表连接

nested loop

要注意的有两点:

1. leading 和 use_nl提示

 select /*+ leading(emp) use_nl(dept) */ ename,dname from emp , dept where emp.deptno=dept.deptno;

这样会产生nested loop

2.db file sequential read 与 db file scattered read 前者是单块物理读,后者是多块物理读


merge join

merge join的工作机制如下:

首先会把两个数据集读出来,并按照连接条件的字段进行排序,完成排序后就把两个数据集合并。

有这几个特点:

1.每个节点只会执行一次,就是说merge join的每个儿子只执行一次

2.每个输入的数据集都必须按照连接条件的字段排序

3.由于排序操作,在返回结果集的第一条记录之前,要把结果集所有的记录都读取并排序 


工作区

在merge join中需要接触到工作区这个概念。工作区是用来排序的区域,如果排序需要的空间可以由内存满足,那么就会在内存中排序,否则需要用到临时空间。

先看内存排序。内存排序比较简单,数据被加载到工作区,进行排序,但是要注意的一点是,不仅仅是连接条件的字段被加载到工作区中,所有的数据都要加载,因此为了避免浪费内存空间,select 后面跟的字段要谨慎考虑。

再看磁盘排序,这里比较复杂。。。。。。。。。还是看书吧






哈希连接

1. leading use_hash两个hint

select /*+ leading(emp) use_hash(dept) */ ename,dname from emp,dept where emp.deptno=dept.deptno;

2.工作区,哈希连接的工作区与merge join的工作区不同,不是排序的,是构建哈希表的。


根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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