1、方法一：通过属性查看版本
第一步打开sql server数据库，鼠标右键连接对象，选择属性，如下图所示：
❷ 怎样用SQL语句查询一个数据库中的所有表
1、打开Microsoft SQL Server 2012，选中需要查询所有表的数据库。
❸ sql怎么做数据透视表
举例说明怎么用SQL做数据透视表：
[表一 学生信息表]
❹ 常见的数据分析软件有哪些
好的数据分析工具可以让数据分析事半功倍，更容易处理数据。分析一下市面上流行的四款大数据分析软件:
一、Excel
Excel使用人群众多是新手入门级数据分析工具，也是最基本的数据分析工具之一。Excel主要学习使用常用函数、快捷键操作、基本图表制作、数据透视表等。Excel具有多种强大的功能，可以满足大多数数据分析工作的需要。而且Excel提供了相当友好的操作界面，对于有基本统计理论的用户来说更容易上手。
二、SQL软件
SQL是一种数据库语言，它具有数据操作和数据定义功能，交互性强，能给用户带来很大方便。SQL专注于Select、聚合函数和条件查询。关联库是目前应用较广的数据库管理系统，技术较为成熟。这类数据库包括mysql.SQLServer.Oracle.Sybase.DB2等等。
SQL作为一种操作命令集，以其丰富的功能受到业界的广泛欢迎，成为提高数据库运行效率的保证。SQLServer数据库的应用可以有效提高数据请求和返回速度，有效处理复杂任务，是提高工作效率的关键。
三、Python软件
Python提供了能够简单有效地对对象进行编程的高级数据结构。Python语法和动态类型，以及解释性语言的本质，使它成为大多数平台上写脚本和快速开发应用的编程语言，并可用于可定制软件中的扩展程序语言。丰富的Python标准库提供了源代码或机器代码，适用于各种主要系统平台。Python有极其简单的解释文档，所以更容易上手。
四、BI工具
BI工具是商业智能(Busines Inteligence)分析工具的英文缩写。它是一个完整的大数据分析解决方案，可以有效地整合企业中现有的数据，快速准确地提供报表和帮助领导作出决策的数据依据，帮助企业做出明智的业务决策。BI工具是根据数据分析过程设计的。首先是数据处理，数据清理，然后是数据建模，最后是数据可视化，用图表识别问题，影响决策。
在思迈特软件Smartbi的例子中，Smartbi以工作流的形式为库表提取数据模型的语义，通过可视化工具来处理数据，使其成为具有语义一致性和完整性的数据模型；它也增强了自助式数据集建立数据模型的能力。该系统支持的数据预处理方法有：采样、分解、过滤与映射、列选择、空值处理、合并列、合并行、元数据编辑、线选择、重复值清除、排序等等。
它能通过表格填写实现数据采集和补录，并能对数据源进行预先整合和处理，通过简单的拖放产生各种可视图。同时，提供了丰富的图标组件，可实时显示相关信息，便于利益相关者对整个企业进行评估。
目前市场上的大数据分析软件很多，如何选择取决于企业自身的需求。因此，企业在购买数据分析软件之前，首先要了解企业数据分析的目的是什么。假如你是数据分析的新手，对需求了解不多，不妨多试试BI工具，BI工具在新手数据分析方面还是比较有优势的。
❺ sql是什么软件
SQL数据库
SQL (Structured Query Language) 是具有数据操纵和数据定义等多种功能的数据库语言，这种语言具有交互性特点，能为用户提供极大的便利，数据库管理系统应充分利用SQL语言提高计算机应用系统的工作质量与效率。
SQL语言不仅能独立应用于终端，还可以作为子语言为其他程序设计提供有效助力，该程序应用中，SQL可与其他程序语言一起优化程序功能，进而为用户提供更多更全面的信息。
(5)sql数据看板扩展阅读：
SQL作为一种操作命令集, 以其丰富的功能受到业内人士的广泛欢迎, 成为提升数据库操作效册手率的保障。SQL Server数据库的应用，能够有效提升数据请求与返回的速度，有效应对复杂任务的处理，是提升工作效率的关键。
由于SQL Servers数据库管州伏嫌理系统具有较高的数据管理性能，因其优越的性能，应用范围非常广，大量应用于服务器和客户体系结构中。SQL Servers数据库的性质主要由以下几个方面体现：系统的吞吐量、响应时间以及并行处理能力, 发出请求服务器回应的速度、还有不同厅核屏幕之间切换的速度等等。
❻ plsql怎么查看数据库里某个表的数据
在菜单 Tools 下面有个 Object browser 将其打勾（如果已经打勾了就不用管了）
之后在IDE的左边有个Objects窗口，其中有一个树型结构图，在里面找到Tables 展开就可以了看到所有的Table了
默认显示的表包括系统表和权限允许范围内的其他schema下的表，如果不想看到，只需将树型图上方的All objects（下拉选框）改为My objects 就只看自己的表了
❼ 如何用SQL分析电商用户行为数据（案例）
本文以“淘宝用户行为数据集”的分析全过程为例，展示数据分析的全过程
——使用工具：MySQL，Excel，Navicat，PowerBI
——分析类型：描述分析，诊断分析
——分析方法：漏斗分析，用户路径分析，RFM用户价值分析，活跃/存留分析，帕累托分析，假设验证分析。
（考虑到阅读体验文章中只放了SQL截图，如需PDF版本，再公众号后台回复“用户行为分析”领取）
（目录如下）
1.分析流程和方法
当没有清晰的数据看板时我们需要先清洗杂乱的数据，基于分析模型做可视化，搭建描述性的数据看板。
然后基于描述性的数据挖掘问题，提出假设做优化，或者基于用户特征数据进行预测分析找规律，基于规律设计策略。简单来说：
——描述性分析就是：“画地图”
——诊断性分析就是：“找问题”
——预测性分析就是 ：“找规律”
在数据分析中有两个典型的场景：
一种是有数据，没有问题：需要先整体分析数据，然后再根据初步的描述分析，挖掘问题做诊断性分析，提出假设，设计策略解决问题。
另一种是已经发现了问题，或者已经有了假设，这种做数据分析更偏向于验证假设。
2.淘宝用户行为分析
本次是对“淘宝用户行为数据集”进行分析，在分析之前我们并不知道有什么问题，所以需要先进行描述性分析，分析数据挖掘问题。
我们首先来看下这个数据集的元数据：
根据以上数据字段我们可以拿用户行为为主轴从纵深方向提出一些问题，然后再从数据中找答案
纵向：
——这个数据集中用户的日活跃和周活跃时间有什么规律吗？
——在当日活跃的用户次日，三日，四日……还有多少活跃？
深向：
——用户从浏览到购买的整体转化率怎么样？
——用户从浏览到购买的路径是怎么样子的？
——平台主要会给用户推送什么商品？
——用户喜欢什么类目？喜欢什么商品？
——怎么判断哪些是高价值用户 ？
下面是叮当整理的常用分析方法：
我们可以给前面的问题匹配一下分析方法，便于后面的分析：
为了便于后面的数据分析，在分析之前我们需要先对做一下清洗
看元数据（字段解释，数据来源，数据类型，数据量……）初步发现问题为之后的处理做准备。
确定缺失值范围，去除不需要字段，填充缺失内容
根据元数据格式和后续分析需要的格式对数据进行处理
去除重复值，异常值
——去除重复值：并把用户ID,商品ID，时间戳设置为主键
——异常值处理：查询并删除2017年11月25日至2017年12月3日之外的数据
查询并删除小于2017-11-25的
——验证数据：
——分析思路：
——SQL提数：
——Excel可视化：
活跃曲线整体为上升状态，同为周六日，12月2号，3号相比11月25日，26日活跃度更高。
用户在周六周日相比其他时间更活跃（周六周日为休息日，用户有更多时间）
一天内用户活跃的最高峰期为21点（用户在这个时间段空闲较多）
——分析思路：
——SQL提数：
列出每用户每天及当天后面又活跃的日期，并创建“活跃时间间隔表”用于后面求次日存留，三日存留……
对“活跃时间间隔表视图”引用进行分组统计，计算每日存留人数并创建视图
对存留人数表进行计算，统计活跃用户留存率
——Excel可视化：
——分析思路：
——SQL提数：
-把各种用户行为分离出来并创建视图方便后续查询用户行为数据
查询整体数据漏斗
——Excel可视化：
用户从浏览到购买整体转化率2.3%，具体主要在哪个环节流失还需要再细分用户路径分析
——分析思路：
——SQL提数：
——PowerBI可视化：
用户从浏览到购买的路径主要有4条，路径越长转化率越底
路径1：浏览→购买：转化率1.45%
路径2：浏览→加购物车→购买：转化率0.33
路径3：浏览→收藏→购买：转化率0.11%
路径4：浏览→收藏→加购物车→购买：转化率0.03%
——分析思路：
——SQL提数：
——Excel可视化：
——描述性分析：
浏览量top100的商品浏览量呈阶梯分布，越靠前的阶梯之间的落差相对越大在这个阶梯中的商品越少，越靠后商品浏览量阶梯之间的落差相对越小，同阶梯内的商品越多。
浏览量TOP100的商品所属类目中，4756105，3607361，4357323三个类目浏览量远超其他类目。
——分析思路：
——SQL提数：
查询计算商品转化率，升序排列，取前100个
——Excel可视化：
——描述性分析：
从商品看：有17款商品转化率超过了1。
从类目看：这些商品所属类目分布均匀，除965809，4801426，2735466，2640118，5063620，4789432，2945933这7个类目之外，其他类目都只有一个商品在转化率TOP100的商品中。
——分析思路：
用户价值分析常用的分析方式是RFM模型
本次分析中的R,F,M具体定义（仅用于演示分析方法，无实际业务参考价值）：
——SQL取数与分析：
1）建立打分标准：先计算R,F的值，并排序，根据R,F值最大值和最小值得区间设计本次得打分标准
-查询并计算R，F值创建视图
-引用RF数值表，分别查询R,F的最大值和最小值
-结合人工浏览的建立打分标准
2）给R，F按价值打分
3）计算价值的平均值
4）用平均值和用户分类规则表比较得出用户分类
——Excel可视化
通过描述性分析得到可视化的数据后我们一般会先看一下是否符合业务常识
如果符合常识接下来我们会通过与行业平均数据和本产品的同比环比对比看是否正常，如果不正常就要找原因，设计解决方案，如果正常那就看是否有可以优化的地方。
我们首先来看一下这些描述性分析是否符合业务常识和指标是否正常：
1.活跃曲线整体为上升状态，同为周六日，12月2号，3号相比11月25日，26日活跃度更高。
2.用户在周六周日相比其他时间更活跃
3.一天内用户活跃的最高峰期为21点
4.从2017年11月15日致2017年12月3日，活跃用户新增38%
5.从2017年11月15日致2017年12月3日，活跃用户次日留存增长18.67%，当日的活跃用户留存也在快速增长，第七日留存比次日留存高18.56%。
6.用户从浏览到购买整体转化率2.3%
7.用户从浏览到购买的路径主要有4条，路径越长转化率越低。
8.浏览量top100的商品浏览量呈阶梯分布，越靠前的阶梯之间的落差相对越大在这个阶梯中的商品越少，越靠后商品浏览量阶梯之间的落差相对越小，同阶梯内的商品越多。
9.浏览量TOP100的商品所属类目中，4756105，3607361，4357323三个类目浏览量远超其他类目。
10.从商品看：有17款商品转化率超过了1。
11.从类目看：这些商品所属类目分布均匀，除965809，4801426，2735466，2640118，5063620，4789432，2945933这7个类目之外，其他类目都只有一个商品在转化率TOP100的商品中。
根据以上诊断分析我们梳理出了以下假设，做假设验证。
假设1：这些商品中有高转化率的爆款商品
对比浏览量TOP5的商品，发现这些商品转化率在同一类目下并不高，假设不成立
假设2：4756105，3607361，4357323三个类目属于高频刚需类目
-创建类目购买频次表
-计算类目购买频次平均值
-查询4756105，3607361，4357323三个类目的购买频次
4756105，3607361，4357323三个类目的用户购买频次明显高于平均值，假设成立
假设3：有部分用户是未点击商详直接从收藏和购物车购买的。
用户不是直接从收藏和购物车购买的，只是后续复购未点击商详，假设不成立
假设4：淘宝推荐的商品主要是“同一类目下的高转化商品”
用Excel对浏览量TOP100的商品ID和转化率TOP100的商品ID进行去重，结果无重复值，假设不成立
3.结论：
1）用户活跃：用户活跃曲线整体呈上升趋势，在一周中周六，周日活跃度比平时更高，在一天中用户活跃曲线从凌晨4点开始往上升，在中午12点和下午5~6点有两个小低谷（吃饭），到晚上9点时活跃度达到顶峰。
2）用户留存：从2017年11月15日致2017年12月3日的用户留存数据来看，淘宝的用户留存数据较好，活跃用户次日留存增长18.67%，当日的活跃用户留存也在快速增长，第七日留存比次日留存高18.56%。
3）用户转化：整体转化2.3%，用户从浏览到购买的路径主要有4条，路径越长转化率越低。
4）平台推荐与用户偏好：从数据集中的数据来看，排除用户兴趣偏好标签，淘宝给用户用户推送的商品主要是高频刚需的类目，促使用户复购，流量回流平台。
以上结论受数据量和数据类型的影响，并不一定准确，仅用来练习数据分析方法。
（考虑到阅读体验文章中只放了SQL截图，如需PDF版本，再公众号后台回复“用户行为分析”领取）