一道SQL题的前世今生

自举电容的工作原理-3句话总结 1、一道面试题 照例,先抛出来一道面试题:“Buck电路的SW引脚通常会放置一颗小电容,这颗电容有什么用?”。这个问题问得比较细,非常考验被面试者的硬件基本功。 2、似懂非懂的答案 有小伙伴可能不太清楚这颗电容的作用,回答不上来。也有小伙伴脱口而出:自举电容,用来做升压的。但后面好像说不出来具体逻辑。 没具体了解过,答不上来,也没啥可惜的。但是了解过一点,但又似懂非懂的这种,给出的答案只是轻轻点水或者千篇一律,那无疑是错过了一个加分项。 3、异步Buck的自举环路组成 既然是针对Buck电路讲自举电容,前面 阅读详情

来看一道SQL题目:

注:以下讨论核心在于解释原理,所涉及到的数据和表结构均为虚构。本文代码较多,如果看不清楚,可以在后台回复“SQL”获取本文PDF版本。

假设某APP场景下,有以下数据需求:

表1,新增用户表,t_new_user

字段:uid 用户id,reg_date新增日期

表2,收藏行为表,t_favorite_act

字段:uid 用户id,fav_date 收藏日期

表3,加购物车行为,下面简称“加购”,t_add_cart_act

字段:uid 用户id,add_date 加购日期

表4,新安装用户表(包括前文的新增用户,还包含卸载重装的用户),

t_new_install_user

字段,uid 用户id,install_date 安装日期

目标:求2019-07-01新增用户数和新装用户数以及当日新增用户和新装用户在当天,接下来三天,接下来七天产生收藏行为和加购物车行为的人数(请确保你理解了需求)。输出格式如下:

点击图片查看细节

题目中涉及到了两类用户两种行为三种日期,直观的想法是可以化整为零,先缩小范围,看一种用户一个日期的行为,然后类推解决。(比如先看下新增用户三日收藏用户数,加购用户数)。我们看一下这种思路的SQL写法。

提取2019-07-01新增用户数,三日收藏用户数,三日加购用户数的代码如下:

select a.reg_date, count(distinct a.uid) as new_usr_cnt, 
       count(distinct b.uid) as 3day_fav_usr_cnt,--3日收藏用户数 
       count(distinct c.uid) as 3day_add_cart_usr_cnt--3日加购用户数
from
(
    select reg_date, uid 
    from t_new_user
    where reg_date = '2019-07-01'
    group by reg_date, uid 
) a 
left join 
(
    select fav_date, uid 
    from t_favorite_act
    where fav_date between '2019-07-01' and date_add('2019-07-01', 2)
    group by fav_date, uid
) b 
on a.uid = b.uid
left join
(
    select add_date, uid 
    from t_add_cart_act
    where add_date between '2019-07-01'and date_add('2019-07-01', 2)
    group by add_date, uid
) c
on a.uid = c.uid
group by a.reg_date

提取2019-07-01新装用户数(包含新增),三日收藏用户数,三日加购用户数的代码如下(注意和之前的差别)

select a.reg_date, count(distinct a.uid) as new_install_usr_cnt, 
       count(distinct b.uid) as new_install_3day_fav_usr_cnt, --3日收藏用户数
       count(distinct c.uid) as new_install_3day_add_cart_usr_cnt--3日加购用户数
from
(
    select reg_date as new_date, uid 
    from t_new_user
    where reg_date = '2019-07-01'

    union all 

    select install_date as new_date, uid
    from t_new_install_user
    where install_date = '2019-07-01'
) a 
left join 
(
    select fav_date, uid 
    from t_favorite_act
    where fav_date between '2019-07-01' and date_add('2019-07-01', 2)
    group by fav_date, uid
) b 
on a.uid = b.uid
left join
(
    select add_date, uid 
    from t_add_cart_act
    where add_date between '2019-07-01'and date_add('2019-07-01', 2)
    group by add_date, uid
) c
on a.uid = c.uid
group by a.reg_date

按照这种思路,我们需要写好多段的SQL(需要修改日期相关的代码):新增用户当日,新增用户3日,新增用户7日,新装用户当日,新装用户3日,新装用户7日。
分别运行之后6次,经过整理就能得到最终的结果。也可以外面载嵌套一个left join,设法把这些小段的SQL合并起来(可以思考一下怎么做),这样减少运行的次数,但是代码会非常长,而且有很多重复的部分。显然,这样做不够“明智”。

有没有更简单一点的写法呢?答案当然是肯定的。

变式1:新装和新增合并起来写

有没有发现“同一个日期”,如上面的“三日内行为”,对于新装用户和新增用户的代码,b表和c表的大段SQL是一样的!而且后面的代码包含了前面的。因为都要从这两个表里取收藏和加购行为,而且日期还一样。如果按照上面的写法,将新增用户和新装用户两段用日期关联,放到一起执行,会重复扫描b表和c表。显然这样在一定程度上会影响效率。考虑到大段代码的重复性,我们可以巧妙的合并一下,如下:

select a.reg_date, 
       count(distinct case when a.type='new_user' then a.uid else null end) as new_usr_cnt,
       count(distinct case when a.type='new_user' then b.uid else null end) as fav_usr_cnt,
       count(distinct case when a.type='new_user' then c.uid else null end) as add_cart_usr_cnt,
       count(distinct a.uid) as new_install_usr_cnt, 
       count(distinct b.uid) as new_install_3day_fav_usr_cnt, 
       count(distinct c.uid) as new_install_3day_add_cart_usr_cnt
from
(
    select reg_date as new_date, uid, 'new_user' as type
    from t_new_user
    where reg_date = '2019-07-01'

    union all 

    select install_date as new_date, uid, 'reinstall' as type
    from t_new_install_user
    where install_date = '2019-07-01'

) a 
left join 
(
    select fav_date, uid 
    from t_favorite_act
    where fav_date between '2019-07-01' and date_add('2019-07-01', 2)
    group by fav_date, uid 
) b 
on a.uid = b.uid
left join
(
    select add_date, uid 
    from t_add_cart_act
    where add_date between '2019-07-01'and date_add('2019-07-01', 2)
    group by add_date, uid
) c
on a.uid = c.uid
group by a.reg_date

这样是把新增和新装的合并起来了,但是当日,三日,七日还是需要分开写。还有办法优化吗?当然可以!(想象一下,如果需求忽然增加了五日,十日,十五日怎么办?)(题外话,其实新装表是包含新增表的,如果做表的时候能用一个标识区分安装时是否是首次,可能会更合理一些。)

变式2:巧用datediff

datediff函数可以求两个日期的时间差。虽然目前的需求是求当日,三日,七日,也就是日期差分别是0,2,6(注意不是1,3,7)的情况。如果我们能求出所有的时间差diff_day,再对diff_day进行判断,不仅能处理当前的需求,就是再来几个别的不同的日期,那也可以只用一个case when就解决了,代码如下,显然比原来更清晰简洁。

select
    a.reg_date,
        count(distinct case when fav_datediff = 0 and a.type='new_user' then a.uid) as new_install_user_current_day,
    count(distinct case when fav_datediff = 0 and a.type='new_user' then b.uid else null end) as new_user_current_day_fav,
    count(distinct case when fav_datediff > 0 and fav_datediff <= 2 and a.type='new_user' then b.uid else null end) as new_user_3_day_fav,
    count(distinct case when fav_datediff > 0 and fav_datediff <= 6 and a.type='new_user' then b.uid else null end) as new_user_7_day_fav,
    count(distinct case when add_datediff = 0 and a.type='new_user' then c.uid else null end) as new_user_current_day_add,
    count(distinct case when add_datediff > 0 and add_datediff <= 2 and a.type='new_user' then c.uid else null end) as new_user_3_day_add,
    count(distinct case when add_datediff > 0 and add_datediff <= 6 and a.type='new_user' then c.uid else null end) as new_user_7_day_add,
    count(distinct case when fav_datediff = 0 then a.uid) as new_install_user_current_day,
    count(distinct case when fav_datediff = 0 then b.uid else null end) as new_install_user_current_day_fav,
    count(distinct case when fav_datediff > 0 and fav_datediff <= 2 then b.uid else null end) as new_install_user_3_day_fav,
    count(distinct case when fav_datediff > 0 and fav_datediff <= 6 then b.uid else null end) as new_install_user_7_day_fav,
    count(distinct case when add_datediff = 0 and then c.uid else null end) as new_install_user_current_day_add,
    count(distinct case when add_datediff > 0 and add_datediff <= 2 then c.uid else null end) as new_install_user_3_day_add,
    count(distinct case when add_datediff > 0 and add_datediff <= 6 then c.uid else null end) as new_install_user_7_day_add
from
(
    select  a.reg_date, a.uid, a.type, b.uid, c.uid,
    datediff(b.fav_date, a.reg_date) as fav_datediff, 
    datediff(b.add_date, a.reg_date) as add_datediff, 
    from
    (
        select reg_date as new_date, uid, 'new_user' as type
        from t_new_user
        where reg_date = '2019-07-01'

        union all 

        select install_date as new_date , uid, 'reinstall' as type
        from t_new_install_user
        where install_date = '2019-07-01'

    ) a 
    left join 
    (
        select fav_date, uid 
        from t_favorite_act
        where fav_date between '2019-07-01' and date_add('2019-07-01', 7)
        --注意这里要取能满足datediff=6的日期范围
        group by fav_date, uid 
    ) b 
    on a.uid = b.uid
    left join
    (
        select add_date, uid 
        from t_add_cart_act
        where add_date between '2019-07-01'and date_add('2019-07-01', 7)
        --注意这里要取能满足datediff=6的日期范围
        group by add_date, uid
    ) c
    on a.uid = c.uid
) d 

看完上面的代码,是不是感觉豁然开朗了许多?我们巧妙的将之前的代码缩减并且减少了冗余。对比一开始的想法,不仅思路更加清晰,代码量也精简不少,而且更便捷,执行的效率也更高。不过我们继续来思考这端代码,看有没有哪些细节是可能会忽略的。

变式3:如果不是2019-07-01怎么办?

如果是别的固定的日期,当然只需要复制一下代码,改变一下日期就好了。但工作中会有这样的场景,不仅仅只是临时取一个数据,而是要开发报表,这需要让写好的SQL根据不同的日期变量,每天执行一下,获得相应的数据。这里有几个问题。SQL的定时执行通常需要依赖于shell脚本,我们需要把日期作为一个变量,它需要每天都自动更新成最新的时间(通常会有一天延迟,因此最新的日期就是当前日期昨天的时间)。另一个是数据更新的问题。我们用实例来说明,假设今天是0809,那我们应该能得到0808以及之前的数据。对于0802以及之前的数据,它的当日,三日,七日的转化情况已经固定了,不会随着时间进一步更新。对于0806以及之前的数据,它的当日和三日转化也已经确定。而0803-0808这些天,他们的七日转化数据还没有“到位”,0806-0808,他们的三日转化数据也还没有“到位”,因为时间周期还没到。我们可以选择将当前最新的数据呈现出来(例如0808的数据,当日,三日,七日是一样的,因为只有当日的数据),也可以选择如果日期还没到可以计算数据的时候,在相应的数据置为0。还有一个需要考虑的点:当最新的一天任务执行的时候,都伴随着有一些天的计算时间得到了满足(原来的1天变成2天,2天变成3天,以此类推),所以就需要同时更新当前时间及之前七天的数据。在调度任务的代码里需要有相应的处理逻辑。例如每天写入的时候都需要删除之前七天,写进最新七天等。(这里使用的是不置0的方式)。具体在这里就不展开了。

我们继续讨论。

变式4:留存计算

回到我们开篇的问题,有没有觉得,需求的逻辑和留存很像。留存通常是指之前有过某种行为,后续依然有。但这里前后两种行为是不一样的。其实可以看做是另一种意义上的留存。因此上面的思路也可以用来计算留存。拿次日留存来举例,我们算一下0801-0807的次日留存。这里额外需要一张活跃表。t_active_user(uid 用户id,act_date 活跃日期)

--次留
select a.reg_date, count(distinct a.uid) new_user, count(distinct b.uid) act_user
from
(
    select reg_date, uid
    from t_new_user
    where reg_date >='20190801' and  reg_date <='20190807' 
    group by 
    reg_date, uid --每日每组新增用户
) a
left join 
(
    select act_date, uid
    from t_active_user
    where act_date >='20190801' and  act_date <='20190808'--至少要到0808才能保证0807有留存数据
    group by act_date, uid  --每日每组日活用户
) b 
on a.uid = b.uid
where datediff(b.act_date, a.reg_date) = 1
group by a.reg_date

你认为这段SQL有问题吗?(我们把留存的分子分母分开来计算,先不做相除)

乍一看可能不觉得有什么问题。但运行之后会发现new_user和act_user的结果是一样的。问题出在where条件已经把没有不符合条件的活跃用户过滤掉了。正确的写法应该将判断条件写到count函数中(可以仔细思考一下),如下:

--次留
select a.reg_date, count(distinct a.uid) new_user, 
count(distinct case when datediff(b.act_date, a.reg_date) = 1 then b.uid else null end) act_user
from
(
    select reg_date, uid
    from t_new_user
    where reg_date >='20190801' and  reg_date <='20190807' 
    group by 
    reg_date, uid
) a
left join 
(
    select act_date, uid
    from t_active_user
    where act_date >='20190801' and  act_date <='20190808'--至少要到0808才能保证0807有留存数据
    group by act_date, uid 
) b 
on a.uid = b.uid
group by a.reg_date

同样的,7日留存也可以在此基础上稍加改动得到。但在多日留存的时候,依然也要考虑前面说的数据更新的问题。

select a.reg_date, count(distinct a.uid) new_user, 
count(distinct case when datediff(b.act_date, a.reg_date) = 1 then b.uid else null end) 2day_act_user,
count(distinct case when datediff(b.act_date, a.reg_date) = 6 then b.uid else null end) 7day_act_user
from
(
    select reg_date, uid
    from t_new_user
    where reg_date >='20190801' and  reg_date <='20190802'--有些天还不能计算7留的数据
    group by 
    reg_date, uid 
) a
left join 
(
    select act_date, uid
    from t_active_user
    where act_date >='20190801' and  act_date <='20190808'--至少要到0808才能保证0802有7日留存数据
    group by act_date, uid 
) b 
on a.uid = b.uid
group by a.reg_date

关于活跃留存的计算,还可能存在活跃表是全量表的情况,即每个最新分区有历史每一天的活跃用户。那写法可能又有不同了。我们可以使用下面的方法计算留存。累计活跃表:t_user_active_accu(uid 用户id,act_date 活跃日期)。这种情况我们依然可以请datediff帮助我们计算留存。只需要按照日期差进行分组,统计各个日期差的活跃用户数,最后将相同日期差的用户数求和就能算出“留存的用户”了。如下面代码计算了20190801的留存。

select 
    sum(case when datediff=0 then user_cnt else 0 end),
    sum(case when datediff=1 then user_cnt else 0 end)
from
(
    select datediff, count(distinct uid) as user_cnt
    from
    (
        select uid, datediff(act_date,'2019-08-01') as datediff
        from t_user_active_accu
        where ds = '20190808'--ds表示分区,取一个最新的即可
        and datediff('2019-08-01', act_date) >=0 
    ) a 
    group by datediff
) b 

上面两种计算留存的方式都比较好理解,使用了datediff函数,但需要注意使用的场景,一种是增量表,一种是全量表。

总结

本文我们从一道SQL题目出发,讨论了使用union all 和datediff简化代码的过程,以及由此衍生出来的相关问题。由于表是虚构的,代码并未经过完全测试,主要在于理解其中的技巧和原理。希望对读到这里的你有所帮助。如有问题欢迎指出,也欢迎交流讨论~

(完)


Sigrity System Explorer Transient Analysis模式进行瞬态仿真分析操作指导-单端信号 Sigrity System Explorer Transient Analysis模式可以用于瞬态仿真分析,通过搭建简易拓扑用于前仿真分析通道的时域性能,下面搭建一个简易的单端拓扑进行说明,以下图为例,准备好发送接收端的IBIS模型, (ibis_se.ibs,本例发送接收端都使用相同的IBIS模型),以及传输线的S参数模型(welement_se.sp)最上方的图形界面是传输线的模型,本例是一个上下都有参考平面的带状线,右侧的梯形是蚀刻角度,根据W1和W2以及铜厚来确定。 阅读详情

相关推荐

【WorkBuddy】WorkBuddy 智能体快速上手:从零到一的实践指南

文章摘要: 传统自动化脚本难以应对灵活多变的自然语言需求,导致逻辑复杂、维护成本高。智能体(Agent)通过理解语义意图、动态决策和松耦合组件解决了这些问题。WorkBuddy采用声明式配置,通过可视化界面定义意图、实体和对话策略,无需编码即可快速构建智能体。其核心组件包括意图分类、实体提取、对话策略、故事样本和回退机制,适用于客服支持、知识问答等高频场景。通过环境准备(Python/Node.js/Redis)和简单配置,用户可以快速搭建可运行的智能体,显著提升自动化效率。

ruiqideng的博客 1720

SQL业务查询—日新增用户统计

SQL学起来很简单,各种方法也是一看就懂,尽管刷了一些sql相关的题目,但大多都是停留在课后习题的层面,面试中遇到具体业务中的SQL题,能够理解意思、也能知道用什么方法,但就是写不出来。所以今天把sql在具体业务中常用的几种查询整理一下,做一个专题。...

weixin_44048557的博客 7026

手把手教你用PlantVillage数据集搭建农作物病害识别模型(Python实战)

本文详细介绍了如何使用PlantVillage数据集和Python构建农作物病害识别模型。从环境准备、数据获取到模型构建、训练与评估,手把手教你实现一个实用的农业AI应用。特别针对PlantVillage数据集的特点,提供了处理类别不平衡、图像预处理和模型优化的实战技巧,帮助开发者快速掌握农作物病害识别技术。

weixin_29184371的博客 481

【sql】查询每日活跃用户数/每日新增用户数/每日累计用户数

建表 CREATE TABLE denglu( id varchar(10), dt date) 插入测试数据 INSERT INTO denglu VALUES ('01','2021-10-01'), ('01','2021-10-01'), ('02','2021-10-03'), ('02','2021-10-02'), ('03','2021-10-01'), ('03','2021-10-04'), ('04','2021-10-06'), ('05','2021-10-07'), ('0

数据打工人的博客 1万+

五、2K0300 久久派开发板的GPIO控制与Shell脚本自动化实战

本文详细介绍了基于龙芯2K0300处理器的久久派开发板的GPIO控制方法,通过sysfs文件系统实现LED控制和传感器读取。重点讲解了Shell脚本自动化实战,包括LED闪烁、流水灯效果和传感器数据采集,为物联网项目开发提供完整解决方案。

silver的专栏 689

【量化交易】迅投QMT——基础操作新建策略导入策略!

策略指标 #基础操作 #新建策略 在【我的】主页,点击新建策略按钮 点击【pyhton策略】模型 会弹出一个策略编辑器框 【新建策略文件】 编辑完点击【编译】按钮 关闭策略编辑器 导入策略 券商 QMT:1. 点击进入【模型研究】界面2. 右键 -> 选择本地. rzrk导入 投研端:1. 点击【行情】界面,选择模型2. 右键 -> 选择本地. rzrk导入 #策略在副图作为指标运行 在主图上双击策略 VBA策略可以直接输出图像

weixin_eng02048的博客 4117

SQL 统计每日会员总数及每日新增数量

if object_id('tb') is not null drop table tb go create table tb(会员号 varchar(10),日期 varchar(10)) insert into tb values('1111' , '2020-05-02') insert into tb values('2222' , '2020-05-03') insert into tb values('3333' , '2020-05-03') insert into tb value.

wh445306 5056

Understand-Anything:AI驱动的代码知识图谱,实现项目全局洞察与高效导航

在软件开发中,理解复杂代码库的结构和依赖关系是提升开发效率的关键。传统代码阅读方式往往陷入局部视角,难以快速把握系统全貌。知识图谱技术通过将代码实体(如文件、类、函数)及其关系(调用、继承、依赖)可视化,为代码理解提供了全局视角。这项技术的核心价值在于将静态代码转化为动态、可交互的认知地图,极大降低了系统学习与维护成本。在实际工程中,它广泛应用于新成员快速入职、遗留系统梳理、架构影响分析等场景。本文介绍的Understand-Anything工具,正是基于这一理念,通过多智能体分析管道,自动构建代码的结构图

weixin_42615290的博客 886

【SQL】大数据面试常考题之日活(dau)月活

  数据分析经常会分析日活月活,这是互联网产品的重要指标。相比前面的 topN 和连续登录天数,日活月活这类问题的求解就友好很多,只需要对每日或者每月的用户去重,并计数,就能得到答案。下面通过题目来学习日活月活的做法。 1.牛客SQL17.平均活跃天数和月活人数[1] 描述 用户在牛客试卷作答区作答记录存储在表 exam_record 中,内容如下: exam_record表(uid 用户 ID, exam_id 试卷 ID, start_time 开始作答时间, submit_time 交卷时间, sc

每天更新大数据面经和技术 3627

损失函数大汇总(五十三)(Boundary Loss附公式推导与代码)

摘要 Boundary Loss是一种针对图像分割任务的新型损失函数,特别适用于高度类别不平衡的细粒度分割场景。与传统的区域型损失(如Dice、交叉熵)不同,它通过计算预测边界与真实边界之间的距离来优化模型,更关注边界精度而非区域重叠。核心思想是利用距离图(distance map)将边界约束转化为区域积分形式,实现端到端训练。具体实现中,损失函数为预测概率与距离图的点积,梯度仅取决于距离图,具有明确的空间引导性。相比区域型损失,Boundary Loss能更好处理小目标、细长结构等边界敏感任务,可与Dic

悦学共鸣,温柔以待,汇聚光芒,共同成长 241

基于深度学习的生活垃圾检测与分类系统:YOLOv5、YOLOv6、YOLOv7与YOLOv8实现

本项目的目标是开发一个基于YOLO系列模型的生活垃圾检测与分类系统。数据集准备与标注:收集并标注生活垃圾图像数据集。模型训练:使用YOLOv5、YOLOv6、YOLOv7、YOLOv8等深度学习模型训练垃圾分类系统。UI界面设计:设计一个简洁的用户界面,支持图像或视频的上传与垃圾分类结果展示。实时垃圾检测与分类:通过摄像头进行实时垃圾检测和分类。结果展示与保存:展示检测结果,支持用户保存分类后的图像或视频。

YOLO 705

【SAP】前世今生系列(五)「ABAP的前世今生和未来」

在此前文章中我们了解了SAP公司主要产品的时间线,众所周知,SAP公司所有产品都是基于ABAP语言来开发的,本篇文章着重要介绍的是SAP公司产品最重要的基石——ABAP

Thunder Wang的博客 5347

微信小程序启用蓝牙设备特征值变化时的notify功能

注意:这里的serviceUUID、notifyCharacteristicUUID 我会在后面写入数据时做重点说明。isNotifyBLECharacteristic:false, //是否启用蓝牙设备服务特征 notify。二、启用蓝牙设备特征值变化时的notify功能。下一篇 将继续介绍 微信小程序蓝牙设备写入数据。

wsk198726的专栏 1174

SQL语法基础篇 —— DBMS的前世今生

DBMS的前世今生 DB、DBS和DBMS的区别是什么 DB的英文是DataBase,也就是数据库。数据库是存储数据的集合,可以把它理解为多个数据表。 DBS的英文是DataBase System,数据库系统。它是更大的概念,包括了数据库、数据库管理系统以及数据库管理人员DBA。 DBMS的英文是DataBase Management System,数据库管理系统,实际上它可以对多个数据库进行...

m0_45198298的博客 385

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

VB.NET的前世今生

【前言】初次见到这个强大的东西,一看名字就没有了陌生感,因为它和我以前见过的VB肯定有很多的联系。俗话说,看人看相,了解看感觉(O(∩_∩)O~~差不多这个意思吧)。要想了解VB.net 就要从它的兄弟VB下手

好记性不如烂笔头--玲博小记 2253

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

NoSQL的前世今生

NoSQL的前世今生 Java大猿帅成长手册,GitHub JavaEgg ,N线互联网开发必备技能兵器谱 啥玩意: NoSQL(NoSQL = Not Only SQL ),“不仅仅是SQL”,泛指非关系型的数据库。随着互联网web2.0网站的兴起,传统的关系数据库在处理web2.0网站,特别是超大规模和高并发的SNS类型的web2.0纯动态网站已经显得力不从心,暴露了很多难以克服的问题,...

新之助的学习之路 852

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

一道同分排名的SQL题

遇到这样一道题:(1) 有一张学生课程分数表,字段有:ID、名称、性别、科目、分数。(名称换为学号更能标识唯一学生,但名称好阅读,顾这里先认为名称可以唯一标识学生。(2) 用一个SQL,分别统计每个学生多科目的总分,按性别输出前两名的学生和对应的总分。

swingline的专栏 1389

Spark SQL的前世今生

目录 一:顺序图谱 二:为什么有Hive,Shark,Spark SQL等一类的组件? (1)Hive (2)Shark (3)Spark SQL 三:Spark SQL的性能优化技术详解 1、内存列存储(in-memory columnar storage) 2、字节码生成技术(byte-code generation) 3、Scala代码编写的优化 一:顺序图谱 ...

威少(微笑) 959

科普文:软件架构数据库系列之【MySQL前世今生及其体系结构概叙】

1995年,MySQL 1.0发布,仅供内部使用。 2013年,MySQL5.6发布,其包括如下重要特性及更新。 2015年,MySQL5.7发布,其包括如下重要特性及更新。 2024年4月30日发布了 MySQL 8.4 版本(LTS), 该版本是创新版的第一个长期支持版本。

为无为,事无事,味无味。 3345

MySQL的前世今生

MySQL的前世今生 正所谓以史为鉴,指导未来。了解MySQL的过去才能更好地掌握其未来的发展方向。本章首先介绍MySQL从无到有的历史。 短短的十几年间,MySQL快速发展,原本门可罗雀的MySQL网站,如今日访问超过1000万PV(Page View)。本章后面将引用著名市场调查公司的数据和图表,来说明数据库软件MySQL在市场中处于何种地位。 MySQL这个概念有三重意义。 首先,M

DBA Tips 2288

【MyBatis】MyBatis的前世今生与环境搭建

讲解MyBatis的前世今生与环境搭建

只想和你一起进步 1517

spark的前世今生

spark的前世今生 一、spark是什么?(介绍) Spark,是一种"OneStack to rule them all"的大数据计算框架,是一种基于内存的分布式计算框架,于2009年诞生于加州大学伯克利分校AMPLab(AMP:Algorithms,Machines,People),它最初属于伯克利大学的研究性项目,后来在2010年正式开源,并于 2013 年成为了 Apache 基金项目,...

yiluohan0307的专栏 2974

元数据管理系列(一):元数据管理的前世今生

随着数据量的爆炸式增长和数据来源的日益多样化,如何高效地管理和利用这些数据成为了一大挑战。这时,“元数据管理”作为一个关键领域逐渐受到关注。它不仅是数据治理的基石,也是连接数据与价值的桥梁。那么,元数据管理究竟是什么?它的起源和发展经历了怎样的历程? 本文将带你走进元数据管理的前世今生。同时也是数据治理的基础,也是数据中台的核心模块。更确切的说,元数据管理也是数据中台中为数据不多的能产品化的模块。

lgbingyu00的博客 1139
上一篇: Jupyter notebook使用技巧大全
下一篇: 谈谈半路接手项目
Wang_AI
博客等级 码龄12年 998粉丝 162原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值