SQL_Pandas.pdf
515.4 KB
🔥 Шпаргалка SQL → Pandas
— выбрать один столбец или несколько из них;
— фильтрация;
— выбор уникальных значений по столбцу;
— подсчет числа значений;
— перечисление названий столбцов и т.д.
@sqlhub
— выбрать один столбец или несколько из них;
— фильтрация;
— выбор уникальных значений по столбцу;
— подсчет числа значений;
— перечисление названий столбцов и т.д.
@sqlhub
👍14🔥2❤1
FugueSQL – SQL для Pandas, Spark и Dask DataFrames
Что такое FugueSQL?
FugueSQL – это библиотека Python, которая позволяет пользователям комбинировать код на языке Python и команды SQL. Это дает пользователям возможность гибко переключаться между Python и SQL в рамках Jupyter Notebook или Python-скрипта.
Чтобы установить FugueSQL, введите:
Для запуска на движках выполнения Spark или Dask введите:
В этой статье мы рассмотрим некоторые утилиты FugueSQL и сравним FugueSQL с другими инструментами, такими как pandasql.
В чем разница между FugueSQL и pandasql?
Если вы знакомы с pandasql, то у вас может возникнуть вопрос: Зачем использовать FugueSQL, если pandasql уже позволяет выполнять SQL с помощью pandas?
pandasql имеет единственный бэкэнд – SQLite. Передача данных между pandas и SQLite сопряжена с большими накладными расходами.
С другой стороны, FugueSQL поддерживает несколько локальных бэкендов: pandas, DuckDB и SQLite.
▪Читать
▪Github
@sqlhub
Что такое FugueSQL?
FugueSQL – это библиотека Python, которая позволяет пользователям комбинировать код на языке Python и команды SQL. Это дает пользователям возможность гибко переключаться между Python и SQL в рамках Jupyter Notebook или Python-скрипта.
Чтобы установить FugueSQL, введите:
pip install fugue[sql]Для запуска на движках выполнения Spark или Dask введите:
pip install fugue[sql, spark]
pip install fugue[sql, dask]
pip install fugue[all]В этой статье мы рассмотрим некоторые утилиты FugueSQL и сравним FugueSQL с другими инструментами, такими как pandasql.
В чем разница между FugueSQL и pandasql?
Если вы знакомы с pandasql, то у вас может возникнуть вопрос: Зачем использовать FugueSQL, если pandasql уже позволяет выполнять SQL с помощью pandas?
pandasql имеет единственный бэкэнд – SQLite. Передача данных между pandas и SQLite сопряжена с большими накладными расходами.
С другой стороны, FugueSQL поддерживает несколько локальных бэкендов: pandas, DuckDB и SQLite.
from fugue.api import fugue_sql
import json
query = """
SELECT id, value
FROM input_df
TRANSFORM USING map_letter_to_food(mapping={{mapping}}) SCHEMA *
"""
map_dict_str = json.dumps(map_dict)
# returns Pandas DataFrame
fugue_sql(query,mapping=map_dict_str)
# returns Spark DataFrame
fugue_sql(query, mapping=map_dict_str, engine="spark")
▪Читать
▪Github
@sqlhub
👍9🔥3❤1👎1
✔ Зачем инструмент dbt нужен аналитику данных
dbt — open-source проект, который решает проблему организации данных и открывает много возможностей для их трансформации, обработкии моделирования.
dbt (Data Build Tool) — инструмент, который позволяет дата-инженерам и аналитикам автоматизировать процессы тестирования, внедрения, документирования в рамках трансформации данных. Проще говоря, dbt — это всё о букве T в акрониме ELT (Extract — Transform — Load). Этот фреймворк не выгружает данные из источников, но предоставляет огромные возможности по работе с теми данными, которые уже загружены в Хранилище (в Internal или External Storage).
dbt основан на языках SQL и Jinja, с версии 1.4.* также поддерживает Python.
Основное назначение dbt — взять код, скомпилировать его в SQL, выполнить команды в правильной последовательности в хранилище
Чем полезен фреймворк
▪Контроль качества. Для бизнеса важно получать качественные данные, а для этого, в свою очередь, нужны инструменты контроля качества. dbt как инструмент позволяет реализовать любые вариации тестирования: на этапе обновления каких-либо данных мы всегда можем собрать быструю статистику по любым метрикам.
▪Хранение данных. Даже из «коробки» этот фреймворк позволяет реализовать на уровне хранилища хранение данных с историей СКД-2 (хранения технической истории, изменение атрибутов). С ним можно выстраивать снэпшоты — детальные слои с историей данных. dbt помогает собрать любую историю данных, чтобы отвечать на вопросы аналитиков и бизнеса.
▪Связывание данных в единую цепочку. Инструмент описывает ациклические зависимости (DAG) и связи, что позволяет легко анализировать цепочку преобразований данных. Когда мы используем и переиспользуем данные, выполнение этих задач связано: если что-то где-то меняется, то сказывается на других сущностях. С помощью dbt мы решаем задачу консистентности данных — устраиваем зависимость выполнения, чтобы одна сущность была рассчитана только после другой, без задержек и потери актуальности данных. Фреймворк помогает собрать в одном месте и связать всю логику — от исходных данных до итоговых результатов и их переиспользования.
▪Перенос в другие среды. Фреймворк позволяет легко переносить и настраивать разные подходы к работе моделей в различных средах: тестовые модели, продуктовый уровень, промышленный слой.
▪Настройка дополнительных возможностей. С dbt можно вписать документацию данных и работать с ними, можно настроить логирование стандартными способами и отслеживать аналитику исполнения запросов. Всё это реализуемо, поскольку у фреймворка на основе SQL и Jinja нет ограничений, кроме возможностей самих хранилищ и уровня знаний исполнителя.
Установка
Открываем терминал.
▪Документация
▪Github
@sqlhub
dbt — open-source проект, который решает проблему организации данных и открывает много возможностей для их трансформации, обработкии моделирования.
dbt (Data Build Tool) — инструмент, который позволяет дата-инженерам и аналитикам автоматизировать процессы тестирования, внедрения, документирования в рамках трансформации данных. Проще говоря, dbt — это всё о букве T в акрониме ELT (Extract — Transform — Load). Этот фреймворк не выгружает данные из источников, но предоставляет огромные возможности по работе с теми данными, которые уже загружены в Хранилище (в Internal или External Storage).
dbt основан на языках SQL и Jinja, с версии 1.4.* также поддерживает Python.
Основное назначение dbt — взять код, скомпилировать его в SQL, выполнить команды в правильной последовательности в хранилище
Чем полезен фреймворк
▪Контроль качества. Для бизнеса важно получать качественные данные, а для этого, в свою очередь, нужны инструменты контроля качества. dbt как инструмент позволяет реализовать любые вариации тестирования: на этапе обновления каких-либо данных мы всегда можем собрать быструю статистику по любым метрикам.
▪Хранение данных. Даже из «коробки» этот фреймворк позволяет реализовать на уровне хранилища хранение данных с историей СКД-2 (хранения технической истории, изменение атрибутов). С ним можно выстраивать снэпшоты — детальные слои с историей данных. dbt помогает собрать любую историю данных, чтобы отвечать на вопросы аналитиков и бизнеса.
▪Связывание данных в единую цепочку. Инструмент описывает ациклические зависимости (DAG) и связи, что позволяет легко анализировать цепочку преобразований данных. Когда мы используем и переиспользуем данные, выполнение этих задач связано: если что-то где-то меняется, то сказывается на других сущностях. С помощью dbt мы решаем задачу консистентности данных — устраиваем зависимость выполнения, чтобы одна сущность была рассчитана только после другой, без задержек и потери актуальности данных. Фреймворк помогает собрать в одном месте и связать всю логику — от исходных данных до итоговых результатов и их переиспользования.
▪Перенос в другие среды. Фреймворк позволяет легко переносить и настраивать разные подходы к работе моделей в различных средах: тестовые модели, продуктовый уровень, промышленный слой.
▪Настройка дополнительных возможностей. С dbt можно вписать документацию данных и работать с ними, можно настроить логирование стандартными способами и отслеживать аналитику исполнения запросов. Всё это реализуемо, поскольку у фреймворка на основе SQL и Jinja нет ограничений, кроме возможностей самих хранилищ и уровня знаний исполнителя.
Установка
Открываем терминал.
Запускаем команды:
pip install dbt-core #Установка
последней версии;
pip install dbt-core==1.4.0
#Установка конкретной версии.
dbt —version #Проверка установленной
версии.▪Документация
▪Github
@sqlhub
❤7👍5🔥2
Этот замечательный, бесплатный курс дает пошаговое введение в создание приложений для работы с данными с использованием блокнотов Python, SQL и Jupyter. Он даже включает в себя введение в визуализацию с использованием plotly и других.
👉Читать курс
@sqlhub
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥7👍6❤1
Тип колонки enum используется для хранения данных, которые могут принимать определённые значения из заранее определённого набора.
Он обеспечивает ограничение значений, которые может принимать колонка, и позволяет более строго контролировать данные.
Это может быть полезно для хранения статусов, категорий, типов или любых других значений, которые могут быть заданы только из ограниченного набора вариантов.
А что на практике? Давайте рассмотрим.
Допустим у нас есть таблица со списком платежей, содержащая колонку status со следующими значениями:
CREATE TABLE `payments`(
`id` INT UNSIGNED NOT NULL AUTO_INCREMENT,
`status` ENUM('new', 'progress', 'done', 'fauled') NOT NULL,
KEY(`id`)
) CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci;Нюанс изменения enum поля в том, что при его редактировании сбрасываются значения колонки в null для всех строк таблицы, а то и вовсе получим ошибку Data truncated for column 'status' at row 3. То есть, чтобы корректно изменить enum поле, нужно куда-то сохранить данные. План действий будет таков:
1. Создать новую enum колонку с правильным набором данных;
2. Скопировать значение из старой колонки в новую и сразу применить исправление значения;
3. Удалить старую enum колонку;
4. Переименовать новую enum колонку.
При использовании фреймворка Laravel это будет выглядеть следующим образом:
use Illuminate\Database\Migrations\Migration;
use Illuminate\Database\Schema\Blueprint;
use Illuminate\Support\Facades\DB;
use Illuminate\Support\Facades\Schema;
return new class extends Migration
{
public function up(): void
{
// Создаём новую колонку
Schema::table('payments', function (Blueprint $table) {
$table->enum('tmp_status', ['new', 'progress', 'done', 'failed']);
});
// Копируем значения из enum колонки в новую с корректировкой значения
DB::statement('UPDATE payments SET tmp_status = (IF status = \'fauled\' THEN \'failed\' ELSE status END IF)');
// Удаляем старую колонку
Schema::table('payments', function (Blueprint $table) {
$table->dropColumn('status');
});
// Переименовываем колонку
Schema::table('payments', function (Blueprint $table) {
$table->renameColumn('tmp_status', 'status');
});
}
};На языке SQL эти действия будут выглядеть следующим образом:
@sqlhub
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥7👍5❤2
Асинхронное варение MongoDB в Python
Интересный доклад старшего разработчика компании Элитриум Даниила Неслуховского c недавней яндексовской конференции Pytup.
За эти 50 минут можно вспомнить типы БД, узнать про Object Mapping, Beanie и прочие компоненты.
Запись трансляции (доклад на 04:32)
#mongodb
Интересный доклад старшего разработчика компании Элитриум Даниила Неслуховского c недавней яндексовской конференции Pytup.
За эти 50 минут можно вспомнить типы БД, узнать про Object Mapping, Beanie и прочие компоненты.
Запись трансляции (доклад на 04:32)
#mongodb
👍9❤3🔥1
🔥Бесплатные сертификационные курсы для Data Science в 2023 году.
🔰 SQL
http://online.stanford.edu/courses/soe-ydatabases0005-databases-relational-databases-and-sql
🔰 Python
http://cs50.harvard.edu/python/2022/
🔰Statistics and R
https://edx.org/learn/r-programming/harvard-university-statistics-and-r
🔰Data Science: R Basics
https://edx.org/learn/r-programming/harvard-university-data-science-r-basics
🔰 Excel and PowerBI
http://learn.microsoft.com/en-gb/training/paths/modern-analytics/
🔰Data Science: Visualization
https://edx.org/learn/data-visualization/harvard-university-data-science-visualization
🔰Data Science: Machine Learning
https://edx.org/learn/machine-learning/harvard-university-data-science-machine-learning
🔰 R
http://cognitiveclass.ai/courses/r-101
🔰 Tableau
http://tableau.com/learn/training
🔰 PowerBI
http://learn.microsoft.com/en-us/users/collinschedler-0717/collections/m14nt4rdwnwp04
🔰Data Science: Productivity Tools
https://edx.org/learn/data-science/harvard-university-data-science-productivity-tools
🔰Data Science: Probability
https://edx.org/learn/probability/harvard-university-data-science-probability
🔰 Mathematics
http://ocw.mit.edu/search/?d=Mathematics&s=department_course_numbers.sort_coursenum
🔰 Statistics
http://cognitiveclass.ai/courses/statistics-101
🔰 Data Visualization
http://pll.harvard.edu/course/data-science-visualization
🔰 Machine Learning
http://developers.google.com/machine-learning/crash-course
🔰 Deep Learning
http://introtodeeplearning.com
🔰Data Science: Linear Regression
https://pll.harvard.edu/course/data-science-linear-regression/2023-10
🔰Data Science: Wrangling
https://edx.org/learn/data-science/harvard-university-data-science-wrangling
🔰 Linear Algebra
http://pll.harvard.edu/course/data-analysis-life-sciences-2-introduction-linear-models-and-matrix-algebra
🔰 Probability
http://pll.harvard.edu/course/data-science-probability
🔰Introduction to Linear Models and Matrix Algebra
https://edx.org/learn/linear-algebra/harvard-university-introduction-to-linear-models-and-matrix-algebra
🔰Data Science: Capstone
https://edx.org/learn/data-science/harvard-university-data-science-capstone
🔰 Data Analysis
http://pll.harvard.edu/course/data-analysis-life-sciences-4-high-dimensional-data-analysis
@sqlhub
🔰 SQL
http://online.stanford.edu/courses/soe-ydatabases0005-databases-relational-databases-and-sql
🔰 Python
http://cs50.harvard.edu/python/2022/
🔰Statistics and R
https://edx.org/learn/r-programming/harvard-university-statistics-and-r
🔰Data Science: R Basics
https://edx.org/learn/r-programming/harvard-university-data-science-r-basics
🔰 Excel and PowerBI
http://learn.microsoft.com/en-gb/training/paths/modern-analytics/
🔰Data Science: Visualization
https://edx.org/learn/data-visualization/harvard-university-data-science-visualization
🔰Data Science: Machine Learning
https://edx.org/learn/machine-learning/harvard-university-data-science-machine-learning
🔰 R
http://cognitiveclass.ai/courses/r-101
🔰 Tableau
http://tableau.com/learn/training
🔰 PowerBI
http://learn.microsoft.com/en-us/users/collinschedler-0717/collections/m14nt4rdwnwp04
🔰Data Science: Productivity Tools
https://edx.org/learn/data-science/harvard-university-data-science-productivity-tools
🔰Data Science: Probability
https://edx.org/learn/probability/harvard-university-data-science-probability
🔰 Mathematics
http://ocw.mit.edu/search/?d=Mathematics&s=department_course_numbers.sort_coursenum
🔰 Statistics
http://cognitiveclass.ai/courses/statistics-101
🔰 Data Visualization
http://pll.harvard.edu/course/data-science-visualization
🔰 Machine Learning
http://developers.google.com/machine-learning/crash-course
🔰 Deep Learning
http://introtodeeplearning.com
🔰Data Science: Linear Regression
https://pll.harvard.edu/course/data-science-linear-regression/2023-10
🔰Data Science: Wrangling
https://edx.org/learn/data-science/harvard-university-data-science-wrangling
🔰 Linear Algebra
http://pll.harvard.edu/course/data-analysis-life-sciences-2-introduction-linear-models-and-matrix-algebra
🔰 Probability
http://pll.harvard.edu/course/data-science-probability
🔰Introduction to Linear Models and Matrix Algebra
https://edx.org/learn/linear-algebra/harvard-university-introduction-to-linear-models-and-matrix-algebra
🔰Data Science: Capstone
https://edx.org/learn/data-science/harvard-university-data-science-capstone
🔰 Data Analysis
http://pll.harvard.edu/course/data-analysis-life-sciences-4-high-dimensional-data-analysis
@sqlhub
👍23❤6🔥6
🔥 Дайджест полезных материалов из мира : sql за неделю
Почитать:
— SONB и hstore: использование специальных типов данных PostgreSQL для работы с полуструктурированными данными
— Таблица-справочник – генератор DAG? А что так можно было?
— Какой парсер для автоматизации ревью кода лучше — DacFx или ANTLR
— Как полностью устранить дублирующие записи в ClickHouse
— Анализ сентимента и эмоционального окраса текстов с помощью SQL
— Почему тип поля enum на уровне базы — зло
— Использование конечных автоматов с несколькими активными состояниями для автоматизации бизнес-процессов
— Просто о Deep #1
— Как обучить миллионы моделей прогнозирования временными сериями
— How to simplify database operations using MySQL stored procedures
— Exploring the Basics of SQL: A Novice's Journey
— PL/Python on YugabyteDB
— Comprehensive Guide: Deploying and Debugging Custom Webhooks on Supabase & PostgreSQL
— Garanta a Eficiência: Escolhendo entre tipos String no SQL
— Nulls are equal in distinct but inequal in unique.
— Querying Your Data Easily and Smartly through Hugging Face
— How To Seamlessly Integrate Sequelize with Node.js and JavaScript for Database Monitoring
— Starting My First Command Line Project
— Entendendo JOINs no SQL: Unindo Tabelas Como um Profissional
Посмотреть:
🌐 Build SQL Scripts and Queries with Amazon CodeWhisperer | Amazon Web Services
🌐 Продвинутый парсинг на Python со сменой прокси (⏱ 10:27)
🌐 Уроки Golang с нуля /#25 - Интерфейсы (⏱ 10:51)
🌐 Многопоточный парсер на Python. ООП подход (⏱ 08:24)
Хорошего дня!
@sqlhub
Почитать:
— SONB и hstore: использование специальных типов данных PostgreSQL для работы с полуструктурированными данными
— Таблица-справочник – генератор DAG? А что так можно было?
— Какой парсер для автоматизации ревью кода лучше — DacFx или ANTLR
— Как полностью устранить дублирующие записи в ClickHouse
— Анализ сентимента и эмоционального окраса текстов с помощью SQL
— Почему тип поля enum на уровне базы — зло
— Использование конечных автоматов с несколькими активными состояниями для автоматизации бизнес-процессов
— Просто о Deep #1
— Как обучить миллионы моделей прогнозирования временными сериями
— How to simplify database operations using MySQL stored procedures
— Exploring the Basics of SQL: A Novice's Journey
— PL/Python on YugabyteDB
— Comprehensive Guide: Deploying and Debugging Custom Webhooks on Supabase & PostgreSQL
— Garanta a Eficiência: Escolhendo entre tipos String no SQL
— Nulls are equal in distinct but inequal in unique.
— Querying Your Data Easily and Smartly through Hugging Face
— How To Seamlessly Integrate Sequelize with Node.js and JavaScript for Database Monitoring
— Starting My First Command Line Project
— Entendendo JOINs no SQL: Unindo Tabelas Como um Profissional
Посмотреть:
🌐 Build SQL Scripts and Queries with Amazon CodeWhisperer | Amazon Web Services
🌐 Продвинутый парсинг на Python со сменой прокси (⏱ 10:27)
🌐 Уроки Golang с нуля /#25 - Интерфейсы (⏱ 10:51)
🌐 Многопоточный парсер на Python. ООП подход (⏱ 08:24)
Хорошего дня!
@sqlhub
👍10🔥3❤2
This media is not supported in your browser
VIEW IN TELEGRAM
Удобный инструмент для просмотра и редактирования файлов базы данных(SQLite, CSV), написанный на Go.
▪Позволяет перемещаться по таблицам с любым количеством столбцов
▪Позволяет перемещаться по таблицам с любым количеством строк
▪Запускает SQL-запросы и отображайте результаты
▪Позволяет сохранять SQL-запросы в буфер обмена
▪Обновление, удаление или вставка с помощью SQL, с поддержкой отмены / повтора для SQLite
▪Работает с клавиатурой и мышью.
▪Автоматическое форматирование JSON в режиме выбора / форматирования
▪Позволяет редактировать многострочный текст с помощью элементов управления, подобных vim
▪Отмена / возврат изменений (только SQLite)
▪Темы (нажмите T в режиме таблицы)
▪Вывод результатов запроса в формате CSV
▪Конвертируйте .csv в базу данных SQLite! Экспортируйте снова как базу данных SQLite или файл .csv!
📌Github
@sqlhub
Please open Telegram to view this post
VIEW IN TELEGRAM
👍9❤3🥰1
🚀 БЕСПЛАТНЫЕ курсы и БЕСПЛАТНЫЕ сертификаты.
❯ SQL http://cognitiveclass.ai/courses/learn-sql-relational-databases
❯ MySQL https://scaler.com/topics/course/sql-using-mysql-course/
❯ PostgreSQL http://freecodecamp.org/learn/relational-database/
@sqlhub
Please open Telegram to view this post
VIEW IN TELEGRAM
👍18🔥7❤2
❯ Oracle http://mygreatlearning.com/academy/learn-for-free/courses/oracle-sql
❯ Big Query http://kaggle.com/learn/intro-to-sql
❯ PostgreSQL http://simplilearn.com/free-postgresql-course-skillup
❯ SQL Projects http://mygreatlearning.com/academy/learn-for-free/courses/sql-projects-for-beginners
@sqlhub
Please open Telegram to view this post
VIEW IN TELEGRAM
👍8❤4🔥1
Библиотека для работы с большими языковыми моделями для преобразования текста на естественном языке в SQL-запросы.
SQLCoder - это модель с 15B параметрам, которая превосходит gpt-3.5-turbo для задач генерации из естественного языка в SQL.
Модель значительно превосходит все популярные модели с открытым исходным кодом. Она также значительно превосходит модель text-davinci-003, более чем в 10 раз превосходящую ее по размеру.
• Github
• Demo
@sqlhub
Please open Telegram to view this post
VIEW IN TELEGRAM
❤9👍2🔥1😁1
🔥 Дайджест полезных материалов из мира: sql за неделю
Почитать:
— Сверхбыстрые приложения на Oracle – легко
— Способ залезть в «кишочки» операционной системы, Docker из PostgreSQL с помощью SQL
— Что нового в Pandas 2.1
— Готовые скрипты Python
— Что происходит в СУБД при записи регистра накопления 1С?
— Как работает миграция между базами данных в реальном мире
— SQL Задача про бинарное дерево
— SQL + Docker: The combo for Quick and Safe Query Testing
— Multi-Tenant SaaS Architecture with Entity Framework
— SQL 50 – 1757. Recyclable and Low Fat Products
— SQLMorpher: LLM-Based Tool to Improve Data Transformation in Building Energy Data
— 7 reasons why a user would need to query Amazon S3 directly
— What Are Window Functions in SQL & How To Use Them
— Comandos SQL
— Basic Sql Commands⏹️
— Use several databases within your Laravel project
— Advanced SQL Server: Upgrading Database Audit Logs with Loggly API Integration
Посмотреть:
🌐 Python+SQL работа с базами данных. (⏱ 11:10)
🌐 Полный курс по библиотеке Numpy. Матрицы (⏱ 11:24)
🌐 Уроки Golang с нуля /#26 - Обработка ошибок (⏱ 08:14)
🌐 Полный курс по библиотеке Numpy. Полезные функции (⏱ 11:05)
🌐 Полный курс по библиотеке Numpy. Применение Numpy (⏱ 11:52)
🌐 Полный курс по библиотеке Numpy. Создание матриц из файла (⏱ 15:55)
🌐 Python Атоматизация отправки email с selenium (⏱ 04:59)
🌐 Полный курс по библиотеке Numpy. Продвинутые методы работы с матрицами (⏱ 07:28)
🌐 Python анализ данных с Pandas. (⏱ 17:04)
Хорошего дня!
@sqlhub
Почитать:
— Сверхбыстрые приложения на Oracle – легко
— Способ залезть в «кишочки» операционной системы, Docker из PostgreSQL с помощью SQL
— Что нового в Pandas 2.1
— Готовые скрипты Python
— Что происходит в СУБД при записи регистра накопления 1С?
— Как работает миграция между базами данных в реальном мире
— SQL Задача про бинарное дерево
— SQL + Docker: The combo for Quick and Safe Query Testing
— Multi-Tenant SaaS Architecture with Entity Framework
— SQL 50 – 1757. Recyclable and Low Fat Products
— SQLMorpher: LLM-Based Tool to Improve Data Transformation in Building Energy Data
— 7 reasons why a user would need to query Amazon S3 directly
— What Are Window Functions in SQL & How To Use Them
— Comandos SQL
— Basic Sql Commands⏹️
— Use several databases within your Laravel project
— Advanced SQL Server: Upgrading Database Audit Logs with Loggly API Integration
Посмотреть:
🌐 Python+SQL работа с базами данных. (⏱ 11:10)
🌐 Полный курс по библиотеке Numpy. Матрицы (⏱ 11:24)
🌐 Уроки Golang с нуля /#26 - Обработка ошибок (⏱ 08:14)
🌐 Полный курс по библиотеке Numpy. Полезные функции (⏱ 11:05)
🌐 Полный курс по библиотеке Numpy. Применение Numpy (⏱ 11:52)
🌐 Полный курс по библиотеке Numpy. Создание матриц из файла (⏱ 15:55)
🌐 Python Атоматизация отправки email с selenium (⏱ 04:59)
🌐 Полный курс по библиотеке Numpy. Продвинутые методы работы с матрицами (⏱ 07:28)
🌐 Python анализ данных с Pandas. (⏱ 17:04)
Хорошего дня!
@sqlhub
👍14❤2🔥2
1⃣ SQLMap
Вы, вероятно, уже знаете о первом инструменте.
SQLMap - самый популярный сканер уязвимостей SQL Injection, полностью открытый!
2⃣ Ghauri
Ghauri - это продвинутый инструмент, позволяющий автоматизировать обнаружение и эксплуатацию уязвимостей SQL Injection!
Ghauri также имеет открытый исходный код и доступен на GitHub!
3⃣ SQLiv
SQLiv способен найти в гугле определенную цель, просмотреть ее и просканировать несколько URL-адресов на предмет SQL-инъекций!
@sqlhub
Please open Telegram to view this post
VIEW IN TELEGRAM
👍8❤2🔥1
Please open Telegram to view this post
VIEW IN TELEGRAM
👍13🔥3❤1
🔥 Дайджест полезных материалов из мира SQL за неделю
Почитать:
— Проектирование БД и почему важен SQL для системного аналитика: гайд по улучшению качества требований
— Тестирование производительности на Python: Пошаговое руководство с Flask
— Искусство ETL. Пишем собственный движок SQL на Spark [часть 3 из 5]
— Вы вообще нормальн… нормализованный??
— SQL HowTo: ближайший общий предок в дереве (LCA)
— 7 аргументов почему UUID лучше, чем автоинкрементные идентификаторы
— MSSQL: Rebuild vs Reorganize в высоконагруженных системах
— Как я писал сервер на NodeJS для базы Firebird 3.0
— Harness the Power of SQL CASE - Your Ultimate SQL CASE Statement Guide
— Transaction Internals: Fast Path vs Multi-Shard
— The cost of additional secondary indexes in PostgreSQL & YugabyteDB
— Dominando a função WITH: Criando Consultas Temporárias no SQL
— Database Review: Top Five Missing Features from Database APIs
— SQL Roadmap for Data Analysts[Step-by-Step]
— Offline auth with Electron + SQLite + React
— SQL concept for Beginners
— Implementing hassle-free audits in the SQL database
— Simple and Efficient Full Text Search using Django and Postgres
Посмотреть:
🌐 Невероятная нейросеть переводит любое видео на другие языки с сохранением оригинального голоса. (⏱ 00:55)
🌐 Python анализ данных с Pandas. PandaSQL (⏱ 12:13)
🌐 Управление жестами всегда было в ваших часах, просто его нужно было активировать. (⏱ 00:11)
🌐 Python анализ данных с Pandas. Join, merge, concat в Pandas (⏱ 19:25)
🌐 Python+SQL часть2 создание таблиц. (⏱ 05:15)
🌐 Уроки Golang с нуля /#28 - Встраивание типов (⏱ 06:16)
🌐 Python анализ данных с Pandas. (⏱ 17:04)
🌐 Уроки Golang с нуля /#27 - Bufio. Чтение и запись (⏱ 10:35)
Хорошего дня!
@sqlhub
Почитать:
— Проектирование БД и почему важен SQL для системного аналитика: гайд по улучшению качества требований
— Тестирование производительности на Python: Пошаговое руководство с Flask
— Искусство ETL. Пишем собственный движок SQL на Spark [часть 3 из 5]
— Вы вообще нормальн… нормализованный??
— SQL HowTo: ближайший общий предок в дереве (LCA)
— 7 аргументов почему UUID лучше, чем автоинкрементные идентификаторы
— MSSQL: Rebuild vs Reorganize в высоконагруженных системах
— Как я писал сервер на NodeJS для базы Firebird 3.0
— Harness the Power of SQL CASE - Your Ultimate SQL CASE Statement Guide
— Transaction Internals: Fast Path vs Multi-Shard
— The cost of additional secondary indexes in PostgreSQL & YugabyteDB
— Dominando a função WITH: Criando Consultas Temporárias no SQL
— Database Review: Top Five Missing Features from Database APIs
— SQL Roadmap for Data Analysts[Step-by-Step]
— Offline auth with Electron + SQLite + React
— SQL concept for Beginners
— Implementing hassle-free audits in the SQL database
— Simple and Efficient Full Text Search using Django and Postgres
Посмотреть:
🌐 Невероятная нейросеть переводит любое видео на другие языки с сохранением оригинального голоса. (⏱ 00:55)
🌐 Python анализ данных с Pandas. PandaSQL (⏱ 12:13)
🌐 Управление жестами всегда было в ваших часах, просто его нужно было активировать. (⏱ 00:11)
🌐 Python анализ данных с Pandas. Join, merge, concat в Pandas (⏱ 19:25)
🌐 Python+SQL часть2 создание таблиц. (⏱ 05:15)
🌐 Уроки Golang с нуля /#28 - Встраивание типов (⏱ 06:16)
🌐 Python анализ данных с Pandas. (⏱ 17:04)
🌐 Уроки Golang с нуля /#27 - Bufio. Чтение и запись (⏱ 10:35)
Хорошего дня!
@sqlhub
👍10🔥4❤1