使用随机梯度下降（SGD）的支持向量机（SVM）相比于不使用SGD的SVM，具有以下优势：

1. 训练速度更快：SGD是一种在线学习算法，每次只使用一个样本来更新参数，因此可以更快地训练模型。
2. 内存消耗较低：SGD每次只需要存储一个样本和相关参数，而不是存储全部数据集，因此内存消耗较低。
3. 对大规模数据集适用性更好：由于SGD每次只使用一个样本，因此对于大规模数据集，使用SGD可以更好地处理。

下面是使用scikit-learn库中的SGDClassifier来实现SGD-SVM的示例代码：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import SGDClassifier
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 加载数据集
data = load_iris()
X, y = data.data, data.target

# 数据预处理
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

# 使用SGD-SVM训练模型
sgd_svm = SGDClassifier(loss='hinge', alpha=0.01, max_iter=1000, random_state=42)
sgd_svm.fit(X_train, y_train)

# 使用SVM训练模型
svm = SVC(kernel='linear', random_state=42)
svm.fit(X_train, y_train)

# 在测试集上评估模型性能
y_pred_sgd = sgd_svm.predict(X_test)
y_pred_svm = svm.predict(X_test)

accuracy_sgd = accuracy_score(y_test, y_pred_sgd)
accuracy_svm = accuracy_score(y_test, y_pred_svm)

print("SGD-SVM准确率：", accuracy_sgd)
print("SVM准确率：", accuracy_svm)

在以上示例中，我们使用了鸢尾花数据集（iris dataset），对其进行了数据预处理和训练集/测试集划分。然后分别使用SGD-SVM和SVM训练模型，并在测试集上评估了两者的准确率。最后打印出了SGD-SVM和SVM的准确率。

需要注意的是，SGD-SVM的参数（如loss、alpha、max_iter等）需要根据具体问题进行调整，以获得更好的性能。