lupo Schwarz Lupo Weiß Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.9
11 Ergebnis des Data Cube (2) UNION SELECT, Jahr, Farbe, SUM(Verkaeufe) FROM VerkaufTabelle GROUP BY Jahr, Farbe Modell Jahr Farbe SUM Golf 2002 Weiß Golf Schwarz Lupo Golf Schwarz Weiss Schwarz Weiß Schwarz Weiß Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.10
12 Ergebnis des Data Cube (3) UNION SELECT,, Farbe, SUM(Verkaeufe) FROM VerkaufTabelle GROUP BY Farbe Modell Jahr Farbe SUM Golf 2002 Weiß Schwarz Weiß Schwarz Weiß 190 Schwarz 270 Lupo Golf Schwarz Weiss Weiß Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.11
13 Ergebnis des Data Cube (4) UNION SELECT, Jahr,, SUM(Verkaeufe) FROM VerkaufTabelle GROUP BY Jahr Modell Jahr Farbe SUM Golf 2002 Weiß Schwarz Weiß Schwarz Weiß 190 Schwarz 270 Weiß Lupo Golf Schwarz Weiss Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.12
14 Data Cube in SQL Statement für 3-dimensionalen Roll-Up plus: UNION SELECT Modell,, Farbe, SUM(Verkaeufe) FROM VerkaufTabelle GROUP BY Modell, Farbe UNION SELECT, Jahr, Farbe, SUM(Verkaeufe) FROM VerkaufTabelle GROUP BY Jahr, Farbe UNION SELECT,, Farbe, SUM(Verkaeufe) FROM VerkaufTabelle GROUP BY Farbe UNION SELECT, Jahr,, SUM(Verkaeufe) FROM VerkaufTabelle GROUP BY Jahr; Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.13
15 Problem SQL-Statements sehr lang und kompliziert Bei n Dimensionen: Roll-Up: n + 1 Teilstatements Data Cube: 2 n Teilstatements Nachteile der komplizierten Statements für Entwickler: Entwurf für Datenbank: Optimierung Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.14
16 Lösung eigene Operatoren für Roll-Up und Data Cube Erweiterung des SQL-Operators GROUP BY im Beispiel: Roll-Up: SELECT Modell, Jahr, Farbe, SUM(Verkaeufe) FROM VerkaufTabelle GROUP BY ROLLUP Modell, Jahr, Farbe Data Cube: SELECT Modell, Jahr, Farbe, SUM(Verkaeufe) FROM VerkaufTabelle GROUP BY CUBE Modell, Jahr, Farbe Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.15
17 Data Cube in SQL:1999 Grouping Sets ermöglichen Zwischenformen zwischen Roll-Up und Data Cube (Teilmenge aller Permutationen) vermeidet den -Wert NULL statt GROUPING zur Unterscheidung von echtem NULL Beispielanfrage: SELECT Modell, Jahr, SUM(Verkaeufe), GROUPING(Modell), GROUPING(Jahr) FROM VerkaufTabelle GROUP BY CUBE (Modell, Jahr) Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.16
18 Ergebnis der Beispielanfrage Modell Jahr SUM(Verkaeufe) GROUPING(Modell) GROUPING(Jahr) Golf FALSE FALSE Golf FALSE FALSE Lupo FALSE FALSE Lupo FALSE FALSE Golf NULL 290 FALSE TRUE Lupo NULL 220 FALSE TRUE NULL TRUE FALSE NULL TRUE FALSE NULL NULL 510 TRUE TRUE Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.17
19 Gliederung 1. Data Cube Operator 2. Regel-basierte Sprachen 3. MultiDimensional expressions (MDX) 4. nd-sql Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.18
20 2. Regel-basierte Sprachen Beispiel: von Hacid et al vorgestellte Sprache arbeitet auf Cubes Festlegung der Beziehung zwischen zwei Zellen des Cubes durch Regeln ermöglicht: Basis-Cube-Operationen: Push, Pull, Slicing, Dicing, Roll-Up,... komplexe Aggregationen Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.19
21 Das Datenmodell (1) Definitionen: Name: Konstante oder Variable Zellenreferenz: N(N 1, N 2,..., N p ) mit N, N 1, N 2,..., N p Namen N: Cube-Name N 1,..., N p : Attribut-Namen (Dimensionen) Zelleninhalt: q-tupel von Namen (Maße) Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.20
22 Das Datenmodell (2) Zelle: über Zellenreferenz referenziert, enthält Zelleninhalt dargestellt durch Grundatome der Form N(N 1, N 2,..., N p ) : N p+1,..., N p+q N(N 1, N 2,..., N p ): Zellenreferenz N p+1,..., N p+q : Zelleninhalt Cube: Menge von Grundatomen, gleicher Cube-Name Monovaluation Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.21
23 Beispiel für das Datenmodell Nagel Hammer Schraube Meier <20, 12.95> <15, 8.35> <18, 10.99> Schmidt Keller <30, <45, <32, 17.> 23.17> 17.> <25, <26, <29, 14.73> 15.45> 16.45> Jan Feb Mar Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.22
24 Beispiel für das Datenmodell Nagel Hammer Schraube Meier <20, 12.95> <15, 8.35> <18, 10.99> Schmidt Keller <30, <45, <32, 17.> 23.17> 17.> <25, <26, <29, 14.73> 15.45> 16.45> Jan Feb Mar Cube C1: {C1(Jan, M eier, Schraube) : 20, 12.95, C1(F eb, Meier, Schraube) : 15, 8.35, C1(Mar, Meier, Schraube) : 18, 10.99, C1(Jan, Schmidt, Schraube) : 30, 17.,...} Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.22
25 Intuitive Bedeutung Regel: Form: head body definieren neue Zellen durch existierende Zellen die Regel P (v) : w Q(x, y) : z bedeutet informell: wenn es eine Zelle mit Referenz Q(x, y) und Inhalt z gibt, dann gibt es auch eine Zelle mit Referenz P (v) und Inhalt w Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.23
26 Hierarchien werden für Aggregationen benötigt spezifiziert durch Gruppierungsatome mit in-prädikat Beispiel: Kundschaft Zwischenhaendler1 Zwischenhaendler2 Meier Schmidt Keller {in(meier, Zwischenhaendler1), in(schmidt, Zwischenhaendler1), in(keller, Zwischenhaendler2), in(zwischenhaendler1, Kundschaft), in(zwischenhaendler2, Kundschaft)} Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.24
27 Aggregation Aggregatsoperator: partielle Abbildung von Multimengen von Tupeln über Konstanten auf einen einzelnen Wert z. B. sum, avg,... Aggregat-Teilziele der Form name = f(reference) Bedeutung: Aufschlüsselung der Referenz des Aggregats in die detaillierteste Hierarchie-Ebene Anwendung der Aggregatsfunktion auf die Inhalte der referenzierten Zellen Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.25
28 Beispiel: Aggregation Kundschaft Zwischenhaendler1 Zwischenhaendler2 Nagel Hammer Schraube Meier Schmidt Keller <20, 12.95> <15, 8.35> <18, 10.99> <30, <45, <32, 17.> 23.17> 17.> <25, <26, <29, 14.73> 15.45> 16.45> Jan Feb Mar sum(c1(jan, Zwischenhaendler1, Schraube)) = sum(c1(jan, Meier, Schraube), C1(Jan, Schmidt, Schraube)) = sum( 20, 12.95, 30, 17. ) = 50, Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.26
29 Beispieldatenbank Datenbank mit einem Cube, C1, mit Verkaufsdaten Zellen: C1(monat, produkt, kunde) : einheiten, einnahmen Hierarchien: Produktpalette Produkt1 Produkt2 Produkt3... Zeitraum Kundschaft Zwischenhaendler1 Zwischenhaendler2... Kunde11 Kunde12 Kunde21 Kunde Januar Februar Maerz... Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.27
30 Beispielanfragen: Push Pull Push des Monats in die Zelleninhalte: C2(monat, produkt, kunde) : einheiten, einnahmen, monat C1(monat, produkt, kunde) : einheiten, einnahmen Pull der Einheiten in die Zellenreferenz: C3(monat, produkt, kunde, einheiten) : einnahmen C1(monat, produkt, kunde) : einheiten, einnahmen Im Folgenden: C4(monat, produkt, kunde) : einnahmen C1(monat, produkt, kunde) : einheiten, einnahmen Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.28
31 Beispielanfrage: Data Cube erweiterter Data Cube: mit Hierarchien Regeln: CubeOperatorErgebnis(monat, produkt, kunde) : s s = sum(c4(monat, produkt, kunde)), Ebene(monat) =, Ebene(produkt) =, Ebene(kunde) = Ebene(x) : in(x, y), Ebene(y) : in(x, y). Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.29
32 Gliederung 1. Data Cube Operator 2. Regel-basierte Sprachen 3. MultiDimensional expressions (MDX) 4. nd-sql Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.30
33 3. MDX Microsoft-Entwicklung: MS-SQL-Server Syntax an SQL angelehnt Datenstruktur: Hypercubes Bestandteile: Data Definition Language (DDL) Data Manipulation Language (DML) Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.31
34 Terminologie Dimension Hierarchie von Kategorien Mitglied Elemente der untersten Hierarchiebene Maße numerische Werte in Zellen gespeichert eigene Dimension Measures Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.32
35 allgemeine Struktur einfacher, zweidimensionaler MDX-Ausdruck: SELECT axis_specification ON COLUMNS, axis_specification ON ROWS FROM cube_name WHERE slicer_specification Bedeutung: axis_specification: Auswahl der Mitglieder für die Ergebnisachsen cube_name: Auswahl des Cube slicer_specification: Auswahl des Cube- Ausschnittes ( Slicing) Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.33
36 Beispiele (1) Anfrage: SELECT Measures.MEMBERS ON COLUMNS, [Store].MEMBERS ON ROWS FROM [Sales] Ergebnis: 2-dimensionale Tabelle Spalten: alle Maße des Cube Sales Zeilen: alle Geschäfte des Cube Sales über alle nicht spezifizierten Dimensionen wird summiert zusätzliche Summen für alle Hierarchiebenen der Dimension Store Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.34
37 Beispiele (2) Anfrage: SELECT Measures.MEMBERS ON COLUMNS, {[Store].[Store State].[CA], [Store].[Store State].[WA]} ON ROWS FROM [Sales] Ergebnis: 2-dimensionale Tabelle Spalten: alle Maße des Cube Sales Zeilen: Kalifornien und Washington über alle nicht spezifizierten Dimensionen wird summiert Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.35
38 Beispiele (3) Anfrage: SELECT {[Store Type].[Store Type].MEMBERS} ON COLUMNS, {[Store].[Store State].MEMBERS) ON ROWS FROM [Sales] WHERE (Measures.[Sales Units], [Time].[Year].[2003]) Ergebnis: 2-dimensionale Tabelle Spalten: Elemente der Store Type Ebene Zeilen: Elemente der Store State Ebene in den Zellen steht das Maß Sales Units Summierung über nicht spezifizierte Dimensionen, eingeschränkt auf das Jahr 2003 in der Time Dimension Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.36
39 Gliederung 1. Data Cube Operator 2. Regel-basierte Sprachen 3. MultiDimensional expressions (MDX) 4. nd-sql Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.37
40 4. nd-sql vorgestellt 1998 von Gingras und Lakshmanan Erweiterung von Standard-SQL arbeitet auf relationalen Datenbanken Möglichkeiten: föderierte Datenbanken (heterogene Schemata) Aggregation auf mehreren Granularitätsebenen Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.38
41 Zusammenfassung Data Cube Regel-basierte MDX nd-sql Sprache Syntax SQL-Erweiterung Regeln SQL-ähnlich SQL-Erweiterung Datenmodell Relationen Cubes Cubes föderierte relationale Datenbanken Entwicklung kommerzielle Wissenschaft Microsoft Wissenschaft Forschung Seminar Business Intelligence OLAP-Anfragesprachen René Rondot S.39
6.5 Workshop: Operationen auf dem Cube Multidimensional Expressions (MDX)
6.5 Workshop: Operationen auf dem Cube Multidimensional Expressions (MDX) Was ist MDX? Microsoft Terminologie im OLAP Bereich MDX Basiskonstrukte MDX weiterführende Konstrukte Fazit MDX.- 1 Was ist MDX?
Anfragesprachen für On-Line Analytical Processing (OLAP)
Anfragesprachen für On-Line Analytical Processing (OLAP) Seminar: Datenbanken und Informationssysteme im Sommersemester 2003 René Rondot Betreuer: Jernej Kovse 27. Juni 2003 Inhaltsverzeichnis 1 Einleitung
Vorlesung Wissensentdeckung in Datenbanken
Vorlesung Wissensentdeckung in Datenbanken Data Cube Katharina Morik, Uwe Ligges Informatik LS 8 22.04.2010 1 von 26 Gliederung 1 Einführung 2 Aggregation in SQL, GROUP BY 3 Probleme mit GROUP BY 4 Der
Vorlesung Wissensentdeckung in Datenbanken
Gliederung Vorlesung Wissensentdeckung in Datenbanken Data Cube Katharina Morik, Claus Weihs 14.07.2009 1 Einführung 2 Aggregation in SQL, GROUP BY 3 Probleme mit GROUP BY 4 Der Cube-Operator 5 Implementierung
Data Cube. 1. Einführung. 2. Aggregation in SQL, GROUP BY. 3. Probleme mit GROUP BY. 4. Der Cube-Operator. 5. Implementierung des Data Cube
Data Cube 1. Einführung 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator 5. Implementierung des Data Cube 6. Zusammenfassung und Ausblick Dank an Hanna Köpcke! 1 On-line Analytical
Anfragen an multidimensionale Daten
Anfragen an multidimensionale Daten Alexander Heidrich - BID8 09.06.2005 Hintergrundbild: http://www.csc.calpoly.edu/~zwood/teaching/csc471/finalproj02/afternoon/mfouquet/cube.jpg Inhaltsübersicht Motivation
Multidimensionale Modellierung
Multidimensionale Modellierung Vorlesung: Übung: Patrick Schäfer Berlin, 27. November 2017 patrick.schaefer@hu-berlin.de https://hu.berlin/vl_dwhdm17 https://hu.berlin/ue_dwhdm17 Grundlagen Fakten (Kennzahlen/Messgrößen):
Seminar 2. SQL - DML(Data Manipulation Language) und. DDL(Data Definition Language) Befehle.
Seminar 2 SQL - DML(Data Manipulation Language) und DDL(Data Definition Language) Befehle. DML Befehle Aggregatfunktionen - werden auf eine Menge von Tupeln angewendet - Verdichtung einzelner Tupeln yu
Vorlesung Wissensentdeckung in Datenbanken
Vorlesung Wissensentdeckung in Datenbanken Data Cube Katharina Morik, Claus Weihs 21.04.2015 1 von 40 Gliederung 1 Einführung 2 Aggregation in SQL, GROUP BY 3 Probleme mit GROUP BY 4 Der Cube-Operator
Data Cubes PG Wissensmangement Seminarphase
PG 402 - Wissensmangement Seminarphase 23.10.2001-25.10.2001 Hanna Köpcke Lehrstuhl für Künstliche Intelligenz Universität Dortmund Übersicht 1. Einführung 2. Aggregation in SQL, GROUP BY 3. Probleme mit
Einleitung. ROLLUP, CUBE und GROUPING. Markus Jägle (markus.jaegle@trivadis.com) Art der Info Technische Background Info (April 2002)
Betrifft Autör: GROUPING_ID Markus Jägle (markus.jaegle@trivadis.com) Art der Info Technische Background Info (April 2002) Quelle Aus dem Oracle9i Data Warehousing Guide und den Kursen New Features Oracle9i
Daten-Definitionssprache (DDL) Bisher: Realwelt -> ERM -> Relationen-Modell -> normalisiertes Relationen-Modell. Jetzt: -> Formulierung in DDL
Daten-Definitionssprache (DDL) Bisher: Realwelt -> ERM -> Relationen-Modell -> normalisiertes Relationen-Modell Jetzt: -> Formulierung in DDL Daten-Definitionssprache (DDL) DDL ist Teil von SQL (Structured
Fortgeschrittene OLAP Analysemodelle
Fortgeschrittene OLAP Analysemodelle Jens Kübler Imperfektion und erweiterte Konzepte im Data Warehousing 2 Grundlagen - Datenanalyse Systemmodell Datenmodell Eingaben System Schätzer Datentypen Datenoperationen
Datenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken
Datenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken 17. V. 2017 Outline 1 Organisatorisches 2 SQL 3 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 4 Objekt-relationale Datenbanken Beispiel
Business Intelligence & Reporting. Michael Cordes Holger Oehring Matthias Rein
Business Intelligence & Reporting Michael Cordes Holger Oehring Matthias Rein Ziele Einführung Business Intelligence / Front Room Online Analytical Processing (OLAP) Arten des Reporting & Nutzergruppen
SQL. DDL (Data Definition Language) Befehle und DML(Data Manipulation Language)
SQL DDL (Data Definition Language) Befehle und DML(Data Manipulation Language) DML(Data Manipulation Language) SQL Abfragen Studenten MatrNr Name Vorname Email Age Gruppe 1234 Schmidt Hans schmidt@cs.ro
Datenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken
Datenbanken Unit 9: OLAP, OLTP und objektrelationale Datenbanken 31. V. 2016 Outline 1 Organisatorisches 2 SQL 3 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 4 Objekt-relationale Datenbanken Beispiel
Logische Modelle für OLAP. Burkhard Schäfer
Logische Modelle für OLAP Burkhard Schäfer Übersicht Einführung in OLAP Multidimensionale Daten: Hypercubes Operationen Formale Grundlagen Zusammenfassung Einführung in OLAP Verfahren zur Analyse großer
definiert Dimension und Position in Hierarchie Name des Calculated Members Aufbau des Calculated Members -Statements:
6.7 Workshop: Fortsetzung MDX weiterführende Konstrukte Calculated Members und Named Sets Definition neuer Members, z.b. abgeleitete Measures (Beispiel: Rendite als Funktion von eingesetztem Kapital und
Data Warehousing. Ausführung von OLAP Operationen. Ulf Leser Wissensmanagement in der Bioinformatik
Data Warehousing Ausführung von OLAP Operationen Ulf Leser Wissensmanagement in der Bioinformatik Variante 1 - Snowflake Year id year Productgroup id pg_name Month Id Month year_id Day Id day month_id
WS 2010/11 Datenbanksysteme Fr 15:15 16:45 R Vorlesung #3. SQL (Teil 1)
Vorlesung #3 SQL (Teil 1) Fahrplan Wiederholung/Zusammenfassung Relationales Modell Relationale Algebra Relationenkalkül Geschichte der Sprache SQL SQL DDL (CREATE TABLE...) SQL DML (INSERT, UPDATE, DELETE)
SQL. Ziele. Grundlagen von SQL. Beziehung zur relationalen Algebra SELECT, FROM, WHERE. Joins ORDER BY. Aggregatfunktionen. dbis.
SQL Lehr- und Forschungseinheit Datenbanken und Informationssysteme Ziele Grundlagen von SQL Beziehung zur relationalen Algebra SELECT, FROM, WHERE Joins ORDER BY Aggregatfunktionen Lehr- und Forschungseinheit
Kapitel 9: Operationen auf dem Cube Multidimensional Expressions (MDX) Was ist MDX? MDX Queryinterface und API. Konzepte - Microsoft Terminologie
Kapitel 9: Operationen auf dem Cube Multidimensional Expressions (MDX) Was ist MDX? Microsoft Terminologie im OLAP Bereich MDX Basiskonstrukte MDX weiterführende Konstrukte Fazit Was ist MDX? Ist SQL für
Kapitel 5: Vom relationalen zum multidimensionalen Datenmodell
Kapitel 5: Vom relationalen zum multidimensionalen Datenmodell Data Warehousing und Mining 1 Data Warehousing, Gliederung Dimensionen und Measures Schematypen für Data Warehousing GroupBy und Data Cubes
Kapitel 5: Vom relationalen zum multidimensionalen Datenmodell
Data Warehousing, Gliederung Kapitel 5: Vom relationalen zum multidimensionalen Datenmodell Dimensionen und Measures Schematypen für Data Warehousing GroupBy und Data Cubes Operatoren für den Data Cube
Kap. 6 Data Warehouse
1 Kap. 6 Data Warehouse 6.1 Was ist ein Data Warehouse, Motivation? 6.2 Data Cube und Cube-Operationen 6.3 Workshop: MS SQL Server, Cube Operationen 6.4 Physischer Entwurf, Implementierung von Cubes 6.5
ISU 1. Ue_08/02_Datenbanken/SQL. 08 Datenbanken. Übung. SQL Einführung. Eckbert Jankowski. www.iit.tu-cottbus.de
08 Datenbanken Übung SQL Einführung Eckbert Jankowski www.iit.tu-cottbus.de Datenmodell (Wiederholung, Zusammenfassung) Objekte und deren Eigenschaften definieren Beziehungen zwischen den Objekten erkennen/definieren
Online Kurse Modulbeschreibungen
Online Kurse Modulbeschreibungen K0100 SQL Basics M0101 DB Theorie Dieses Modul führt in die Thematik von Datenbanken und deren grundlegenden Begriffen und Konzepten ein. Es werden Fragen beantwortet,
Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY
Data Cube On-line Analytical Processing (OLAP). Einführung Ziel: Auffinden interessanter Muster in großen Datenmengen 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator! Formulierung
Es geht also im die SQL Data Manipulation Language.
1 In diesem Abschnitt wollen wir uns mit den SQL Befehlen beschäftigen, mit denen wir Inhalte in Tabellen ( Zeilen) einfügen nach Tabelleninhalten suchen die Inhalte ändern und ggf. auch löschen können.
Antwort auf QB ist Menge von Tupeln, i-e. selbst wieder Relation (wie bei rel. Algebra) in QB "Zugriff" auf Tupel mit Tupel-Variablen
Kapitel 6.3 SQL als Anfragesprache Kap. 6.3.1 Allgemeine Begriffe Identifiers: Var-Name ~ Tupel-Variable Table-Name ~ Rel., View Field-Name ~ Attribut-Bez. Key-Words: select where key is integer string
bersicht Datenbanken und Datawarehouses Datenbank Datenbanksysteme Niels Schršter
bersicht Niels Schršter EinfŸhrung GROUP BY Roll UpÔs Kreuztabellen Cubes Datenbank Ansammlung von Tabellen, die einen ãausschnitt der WeltÒ fÿr eine Benutzergruppe beschreiben. Sie beschreiben die funktionalen
Nachtrag: Farben. Farbblindheit. (Light und Bartlein 2004)
Nachtrag: Farben Farbblindheit (Light und Bartlein 2004) 1 Vorgeschlagene Farbskalen (Light and Bartlein 2004) Farbkodierung metrisch skalierter Daten Unterscheide: 1. Sequential Data (ohne Betonung der
Christian Kurze BI-Praktikum IBM WS 2008/09
Einführung in die multidimensionale Datenmodellierung e mit ADAPT BI-Praktikum IBM WS 2008/09 1 Gliederung Einführung multidimensionale Datenmodellierung 1. Multidimensionales Modell BI-Praktikum IBM WS
Developing SQL Data Models MOC 20768
Developing SQL Data Models MOC 20768 In diesem Kurs lernen Sie das Implementieren von multidimensionale Datenbanken mithilfe der SQL Server Analysis Services (SSAS) und durch das Erstellen von tabellarische
Datenbanken Unit 9: OLAP, OLTP, Data Warehouse Ranking Algorithmen
Datenbanken Unit 9: OLAP, OLTP, Data Warehouse Ranking Algorithmen 28. V. 2018 Outline 1 Organisatorisches 2 OLTP, OLAP, SAP, and Data Warehouse OLTP and OLAP SAP 3 Ranking 4 SQL Organisatorisches Ergebnisse
SQL. strukturierte Datenbankabfragesprache eine Datenbanksprache zur. Structured Query Language:
SQL Structured Query Language: strukturierte Datenbankabfragesprache eine Datenbanksprache zur Definition, Abfrage und Manipulation von Daten in relationalen Datenbanken In der SQL-Ansicht arbeiten In
Teil II: Architektur eines Data-Warehouse-Systems... 57
O:/Wiley/Reihe_Dummies/9783527714476_Gerken/3d/ftoc.3d from 08.08.2018 14:02:02 Auf einen Blick Einleitung... 19 Teil I: Was ist ein Data Warehouse?... 25 Kapitel 1: Ein Beispiel zur Einführung..... 27
Datenbanksysteme Kapitel 5: SQL Data Manipulation Language
Datenbanksysteme Kapitel 5: SQL Data Manipulation Language Prof. Dr. Peter Chamoni Mercator School of Management Lehrstuhl für Wirtschaftsinformatik, insb. Business Intelligence Prof. Dr. Peter Chamoni
MCSA: SQL 2016 Database Development
MCSA: SQL 2016 Database Development Querying Data with Transact-SQL & Developing SQL Databases Seminarziel In diesem 6-tägigen Kurs werden die Teilnehmer von Grund auf in die Entwicklung
Summarization-based Aggregation
Summarization-based Aggregation Daten Generalisierung: Prozess, der Anwendungsdaten schrittweise von niedrigen auf höhere konzeptuelle Level aggregiert Conceptual levels 2 3 4 5 example: all federal states
Kapitel 9: Operationen auf dem Cube Multidimensional Expressions (MDX) Was ist MDX? MDX Queryinterface und API. Konzepte - Microsoft Terminologie
Kapitel 9: Operationen auf dem Cube Multidimensional Expressions (MDX) Was ist MDX? Microsoft Terminologie im OLAP Bereich MDX Basiskonstrukte MDX weiterführende Konstrukte Fazit Was ist MDX? Ist SQL für
ACCESS SQL ACCESS SQL
ACCESS SQL Datenbankabfragen mit der Query-Language ACCESS SQL Datenbankpraxis mit Access 34 Was ist SQL Structured Query Language Bestehend aus Datendefinitionssprache (DDL) Datenmanipulationssprache
Kapitel 8: Data Warehouse 1
Objektverwaltung höherer Ordnung (OHO) SS 23 Kapitel 8: Data Warehouse Kap. 8 Data Warehouse 8. Was ist ein Data Warehouse, Motivation? 8.2 Data Cube und SQL-Operationen 8.3 Cube-Operationen 8.4 Physischer
Wiederholung VU Datenmodellierung
Wiederholung VU Datenmodellierung VU Datenbanksysteme Reinhard Pichler Arbeitsbereich Datenbanken und Artificial Intelligence Institut für Informationssysteme Technische Universität Wien Wintersemester
Moderne Datenbankkonzepte
Verteilte Datenbanken Moderne Datenbankkonzepte Wünschenswert, aber extrem aufwändig ( Zweiphasen Commit) Objektrelationale Datenbanken Kompromiss zwischen relational und rein objektorientiert seit 1999
Übung zur Einführung in die Wirtschaftsinformatik Cognos Powerplay als Beispiel für ein DSS
Übung zur Einführung in die Wirtschaftsinformatik 2006-05 - 10 Cognos Powerplay als Beispiel für ein DSS 1 Entscheidungsunterstützungssysteme (EUS) Decision Support Systems (DSS) EUS sollen das gemeinsame
Structured Query Language (SQL) als standardisierte Anfragesprache für relationale Datenbanken
Rückblick Structured Query Language (SQL) als standardisierte Anfragesprache für relationale Datenbanken Data Definition Language zur Schemadefinition (z.b. CREATE TABLE zum Anlegen von Tabellen) Data
Abfragen (Queries, Subqueries)
Abfragen (Queries, Subqueries) Grundstruktur einer SQL-Abfrage (reine Projektion) SELECT [DISTINCT] {* Spaltenname [[AS] Aliasname ] Ausdruck} * ; Beispiele 1. Auswahl aller Spalten SELECT * ; 2. Auswahl
Datenbanken Grundlagen und Design
Frank Geisler Datenbanken Grundlagen und Design 3., aktualisierte und erweiterte Auflage mitp Vorwort 15 Teil I Grundlagen 19 i Einführung in das Thema Datenbanken 21 i.i Warum ist Datenbankdesign wichtig?
Themenblock: Erstellung eines Cube
Themenblock: Erstellung eines Cube Praktikum: Data Warehousing und Data Mining Einführung relationale Datenbanken Problem Verwaltung großer Mengen von Daten Idee Speicherung der Daten in Form von Tabellen
SQL als Zugriffssprache
SQL als Zugriffssprache Der Select Befehl: Aufbau Select- und From-Klausel Where-Klausel Group-By- und Having-Klausel Union Join-Verbindung Order-By-Klausel Der Update-Befehl Der Delete-Befehl Der Insert-Befehl
Daniel Warner SQL. Das Praxisbuch. Mit 119 Abbildungen. Franzis
Daniel Warner SQL Das Praxisbuch Mit 119 Abbildungen Franzis Inhaltsverzeichnis Teil I - Einleitung 15 1 Einleitung 17 1.1 Zum Aufbau des Buchs 17 1.2 Hinweise zur Buch-CD 18 1.3 Typografische Konventionen
Prakt. Datenbankprogrammierung. Sommersemester I,5: Aggregieren von Daten mit Gruppen-Funktionen
Prakt. Datenbankprogrammierung Sommersemester 2005 I,5: Aggregieren von Daten mit Gruppen-Funktionen Martin-Luther-Universität Halle, Institut für Informatik, Datenbanken Christian Goldberg Was sind Gruppen-Funktionen?
insert, update, delete Definition des Datenbankschemas select, from, where Rechteverwaltung, Transaktionskontrolle
Einführung in SQL insert, update, delete Definition des Datenbankschemas select, from, where Rechteverwaltung, Transaktionskontrolle Quelle Wikipedia, 3.9.2015 SQL zur Kommunikation mit dem DBMS SQL ist
[ SQL] Wissen, das sich auszahlt
![[ SQL] Wissen, das sich auszahlt](/thumbs/92/107830280.jpg "[ SQL] Wissen, das sich auszahlt")
[www.teia.de SQL] Wissen, das sich auszahlt INHALT SEITE 12 [I] 1] Einführung in SQL und relationale Datenbanken 12 14 16 18 11 1.1 1.2 Einführung Die Structured Query Language (SQL) Tabellen Mehrere Tabellen
Üben von DDL und DML. Ergebnis:
SQL DDL Üben von DDL und DML https://www.jdoodle.com/execute-sql-online Ergebnis: Befehlsgruppen in SQL DDL Data Definition Language DML Data Manipulation Language CREATE: Tabellen anlegen DROP: Tabellen
SQL Intensivpraktikum SS 2008
SQL Intensivpraktikum SS 2008 Aggregation von Daten Arbeit mit Gruppen SQL1 basierend auf OAI-Kurs Copyright Oracle Corporation, 1998. All rights reserved. Gruppenfunktionen Gruppenfunktionen verarbeiten
Einführung relationale Datenbanken. Themenblock: Erstellung eines Cube. Schlüssel. Relationenmodell Relationenname Attribut. Problem.
Themenblock: Erstellung eines Cube Einführung relationale Datenbanken Problem Verwaltung großer Mengen von Daten Praktikum: Data Warehousing und Data Mining Idee Speicherung der Daten in Form von Tabellen
Rückblick. SQL bietet viele Möglichkeiten zur Anfrageformulierung
Rückblick SQL bietet viele Möglichkeiten zur Anfrageformulierung mathematische Funktionen (z.b. ABS(A) und SIGN(A)) Aggregatfunktionen (z.b. MIN(A) und SUM(A)) Boole sche Operatoren (AND, OR, EXCEPT) Verknüpfungen
Geoinformation Abbildung auf Tabellen
Folie 1 von 32 Geoinformation Abbildung auf Tabellen Folie 2 von 32 Abbildung auf Tabellen Übersicht Motivation des relationalen Datenmodells Von Objekten zu Tabellen Abbildung von Objekten Schlüssel Abbildung
Wiederholung VU Datenmodellierung
Wiederholung VU Datenmodellierung VL Datenbanksysteme Reinhard Pichler Arbeitsbereich Datenbanken und Artificial Intelligence Institut für Informationssysteme Technische Universität Wien Wintersemester
Vorlesung Wissensentdeckung in Datenbanken
Vorlesung Wissensentdeckung in Datenbanken Data Cube Kristian Kersting, (Katharina Morik), Claus Weihs Informatik LS 8 Computergestützte Statistik Technische Universität Dortmund 15.04.2014 1 von 43 Was
Einführung SQL Data Definition Language (DDL)
Innsbruck Information System University of Innsbruck School of Management Universitätsstraße 15 6020 Innsbruck Einführung SQL Data Definition Language (DDL) Universität Innsbruck Institut für Wirtschaftsinformatik,
Die Sprache QUEL. Beispiel für QUEL-Anfrage. Weitere Datenbanksprachen. Anfragen in QUEL. Welche Lieferanten liefern von Weiß bestellte Waren?
( " unique - ( ) [ DDL DML des INGRES-Systems DDL analog zu SQL DML an Tupelkalkül angelehnt Die Sprache QUEL Beispiel für QUEL-Anfrage Welche Lieferanten liefern von Weiß bestellte Waren? : range of is
Datenbanken im WI-Unterricht mit
Datenbanken im WI-Unterricht mit Inhaltsverzeichnis 1 ER-Modell - Entity Relationship Modell 1 1.1 Entitäten................................................. 2 1.2 Relationen................................................
Kapitel 6. Datenmalipulation (DML) d. h. insert, update, delete, select im Relationenmodell (in Oracle)
Kapitel 6 Datenmalipulation (DML) d. h. insert, update, delete, select im Relationenmodell (in Oracle) 1 Datenmanipulationssprache (DML) SQL Einfügen: Insert-Statement Ändern: Update-Statement Löschen:
Frühjahrsemester 2011. Data Warehousing Kapitel 5: Data Warehousing. H. Schuldt. 5.1 Einführung. Filiale Allschwil
Frühjahrsemester Data Warehousing Kapitel 5: Data Warehousing H. Schuldt Wiederholung aus Kapitel 5. Einführung Tresgros Tresgros Tresgros Filiale Muttenz Filiale Allschwil Filiale Liestal Anfragen: Welches
SchemaSQL Eine Multidatenbank Sprache. Volodymyr Biryuk
SchemaSQL Eine Multidatenbank Sprache Volodymyr Biryuk Herausforderung Aufbau eines Multi-Datenbank-Systems (MDBS) Problem Autonomie Distribution Heterogenität Integration heterogener Datenquellen Art
Die bisher bereits bekannten Aggregatsfunktionen MIN, MAX, SUM, AVG, COUNT, VARIANCE und STDDEV wurden um FIRST und LAST erweitert.
Betrifft Autor FIRST, LAST Markus Jägle (markus.jaegle@trivadis.com) Art der Info Technische Background Info (April 2002) Quelle Aus dem NF9i-Kurs, NF9i-Techno-Circle der Trivadis und Oracle9i Data Warehousing
Query Languages (QL) Relationale Abfragesprachen/Relational
Relationale Algebra Relationale Abfragesprachen/Relational Query Languages (QL) Abfragesprachen: Daten aus einer Datenbank zu manipulieren und abzufragen (retrieve information) Das relationalle Modell
SQL Data Manipulation Language (DML) und Query Language (QL)
Innsbruck Information System University of Innsbruck School of Management Information Systems Universitätsstraße 15 6020 Innsbruck SQL Data Manipulation Language (DML) und Query Language (QL) Universität
SQL 2. Ziele. Fortgeschrittene SQL-Konstrukte. Aggregatfunktionen revisited. Subqueries. Korrelierte Subqueries
SQL 2 Lehr- und Forschungseinheit Datenbanken und Informationssysteme 1 Ziele Fortgeschrittene SQL-Konstrukte groupby having union / intersect / except Aggregatfunktionen revisited Subqueries Korrelierte
2. Ein abstraktes Geo-Datenmodell
2 Ein abstraktes Geo-Datenmodell 1 Was soll modelliert werden? 2 Spatial Data Types 3 Integration in das relationale Datenmodell Geo-Informationssysteme 24 21 Was soll modelliert werden? Einzelne Objekte
Praktische SQL-Befehle
Praktische SQL-Befehle Datenbanksysteme I WiSe 2018/2019 Todor Ivanov DB1 WS2018 1 Praktische SQL-Befehle Nested Selects Inserts Updates Views Triggers Constraints Functions Voraussetzung: Laptop + MySQL/
Querying Data with Transact-SQL MOC 20761
Querying Data with Transact-SQL MOC 20761 In diesem 5-Tages-Kurs erwerben Sie gute Kenntnisse in der Transact-SQL- Sprache, die in allen mit dem SQL-Server in Verbindung stehenden Disziplinen verwendet
Datenbanken: Relationales Modell und SQL. Dr. Matthias Uflacker, Stefan Klauck 23. April 2018
Datenbanken: Relationales Modell und SQL Dr. Matthias Uflacker, Stefan Klauck 23. April 2018 Vorlesungsinhalte/-aufbau Phase 1 Einführung zu Unternehmensanwendungen (2 Vorlesungen) Grundlagen von spaltenorientierten
Implementing Data Models and Reports with Microsoft SQL Server MOC 20466
Implementing Data Models and Reports with Microsoft SQL Server MOC 20466 In dem fünftägigen Kurs Implementing Data Models and Reports with Microsoft SQL Server lernen Sie das Erstellen gesteuerter Enterprise
7. XML-Datenbanksysteme und SQL/XML
7. XML-Datenbanksysteme und SQL/XML Native XML-DBS vs. XML-Erweiterungen von ORDBS Speicherung von XML-Dokumenten Speicherung von XML-Dokumenten als Ganzes Generische Dekomposition von XML-Dokumenten Schemabasierte
SELECT dient dazu, aus einer vorhandenen Datenbank bestimmte Spalten und Zeilen auszugeben es handelt sich also um eine Auswahlabfrage.
SELECT-FROM SELECT dient dazu, aus einer vorhandenen Datenbank bestimmte Spalten und Zeilen auszugeben es handelt sich also um eine Auswahlabfrage. Inhaltsverzeichnis 1 Der grundlegende Aufbau 2 Doppelte
Teil VIII. Weitere Datenbanksprachen
Teil VIII Weitere Datenbanksprachen Weitere Datenbanksprachen 1 Programmiersprachenanbindung 2 QBE 3 Änderungen in QBE 4 Anfragen in Access Sattler / Saake Datenbanksysteme Wintersemester 2010/11 8 1 Programmiersprachenanbindung
SQL. DDL (Data Definition Language) Befehle und DML(Data Manipulation Language)
SQL DDL (Data Definition Language) Befehle und DML(Data Manipulation Language) DML(Data Manipulation Language) SQL Abfragen Studenten MatrNr Name Vorname Email Age Gruppe 1234 Schmidt Hans schmidt@cs.ro
Erzeugung und Veränderung von Tabellen
Datenbanken - Objekte Erzeugung und Veränderung von Tabellen Objekt Tabelle View Sequence Index Synonym Basiseinheit zum Speichern; besteht aus Zeilen und Spalten; Logische Repräsentation; kann Teilmengen
Datenbanksysteme Kapitel 5: SQL Data Manipulation Language
Datenbanksysteme Kapitel 5: SQL Data Manipulation Language Prof. Dr. Peter Chamoni Mercator School of Management Lehrstuhl für Wirtschaftsinformatik, insb. Business Intelligence Prof. Dr. Peter Chamoni
6.2 Datenmodellierung
Umsetzung des multidimensionalen Modells Interne Verwaltung der Daten durch - Relationale Strukturen (Tabellen) Relationales OLAP (ROLAP) Vorteile: Verfügbarkeit, Reife der Systeme - Multidimensionale
Auf einen Blick. Abfrage und Bearbeitung. Erstellen einer Datenbank. Komplexe Abfragen. Vorwort... 13
Auf einen Blick Vorwort... 13 Teil 1 Vorbereitung Kapitel 1 Einleitung... 17 Kapitel 2 SQL der Standard relationaler Datenbanken... 21 Kapitel 3 Die Beispieldatenbanken... 39 Teil 2 Abfrage und Bearbeitung
Datenbankmodelle und Datenbanksprachen
Datenbankmodelle und Datenbanksprachen Dr.-Ing. Guy Vollmer FH Dortmund, FB Informatik Dienstag, 30. September 2008 1 Agenda 1. Einordnung des Themas 2. Datenbankmodelle Relationales Datenmodell 3. Datenbanksprachen
Data Warehousing. Sommersemester Ulf Leser Wissensmanagement in der Bioinformatik
Data Warehousing Sommersemester 2004 Ulf Leser Wissensmanagement in der Bioinformatik ... Der typische Walmart Kaufagent verwendet täglich mächtige Data Mining Werkzeuge, um die Daten der 300 Terabyte
Visualisierung in Informatik und Naturwissenschaften
Visualisierung in Informatik und Naturwissenschaften Datenbankvisualisierung Sven Bernhard 12.06.1999 Datenbankvisualisierung Datenbanktheorie in 5 Minuten Visualisierung vs. Datenbanken Visualisierung
Datenzugriffskomponente mit JPA 2.1
Datenzugriffskomponente mit JPA 2.1 (Grundlagen der Java Persistence Architecture) Vladislav Faerman Gliederung Einführung Konfiguration Objekt-Relationales Mapping (ORM) mit JPA Das zentrale Konzept der
Schlüssel. Definition: Ein Schlüssel (key) einer Relation r(r) ist eine Til Teilmenge K von R, so dass für je zwei verschiedene Tupeln t 1
Schlüssel Definition: Ein Schlüssel (key) einer Relation r(r) ist eine Til Teilmenge K von R, so dass für je zwei verschiedene Tupeln t 1 und t 2 r gilt: - t 1 (K) t 2 (K) und - keine echte Teilmenge K'
Kapitel 2: Ein abstraktes Geo-Datenmodell
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS Kapitel 2: Ein abstraktes Geo-Datenmodell Skript zur Vorlesung Geo-Informationssysteme Wintersemester 2011/12 Ludwig-Maximilians-Universität
Dimensionen, Measures
... Operationen und peicherung Multi-dimensionaler Daten Aggregate um RED WHITE BLUE Group By (with total) By Color um Cross Tab Chevy Ford By Color RED WHITE BLUE By Make um By Make & Year By Year FORD
Vorlesung Datenbankmanagementsysteme
Vorlesung Datenbankmanagementsysteme SQL zur Datenanalyse & Einführung Online Analytical Processing (OLAP) (auf Basis von Oracle) Vorlesung Datenbankmanagementsysteme SQL zur Datenanalyse M. Lange, S.
Auf einen Blick. Abfrage und Bearbeitung. Erstellen einer Datenbank. Komplexe Abfragen. Vorwort 13
Auf einen Blick Vorwort 13 Teil 1 Vorbereitung Kapitel 1 Einleitung 17 Kapitel 2 SQL - der Standard relationaler Datenbanken 21 Kapitel 3 Die Beispieldatenbanken 39 Teil 2 Abfrage und Bearbeitung Kapitel
SQL. DDL (Data Definition Language) Befehle und DML(Data Manipulation Language)
SQL DDL (Data Definition Language) Befehle und DML(Data Manipulation Language) DML(Data Manipulation Language) SQL Abfragen Studenten MatrNr Name Vorname Email Age Gruppe 1234 Schmidt Hans schmidt@cs.ro