隨著計算機技術(shù)，特別是數(shù)據(jù)庫技術(shù)的快速發(fā)展和廣泛應(yīng)用，各行各業(yè)積累的數(shù)據(jù)量越來越大，傳統(tǒng)的數(shù)據(jù)處理方式已經(jīng)很難充分利用蘊藏在這些數(shù)據(jù)中的有用知識，于是數(shù)據(jù)挖掘技術(shù)應(yīng)運而生。

  數(shù)據(jù)挖掘（Data Mining）又稱為數(shù)據(jù)庫中的知識發(fā)現(xiàn)，可以把數(shù)據(jù)轉(zhuǎn)化為有用的信息以幫助制定決策，從而在市場競爭中獲得優(yōu)勢地位。數(shù)據(jù)挖掘是一個過程——一個不斷把商業(yè)經(jīng)驗和知識與數(shù)據(jù)相結(jié)合的過程。數(shù)據(jù)挖掘的目標是找到能夠幫助他們做出對其成功至關(guān)重要的決策的信息。例如，他們想知道這樣一些情況：“現(xiàn)在客戶中哪些會對我們的新產(chǎn)品感興趣?”，“這個貸款申請有合理的信用風險嗎？”等等。數(shù)據(jù)挖掘中應(yīng)用的方法包括概念描述、分類與預(yù)測、關(guān)聯(lián)規(guī)則、聚集和神經(jīng)網(wǎng)絡(luò)等。

基于數(shù)據(jù)挖掘技術(shù)，微軟公司于2005年12月2日發(fā)布了新一代企業(yè)級應(yīng)用平臺   SQL Server 2005、Visual Studio 2005。使用 SQL Server 2005 Analysis Services （SSAS）可以很方便地創(chuàng)建復(fù)雜的數(shù)據(jù)挖掘解決方案。SSAS工具提供了設(shè)計、創(chuàng)建和管理數(shù)據(jù)挖掘模型的功能，并且使客戶端能夠訪問數(shù)據(jù)及挖掘數(shù)據(jù)。

  數(shù)據(jù)挖掘的目的在于使用所發(fā)現(xiàn)的模式幫助解釋當前的行為或預(yù)測未來的結(jié)果。數(shù)據(jù)挖掘過程涉及下列7個研究方面：數(shù)據(jù)倉庫及OLAP技術(shù)、數(shù)據(jù)預(yù)處理、使用SQL Server Data Mining、關(guān)聯(lián)規(guī)則、分類和預(yù)測、聚類分析及時序和序列數(shù)據(jù)的挖掘。

  本書對數(shù)據(jù)挖掘和知識發(fā)現(xiàn)的各個方面都進行了必要的解說，側(cè)重于用SSAS進行數(shù)據(jù)挖掘模型的建立、挖掘結(jié)果的分析與檢驗，以及解釋與驗證結(jié)果。為了更好地理解數(shù)據(jù)挖掘過程，本書對主要的挖掘技術(shù)提供了詳細的SQL Server 2005數(shù)據(jù)挖掘的實例，讀者通過實例來實驗性地建立和檢驗數(shù)據(jù)挖掘模型。

本書讀者

本書闡述了數(shù)據(jù)挖掘的部分原理以及使用SSAS進行數(shù)據(jù)挖掘的基本方法和各種可視化工具。本書還針對不同的挖掘模型設(shè)計了實用的案例，幫助讀者深入理解數(shù)據(jù)挖掘和熟悉SSAS。對于數(shù)據(jù)挖掘的用戶而言，本書將成為他們的入門工具和實踐指南。相信大多數(shù)數(shù)據(jù)庫管理人員、IT專業(yè)人員和數(shù)據(jù)挖掘方面的學生都會從本書中獲益。

本書內(nèi)容

全書分為9個章節(jié)，細致地講解了SQL Server 2005數(shù)據(jù)挖掘的原理和實務(wù)，幫助讀者快速入門學習深奧的數(shù)據(jù)挖掘知識。本書的內(nèi)容包括：

第1章  數(shù)據(jù)挖掘基本知識：提供關(guān)于數(shù)據(jù)挖掘的多學科領(lǐng)域的導(dǎo)論，討論導(dǎo)致需要數(shù)據(jù)挖掘的數(shù)據(jù)庫技術(shù)的發(fā)展道路和數(shù)據(jù)挖掘應(yīng)用的重要性；考察挖掘的數(shù)據(jù)類型，包括關(guān)系、事務(wù)和數(shù)據(jù)倉庫數(shù)據(jù)，以及復(fù)雜數(shù)據(jù)類型，如數(shù)據(jù)流、時間序列、序列、圖形、社會網(wǎng)絡(luò)和多重關(guān)系數(shù)據(jù)、時空數(shù)據(jù)、多媒體數(shù)據(jù)、文本數(shù)據(jù)以及Web數(shù)據(jù)；根據(jù)所挖掘的知識類型，對數(shù)據(jù)挖掘任務(wù)進行一般分類。

第2章  數(shù)據(jù)倉庫及OLAP技術(shù)：介紹了數(shù)據(jù)倉庫和聯(lián)機分析處理的基本概念、系統(tǒng)結(jié)構(gòu)和一般實現(xiàn)，以及數(shù)據(jù)倉庫和數(shù)據(jù)挖掘的關(guān)系；更深入地考察數(shù)據(jù)倉庫和OLAP技術(shù)，詳細地研究數(shù)據(jù)立方體的計算方法；討論數(shù)據(jù)倉庫和OLAP的進一步探查，如發(fā)現(xiàn)驅(qū)動的立方體探查，復(fù)雜數(shù)據(jù)挖掘查詢的多特征立方體和立方體梯度分析；討論另一種數(shù)據(jù)泛化和概念描述方法——面向?qū)傩缘臍w納。

第3章  數(shù)據(jù)預(yù)處理：介紹挖掘之前的數(shù)據(jù)預(yù)處理技術(shù)，包括描述性數(shù)據(jù)匯總的各種統(tǒng)計方法，包括數(shù)據(jù)的中心趨勢和散布的度量。加強了數(shù)據(jù)清理方法的介紹，討論了數(shù)據(jù)集成和變換、數(shù)據(jù)歸約的方法，包括動態(tài)和靜態(tài)離散化概念分層的使用；介紹概念分層的自動產(chǎn)生。

第4章  使用SQL Server 2005進行數(shù)據(jù)挖掘：通過Business Intelligence Development Studio的使用，數(shù)據(jù)源、數(shù)據(jù)源視圖、數(shù)據(jù)挖掘?qū)ο蟮墓芾恚瑪?shù)據(jù)查看及模型評估，介紹SSAS的特性以及設(shè)計、創(chuàng)建和管理數(shù)據(jù)挖掘模型的功能。

第5章  關(guān)聯(lián)規(guī)則：介紹挖掘關(guān)系數(shù)據(jù)庫中的頻繁模式、關(guān)聯(lián)和相關(guān)性的方法。除介紹諸如購物籃分析等基本概念外，進一步介紹了關(guān)聯(lián)規(guī)則挖掘模型。通過完整的實例闡述了  關(guān)聯(lián)規(guī)則的挖掘步驟以及結(jié)果分析。

第6章  分類和預(yù)測：介紹數(shù)據(jù)分類和預(yù)測方法，包括決策樹歸納、貝葉斯分類、后向傳播的神經(jīng)網(wǎng)絡(luò)技術(shù)。還介紹了  決策樹挖掘模型、  貝葉斯挖掘模型、  神經(jīng)網(wǎng)絡(luò)挖掘模型。通過決策樹、神經(jīng)網(wǎng)絡(luò)兩個實例介紹完整的挖掘方法和結(jié)果分析。

第7章  聚類分析：主要介紹數(shù)據(jù)的聚類方法，包括劃分方法、層次方法、基于密度的方法等。通過對  聚類挖掘模型及基于該模型的案例的介紹，闡述如何利用  聚類挖掘技術(shù)進行挖掘、分析、可靠性檢驗等。

第8章  時序和序列數(shù)據(jù)的挖掘：主要討論流數(shù)據(jù)、時間序列數(shù)據(jù)和序列數(shù)據(jù)（包括事務(wù)序列和生物學序列）的挖掘，簡要介紹了  順序分析挖掘模型。

第9章  數(shù)據(jù)挖掘的應(yīng)用和發(fā)展趨勢：總結(jié)本書介紹的概念，并討論數(shù)據(jù)挖掘的應(yīng)用和發(fā)展趨勢。添加了一些新的數(shù)據(jù)挖掘材料，涉及生物學和生物醫(yī)學數(shù)據(jù)分析、其他科學應(yīng)用、入侵檢測和協(xié)同過濾。除了具有挑戰(zhàn)性的研究問題之外，還討論了數(shù)據(jù)挖掘?qū)ι鐣�的影響，如隱私和數(shù)據(jù)安全問題。

本書特色

  簡單而詳細的例子。本書通過列舉不同數(shù)據(jù)挖掘技術(shù)如何建立模型的簡單、詳細的例子，揭去了數(shù)據(jù)挖掘的神秘面紗。

  章節(jié)之間是獨立的，讀者可以按自己的興趣選擇閱讀順序，實現(xiàn)按需閱讀，提高問題的解決能力。

  精選數(shù)據(jù)挖掘經(jīng)典分析方向，核心講解必要的原理，將深奧的數(shù)據(jù)挖掘原理淺顯地講解出來。

  與實際分析項目結(jié)合，全書以作者從事的實際分析項目為藍本，講解復(fù)雜數(shù)據(jù)挖掘的具體實踐。

致謝

  本書由王欣（西南交通大學）、徐騰飛、唐連章編著，姚新軍負責前期的策劃和后期質(zhì)量監(jiān)控。王欣從事數(shù)據(jù)倉庫與數(shù)據(jù)挖掘領(lǐng)域的教學、研究與應(yīng)用工作，對SSAS有著豐富的實踐經(jīng)驗和獨特的理解。在本書的編寫過程中，參與具體工作的還有萬雷、王斌、厲劍梁、殷世欽、江廣順、李強、吳志俊、杜長城、余松、劉羽宇、郭敏、董茜、陳鯤、王曉、陳洪軍、余偉煒、王呼佳、許志清、張賽橋、夏惠軍。還要感謝中國水利水電出版社計算機編輯室的老師們的辛苦努力，正是因為你們辛苦的付出，才使本書能在第一時間和讀者見面。

  本書的內(nèi)容涉及面廣，專業(yè)性強，雖幾經(jīng)斟酌，多方查找資料，但由于作者水平有限，難免有錯誤和不當之處，敬請各位讀者批評指正。

前言
第1章  數(shù)據(jù)挖掘基本知識 1
1.1  數(shù)據(jù)挖掘的概念 1
1.2  數(shù)據(jù)挖掘的存儲對象 4
1.2.1  關(guān)系數(shù)據(jù)庫 4
1.2.2  數(shù)據(jù)倉庫 7
1.2.3  事務(wù)數(shù)據(jù)庫 9
1.2.4  高級數(shù)據(jù)庫系統(tǒng)和高級數(shù)據(jù)庫應(yīng)用 10
1.3  基本數(shù)據(jù)挖掘任務(wù) 14
1.3.1  特征和區(qū)分 14
1.3.2   關(guān)聯(lián)分析 14
1.3.3  分類和預(yù)測 15
1.3.4  聚類分析 15
1.3.5  局外者分析 15
1.4  數(shù)據(jù)挖掘系統(tǒng)的分類 15
1.5  數(shù)據(jù)挖掘的主要問題 16
第2章  數(shù)據(jù)倉庫及OLAP技術(shù) 20
2.1  數(shù)據(jù)倉庫的概念 20
2.1.1  數(shù)據(jù)倉庫的定義 20
2.1.2  數(shù)據(jù)倉庫的建立 21
2.1.3  操作數(shù)據(jù)庫系統(tǒng)與數(shù)據(jù)倉庫的區(qū)別 22
2.1.4  分離的數(shù)據(jù)倉庫 23
2.2  多維數(shù)據(jù)模型 24
2.2.1  由表和電子數(shù)據(jù)表到數(shù)據(jù)方 24
2.2.2  多維數(shù)據(jù)庫模式 26
2.2.3  定義星型、雪花和星座的實例 29
2.2.4  度量的計算 30
2.2.5  概念分層 32
2.2.6  多維數(shù)據(jù)模型上的OLAP操作 34
2.2.7  多維數(shù)據(jù)庫的星型查詢模型 36
2.3  數(shù)據(jù)倉庫的系統(tǒng)結(jié)構(gòu) 37
2.3.1  數(shù)據(jù)倉庫的設(shè)計步驟和結(jié)構(gòu) 37
2.3.2  三層數(shù)據(jù)倉庫結(jié)構(gòu) 39
2.3.3  OLAP服務(wù)器類型（ROLAP、MOLAP、HOLAP）的比較 41
2.4  數(shù)據(jù)倉庫實現(xiàn) 43
2.4.1  數(shù)據(jù)方的有效計算 43
2.4.2  索引OLAP數(shù)據(jù) 48
2.4.3  OLAP查詢的有效處理 50
2.4.4  元數(shù)據(jù)存儲 51
2.4.5  數(shù)據(jù)倉庫后端工具和實用程序 52
2.5  數(shù)據(jù)方技術(shù)的進一步發(fā)展 52
2.5.1  數(shù)據(jù)方發(fā)現(xiàn)驅(qū)動的探查 53
2.5.2  多粒度上的復(fù)雜聚集：多特征方 55
2.5.3  其他進展 57
2.6  由數(shù)據(jù)倉庫到數(shù)據(jù)挖掘 58
2.6.1  數(shù)據(jù)倉庫的使用 58
2.6.2  由聯(lián)機分析處理到聯(lián)機分析挖掘 59
第3章  數(shù)據(jù)預(yù)處理 62
3.1  數(shù)據(jù)預(yù)處理的重要性 62
3.2  數(shù)據(jù)清洗 64
3.2.1  遺漏數(shù)據(jù)處理 64
3.2.2  噪聲數(shù)據(jù)處理 64
3.2.3  不一致數(shù)據(jù)處理 66
3.3  數(shù)據(jù)集成與轉(zhuǎn)換 66
3.3.1  數(shù)據(jù)集成處理 66
3.3.2  數(shù)據(jù)轉(zhuǎn)換處理 67
3.4  數(shù)據(jù)消減 69
3.4.1  數(shù)據(jù)立方合計 70
3.4.2  維數(shù)消減 71
3.4.3  數(shù)據(jù)塊消減 72
3.5  離散化和概念層次樹生成 75
3.5.1  數(shù)值概念層次樹生成 76
3.5.2  類別概念層次樹生成 78
第4章  使用SQL Server 2005進行數(shù)據(jù)挖掘 81
4.1  關(guān)于Business Intelligence Development Studio 81
4.1.1  關(guān)于用戶界面 81
4.1.2  聯(lián)機模式和離線模式 83
4.1.3  如何創(chuàng)建數(shù)據(jù)挖掘?qū)ο?nbsp;87
4.2  對數(shù)據(jù)源進行設(shè)置 87
4.2.1  數(shù)據(jù)源 87
4.2.2  使用數(shù)據(jù)源視圖 90
4.3  創(chuàng)建和編輯模型 101
4.3.1  挖掘結(jié)構(gòu)與模型 102
4.3.2  使用數(shù)據(jù)挖掘向?qū)?nbsp;102
4.3.3  創(chuàng)建MovieClick的數(shù)據(jù)挖掘結(jié)構(gòu)和模型 106
4.3.4  使用數(shù)據(jù)挖掘設(shè)計器 110
4.4  處理 113
4.5  使用模型 115
4.5.1  掌握模型查看器 115
4.5.2  使用挖掘準確性圖表 118
4.5.3  在MovieClick上建立提升圖 121
4.5.4  使用【挖掘模型預(yù)測】窗口 123
4.5.5  創(chuàng)建數(shù)據(jù)挖掘報告 124
第5章  關(guān)聯(lián)規(guī)則 125
5.1  關(guān)聯(lián)規(guī)則簡介 125
5.1.1  購物籃分析 126
5.1.2  關(guān)聯(lián)規(guī)則挖掘路線 127
5.2  關(guān)聯(lián)規(guī)則挖掘算法 128
5.2.1  Apriori算法：使用候選項集找頻繁項集 128
5.2.2  由頻繁項集產(chǎn)生關(guān)聯(lián)規(guī)則 130
5.2.3  提高Apriori的有效性 131
5.3  Microsoft關(guān)聯(lián)規(guī)則挖掘模型簡介 133
5.4  Microsoft關(guān)聯(lián)規(guī)則挖掘模型的使用 134
5.4.1  挖掘問題的提出 134
5.4.2  數(shù)據(jù)準備 135
5.4.3  挖掘模型簡介 137
5.4.4  挖掘操作流程 138
5.4.5  挖掘結(jié)果分析 147
第6章  分類和預(yù)測 148
6.1  分類與預(yù)測的內(nèi)涵 148
6.2  有關(guān)分類和預(yù)測的若干問題 150
6.3  基于決策樹的分類 151
6.3.1  決策樹生成算法 152
6.3.2  樹剪枝 155
6.3.3  由決策樹提取分類規(guī)則 157
6.4  Microsoft決策樹挖掘模型簡介 158
6.5  Microsoft決策樹挖掘模型的使用 159
6.5.1  挖掘問題的提出 160
6.5.2  數(shù)據(jù)準備 160
6.5.3  挖掘模型簡介 161
6.5.4  挖掘操作流程 161
6.5.5  挖掘結(jié)果分析 169
6.6  貝葉斯分類 169
6.6.1  貝葉斯定理 170
6.6.2  樸素貝葉斯定理 170
6.6.3  Microsoft貝葉斯挖掘模型簡介 172
6.6.4  Microsoft貝葉斯挖掘模型的使用 172
6.6.5  挖掘結(jié)果分析 174
6.7  神經(jīng)網(wǎng)絡(luò) 175
6.7.1  神經(jīng)網(wǎng)絡(luò)概述 175
6.7.2  前饋神經(jīng)網(wǎng)絡(luò) 176
6.7.3  Microsoft神經(jīng)網(wǎng)絡(luò)挖掘模型簡介 180
6.7.4  挖掘操作流程 181
6.7.5  挖掘結(jié)果分析 183
第7章  聚類分析 185
7.1  聚類的概念 185
7.2  聚類分析中的數(shù)據(jù)類型 187
7.2.1  區(qū)間標度（Interval-Scaled）變量 188
7.2.2  二元（Binary）變量 188
7.2.3  標稱型、序數(shù)型和比例標度型變量 188
7.2.4  混合類型的變量 189
7.3  主要聚類方法的分類 190
7.3.1  劃分方法 190
7.3.2  層次方法 193
7.3.3  基于密度的方法 195
7.3.4  基于網(wǎng)格的方法 197
7.3.5  基于模型的方法 198
7.4  Microsoft聚類挖掘模型簡介 199
7.4.1  典型的劃分方法 199
7.4.2  算法參數(shù) 202
7.5  Microsoft聚類挖掘模型的使用 205
7.5.1  挖掘問題的提出 206
7.5.2  數(shù)據(jù)準備 206
7.5.3  挖掘模型簡介 207
7.5.4  挖掘操作流程 207
7.5.5  挖掘結(jié)果分析 211
第8章  時序和序列數(shù)據(jù)的挖掘 214
8.1  時序數(shù)據(jù)的挖掘 214
8.1.1  時序分析中的相似性搜索 214
8.1.2  Microsoft時序分析挖掘模型簡介 217
8.1.3  Microsoft時序分析挖掘模型的使用 220
8.2  序列數(shù)據(jù)聚類 221
8.2.1  Microsoft順序分析挖掘模型簡介 222
8.2.2  Microsoft順序分析挖掘模型的使用 225
第9章  數(shù)據(jù)挖掘的應(yīng)用和發(fā)展趨勢 227
9.1  數(shù)據(jù)挖掘的應(yīng)用 227
9.1.1  針對生物醫(yī)學和DNA數(shù)據(jù)分析的數(shù)據(jù)挖掘 227
9.1.2  針對金融數(shù)據(jù)分析的數(shù)據(jù)挖掘 229
9.1.3  零售業(yè)中的數(shù)據(jù)挖掘 230
9.1.4  電信業(yè)中的數(shù)據(jù)挖掘 231
9.2  數(shù)據(jù)挖掘系統(tǒng)產(chǎn)品和研究原型 231
9.2.1  怎樣選擇一個數(shù)據(jù)挖掘系統(tǒng) 232
9.2.2  商用數(shù)據(jù)挖掘系統(tǒng)的例子 234
9.3  數(shù)據(jù)挖掘的其他主題 234
9.3.1  視頻和音頻數(shù)據(jù)挖掘 235
9.3.2  科學和統(tǒng)計數(shù)據(jù)挖掘 235
9.3.3  數(shù)據(jù)挖掘的理論基礎(chǔ) 236
9.3.4  數(shù)據(jù)挖掘和智能查詢應(yīng)答 237
9.4  數(shù)據(jù)挖掘的社會影響 238
9.5  數(shù)據(jù)挖掘的發(fā)展趨勢 242
參考文獻 244

1. SQL Server 2019數(shù)據(jù)庫實戰(zhàn)教程 [主編 岳付強 曾陳萍 唐承佳]
2. 數(shù)據(jù)庫技術(shù)與應(yīng)用實踐教程（SQL Server 2019） [主 編 嚴暉 周肆清]
3. 數(shù)據(jù)庫技術(shù)與應(yīng)用（SQL Server 2019） [主編 嚴暉 劉衛(wèi)國]
4. 數(shù)據(jù)庫原理及應(yīng)用SQL Server 2014（微課版） [主 編 趙德福]
5. 數(shù)據(jù)挖掘算法—基于C++及CUDA C [蒂莫西•馬斯特斯（Timothy]
6. 數(shù)據(jù)庫技術(shù)與應(yīng)用（SQL Server 2019） [主 編 沙有闖]
7. 數(shù)據(jù)庫原理與應(yīng)用——基于SQL Server 2016 [主編 彭浩 黃勝 鄒競]
8. 深入SQL Server 2016高可用 [［美］Paul Bertucci　著]
9. 數(shù)據(jù)庫技術(shù)與應(yīng)用（SQL Server 2008版）（第二版） [主編 嚴暉 王小玲]
10. 數(shù)據(jù)庫技術(shù)與應(yīng)用實踐教程（SQL Server 2008）（第二版） [主編 嚴暉 周肆清]
11. 數(shù)據(jù)庫原理及應(yīng)用——SQL Server 2012 [主編 賴玲 李祥琴 胡秀]
12. 數(shù)據(jù)庫原理及應(yīng)用上機指導(dǎo)與習題解答——SQL Server 2012 [主編 王婭紛 賴玲 李祥琴 胡]
13. 跟韓老師學SQL Server數(shù)據(jù)庫設(shè)計與開發(fā) [韓立剛]
14. SQL Server 2008網(wǎng)絡(luò)數(shù)據(jù)庫管理項目教程 [李桂香 王昌云]
15. 數(shù)據(jù)庫系統(tǒng)原理與應(yīng)用（第三版）（SQL Server 2012） [主編 劉淳]
16. SQL Server數(shù)據(jù)挖掘與商業(yè)智能基礎(chǔ)及案例實戰(zhàn) [謝邦昌]
17. SQL Server 2008數(shù)據(jù)庫基礎(chǔ) [芮素娟]
18. SQL Server 2012項目教程—分銷系統(tǒng)項目導(dǎo)向 [梁競敏]
19. SQL Server實用數(shù)據(jù)庫技術(shù) [張新成 孫 凌 ]
20. 數(shù)據(jù)庫應(yīng)用技術(shù)——SQL Server 2008 [何繼業(yè) 易丹 陳國榮]
21. 數(shù)據(jù)庫技術(shù)與應(yīng)用（SQL Server 2008版）實踐教程 [主編 王小玲 嚴暉]
22. 數(shù)據(jù)庫技術(shù)與應(yīng)用（SQL Server 2008版） [主編 王小玲 安劍奇]
23. SQL Server 2008數(shù)據(jù)庫開發(fā)經(jīng)典案例教程 [呂玉桂 嚴波]
24. 歷史災(zāi)害數(shù)據(jù)挖掘與建模 [胡明生]
25. SQL Server數(shù)據(jù)庫及應(yīng)用（第二版） [主編 賈振華]
26. SQL Server 2008 R2 Reporting Services報表服務(wù) [尹相志 胡百敬 著]
27. 試卷質(zhì)量統(tǒng)計分析與數(shù)據(jù)挖掘原理、設(shè)計與實現(xiàn) [張春生 著]
28. 數(shù)據(jù)挖掘技術(shù)在生物信息學中的應(yīng)用 [裴志利 著]
29. SQL Server 2008 R2數(shù)據(jù)挖掘與商業(yè)智能基礎(chǔ)及高級案例實戰(zhàn) [謝邦昌 鄭宇庭 蘇志雄 著]
30. 數(shù)據(jù)庫系統(tǒng)原理及應(yīng)用——PowerBuilder+SQL Server版 [陳剛 李建義 主編]