1、方法一：通過屬性查看版本
第一步打開sql server資料庫，滑鼠右鍵連接對象，選擇屬性，如下圖所示：
❷ 怎樣用SQL語句查詢一個資料庫中的所有表
1、打開Microsoft SQL Server 2012，選中需要查詢所有表的資料庫。
❸ sql怎麼做數據透視表
舉例說明怎麼用SQL做數據透視表：
[表一 學生信息表]
❹ 常見的數據分析軟體有哪些
好的數據分析工具可以讓數據分析事半功倍，更容易處理數據。分析一下市面上流行的四款大數據分析軟體:
一、Excel
Excel使用人群眾多是新手入門級數據分析工具，也是最基本的數據分析工具之一。Excel主要學習使用常用函數、快捷鍵操作、基本圖表製作、數據透視表等。Excel具有多種強大的功能，可以滿足大多數數據分析工作的需要。而且Excel提供了相當友好的操作界面，對於有基本統計理論的用戶來說更容易上手。
二、SQL軟體
SQL是一種資料庫語言，它具有數據操作和數據定義功能，交互性強，能給用戶帶來很大方便。SQL專注於Select、聚合函數和條件查詢。關聯庫是目前應用較廣的資料庫管理系統，技術較為成熟。這類資料庫包括mysql.SQLServer.Oracle.Sybase.DB2等等。
SQL作為一種操作命令集，以其豐富的功能受到業界的廣泛歡迎，成為提高資料庫運行效率的保證。SQLServer資料庫的應用可以有效提高數據請求和返回速度，有效處理復雜任務，是提高工作效率的關鍵。
三、Python軟體
Python提供了能夠簡單有效地對對象進行編程的高級數據結構。Python語法和動態類型，以及解釋性語言的本質，使它成為大多數平台上寫腳本和快速開發應用的編程語言，並可用於可定製軟體中的擴展程序語言。豐富的Python標准庫提供了源代碼或機器代碼，適用於各種主要系統平台。Python有極其簡單的解釋文檔，所以更容易上手。
四、BI工具
BI工具是商業智能(Busines Inteligence)分析工具的英文縮寫。它是一個完整的大數據分析解決方案，可以有效地整合企業中現有的數據，快速准確地提供報表和幫助領導作出決策的數據依據，幫助企業做出明智的業務決策。BI工具是根據數據分析過程設計的。首先是數據處理，數據清理，然後是數據建模，最後是數據可視化，用圖表識別問題，影響決策。
在思邁特軟體Smartbi的例子中，Smartbi以工作流的形式為庫表提取數據模型的語義，通過可視化工具來處理數據，使其成為具有語義一致性和完整性的數據模型；它也增強了自助式數據集建立數據模型的能力。該系統支持的數據預處理方法有：采樣、分解、過濾與映射、列選擇、空值處理、合並列、合並行、元數據編輯、線選擇、重復值清除、排序等等。
它能通過表格填寫實現數據採集和補錄，並能對數據源進行預先整合和處理，通過簡單的拖放產生各種可視圖。同時，提供了豐富的圖標組件，可實時顯示相關信息，便於利益相關者對整個企業進行評估。
目前市場上的大數據分析軟體很多，如何選擇取決於企業自身的需求。因此，企業在購買數據分析軟體之前，首先要了解企業數據分析的目的是什麼。假如你是數據分析的新手，對需求了解不多，不妨多試試BI工具，BI工具在新手數據分析方面還是比較有優勢的。
❺ sql是什麼軟體
SQL資料庫
SQL (Structured Query Language) 是具有數據操縱和數據定義等多種功能的資料庫語言，這種語言具有交互性特點，能為用戶提供極大的便利，資料庫管理系統應充分利用SQL語言提高計算機應用系統的工作質量與效率。
SQL語言不僅能獨立應用於終端，還可以作為子語言為其他程序設計提供有效助力，該程序應用中，SQL可與其他程序語言一起優化程序功能，進而為用戶提供更多更全面的信息。
(5)sql數據看板擴展閱讀：
SQL作為一種操作命令集, 以其豐富的功能受到業內人士的廣泛歡迎, 成為提升資料庫操作效冊手率的保障。SQL Server資料庫的應用，能夠有效提升數據請求與返回的速度，有效應對復雜任務的處理，是提升工作效率的關鍵。
由於SQL Servers資料庫管州伏嫌理系統具有較高的數據管理性能，因其優越的性能，應用范圍非常廣，大量應用於伺服器和客戶體系結構中。SQL Servers資料庫的性質主要由以下幾個方面體現：系統的吞吐量、響應時間以及並行處理能力, 發出請求伺服器回應的速度、還有不同廳核屏幕之間切換的速度等等。
❻ plsql怎麼查看資料庫里某個表的數據
在菜單 Tools 下面有個 Object browser 將其打勾（如果已經打勾了就不用管了）
之後在IDE的左邊有個Objects窗口，其中有一個樹型結構圖，在裡面找到Tables 展開就可以了看到所有的Table了
默認顯示的表包括系統表和許可權允許范圍內的其他schema下的表，如果不想看到，只需將樹型圖上方的All objects（下拉選框）改為My objects 就只看自己的表了
❼ 如何用SQL分析電商用戶行為數據（案例）
本文以「淘寶用戶行為數據集」的分析全過程為例，展示數據分析的全過程
——使用工具：MySQL，Excel，Navicat，PowerBI
——分析類型：描述分析，診斷分析
——分析方法：漏斗分析，用戶路徑分析，RFM用戶價值分析，活躍/存留分析，帕累托分析，假設驗證分析。
（考慮到閱讀體驗文章中只放了SQL截圖，如需PDF版本，再公眾號後台回復「用戶行為分析」領取）
（目錄如下）
1.分析流程和方法
當沒有清晰的數據看板時我們需要先清洗雜亂的數據，基於分析模型做可視化，搭建描述性的數據看板。
然後基於描述性的數據挖掘問題，提出假設做優化，或者基於用戶特徵數據進行預測分析找規律，基於規律設計策略。簡單來說：
——描述性分析就是：「畫地圖」
——診斷性分析就是：「找問題」
——預測性分析就是 ：「找規律」
在數據分析中有兩個典型的場景：
一種是有數據，沒有問題：需要先整體分析數據，然後再根據初步的描述分析，挖掘問題做診斷性分析，提出假設，設計策略解決問題。
另一種是已經發現了問題，或者已經有了假設，這種做數據分析更偏向於驗證假設。
2.淘寶用戶行為分析
本次是對「淘寶用戶行為數據集」進行分析，在分析之前我們並不知道有什麼問題，所以需要先進行描述性分析，分析數據挖掘問題。
我們首先來看下這個數據集的元數據：
根據以上數據欄位我們可以拿用戶行為為主軸從縱深方向提出一些問題，然後再從數據中找答案
縱向：
——這個數據集中用戶的日活躍和周活躍時間有什麼規律嗎？
——在當日活躍的用戶次日，三日，四日……還有多少活躍？
深向：
——用戶從瀏覽到購買的整體轉化率怎麼樣？
——用戶從瀏覽到購買的路徑是怎麼樣子的？
——平台主要會給用戶推送什麼商品？
——用戶喜歡什麼類目？喜歡什麼商品？
——怎麼判斷哪些是高價值用戶 ？
下面是叮當整理的常用分析方法：
我們可以給前面的問題匹配一下分析方法，便於後面的分析：
為了便於後面的數據分析，在分析之前我們需要先對做一下清洗
看元數據（欄位解釋，數據來源，數據類型，數據量……）初步發現問題為之後的處理做准備。
確定缺失值范圍，去除不需要欄位，填充缺失內容
根據元數據格式和後續分析需要的格式對數據進行處理
去除重復值，異常值
——去除重復值：並把用戶ID,商品ID，時間戳設置為主鍵
——異常值處理：查詢並刪除2017年11月25日至2017年12月3日之外的數據
查詢並刪除小於2017-11-25的
——驗證數據：
——分析思路：
——SQL提數：
——Excel可視化：
活躍曲線整體為上升狀態，同為周六日，12月2號，3號相比11月25日，26日活躍度更高。
用戶在周六周日相比其他時間更活躍（周六周日為休息日，用戶有更多時間）
一天內用戶活躍的最高峰期為21點（用戶在這個時間段空閑較多）
——分析思路：
——SQL提數：
列出每用戶每天及當天後面又活躍的日期，並創建「活躍時間間隔表」用於後面求次日存留，三日存留……
對「活躍時間間隔表視圖」引用進行分組統計，計算每日存留人數並創建視圖
對存留人數表進行計算，統計活躍用戶留存率
——Excel可視化：
——分析思路：
——SQL提數：
-把各種用戶行為分離出來並創建視圖方便後續查詢用戶行為數據
查詢整體數據漏斗
——Excel可視化：
用戶從瀏覽到購買整體轉化率2.3%，具體主要在哪個環節流失還需要再細分用戶路徑分析
——分析思路：
——SQL提數：
——PowerBI可視化：
用戶從瀏覽到購買的路徑主要有4條，路徑越長轉化率越底
路徑1：瀏覽→購買：轉化率1.45%
路徑2：瀏覽→加購物車→購買：轉化率0.33
路徑3：瀏覽→收藏→購買：轉化率0.11%
路徑4：瀏覽→收藏→加購物車→購買：轉化率0.03%
——分析思路：
——SQL提數：
——Excel可視化：
——描述性分析：
瀏覽量top100的商品瀏覽量呈階梯分布，越靠前的階梯之間的落差相對越大在這個階梯中的商品越少，越靠後商品瀏覽量階梯之間的落差相對越小，同階梯內的商品越多。
瀏覽量TOP100的商品所屬類目中，4756105，3607361，4357323三個類目瀏覽量遠超其他類目。
——分析思路：
——SQL提數：
查詢計算商品轉化率，升序排列，取前100個
——Excel可視化：
——描述性分析：
從商品看：有17款商品轉化率超過了1。
從類目看：這些商品所屬類目分布均勻，除965809，4801426，2735466，2640118，5063620，4789432，2945933這7個類目之外，其他類目都只有一個商品在轉化率TOP100的商品中。
——分析思路：
用戶價值分析常用的分析方式是RFM模型
本次分析中的R,F,M具體定義（僅用於演示分析方法，無實際業務參考價值）：
——SQL取數與分析：
1）建立打分標准：先計算R,F的值，並排序，根據R,F值最大值和最小值得區間設計本次得打分標准
-查詢並計算R，F值創建視圖
-引用RF數值表，分別查詢R,F的最大值和最小值
-結合人工瀏覽的建立打分標准
2）給R，F按價值打分
3）計算價值的平均值
4）用平均值和用戶分類規則表比較得出用戶分類
——Excel可視化
通過描述性分析得到可視化的數據後我們一般會先看一下是否符合業務常識
如果符合常識接下來我們會通過與行業平均數據和本產品的同比環比對比看是否正常，如果不正常就要找原因，設計解決方案，如果正常那就看是否有可以優化的地方。
我們首先來看一下這些描述性分析是否符合業務常識和指標是否正常：
1.活躍曲線整體為上升狀態，同為周六日，12月2號，3號相比11月25日，26日活躍度更高。
2.用戶在周六周日相比其他時間更活躍
3.一天內用戶活躍的最高峰期為21點
4.從2017年11月15日致2017年12月3日，活躍用戶新增38%
5.從2017年11月15日致2017年12月3日，活躍用戶次日留存增長18.67%，當日的活躍用戶留存也在快速增長，第七日留存比次日留存高18.56%。
6.用戶從瀏覽到購買整體轉化率2.3%
7.用戶從瀏覽到購買的路徑主要有4條，路徑越長轉化率越低。
8.瀏覽量top100的商品瀏覽量呈階梯分布，越靠前的階梯之間的落差相對越大在這個階梯中的商品越少，越靠後商品瀏覽量階梯之間的落差相對越小，同階梯內的商品越多。
9.瀏覽量TOP100的商品所屬類目中，4756105，3607361，4357323三個類目瀏覽量遠超其他類目。
10.從商品看：有17款商品轉化率超過了1。
11.從類目看：這些商品所屬類目分布均勻，除965809，4801426，2735466，2640118，5063620，4789432，2945933這7個類目之外，其他類目都只有一個商品在轉化率TOP100的商品中。
根據以上診斷分析我們梳理出了以下假設，做假設驗證。
假設1：這些商品中有高轉化率的爆款商品
對比瀏覽量TOP5的商品，發現這些商品轉化率在同一類目下並不高，假設不成立
假設2：4756105，3607361，4357323三個類目屬於高頻剛需類目
-創建類目購買頻次表
-計算類目購買頻次平均值
-查詢4756105，3607361，4357323三個類目的購買頻次
4756105，3607361，4357323三個類目的用戶購買頻次明顯高於平均值，假設成立
假設3：有部分用戶是未點擊商詳直接從收藏和購物車購買的。
用戶不是直接從收藏和購物車購買的，只是後續復購未點擊商詳，假設不成立
假設4：淘寶推薦的商品主要是「同一類目下的高轉化商品」
用Excel對瀏覽量TOP100的商品ID和轉化率TOP100的商品ID進行去重，結果無重復值，假設不成立
3.結論：
1）用戶活躍：用戶活躍曲線整體呈上升趨勢，在一周中周六，周日活躍度比平時更高，在一天中用戶活躍曲線從凌晨4點開始往上升，在中午12點和下午5~6點有兩個小低谷（吃飯），到晚上9點時活躍度達到頂峰。
2）用戶留存：從2017年11月15日致2017年12月3日的用戶留存數據來看，淘寶的用戶留存數據較好，活躍用戶次日留存增長18.67%，當日的活躍用戶留存也在快速增長，第七日留存比次日留存高18.56%。
3）用戶轉化：整體轉化2.3%，用戶從瀏覽到購買的路徑主要有4條，路徑越長轉化率越低。
4）平台推薦與用戶偏好：從數據集中的數據來看，排除用戶興趣偏好標簽，淘寶給用戶用戶推送的商品主要是高頻剛需的類目，促使用戶復購，流量迴流平台。
以上結論受數據量和數據類型的影響，並不一定準確，僅用來練習數據分析方法。
（考慮到閱讀體驗文章中只放了SQL截圖，如需PDF版本，再公眾號後台回復「用戶行為分析」領取）