㈠ 安卓中怎么从命令行查看数据库中的数据
1，进入到控制台中，输入adb shell，进入到命令模式的环境中
2，输入：cd /data/data/
3, 选择你所在的数据库文件，比如我的com.android.homework, 输入命令：cd com.android.homework
4, 可以使用ls -l 命令查看当前目录中的文件
5，输入： cd databases 进入到数据库文件中
6， ls -l 显示你数据库中你建立的数据库
7， sqlite3 info.db 进入到你选择的数据库中
8， .tables ：查看你建的表
9， select * from table_name；s 可以查看整个表的信息
10， 使用其他的SQL语句可以进一步对表进行操作，注意SQL语句必须用分号（；）结尾
㈡ 数据科学入门丨选python还是R
数据科学入门丨选Python还是R
对于想入门数据科学的新手来说，选择学Python还是R语言是一个难题，本文对两种语言进行了比较，希望能帮助你做出选择。
我是德勤的数据科学家主管，多年来我一直在使用Python和R语言，并且与Python社区密切合作了15年。本文是我对这两种语言的一些个人看法。
第三种选择
针对这个问题，Studio的首席数据科学家Htley Wickham认为，比起在二者中选其一，更好的选择是让两种语言合作。因此，这也是我提到的第三种选择，我在文本最后部分会探讨。
如何比较R和Python
对于这两种语言，有以下几点值得进行比较：
· 历史：
R和Python的发展历史明显不同，同时有交错的部分。
· 用户群体：
包含许多复杂的社会学人类学因素。
· 性能：
详细比较以及为何难以比较。
· 第三方支持：
模块、代码库、可视化、存储库、组织和开发环境。
· 用例：
根据具体任务和工作类型有不同的选择。
· 是否能同时使用：
在Python中使用R，在R中使用Python。
· 预测：
内部测试。
· 企业和个人偏好：
揭晓最终答案。
历史
简史：
ABC语言 - > Python 问世(1989年由Guido van Rossum创立) - > Python 2(2000年) - > Python 3(2008年)
Fortan语言 - > S语言(贝尔实验室) - > R语言问世(1991年由Ross Ihaka和Robert Gentleman创立) - > R 1.0.0(2000年) - > R 3.0.2(2013年)
用户群体
在比较Python与R的使用群体时，要注意：
只有50％的Python用户在同时使用R。
假设使用R语言的程序员都用R进行相关“科学和数字”研究。可以确定无论程序员的水平如何，这种统计分布都是真实。
这里回到第二个问题，有哪些用户群体。整个科学和数字社区包含几个子群体，当中存在一些重叠。
使用Python或R语言的子群体：
· 深度学习
· 机器学习
· 高级分析
· 预测分析
· 统计
· 探索和数据分析
· 学术科研
· 大量计算研究领域
虽然每个领域几乎都服务于特定群体，但在统计和探索等方面，使用R语言更为普遍。在不久之前进行数据探索时，比起Python，R语言花的时间更少，而且使用Python还需要花时间进行安装。
这一切都被称为Jupyter Notebooks和Anaconda的颠覆性技术所改变。
Jupyter Notebook：增加了在浏览器中编写Python和R代码的能力;
Anaconda：能够轻松安装和管理Python和R。
现在，你可以在友好的环境中启动和运行Python或R，提供开箱即用的报告和分析，这两项技术消除了完成任务和选择喜欢语言间的障碍。Python现在能以独立于平台的方式打包，并且更快地提供快速简单的分析。
社区中影响语言选择的另一个因素是“开源”。不仅仅是开源的库，还有协作社区对开源的影响。讽刺的是，Tensorflow和GNU Scientific Library等开源软件(分别是Apache和GPL)都与Python和R绑定。虽然使用R语言的用户很多，但使用Python的用户中有很多纯粹的Python支持者。另一方面，更多的企业使用R语言，特别是那些有统计学背景的。
最后，关于社区和协作，Github对Python的支持更多。如果看到最近热门的Python包，会发现Tensorflow等项目有超过3.5万的用户收藏。但看到R的热门软件包，Shiny、Stan等的收藏量则低于2千。
性能
这方面不容易进行比较。
原因是需要测试的指标和情况太多。很难在任何一个特定硬件上测试。有些操作通过其中一种语言优化，而不是另一种。
循环
在此之前让我们想想，如何比较Python与R。你真的想在R语言写很多循环吗？毕竟这两种语言的设计意图不太相同。
{
"cells": [
{
"cell_type": "code",
"execution_count": 1,
"metadata": {},
"outputs": [],
"source": [
"import numpy as npn",
"%load_ext rpy2.ipython"
]
},
{
"cell_type": "code",
"execution_count": 2,
"metadata": {},
"outputs": [],
"source": [
"def do_loop(u1):n",
"n",
" # Initialize `usq`n",
" usq = {}n",
"n",
" for i in range(100):n",
" # i-th element of `u1` squared into `i`-th position of `usq`n",
" usq[i] = u1[i] * u1[i]n"
]
},
{
"cell_type": "code",
"execution_count": 3,
"metadata": {},
"outputs": [],
"source": [
"%%Rn",
"do_loop <- function(u1) {n",
" n",
" # Initialize `usq`n",
" usq <- 0n",
"n",
" for(i in 1:100) {n",
" # i-th element of `u1` squared into `i`-th position of `usq`n",
" usq[i] <- u1[i]*u1[i]n",
" }n",
"n",
"}"
]
},
{
"cell_type": "code",
"execution_count": 4,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"1.58 ms ± 42.8 ?s per loop (mean ± std. dev. of 7 runs, 1000 loops each)n"
]
}
],
"source": [
"%%timeit -n 1000n",
"%%Rn",
"u1 <- rnorm(100)n",
"do_loop(u1)"
]
},
{
"cell_type": "code",
"execution_count": 5,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"36.9 ?s ± 5.99 ?s per loop (mean ± std. dev. of 7 runs, 1000 loops each)n"
]
}
],
"source": [
"%%timeit -n 1000n",
"u1 = np.random.randn(100)n",
"do_loop(u1)"
]
}
],
"metadata": {
"kernelspec": {
"display_name": "Python 3",
"language": "python",
"name": "python3"
},
"language_info": {
"codemirror_mode": {
"name": "ipython",
"version": 3
},
"file_extension": ".py",
"mimetype": "text/x-python",
"name": "python",
"nbconvert_exporter": "python",
"pygments_lexer": "ipython3",
"version": "3.6.3"
}
},
"nbformat": 4,
"nbformat_minor": 2
}
Python为0.000037秒，R为0.00158秒
包括加载时间和在命令行上运行：R需要0.238秒，Python需要0.147秒。强调，这并不是科学严谨的测试。
测试证明，Python的运行速度明显加快。通常这并没有太大影响。
除了运行速度外，对于数据科学家而言哪种性能更重要？两种语言之所以受欢迎是因为它们能被用作命令语言。例如，在使用Python时大多时候我们都很依赖Pandas。这涉及到每种语言中模块和库，以及其执行方式。
第三方支持
Python有PyPI，R语言有CRAN，两者都有Anaconda。
CRAN使用内置的install.packages命令。目前，CRAN上有大约1.2万个包。其中超过1/2的包都能用于数据科学。
PyPi中包的数量超过前者的10倍，约有14.1万个包。专门用于科学工程的有3700个。其中有些也可以用于科学，但没有被标记。
在两者中都有重复的情况。当搜索“随机森林”时，PyPi中可以得到170个项目，但这些包并不相同。
尽管Python包的数量是R的10倍，但数据科学相关的包的数量大致相同。
运行速度
比较DataFrames和Pandas更有意义。
我们进行了一项实验：比较针对复杂探索任务的执行时间，结果如下：
在大多数任务中Python运行速度更快。
http://nbviewer.jupyter.org/gist/brianray/
可以看到，Python + Pandas比原生的R语言DataFrames更快。注意，这并不意味着Python运行更快，Pandas 是基于Numpy用C语言编写的。
可视化
这里将ggplot2与matplotlib进行比较。
matplotlib是由John D. Hunter编写的，他是我在Python社区中最敬重的人之一，他也是教会我使用Python的人。
Matplotlib虽然不易学习但能进行定制和扩展。ggplot难以进行定制，有些人认为它更难学。
如果你喜欢漂亮的图表，而且无需自定义，那么R是不错的选择。如果你要做更多的事情，那么Matplotlib甚至交互式散景都不错。同样，R的ShinnyR能够增加交互性。
是否能同时使用
可能你会问，为什么不能同时使用Python和R语言?
以下情况你可以同时使用这两种语言：
· 公司或组织允许；
· 两种都能在你的编程环境中轻松设置和维护；
· 你的代码不需要进入另一个系统；
· 不会给合作的人带来麻烦和困扰。
一起使用两种语言的方法是：
· Python提供给R的包：如rpy2、pyRserve、Rpython等；
· R也有相对的包：rPython、PythonInR、reticulate、rJython，SnakeCharmR、XRPython
· 使用Jupyter，同时使用两者，例子如下：
之后可以传递pandas的数据框，接着通过rpy2自动转换为R的数据框，并用“-i df”转换：
http://nbviewer.jupyter.org/gist/brianray/
预测
Kaggle上有人对开发者使用R还是Python写了一个Kernel。他根据数据发现以下有趣的结果：
· 如果你打算明年转向Linux，则更可能是Python用户；
· 如果你研究统计数据，则更可能使用R；如果研究计算机科学，则更可能使用Python；
· 如果你还年轻(18-24岁)，则更可能是Python用户；
· 如果你参加编程比赛，则更可能是Python用户；
· 如果你明年想使用Android，则更可能是Python用户；
· 如果你想在明年学习SQL，则更可能是R用户；
· 如果你使用MS office，则更可能是R用户；
· 如果你想在明年使用Rasperry Pi，则更可能是Python用户；
· 如果你是全日制学生，则更可能是Python用户；
· 如果你使用的敏捷方法(Agile methodology)，则更可能是Python用户；
· 如果对待人工智能，比起兴奋你更持担心态度，则更可能是R用户。
企业和个人偏好
当我与Googler和Stack Overflow的大神级人物Alex Martelli交流时，他向我解释了为什么Google最开始只官方支持少数几种语言。即使是在Google相对开发的环境中，也存在一些限制和偏好，其他企业也是如此。
除了企业偏好，企业中第一个使用某种语言的人也会起到决定性作用。第一个在德勤使用R的人他目前仍在公司工作，目前担任首席数据科学家。我的建议是，选择你喜欢的语言，热爱你选择的语言，起到领导作用，并热爱你的事业。
当你在研究某些重要的内容时，犯错是难以避免的。然而，每个精心设计的数据科学项目都为数据科学家留有一些空间，让他们进行实验和学习。重要的是保持开放的心态，拥抱多样性。
最后就我个人而言，我主要使用Python，之后我期待学习更多R的内容。
㈢ 哪里有命令行模式下的科学计算器（要支持科学计算）
试下python 的numpy库
㈣ 如何使用 Docker 快速配置数据科学开发环境
Docker今年应该算是很热门的技术了，之前一直没怎么真正地去了解、接触。通过翻译这篇简单的教程，我同时也对Dcoker有了入门的了解。Docker和我目前使用的Vagrant有些类似之处，都是通过类似镜像的文件创建孤立的系统环境。只是Docker容器中已经安装了所需的包，而我目前所了解的Vagrant
box还没有这个功能。当然，应该是我使用程度不深的原因。不管怎么说，Docker确实是跨平台开发的利器。译文如果有什么不准确的地方，请大家指正。
数据科学开发环境配置起来让人头疼，会碰到包版本不一致、错误信息不熟悉和编译时间漫长等问题。这很容易让人垂头丧气，也使得迈入数据科学的这第一步十分艰难。而且这也是一个完全不常见的准入门槛。
还好，过去几年中出现了能够通过搭建孤立的环境来解决这个问题的技术。本文中我们就要介绍的这种技术名叫Docker。Docker能让开发者简单、快速地搭建数据科学开发环境，并支持使用例如Jupyter notebooks等工具进行数据探索。
要使用Docker，我们要先下载含有相关包（package）和数据科学工具的镜像文件。之后，我们可以通过该镜像，在数秒之内就启动一个数据科学开发环境，免去了手动安装包的麻烦。这个环境，也被成为Docker容器（container）。容器解除了配置的问题——当你启动一个Docker容器后，它就已经处于了良好的状态，所有的包都是可以正常运转的。
除了降低进入数据科学的门槛之外，Docker还可以让我们快速搭建拥有不同Python版本和安装了不同包的孤立环境，不像虚拟环境（virtualenv）那样还要重新安装包。
在本文中，我们将介绍Docker的基础知识，如何安装Docker以及如何利用Docker容器快速地在本地机器上搭建数据科学环境。
虚拟机
能够创建虚拟机的软件已经问世数十年，可以让你在本地电脑上模拟其他的系统环境。举个例子，即使你的电脑运行的是Windows操作系统，你仍可以通过虚拟机运行Linux系统。这可以让你在不重装系统的前提下，使用Linux——也就是说，Linux系统是虚拟化运行的，所以你可以从Windows系统访问虚拟机。基本上，你可以在点击该软件的程序图标之后，看到弹出的窗口中乃是一个Linux系统桌面。而虚拟机需要镜像来启动，也就是你必须先拥有一个目标系统的镜像，才能启动相应的虚拟机。如果你想使用Linux，你使用的镜像就得包含创建Linux环境所必须的全部文件。
容器
尽管虚拟机有诸多好处，例如能够使在Windows平台进行Linux开发成为现实，但是也有着自身的缺陷。首先，虚拟机的启动时间很长，要消耗大量的系统资源。另外，在利用镜像创建完虚拟机中，很难在安装完所需要的包后，再将这个镜像保存，创建为新的镜像。而Docker提供的Linux容器，则通过让多个孤立环境在同一台机器上运行，解决了这个问题。你可以把容器看作是一种更快、更简单地使用虚拟机的方法。
但是，容器的使用却有一点麻烦，而且管理和发布容器镜像也不容易。作为开发人员，我们希望能够快速下载并启动一个拥有指定包和工具配置的数据科学环境。例如，你肯定会希望能快速启动一个安装了Jupyter notebook、spark和pandas的容器。
Docker
Docker容器的里层包裹的是Linux容器（a layer over Linux
containers），可以支持更简单地对容器进行管理和发布。使用Docker，可以很容易地下载具备相应包的镜像，并且快速启动。另外，Docker是跨平台的，支持包括Mac、Windows和Linux等系统。
作为创建孤立Python环境的另一种方式，虚拟环境（virtual environment）也有这些优势。但是Docker相较于虚拟环境的主要优势有：
能够快速启动。如果你想马上就开始进行数据分析，使用Docker就免去了你等待各种包进行安装的时间。
配置测试无误。很多时候，要正常安装Python包会，需要以安装某些系统包为前提，并只有在进行相应设置后才能正常使用。如果设置不当，会引起一些很奇怪的错误。但是使用Docker后，这些包就已经配置好了，可以立即使用。
跨平台一致性。Python中的包是可以跨平台使用的，但是在Windows和Linux平台下有些不同，而且还有部分依赖包无法在Windows中安装。但是由于Docker容器运行的都是Linux环境，所以它们是高度一致的。
能够设置checkpoint并且进行恢复。你可以往Docker镜像中安装包，然后将那个checkpoint下的环境创建成一个新的镜像。这让你能够快速撤销或者回滚配置。
运行一个Docker镜像，就相当于创建了一个Docker容器。在本文中，我们在容器中运行一个Jupyter notebook，然后通过浏览器界面来处理数据。
安装Docker
第一步就是安装Docker。Docker官方为Windows和Mac用户提供了一个简便安装过程的图形界面安装器。下面是每个操作系统的安装指南。
Mac OS
Linux
Windows
在安装时，你需要使用shell命令提示符（shell prompt）。shell命令提示符（shell
prompt）也被称为终端或命令行，是在你的机器上通过文本界面而非图形界面运行命令的一种方式。例如，你可以在Windows系统中双击记事本就可以打开一个文本编辑器，也可以在Linux终端中输入nano达到这个目的。Docker提供了一个预先配置好的shell，可以用来运行Docker命令。请按照下面的方法操作：
Mac OS —— 从Launchpad中打开Docker Quickstart Terminal程序。详情见本篇文章。
Linux —— 打开任意bash终端，就可以使用docker命令。
Windows —— 双击桌面上的Docker QuickstartTerminal程序的图标。详情见本篇文章。
下文在提到需要运行Docker命令或输入某个命令时，你都需要使用这个shell命令提示符。
下载镜像
下一步是下载你需要的镜像。下面是我们网站(dataquestio)目前提供的数据科学开发专用镜像：
dataquestio/python3-starter —— 这个镜像已经安装好了Python 3, Jupyter notebook和许多其他流行的数据科学库，包括numpy，pandas，scipy，scikit-learn和nltk。
dataquestio/python2-starter —— 这个镜像已经安装好了Python 2, Jupyter notebook和许多其他流行的数据科学库，包括numpy，pandas，scipy，scikit-learn和nltk。
你可以通过输入docker pull IMAGE_NAME命令，下载相应的镜像。如果你想下载dataquestio/python3-starter这个镜像，那么你需要在终端输入docker pull dataquestio/python3-starter命令。输入这段命令后，程序会自动从Docker Hub下载镜像。Docker Hub与Github类似，不过却是Docker镜像的一个中枢。它会将相应的镜像文件下载至你的本地机器，这样你才能利用该镜像创建容器。
新建一个文件夹
在本地创建一个文件夹，用于存放notebooks。这个文件夹中将储存你所有的工作文件，并会持续存在于你的机器中，即使是你销毁了docker容器。在这里，我们将创建下面这个文件夹，/home/vik/notebooks。
运行镜像
镜像下载完成后，你可以通过docker run运行该镜像。我们还需要传入一些选项，确保镜像配置正确。
-p 选项用于设置虚拟机的端口，让我们可以在本地访问Jupyter notebook服务器。
-d 选项用于以detached模式运行容器，也就是作为背景进程运行。
-v 选项让我们指定在本地机器中使用哪个文件夹存储notebook。
完整的运行命令是类似这样的：docker run -d -p 8888:8888 -v /home/vik/notebooks:/home/ds/notebooks dataquestio/python3-starter。
你应该将/home/vik/notebooks更改为你用于存储文件的地址。另外，应该把dataquestio/python3-starter更改为自己喜欢的docker镜像。
执行docker run命令将会创建一个Docker容器。这是与你的本地机器相隔绝的，也可以把它看作是一台单独的电脑。在容器内部，会运行一个Jupyter notebook服务器，并可以让我们使用许多数据科学工具包。
另外，docker run命令也会在终端打印出容器的编码（container id ），在通过其他docker容器对该容器进行修改时，就必须要使用这个编码。在下文中我们称该编码为容器编码。
查看notebook服务器
如果你的系统是Linux，那么下一步非常简单——只需要在浏览器中打开localhost:8888，之后应该就能看到运行中的notebook。如果你使用的是Windows或OSX，之前也按照Docker官方安装指南进行了操作，并且安装过程中使用了docker-machine，那么本地机器的名称是default，运行docker-machine ip default命令就可以得知docker容器的ip。如果使用了其他的名字，例如dev，那在命令中将default替换为dev即可。接下来，在浏览器中访问CONTAINER_IP:8888就可以看到notebook（将CONTAINER_IP替换为你的容器编码）。
创建一个notebook
到了这一步，你可以创建一个新的Jupyter notebook测试下这个孤立的开发环境。试试输入下面这个scikit-learn的例子：
from sklearn import datasets
from sklearn.cross_validation import cross_val_predict
from sklearn import linear_model
import matplotlib.pyplot as plt
%matplotlib inline
lr = linear_model.LinearRegression()
boston = datasets.load_boston()
y = boston.target
predicted = cross_val_predict(lr, boston.data, y, cv=10)
fig, ax = plt.subplots()
ax.scatter(y, predicted)
ax.plot([y.min(), y.max()], [y.min(), y.max()], 'k--', lw=4)
ax.set_xlabel('Measured')
ax.set_ylabel('Predicted')
plt.show()
添加数据文件
如果你想往开发环境中添加数据文件，你有三个选择。第一个选择，就是将文件放在你之前创建用来存放notebook的文件夹中。你放那里的任何文件将可以自动通过Jupyter notebook中访问。
第二种选择就是使用docker cp命令。docker cp可以从本地机器复制文件至容器中，反之亦然。假设你想拷贝/hom/vik/data.csv文件至一个id为4greg24134的容器中，你可以输入下面的命令：docker cp /home/vik/data.csv 4greg24134:/home/ds/notebooks。这会将data.csv文件拷贝到容器中用于存放notebook的文件夹中。当然，你可以选择将文件放到容器中的任何地方，但是把它们放在存放notebook的文件夹忠厚，你就可以轻松地通过Jupyter notebook访问这些文件了。
第三个选择就是使用Jupyter notebook首页右上方的upload按钮。这可以让你选择一个文件，并上传到容器中用于存放notebook的文件夹中。
不管你使用哪种方法，要想在Jupyter notebook中加载文件，需要按照类似下面的方式进行：
import pandas
data = pandas.read_csv("data.csv")
复制容器中的数据文件
你可能会需要从容器中拷贝文件至本地机器。最容易的办法就是把文件放置在/home/ds/notebooks文件夹中，这样的话这些文件就会自动映像到本地机器。
另一种方法也就是利用docker cp命令。假设你想从id为4greg24314的容器中，把/home/ds/notebooks/data.csv文件拷贝至本地机器的/home/vik/文件夹中，你可以输入下面的命令：cp 4greg24134:/home/ds/notebooks/data.csv /home/vik/data.csv。
最后一种方法就是使用Jupyter界面中的download选项。在网页模式下点击一个不是notebook的文件，将会将其下载至本地。如果你已经打开了一个notebook，那么可以先点击File，然后选中download as就可以下载至本地。
安装更多的工具包
如果你想在容器中安装更多的工具包，你可以通过正常的bash命令行命令就可以实现。要想在容器中执行这些命令，你需要运行docker exec命令。这个命令接受容器的id作为参数，以及一个期望运行的命令。例如输入docker exec -it 4greg24134 /bin/bash将会在编码为4greg24134的容器中开启一个shell命令提示符（shell prompt）。-it选项确保我们在容器中打开了一个输入会话，并且可以输入命令。
在运行docker exec命令之后，你就会看到容器中的shell命令提示符（shell prompt）出现。容器此时正通过一个名为ds的虚拟环境运行Python程序，这个虚拟环境已经是处于激活状态的。
接下来，只需要输入pip install PACKAGE_NAME就可以安装其他的工具包。例如，你可以使用pip install requests来安装requests。
当你希望退出容器的shell终端时，只需要输入exit即可。
关闭docker容器
在完成数据处理工作之后，你就可以通过docker rm -f CONTAINER_ID来停止docker容器。你应该输入之前获得的容器编码。如果你忘了，你可以运行docker ps查看。容器停止运行之后，notebooks会继续存放在你本地用于存放的文件夹中。
㈤ 使用命令行怎样对mysql中的数据库进行操作
用命令行进入mysql方法：
windows打开命了行，在左下角开始，运行，cmd，mysql
然后就要让你数据密码的，当然前提是你的mysql安装正确，网上有好多图文并茂的安装教程。开始，运行，cmd [ ,cd mysql安装目录/bin ], mysql -u userName -p Password先用CD命令进到mysql的BIN目录
然后 mysql -u root -p
再输入ROOT的密码就行了。
㈥ java 中 用命令行参数接收输入 如何判断接收的数据是什么数据类型
一、在命令行或控制台中接收的数据，都是字符串型，需要强制转换。
强制转换时，需做空判断，如 if(str != null && !str.trim().equals("")){
int i = Integer.parseInt(str);}
二、其他情况判断数据类型时，可以用java的反射机制。举个例子：
import java.util.HashMap;
import java.util.Map;
public class Test {
public static void main(String aaa[]) {
Map m = new HashMap();
String s1 = "String1";
String s2 = "String2";
int i1 = 5;
double i2 = 10.5;
m.put(1, s1);
m.put(2, i1);
m.put(3, i2);
m.put(4, s2);
for (int i = 1; i <= m.size(); i++) {
Class returnType = m.get(i).getClass();
System.out.println("return type is of type: "
+ returnType.getSimpleName());
}
}
}
㈦ 怎么用命令行的方式查询数据库表中有哪些字段
这个数据库类型紧密相关的
数据库大多有自己的系统表来存放这些元数据
举个sqlserver的例子
select object_name(c.id) as 表名
,c.name as 字段名
,t.name 数据类型
,c.length 长度
,c.prec as 精度
,p.value as 字段说明
,m.text as 默认值
,case when c.status=0x80 then 1 else 0 end 标识
,c.iscomputed 是否已计算该列的标志
,c.isnullable 是否允许空值
,c.isoutparam 是否输出参数
from syscolumns c
inner join systypes t on c.xusertype=t.xusertype
left join sysproperties p on c.id=p.id and c.colid = p.smallid
left join syscomments m on c.cdefault=m.id
where objectproperty(c.id,'IsUserTable')=1 and object_name(c.id)='dat_deptinfo'