import unittest
import psycopg2
import pandas as pd

class TestPostgresQuery(unittest.TestCase):
    @classmethod
    def setUpClass(cls):
        cls.connection = psycopg2.connect(
            host="localhost",
            user="agent",
            password="qwerty",
            dbname="testdb",
            sslmode="disable"
        )
        cls.connection.autocommit = True
        cls.cursor = cls.connection.cursor()

    def setUp(self):
        # Reset the balance and logs for account 789 before each test
        self.cursor.execute("UPDATE BankAccounts SET balance = 3500.00 WHERE account_number = 789;")
        self.cursor.execute("DELETE FROM UserLogs WHERE account_number = 789 AND action = 'Adding $100';")
        self.connection.commit()

    def test_balance_increased(self):
        """Check that the balance for account_number 789 is increased by 100."""
        with open("query.sql", "r") as file:
            query = file.read()
        self.cursor.execute(query)
        self.cursor.execute("SELECT balance FROM BankAccounts WHERE account_number = 789;")
        balance = float(self.cursor.fetchone()[0])
        _dynamic_test(
            self,
            abs(balance - 3600.00) < 0.0001,
            "Balance for account_number 789 increased by 100.",
            f"Balance for account_number 789 is not correct after update. Found: {balance}"
        )

    def test_log_entry_inserted(self):
        """Check that a log entry for 'Adding $100' is present for account_number 789 in UserLogs."""
        with open("query.sql", "r") as file:
            query = file.read()
        self.cursor.execute(query)
        self.cursor.execute("SELECT COUNT(*) FROM UserLogs WHERE account_number = 789 AND action = 'Adding $100';")
        count = self.cursor.fetchone()[0]
        _dynamic_test(
            self,
            count >= 1,
            "Log entry for 'Adding $100' inserted for account_number 789.",
            "No log entry for 'Adding $100' found for account_number 789."
        )

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

def normalize_text(text):
    text = text.lower()
    text = re.sub(r"\\s{2,}", " ", text)
    text = re.sub(r"\\s*([,:?])\\s*", r"\\1 ", text)
    return text.strip()

if __name__ == "__main__":
    unittest.main()


test_solution.py

Commencez un parcours passionnant à travers SQL avec les techniques avancées en SQL. Découvrez les propriétés ACID essentielles qui garantissent l'intégrité des données lors des transactions en base de données. Approfondissez les méthodes avancées d'optimisation des requêtes pour améliorer les performances des bases de données. Explorez des fonctionnalités spécifiques de SQL telles que les fonctions de fenêtre, les triggers, le Data Control Language (DCL) et les bases de données NoSQL. Cela vous permettra de gérer la gestion moderne des bases de données avec assurance et efficacité.

Nous explorons maintenant les principes fondamentaux d’ACID (Atomicité, Cohérence, Isolation, Durabilité) dans la gestion des bases de données. Découvrez comment ces principes assurent la fiabilité des transactions en garantissant l’exécution complète des opérations, le maintien de la cohérence des données, l’isolation des transactions concurrentes et la pérennité du stockage des données.

Explorez comment améliorer l'efficacité de vos requêtes SQL grâce à l'optimisation des index. Analysez l'importance des index dans les performances des bases de données, en apprenant à les concevoir, les implémenter et les utiliser efficacement. Découvrez des stratégies pour choisir les index appropriés, comprendre leur impact sur les plans d'exécution des requêtes et optimiser les performances des requêtes par la sélection et l'utilisation des index.

Cette section explore des sujets essentiels tels que les déclencheurs, les fonctions de fenêtre et le DCL (Data Control Language), offrant des analyses approfondies sur leur mise en œuvre et leurs stratégies d’optimisation. De plus, elle aborde l’univers des SGBD NoSQL, fournissant une compréhension complète de leur architecture, de leurs avantages et de leurs applications pratiques.

Défi : Spécification du Niveau d'Isolement pour la Transaction

Solution

Défi : Spécification du Niveau d'Isolement pour la Transaction

Solution