# 关系数据库和 SQL
> 原文:[Relational Databases and SQL](https://www.textbook.ds100.org/ch/09/sql_intro.html)
>
> 校验:[Kitty Du](https://github.com/miaoxiaozui2017)
```python
# HIDDEN
# Clear previously defined variables
%reset -f
# Set directory for data loading to work properly
import os
os.chdir(os.path.expanduser('~/notebooks/09'))
```
到目前为止,我们已经处理了作为文本文件存储在计算机上的数据集。虽然使用文本文件存储数据对于分析小数据集很有用,但对许多实际用例来说却是一个挑战。
许多数据集是由多个人收集的,例如,一个数据科学家团队。但是,如果数据存储在文本文件中,那么团队可能需要在每次更新数据时发送和下载新版本的文件。文本文件本身并不能为多个分析员提供一致的数据检索点。这个问题,以及其他问题,使得文本文件难以用于更大的数据集或团队。
我们经常使用关系数据库管理系统(RDBMS)来存储数据,如 MySQL 或 PostgreSQL。为了使用这些系统,我们使用一种称为 SQL 的查询语言,而不是 Python。在本章中,我们将讨论关系数据库模型并介绍 SQL。
- 一、数据科学的生命周期
- 二、数据生成
- 三、处理表格数据
- 四、数据清理
- 五、探索性数据分析
- 六、数据可视化
- Web 技术
- 超文本传输协议
- 处理文本
- python 字符串方法
- 正则表达式
- regex 和 python
- 关系数据库和 SQL
- 关系模型
- SQL
- SQL 连接
- 建模与估计
- 模型
- 损失函数
- 绝对损失和 Huber 损失
- 梯度下降与数值优化
- 使用程序最小化损失
- 梯度下降
- 凸性
- 随机梯度下降法
- 概率与泛化
- 随机变量
- 期望和方差
- 风险
- 线性模型
- 预测小费金额
- 用梯度下降拟合线性模型
- 多元线性回归
- 最小二乘-几何透视
- 线性回归案例研究
- 特征工程
- 沃尔玛数据集
- 预测冰淇淋评级
- 偏方差权衡
- 风险和损失最小化
- 模型偏差和方差
- 交叉验证
- 正规化
- 正则化直觉
- L2 正则化:岭回归
- L1 正则化:LASSO 回归
- 分类
- 概率回归
- Logistic 模型
- Logistic 模型的损失函数
- 使用逻辑回归
- 经验概率分布的近似
- 拟合 Logistic 模型
- 评估 Logistic 模型
- 多类分类
- 统计推断
- 假设检验和置信区间
- 置换检验
- 线性回归的自举(真系数的推断)
- 学生化自举
- P-HACKING
- 向量空间回顾
- 参考表
- Pandas
- Seaborn
- Matplotlib
- Scikit Learn