数据库设计-网上书店系统

article/2025/10/13 16:39:59

一、需求分析

1.1 用户分析

网上书店系统的使用者主要有三种:普通用户、会员和管理员。
普通用户:浏览图书、查询图书、注册成为会员等;
会员:浏览图书、查询图书、加入购物车、修改购物车、订购图书、生成及查看订单、查看修改个人信息等;
管理员:浏览图书、查询图书、查看订单、处理订单、查看修改个人信息及更新图书信息等。

1.2 系统主要功能

通过对该系统进行用户分析之后即可设计出该系统的主要功能模块如下图所示:

在这里插入图片描述

1.3 数据字典

通过需求分析所设计出的数据字典如下表所示:

关系属性说明
会员表会员邮箱用于接收平台信息(验证消息,促销活动等)
会员电话订单到货时联系会员的途径
会员性别只能男或女
会员账号会员编号,可以唯一标识会员
会员姓名会员的真实姓名
管理员表管理员性别只能为男或女
管理员电话11位有效号码,联系管理员的唯一方式
管理员工资值必须大于0,且只能为阿拉伯数字
管理员账号管理员编号,可以唯一标识管理员,不可重复
管理员姓名管理员的基本信息
图书表图书价格购买时会员所需支付的金额数
图书数量仓库中剩余的图书数量
图书编号唯一标识图书,用于检索
图书名可用于查询检索
订单表订单号唯一标识订单,用于查询订单
订单地址送货送达的地址
订单日期会员下单的时间,只能为日期格式,且必须为合法日期
购买表订单号引用订单表中的订单号
图书编号引用图书表中的图书编号
购买数量用户下订单时所购买的图书数量

二、概念结构设计

本系统设计以下几个实体:
会员:属性有账号、姓名、性别、电话、邮箱;
管理员:属性有账号、姓名、性别、电话、工资;
订单:属性有订单号、地址、日期;
图书:属性有图书编号、书名、价格、数量;
普通用户:不具有属性。

这些实体之间的联系如下:
(1)每个会员下多个订单,每个订单仅属于一个会员。
(2)每个订单中可以包含多种图书商品,每种图书商品可以出现在多个订单中。
(3)每个订单只能由一个管理员处理,一个管理员可以处理多个订单。
(4)每个普通用户、会员和管理员可以浏览和查看多本图书,每本图书可以被多个用户浏览查看。
(5)每个普通用户只能注册成为一个会员,一个会员只能由一个普通用户注册成为会员。

经过对各实体及其属性以及各实体间的联系进行分析后可设计出以下E-R图,下图为实体属性图:

在这里插入图片描述

下图为实体联系图:

在这里插入图片描述

下图为完整的E-R图:

在这里插入图片描述

三、逻辑结构设计

将概念结构设计出的E-R图转换为关系模型如下(关系的码用下划线标出):
会员(会员账号,会员姓名,会员性别,会员电话,会员邮箱)
订单(订单号,订单地址,订单日期,会员账号,管理员账号)
图书(图书编号,图书名,图书数量,图书价格)
管理员(管理员账号,管理员姓名,管理员性别,管理员电话,管理员工资)
购买(订单号,图书编号,购买数量)

四、物理结构设计

为本系统的逻辑数据模型选取合适的物理结构后可设计出数据库及数据表如下图所示:

在这里插入图片描述


http://chatgpt.dhexx.cn/article/DkL7QYVy.shtml

相关文章

数据库设计

数据库设计 一.数据库设计概述1.数据库设计的特点2.数据库设计方法3.数据库设计的基本步骤4.数据库设计过程中的各级模式 二.需求分析1.需求分析的任务2.需求分析的方法3.数据字典 三.概念结构设计1.概念模型2.E-R模型3.概念结构设计 一.数据库设计概述 ①数据库设计是指对于一…

机器学习之PCA

一、PCA基本介绍 PCA(Principal Components Analysis)-主成分分析算法 用于数据降维、可视化、去噪非监督学习算法 二、PCA工作原理 目标:每次将空间中多维的样本点映射到一条直线上(要保证样本点之间的间距最大,用方差衡量,即保…

PCA9536——填坑

0. 问题 使用PCA9536输出模式控制4个小灯,开始时候按几次就不显示了,以为是接线不稳定原因。 后来一按开机电源就不显示了,以为是其他器件电源不稳定导致。 1. 问题1排除 接线问题,重新接线,重新做端子,…

sklearn PCA

sklearn.decomposition.PCA class sklearn.decomposition.PCA(n_componentsNone, *, copyTrue, whitenFalse, svd_solverauto, tol0.0, iterated_powerauto, random_stateNone)官方:link PCA是特征降维中一种 线性降维 的方法。 与特征选择不同(直接筛…

使用PCA对彩色图片降维

PCA对图片降维 1.原图片2.PCA降维思路3.代码4.k5效果图5.结论 1.原图片 2.PCA降维思路 1、小灰灰图片(407,367)2、求图片407行每行的均值mean,再将407行每行元素各自减去对应行的均值mean,即去中心化。得矩阵X&#xf…

使用PCA拟合平面

PCA原理&使用PCA拟合平面 背景三点确定一平面多点拟合平面基础数学知识PCA基本思想PCA拟合平面计算过程 PCA理解中心化协方差对角化 背景 本文参考以下两篇平面解析的论文。 《Fast Plane Extraction in Organized Point Clouds Using Agglomerative Hierarchical Cluster…

Dynamic inner PCA 和 Dynamic PCA

动态PCA方法的核心思想: 将数据X变成增广矩阵,即: l为潜在变量数,然后对X进行传统的PCA方法进行求解,即是动态PCA的结果。 动态内模PCA与之不同,上述动态PCA的一大缺陷是增加了数据的维度,而动…

python实现PCA

★ PCA个人理解: PCA降维是通过变换坐标系,来尽可能的减少信息损失。 ★ PCA思路: 我们的初始矩阵为X,它是mn维的矩阵,其中:m是该数据集有m条记录,n是每条记录中有n个特征,X的基本格…

PCA降维算法

目录 1.维度1.1数据维度1.2特征维度 2.sklearn中的降维算法2.1PCA与SVD2.2降维的实现2.3重要参数n_components2.3.1最大似然估计自选超参数2.3.2 按信息量占比选超参数 3.PCA中的SVD3.1重要参数svd_solver 与 random_state3.2重要属性components_3.3重要接口inverse_transform …

PCA降维

一、主成分分析 1、动机:多个变量之间往往存在一定的相关性,可以通过线性组合的方式从中提取信息。 2、主成分分析:将原始的n维数据投影到低维空间,并尽可能的保留更多的信息。 ---投影后方差最大 ---最小化重构误差 从而达到…

pca绘图

pca 1 PCAtools 1.1 加载R包 library(PCAtools) library(tidyverse)1.2 加载数据&#xff0c;构建表达矩阵和分组信息&#xff08;以iris为例&#xff09; iris <- as.data.frame(iris) iris <- iris %>% mutate(class str_c("a",1:dim(iris)[1],sep …

PCA算法详解

文章出处&#xff1a;http://blog.csdn.net/zhongkelee/article/details/44064401 一、PCA简介 1. 相关背景 上完陈恩红老师的《机器学习与知识发现》和季海波老师的《矩阵代数》两门课之后&#xff0c;颇有体会。最近在做主成分分析和奇异值分解方面的项目&#xff0c;所以记…

PCA 算法详解

PCA算法步骤&#xff1a; 设有m条n维数据。 1&#xff09;将原始数据按列组成n行m列矩阵X 2&#xff09;将X的每一行&#xff08;代表一个属性字段&#xff09;进行零均值化&#xff0c;即减去这一行的均值 3&#xff09;求出协方差矩阵 4&#xff09;求出协方差矩阵的特征值及…

PCA原理

PCA 各位&#xff0c;久违了&#xff5e; 什么是PCA&#xff1f; 什么是PCA呢&#xff1f;这是一个问题&#xff0c;什么样的问题&#xff1f;简单而又复杂的问题&#xff0c;简单是因为百度一下就会出现一大堆的解释&#xff0c;复杂是因为它里面蕴含的内容还是很多的&…

python实现PCA降维

本文包括两部分&#xff0c;使用python实现PCA代码及使用sklearn库实现PCA降维&#xff0c;不涉及原理。 总的来说&#xff0c;对n维的数据进行PCA降维达到k维就是&#xff1a; 对原始数据减均值进行归一化处理&#xff1b;求协方差矩阵&#xff1b;求协方差矩阵的特征值和对…

PCA算法

主成分分析&#xff08;Principal components analysis&#xff0c;以下简称PCA&#xff09;是最重要的降维方法之一。 参考&#xff1a;http://www.cnblogs.com/pinard/p/6239403.html PCA的思想 PCA顾名思义&#xff0c;就是找出数据里最主要的方面&#xff0c;用数据里最…

PCA

R语言实现PCA 一次来自男神MR.来的作业PCA读取数据PCA主体部分输出PCA的主要结果&#xff0c;列出主成分分析分析结果利用碎石图来展示PCA结果对component进行一些解释 简略分析利用PCA结果来进行一个排序下面进行聚类分析 一次来自男神MR.来的作业 PCA 读取数据 #读取数据&…

主成分分析(PCA)原理详解

转载请声明出处&#xff1a;http://blog.csdn.net/zhongkelee/article/details/44064401 一、PCA简介 1. 相关背景 上完陈恩红老师的《机器学习与知识发现》和季海波老师的《矩阵代数》两门课之后&#xff0c;颇有体会。最近在做主成分分析和奇异值分解方面的项目&#xff0c…

PCA详解

本文目录 一、来源及作用存在问题基本作用 二、 基本原理及求解步骤核心思想如何选择投影方向 三、原理分析最大投影方差最小重构代价 四、SVD与PCA的关系 一、来源及作用 存在问题 在我们训练模型的过程中&#xff0c;有时会出现在训练集上误差较小&#xff0c;但到了测试集误…

主成分分析法(PCA)

主成分分析&#xff08;Principal components analysis&#xff0c;以下简称PCA&#xff09;是最重要的降维方法之一。在数据压缩消除冗余和数据噪音消除等领域都有广泛的应用。一般我们提到降维最容易想到的算法就是PCA&#xff0c;下面我们就对PCA的原理做一个总结。 目录 …