Django ORM 的常用字段类型、外键关联的跨表引用技巧，以及 `_` 和 `__` 的使用场景

一、Django ORM 常用字段类型

1. 基础字段类型
字段类型说明示例
CharField字符串字段，必须指定 max_lengthname = models.CharField(max_length=50)
IntegerField整数字段age = models.IntegerField()
BooleanField布尔值字段is_active = models.BooleanField()
DateField / DateTimeField日期/日期时间字段，auto_now_add=True 自动设置创建时间created_at = models.DateTimeField(auto_now_add=True)
EmailField专用于邮箱的 CharField（自带基础格式验证）email = models.EmailField()
TextField长文本字段（不限长度）content = models.TextField()
FileField / ImageField文件/图片上传字段（需 Pillow 库支持 ImageField）avatar = models.ImageField(upload_to='avatars/')
2. 关联字段类型
字段类型说明示例
ForeignKey外键（一对多关联）author = models.ForeignKey('Author', on_delete=models.CASCADE)
OneToOneField一对一关联（常用于扩展用户模型）profile = models.OneToOneField(User, on_delete=models.CASCADE)
ManyToManyField多对多关联（自动创建中间表）tags = models.ManyToManyField('Tag')

关键参数说明：

  • on_delete: 关联对象删除时的行为（必填），常见选项：
    • CASCADE: 级联删除（默认）
    • SET_NULL: 设为 null（需字段允许 null=True）
    • PROTECT: 阻止删除
  • related_name: 反向查询时的名称（默认 模型名_set，如 book_set）

二、跨表引用技巧

1. 正向查询（直接通过外键访问）
# 模型定义
class Author(models.Model):name = models.CharField(max_length=100)class Book(models.Model):title = models.CharField(max_length=100)author = models.ForeignKey(Author, on_delete=models.CASCADE, related_name="books")# 示例：查询某本书的作者
book = Book.objects.get(id=1)
author_name = book.author.name  # 直接通过外键访问
2. 反向查询（通过关联模型反向访问）
# 示例：查询某作者的所有书籍
author = Author.objects.get(id=1)
books = author.books.all()  # 使用 related_name 定义的名称（默认是 book_set）
3. 跨表过滤（使用双下划线 __）
# 查询所有书籍的作者名为 "鲁迅" 的书籍
books = Book.objects.filter(author__name="鲁迅")# 查询作者出版过书籍数量大于 5 的作者
authors = Author.objects.annotate(book_count=Count('books')).filter(book_count__gt=5)

三、_ 和 __ 的使用技巧

1. 单下划线 _
  • 用途：用于关联字段的数据库列名或 ORM 内部操作。
  • 示例：
    # 访问外键的数据库列名（author_id）
book = Book.objects.get(id=1)
author_id = book.author_id  # 直接获取外键值（无需访问关联对象）# 查询时直接使用字段名
Book.objects.filter(author_id=1)
2. 双下划线 __
  • 用途：跨表查询时连接关联模型的字段（可链式跨多张表）。
  • 示例：
    # 查询作者所在城市为 "北京" 的书籍
Book.objects.filter(author__city="北京")# 多级跨表：查询书籍的作者的出版社名称
Book.objects.filter(author__publisher__name="人民出版社")
3. 双下划线与查询表达式结合
# 查询价格大于 100 且作者年龄小于 30 的书籍
Book.objects.filter(price__gt=100, author__age__lt=30)# 查询书名以 "Django" 开头或作者邮箱包含 "@example.com"
from django.db.models import Q
Book.objects.filter(Q(title__startswith="Django") | Q(author__email__contains="@example.com"))

四、总结

核心技巧

  1. 字段类型选择：

    • 根据数据类型选择合适字段（如 CharField vs TextField）。
    • 关联字段注意 on_delete 和 related_name 的设置。

  2. 跨表查询：

    • 正向查询：直接通过外键字段访问关联对象。
    • 反向查询：使用 related_name 或默认的 模型名_set。
    • 复杂查询：通过 __ 跨表连接字段。

  3. _ vs __：

    • _ 用于数据库列名或单级字段访问（如 author_id）。
    • __ 用于跨表查询（如 author__name）。
性能优化
  • 使用 select_related 预加载外键数据（减少查询次数）：
    books = Book.objects.select_related('author').all()  # 一次性加载作者信息
  • 使用 prefetch_related 预加载多对多关系：
    authors = Author.objects.prefetch_related('books').all()  # 预加载所有书籍

通过灵活组合这些技巧，可以高效操作 Django ORM 处理复杂的数据关系！

好的！反向查询是 Django ORM 中通过关联模型（比如外键的“被关联方”）去访问发起关联的模型的关键操作。它让跨表查询更灵活，下面用详细的示例和场景帮你彻底理解。

一、反向查询的核心原理

假设有两个模型：Author（作者）和 Book（书籍），通过外键关联：

class Author(models.Model):name = models.CharField(max_length=100)class Book(models.Model):title = models.CharField(max_length=100)author = models.ForeignKey(Author, on_delete=models.CASCADE, related_name='books')
  • 正向查询：从 Book 访问 Author（直接通过外键字段 author）。
  • 反向查询：从 Author 访问所有关联的 Book 对象（需要借助 related_name 或默认的 book_set）。

二、反向查询的两种方式

1. 使用默认的 模型名_set

如果未设置 related_name，Django 会自动生成反向查询管理器，格式为：关联模型名的小写 + _set。

# 假设 Book 模型的外键未设置 related_name
class Book(models.Model):author = models.ForeignKey(Author, on_delete=models.CASCADE)# 反向查询：通过 author.book_set 访问所有书籍
author = Author.objects.get(id=1)
books = author.book_set.all()  # 获取该作者的所有书籍
2. 使用自定义的 related_name

通过设置 related_name，可以指定更直观的反向查询名称：

class Book(models.Model):author = models.ForeignKey(Author, on_delete=models.CASCADE,related_name='books'  # 自定义反向查询名称)# 反向查询：通过 author.books 访问所有书籍
author = Author.objects.get(id=1)
books = author.books.all()  # 更直观的命名

三、反向查询的常见操作

1. 获取关联对象集合
# 查询作者 "鲁迅" 的所有书籍
author = Author.objects.get(name="鲁迅")
books = author.books.all()  # 返回 QuerySet
2. 过滤关联对象
# 查询作者 "鲁迅" 的出版年份大于 2020 的书籍
books = author.books.filter(publish_year__gt=2020)
3. 创建新的关联对象
# 为作者 "鲁迅" 创建一本新书
new_book = author.books.create(title="狂人日记", publish_year=1918)
4. 统计关联对象数量
# 统计作者 "鲁迅" 的书籍数量
book_count = author.books.count()

四、反向查询在跨表过滤中的使用

反向查询结合双下划线 __，可以在查询条件中直接穿透关联模型。

场景1：查询所有写过“小说”类书籍的作者
# 模型扩展：书籍增加分类字段
class Book(models.Model):CATEGORY_CHOICES = [('novel', '小说'),('tech', '科技'),]category = models.CharField(max_length=10, choices=CATEGORY_CHOICES)author = models.ForeignKey(Author, on_delete=models.CASCADE, related_name='books')# 反向查询：直接通过 Author 模型过滤
authors = Author.objects.filter(books__category='novel').distinct()
  • books__category：从 Author 穿透到 Book 的 category 字段。
  • distinct()：避免重复作者（如果同一作者有多本小说）。
场景2：查询书籍平均评分大于 4.5 的作者
from django.db.models import Avg# 模型扩展：书籍增加评分字段
class Book(models.Model):rating = models.FloatField(default=0)author = models.ForeignKey(Author, on_delete=models.CASCADE, related_name='books')# 使用 annotate + 反向查询
authors = Author.objects.annotate(avg_rating=Avg('books__rating')
).filter(avg_rating__gt=4.5)

五、反向查询的性能优化

1. 使用 prefetch_related 预加载数据

避免 N+1 查询问题（遍历作者时，每次访问 author.books 都会触发一次查询）：

# 未优化：触发多次查询
authors = Author.objects.all()
for author in authors:print(author.books.all())  # 每次循环触发一次查询# 优化后：一次性预加载所有作者的书籍
authors = Author.objects.prefetch_related('books').all()
for author in authors:print(author.books.all())  # 无额外查询
2. 结合 select_related 和 prefetch_related
  • select_related：用于外键（一对一、多对一）的预加载。
  • prefetch_related：用于多对多、反向查询的预加载。
# 同时预加载作者和书籍的出版社（假设 Book 有外键到 Publisher）
authors = Author.objects.prefetch_related(Prefetch('books', queryset=Book.objects.select_related('publisher'))
).all()

六、总结：反向查询的核心技巧

操作代码示例说明
基本反向查询author.books.all()获取所有关联对象
过滤关联对象author.books.filter(title__contains="Django")根据条件筛选关联对象
跨表过滤Author.objects.filter(books__rating__gt=4)在查询条件中使用反向关联字段
聚合统计Author.objects.annotate(book_count=Count('books'))统计每个作者的书籍数量
预加载优化prefetch_related('books')减少数据库查询次数

关键点：

  • 始终优先使用 related_name 自定义反向查询名称（代码更清晰）。
  • 在复杂查询中灵活使用双下划线 __ 穿透关联模型。
  • 大数据量时用 prefetch_related 或 select_related 优化性能。

通过反向查询，你可以轻松实现从“一”对“多”或“多对多”关系的反向导航，让数据关联操作更加灵活高效！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/web/70560.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

java递归求自然数列的前n项和

java递归求自然数列的前n项和

概述 实现 /*** 数列 1 2 3 ... n ...* 递归求数列的前n项和* param n* return*/private static long calSum(long n){if (n1) return 1;else {return ncalSum(n-1); // 前n项的和 即第n项的值前n-1项的和}}测试用例 public static void main(String[] args) {long res1 cal…
阅读更多...
【Golang 面试题】每日 3 题（六十五）

【Golang 面试题】每日 3 题（六十五）

✍个人博客：Pandaconda-CSDN博客 📣专栏地址：http://t.csdnimg.cn/UWz06 📚专栏简介：在这个专栏中，我将会分享 Golang 面试中常见的面试题给大家~ ❤️如果有收获的话，欢迎点赞👍收藏…
阅读更多...
16、Python面试题解析：python中的浅拷贝和深拷贝

16、Python面试题解析：python中的浅拷贝和深拷贝

在 Python 中，浅拷贝（Shallow Copy） 和 深拷贝（Deep Copy） 是处理对象复制的两种重要机制，它们的区别主要体现在对嵌套对象的处理方式上。以下是详细解析： 1. 浅拷贝（Shallow Copy&a…
阅读更多...
【Godot4.3】题目与答案解析合并器

【Godot4.3】题目与答案解析合并器

免责申明 本文和工具截图中涉及题库和题目，均为本人自学使用，并未有商业和传播企图。如有侵害，联系删改。 概述 笔者本人医学专业从业人员，编程只是业余爱好。在自己的专业应考学习过程当中： 有时候不太喜欢纸质题库…
阅读更多...
Lm studio本地部署DeepSeek

Lm studio本地部署DeepSeek

为什么用Lm studio Ollama官网下载过慢或失败（Lm默认下载源无法下载，但可以更换下载源）Ollama默认安装至C盘一部分Nivida显卡无法吃满显存资源一部分AMD显卡替换rocm文件后无法启动 Lm studio安装 官网下载：LM Studio - Discov…
阅读更多...
基于Qlearning强化学习的2DoF机械臂运动控制系统matlab仿真

基于Qlearning强化学习的2DoF机械臂运动控制系统matlab仿真

目录 1.算法仿真效果 2.算法涉及理论知识概要 2.1 2DoF机械臂运动学模型 2.2 Q-learning强化学习算法原理 3.MATLAB核心程序 4.完整算法代码文件获得 1.算法仿真效果 matlab2022a仿真结果如下（完整代码运行后无水印）： 仿真操作步骤可参…
阅读更多...
Unity贴图与模型相关知识

Unity贴图与模型相关知识

一、贴图 1.贴图的类型与形状 贴图类型 贴图形状 2.在Unity中可使用一张普通贴图来生成对应的法线贴图（但并不规范） 复制一张该贴图将复制后的贴图类型改为Normal Map 3.贴图的sRGB与Alpha sRGB：勾选此选项代表此贴图存储于Gamma空间中…
阅读更多...
快速上手 Unstructured：安装、Docker部署及PDF文档解析示例

快速上手 Unstructured：安装、Docker部署及PDF文档解析示例

1. 核心概念 1.1 Unstructured简介 Unstructured 是一个强大的 Python 库，专注于从非结构化数据中提取和预处理文本信息，广泛应用于 PDF、Word 文档、HTML 等多种格式的文件处理。其核心功能包括分区、清理、暂存和分块，能够将复杂的非结构化文档转换为结构化输出，为后续…
阅读更多...
pyecharts介绍

pyecharts介绍

文章目录 介绍安装pyecharts基本使用全局配置选项 折线图相关配置地图模块使用柱状图使用 介绍 echarts虑是个由百度开源的数据可视化，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可，而Pyhon是门富有表达力的语言&a…
阅读更多...
Fisher信息矩阵与Hessian矩阵：区别与联系全解析

Fisher信息矩阵与Hessian矩阵：区别与联系全解析

Fisher信息矩阵与Hessian矩阵：区别与联系全解析 在统计学和机器学习中，Fisher信息矩阵（FIM）和Hessian矩阵是两个经常出现的概念，它们都与“二阶信息”有关，常用来描述函数的曲率或参数的敏感性。你可能听说…
阅读更多...
python与C系列语言的差异总结（1）

python与C系列语言的差异总结（1）

/ 表示浮点除法 // 表示整数除法 print(8/3)print(8//3)布尔型 False/True 首字母大写 整数的大小是没有限制的，会根据需要自动增长，仅受限于可用内存的大小。 m**n表示m的n次方 x 4.3 ** 2.4print(x)print(3.5e30 * 2.77e45)print(1000000001.0 *…
阅读更多...
Python selenium 库

Python selenium 库

Selenium 是一个用于自动化 Web 浏览器操作的强大工具，广泛应用于 Web 应用程序测试、网页数据抓取和任务自动化等场景。 Selenium 为各种编程语言提供了 API，用作测试。 目前的官方 API 文档有 C#、JavaScript、Java、Python、Ruby。 安装 Selenium 和…
阅读更多...
vllm部署LLM（qwen2.5，llama，deepseek）

vllm部署LLM（qwen2.5，llama，deepseek）

目录 环境 qwen2.5-1.5b-instruct 模型下载 vllm 安装 验证安装 vllm 启动 查看当前模型列表 OpenAI Completions API（文本生成） OpenAI Chat Completions API（chat 对话） vllm 进程查看，kill llama3 deep…
阅读更多...
Python NumPy库使用指南：从入门到精通

Python NumPy库使用指南：从入门到精通

1. 引言 NumPy（Numerical Python）是 Python 中用于科学计算的核心库之一。它提供了强大的多维数组对象（ndarray），以及一系列高效的数学函数，能够轻松处理大规模的数值数据。NumPy 是许多其他科学计算库（如 Pandas、Matplotlib、Scikit-learn 等）的基础。 本文将详细介…
阅读更多...
15.2 智能销售顾问系统技术架构解密：构建企业级知识驱动型对话引擎

15.2 智能销售顾问系统技术架构解密：构建企业级知识驱动型对话引擎

智能销售顾问系统技术架构解密：构建企业级知识驱动型对话引擎 关键词：RAG 架构设计、销售知识库系统、LoRA 微调优化、多模态交互引擎、高并发服务部署 1. 系统技术架构全景解析 1.1 核心架构设计图 #mermaid-svg-UBkTgaR5lf5WfGMa {font-family:"trebuchet ms",…
阅读更多...
用PyTorch从零构建 DeepSeek R1：模型架构和分步训练详解

用PyTorch从零构建 DeepSeek R1：模型架构和分步训练详解

DeepSeek R1 的完整训练流程核心在于，在其基础模型 DeepSeek V3 之上，运用了多种强化学习策略。 本文将从一个可本地运行的基础模型起步，并参照其技术报告，完全从零开始构建 DeepSeek R1，理论结合实践，逐步…
阅读更多...
爬虫基础入门之爬取豆瓣电影Top250-Re正则的使用

爬虫基础入门之爬取豆瓣电影Top250-Re正则的使用

网址:豆瓣电影 Top 250 本案例所需要的模块 requests (用于发送HTTP请求)re (用于字符串匹配和操作) 确定需要爬取的数据 ： 电影的名称电影的年份电影的评分电影评论人数 一. 发送请求 模拟浏览器向服务器发送请求 准备工作 -分析页面: F12 or 右击点击检查 查看…
阅读更多...
力扣hot100——岛屿数量 岛屿问题经典dfs总结

力扣hot100——岛屿数量 岛屿问题经典dfs总结

给你一个由 1（陆地）和 0（水）组成的的二维网格，请你计算网格中岛屿的数量。 岛屿总是被水包围，并且每座岛屿只能由水平方向和/或竖直方向上相邻的陆地连接形成。 此外，你可以假设该网格的四条边…
阅读更多...
FPGA DSP：Vivado 中带有 DDS 的 FIR 滤波器

FPGA DSP：Vivado 中带有 DDS 的 FIR 滤波器

本文使用 DDS 生成三个信号，并在 Vivado 中实现低通滤波器。低通滤波器将滤除相关信号。 介绍 用DDS生成三个信号，并在Vivado中实现低通滤波器。低通滤波器将滤除较快的信号。 本文分为几个主要部分： 信号生成：展示如何使用DDS&am…
阅读更多...
MessageAuthenticator

MessageAuthenticator

MessageAuthenticator https://coova.github.io/JRadius/ https://coova.github.io/JRadius/ import org.tinyradius.packet.RadiusPacket; import org.tinyradius.util.RadiusUtil; import java.nio.charset.StandardCharsets;public class RadiusAuthUtils {/*** 生成 RADI…
阅读更多...
最新文章

Copyright @ 2022~2023