前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
社区首页 >专栏 >Django 模型查询2.3

Django 模型查询2.3

作者头像
Lansonli
发布于 2021-10-09 02:55:41
发布于 2021-10-09 02:55:41
2.4K00
代码可运行
举报
文章被收录于专栏:Lansonli技术博客Lansonli技术博客
运行总次数:0
代码可运行

简介

  • 查询集表示从数据库中获取的对象集合
  • 查询集可以含有零个、一个或多个过滤器
  • 过滤器基于所给的参数限制查询的结果
  • 从Sql的角度,查询集和select语句等价,过滤器像where和limit子句
  • 接下来主要讨论如下知识点
    • 查询集
    • 字段查询:比较运算符,F对象,Q对象

查询集

  • 在管理器上调用过滤器方法会返回查询集
  • 查询集经过过滤器筛选后返回新的查询集,因此可以写成链式过滤
  • 惰性执行:创建查询集不会带来任何数据库的访问,直到调用数据时,才会访问数据库
  • 何时对查询集求值:迭代,序列化,与if合用
  • 返回查询集的方法,称为过滤器
    • all()
    • filter()
    • exclude()
    • order_by()
    • values():一个对象构成一个字典,然后构成一个列表返回
  • 写法:
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
filter(1=1,2=2)
等价于
filter(1=1).filter(2=2)
  • 返回单个值的方法
    • get():返回单个满足条件的对象
      • 如果未找到会引发"模型类.DoesNotExist"异常
      • 如果多条被返回,会引发"模型类.MultipleObjectsReturned"异常
    • count():返回当前查询的总条数
    • first():返回第一个对象
    • last():返回最后一个对象
    • exists():判断查询集中是否有数据,如果有则返回True

限制查询集

  • 查询集返回列表,可以使用下标的方式进行限制,等同于sql中的limit和offset子句
  • 注意:不支持负数索引
  • 使用下标后返回一个新的查询集,不会立即执行查询
  • 如果获取一个对象,直接使用[0],等同于[0:1].get(),但是如果没有数据,[0]引发IndexError异常,[0:1].get()引发DoesNotExist异常

查询集的缓存

  • 每个查询集都包含一个缓存来最小化对数据库的访问
  • 在新建的查询集中,缓存为空,首次对查询集求值时,会发生数据库查询,django会将查询的结果存在查询集的缓存中,并返回请求的结果,接下来对查询集求值将重用缓存的结果
  • 情况一:这构成了两个查询集,无法重用缓存,每次查询都会与数据库进行一次交互,增加了数据库的负载
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
print([e.title for e in Entry.objects.all()])
print([e.title for e in Entry.objects.all()])
  • 情况二:两次循环使用同一个查询集,第二次使用缓存中的数据
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
querylist=Entry.objects.all()
print([e.title for e in querylist])
print([e.title for e in querylist])
  • 何时查询集不会被缓存:当只对查询集的部分进行求值时会检查缓存,但是如果这部分不在缓存中,那么接下来查询返回的记录将不会被缓存,这意味着使用索引来限制查询集将不会填充缓存,如果这部分数据已经被缓存,则直接使用缓存中的数据

字段查询

  • 实现where子名,作为方法filter()、exclude()、get()的参数
  • 语法:属性名称__比较运算符=值
  • 表示两个下划线,左侧是属性名称,右侧是比较类型
  • 对于外键,使用“属性名_id”表示外键的原始值
  • 转义:like语句中使用了%与,匹配数据中的%与,在过滤器中直接写,例如:filter(title__contains="%")=>where title like '%\%%',表示查找标题中包含%的

比较运算符

  • exact:表示判等,大小写敏感;如果没有写“ 比较运算符”,表示判等
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
filter(isDelete=False)
  • contains:是否包含,大小写敏感
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
exclude(btitle__contains='传')
  • startswith、endswith:以value开头或结尾,大小写敏感
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
exclude(btitle__endswith='传')
  • isnull、isnotnull:是否为null
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
filter(btitle__isnull=False)
  • 在前面加个i表示不区分大小写,如iexact、icontains、istarswith、iendswith
  • in:是否包含在范围内
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
filter(pk__in=[1, 2, 3, 4, 5])
  • gt、gte、lt、lte:大于、大于等于、小于、小于等于
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
filter(id__gt=3)
  • year、month、day、week_day、hour、minute、second:对日期间类型的属性进行运算
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
filter(bpub_date__year=1980)
filter(bpub_date__gt=date(1980, 12, 31))
  • 跨关联关系的查询:处理join查询
    • 语法:模型类名 <属性名> <比较>
    • 注:可以没有__<比较>部分,表示等于,结果同inner join
    • 可返向使用,即在关联的两个模型中都可以使用
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
filter(heroinfo_ _hcontent_ _contains='八')
  • 查询的快捷方式:pk,pk表示primary key,默认的主键是id
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
filter(pk__lt=6)

聚合函数

  • 使用aggregate()函数返回聚合函数的值
  • 函数:Avg,Count,Max,Min,Sum
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
from django.db.models import Max
maxDate = list.aggregate(Max('bpub_date'))
  • count的一般用法:
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
count = list.count()

F对象

  • 可以使用模型的字段A与字段B进行比较,如果A写在了等号的左边,则B出现在等号的右边,需要通过F对象构造
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
list.filter(bread__gte=F('bcommet'))
  • django支持对F()对象使用算数运算
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
list.filter(bread__gte=F('bcommet') * 2)
  • F()对象中还可以写作“模型类__列名”进行关联查询
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
list.filter(isDelete=F('heroinfo__isDelete'))
  • 对于date/time字段,可与timedelta()进行运算
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
list.filter(bpub_date__lt=F('bpub_date') + timedelta(days=1))

Q对象

  • 过滤器的方法中关键字参数查询,会合并为And进行
  • 需要进行or查询,使用Q()对象
  • Q对象(django.db.models.Q)用于封装一组关键字参数,这些关键字参数与“比较运算符”中的相同
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
from django.db.models import Q
list.filter(Q(pk_ _lt=6))
  • Q对象可以使用&(and)、|(or)操作符组合起来
  • 当操作符应用在两个Q对象时,会产生一个新的Q对象
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
list.filter(pk_ _lt=6).filter(bcommet_ _gt=10)
list.filter(Q(pk_ _lt=6) | Q(bcommet_ _gt=10))
  • 使用~(not)操作符在Q对象前表示取反
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
list.filter(~Q(pk__lt=6))
  • 可以使用&|~结合括号进行分组,构造做生意复杂的Q对象
  • 过滤器函数可以传递一个或多个Q对象作为位置参数,如果有多个Q对象,这些参数的逻辑为and
  • 过滤器函数可以混合使用Q对象和关键字参数,所有参数都将and在一起,Q对象必须位于关键字参数的前面

自连接

  • 对于地区信息,属于一对多关系,使用一张表,存储所有的信息
  • 类似的表结构还应用于分类信息,可以实现无限级分类
  • 新建模型AreaInfo,生成迁移
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
class AreaInfo(models.Model):
    atitle = models.CharField(max_length=20)
    aParent = models.ForeignKey('self', null=True, blank=True)
  • 访问关联对象
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
上级对象:area.aParent
下级对象:area.areainfo_set.all()
  • 加入测试数据(在workbench中,参见“省市区mysql.txt”)
  • 在booktest/views.py中定义视图area
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
from models import AreaInfo
def area(request):
    area = AreaInfo.objects.get(pk=130100)
    return render(request, 'booktest/area.html', {'area': area})
  • 定义模板area.html
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
<!DOCTYPE html>
<html>
<head>
    <title>地区</title>
</head>
<body>
当前地区:{{area.atitle}}
<hr/>
上级地区:{{area.aParent.atitle}}
<hr/>
下级地区:
<ul>
    { %for a in area.areainfo_set.all%}
    <li>{{a.atitle}}</li>
    { %endfor%}
</ul>
</body>
</html>
  • 在booktest/urls.py中配置一个新的urlconf
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
urlpatterns = [
    url(r'^area/$', views.area, name='area')
]
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2019/09/13 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
多目标检测:基于YoloV4优化的多目标检测
为了解决目标检测任务中小目标检测精度低、误检、漏检率高等问题,有研究者提出了一种基于YOLOv4卷积神经网络的多目标检测方法。 多目标检测作为目标检测领域的一个重要研究方向,一直受到研究人员的广泛关注。目前,在智能交通、智能辅助驾驶和视频监控等领域已经产生了深入的研究。
计算机视觉研究院
2022/01/26
1.1K0
多目标检测:基于YoloV4优化的多目标检测
SSFENet | 增强空间和语义特征用于目标检测(附论文下载)
计算机视觉研究院专栏 作者:Edison_G 目前最先进的目标检测器通常使用预先训练好的分类网络来提取特征,然后利用特征金字塔来检测不同尺度的目标。 公众号ID|ComputerVisionGzq 学习群|扫码在主页获取加入方式 源码获取|扫码回复“GWD”获取源码 1 简要 目前最先进的目标检测器通常使用预先训练好的分类网络来提取特征,然后利用特征金字塔来检测不同尺度的目标。然而,分类网络更喜欢平移不变性,而忽略了位置信息,因此直接使用提取的特征进行融合会影响性能。 在今天分享中,研究者提出了一个
计算机视觉研究院
2022/03/04
7050
干货 | 深度学习时代的目标检测算法
AI 科技评论按:本文作者 Ronald,首发于作者的知乎专栏「炼丹师备忘录」,AI 科技评论获其授权转发。 目前目标检测领域的深度学习方法主要分为两类:two stage 的目标检测算法;one s
AI科技评论
2018/03/07
1.7K0
干货 | 深度学习时代的目标检测算法
目标检测系列之五(YOLO V4)
论文题目《YOLOv4: Optimal Speed and Accuracy of Object Detection》 论文地址:https://arxiv.org/abs/2004.10934 论文代码:https://github.com/AlexeyAB/darknet
Minerva
2020/05/25
1.6K0
基于深度学习的目标检测算法综述
目标检测的任务是找出图像中所有感兴趣的目标(物体),确定它们的位置和大小,是机器视觉领域的核心问题之一。由于各类物体有不同的外观,形状,姿态,加上成像时光照,遮挡等因素的干扰,目标检测一直是机器视觉领域最具有挑战性的问题。本文将针对目标检测(Object Detection)这个机器视觉中的经典任务进行解析,抛砖引玉。如对文中的内容持不同观点,欢迎到SIGAI公众号发消息给我们,一起探讨!
SIGAI学习与实践平台
2018/08/07
1.4K0
基于深度学习的目标检测算法综述
一文总结目标检测
如有排版问题,可知乎查看:zhihu.com/column/c_1255545721723191296
枫桦
2022/08/02
8331
一文总结目标检测
目标检测究竟发展到了什么程度? | CVHub带你聊一聊目标检测发展的这22年
目标检测领域发展至今已有二十余载,从早期的传统方法到如今的深度学习方法,精度越来越高的同时速度也越来越快,这得益于深度学习等相关技术的不断发展。本文将对目标检测领域的发展做一个系统性的介绍,旨在为读者构建一个完整的知识体系架构,同时了解目标检测相关的技术栈及其未来的发展趋势。由于编者水平有限,本文若有不当之处还请指出与纠正,欢迎大家评论交流!
AIWalker
2021/07/05
3.3K0
目标检测究竟发展到了什么程度? | CVHub带你聊一聊目标检测发展的这22年
现代目标检测故事 | 40+种网络架构大盘点!从基础架构ResNet到最强检测器Yolov7再到最新部署神器GhostNetV2
目标检测是指在图像或视频中分类和定位物体的任务。由于其广泛的应用,最近几年目标检测受到了越来越多的关注。本文概述了基于深度学习的目标检测器的最新发展。同时,还提供了目标检测任务的基准数据集和评估指标的简要概述,以及在识别任务中使用的一些高性能基础架构,其还涵盖了当前在边缘设备上使用的轻量级模型。在文章的最后,我们通过以图表的形式直观地在多个经典指标上比较了这些架构的性能。
AiCharm
2023/05/15
1.4K0
现代目标检测故事 | 40+种网络架构大盘点!从基础架构ResNet到最强检测器Yolov7再到最新部署神器GhostNetV2
应对遮挡挑战,北航提出新型 YOLOv5 模型表现优异 !
行人检测是计算机视觉在日常生活中的典型应用 [1]。事实上,单阶段深度卷积神经网络(YOLO)在目标检测 方面表现出色,明显优于之前的半手工方法和两阶段神经网络 [2]。例如,YOLO允许卷积神经网络(CNNs) [6] 在任意长宽比下输出一个边界框,而滑窗方法的开销为零。尽管双阶段检测器(R-CNN)能够实现最先进的精确度,但它需要更多参数进行计算,且占用更多操作空间,严重削弱了算法的实时性能。
未来先知
2024/08/29
2950
应对遮挡挑战,北航提出新型 YOLOv5 模型表现优异 !
目标检测近年综述(文末有下载论文包)
发展论述:对于Overfeat、R-CNN方法,只是利用卷积神经网络进行特征提取,并没有改变搜索框提取目标区域的策略,算法的在速度上仍存在瓶颈。
计算机视觉研究院
2020/03/04
1K0
结合语义和多层特征融合的行人检测
行人检测是目标检测领域研究最广泛的任务之一,也一直是计算机视觉任务中的热点和难点。行人检测任务是给出图像或视频中所有行人的位置和大小,一般用矩形框标注。行人检测技术可以与目标跟踪、行人重识别等技术结合,应用于汽车无人驾驶系统、智能视频监控、人体行为分析等领域。在实际场景中, 由于行人与物体、行人间互相遮挡以及交通标志、橱窗中的模特等相似信息的干扰,行人检测任务仍然存在很大的挑战。
一点人工一点智能
2022/12/27
7690
结合语义和多层特征融合的行人检测
视觉显著性目标检测综述(2)
一个显著性目标检测模型能取得较好的效果至少应该满足以下3个标准:一是好的检测能力,尽量少地遗漏真正的显著区域或错误地将背景标记为显著区域;二是高分辨率,显著图应具有较高的分辨率或全分辨率,以准确定位显著目标并保留原始图像信息;三是高计算效率,作为其他任务的前置阶段,能够快速检测到显著区域。基于不同数据源的显著性目标检测方法研究思路也主要围绕以上3个方面展开,对检测模型的性能进行不断优化和提升,如图6所示。
AiCharm
2023/05/15
6140
视觉显著性目标检测综述(2)
涨分利器!攻克目标检测难点秘籍之多尺度检测
在前面的秘籍一:模型加速之轻量化网络和秘籍二:非极大抑制算法和回归损失优化之路中,我们主要关注了轻量化网络,非极大值抑制算法、回归损失优化。但是要想获得较好的检测性能,检测算法的多尺度检测也极为重要。
BBuf
2020/02/21
1.3K0
涨分利器!攻克目标检测难点秘籍之多尺度检测
改进的检测算法:用于高分辨率光学遥感图像目标检测
目标检测对光学遥感图像的解释至关重要,可以作为研究利用遥感的其他视觉任务的基础。然而,目前在光学遥感图像中使用的目标检测网络没有充分利用特征金字塔的输出,因此仍有改进检测的潜力。
计算机视觉研究院
2023/08/23
7510
改进的检测算法:用于高分辨率光学遥感图像目标检测
YOLO-S:小目标检测的轻量级、精确的类YOLO网络
研究者提出了YOLO-S,一个简单、快速、高效的网络。它利用了一个小的特征提取器,以及通过旁路和级联的跳过连接,以及一个重塑直通层来促进跨网络的特征重用,并将低级位置信息与更有意义的高级信息相结合。
计算机视觉研究院
2023/08/23
1.6K0
YOLO-S:小目标检测的轻量级、精确的类YOLO网络
【目标检测系列】CNN中的目标多尺度处理方法
【导读】本篇博文我们一起来讨论总结一下目标检测任务中用来处理目标多尺度的一些算法。视觉任务中处理目标多尺度主要分为两大类:
深度学习技术前沿公众号博主
2020/06/10
1.8K0
【目标检测系列】CNN中的目标多尺度处理方法
干货 | 基于深度学习的目标检测算法综述(二)
目标检测(Object Detection)是计算机视觉领域的基本任务之一,学术界已有将近二十年的研究历史。近些年随着深度学习技术的火热发展,目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。从最初 2013 年提出的 R-CNN、OverFeat,到后面的 Fast/Faster R-CNN、SSD、YOLO 系列,再到 2018 年最近的 Pelee。短短不到五年时间,基于深度学习的目标检测技术,在网络结构上,从 two stage 到 one stage,从 bottom-up only 到 Top-Down,从 single scale network 到 feature pyramid network,从面向 PC 端到面向手机端,都涌现出许多好的算法技术,这些算法在开放目标检测数据集上的检测效果和性能都很出色。
磐创AI
2018/09/20
1.5K0
干货 | 基于深度学习的目标检测算法综述(二)
YoloV8改进策略:Block改进|RFE模块|即插即用
本文介绍了一种基于YOLOv5的人脸检测方法,命名为YOLO-FaceV2。该方法旨在解决人脸检测中的尺度变化、简单与困难样本不平衡以及人脸遮挡等问题。通过引入一系列创新模块和损失函数,YOLO-FaceV2在WiderFace数据集上取得了优异的表现,特别是在小物体、遮挡和困难样本的检测上。
AI浩
2024/10/31
3610
YoloV8改进策略:Block改进|RFE模块|即插即用
目标检测 | 丰富特征导向Refinement Network用于目标检测(附github源码)
研究者提出了一个单阶段检测框架,该框架解决了多尺度目标检测和类不平衡的问题。没有设计更深层的网络,而是引入了一种简单而有效的特征丰富化方案来生成多尺度的上下文特征。进一步引入了一种级联的优化(精炼)方案,该方案首先将多尺度的上下文特征注入到一阶段检测器的预测层中,以增强其进行多尺度检测的判别能力。其次,级联精炼方案通过细化anchors和丰富的特征以改善分类和回归来解决类不平衡问题。对于MS COCO测试上的320×320输入,新的检测器在单尺度推理的情况下以33.2的COCO AP达到了最先进的一阶段检测精度,操作是在一个Titan XP GPU上以21毫秒运行的 。对于MS COCO测试上的512×512输入,与最佳的单阶段结果相比,就COCO AP而言,新方法获得了一个明显的增加(增加了1.6%)。
计算机视觉研究院
2021/05/31
5640
目标检测 | 丰富特征导向Refinement Network用于目标检测(附github源码)
Gold-YOLO:基于聚合与分配机制的高效目标检测器
在过去几年中,YOLO 系列模型已成为实时目标检测领域的主流方法。许多研究通过修改架构、扩充数据以及设计新的损失函数,将基线水平提升到了更高层次。然而,我们发现尽管特征金字塔网络(FPN)和路径聚合网络(PANet)缓解了这一问题,但以往的模型仍存在信息融合方面的难题。
计算机视觉研究院
2025/02/12
2010
Gold-YOLO:基于聚合与分配机制的高效目标检测器
推荐阅读
相关推荐
多目标检测:基于YoloV4优化的多目标检测
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
查看详情【社区公告】 技术创作特训营有奖征文