mysql 优化60条建议

本文提供了一系列针对数据库性能优化的实用技巧,包括缓存策略、SQL优化、存储引擎配置、索引设计等方面,旨在帮助开发者提升数据库运行效率。

    1、频繁查询需求的接口在业务层,添加缓存 例如使用redis缓存
    2、养成查看sql执行计划的习惯
    3、按需开启或者关闭query_cache
    4、合理的增大inndb_buffer_pool_size
    5、按需设置主从数据库,读写分离等等
    6、使用高性能的SDD硬盘存储数据
    7、定期维护更新删除数据比较多的表,optimize(会锁表)

    8、sql尽量避免全表扫描
    9、sql查询尽量只返回需要的列
    10、确定单条返回返回的查询添加limit 1
    11、避免大偏移量的分页查询,避免不了就利用延迟关联或者子查询优化超多分页场景
    12、尽可能避免复杂的Join和子查询
    13、在Join表的时候使用相当类型的列,并将其索引
    14、Join查询遵循小结果集驱动大的结果集的原则,BNLJ
    15、in 和 exist的使用遵循,外层查询表小于子查询表,则用exists,外层查询表大于子查询表,则用in
    16、注意隐式转换
    17、不要使用ORDER BY RAND()语句,尽量减少filesort
    18、where语句中不要有运算
    19、in查询建议不要超过1000,合理拆分insert,delete语句
    

    20、不要使用 count(列名)或 count(常量)来替代 count(*),count(*)是 SQL92 定义的 标准统计行数的语法,跟数据库无关,跟 NULL 和非 NULL 无关。 说明:count(*)会统计值为 NULL 的行,而 count(列名)不会统计此列为 NULL 值的行
    21、TRUNCATE TABLE 比 DELETE 速度快,且使用的系统和事务日志资源少,但 TRUNCATE 无事务且不触发 trigger,有可能造成事故
    22、业务层,分页查询逻辑时,若 count 为 0 应直接返回,不继续进行分页查询
    23、使用 ISNULL()来判断是否为 NULL 值。 NULL 与任何值的直接比较都为 NULL。
    24、count语句不会出现null,但是sum会,注意NPE问题
    25、count(distinct col) 计算该列除 NULL 之外的不重复行数,注意 count(distinct col1, col2) 如果其中一列全为NULL,那么即使另一列有不同的值,也返回为0。

    26、业务上具有唯一特性的字段,即使是多个字段的组合,也必须建成唯一索引。墨菲定律
    27、超过三个表禁止 join。需要 join 的字段,数据类型必须绝对一致;多表关联查询时, 保证被关联的字段需要有索引。
    28、在 varchar 字段上建立索引时,必须指定索引长度,没必要对全字段建立索引,根据 实际文本区分度决定索引长度即可。
    29、页面搜索严禁左模糊或者全模糊(不走索引的),如果需要请走搜索引擎来解决
    30、如果有 order by 的场景,请注意利用索引的有序性,依据业务排序要求等添加升序或者降序索引
    31、利用覆盖索引来进行查询操作
    32、建组合索引的时候,区分度最高的在最左边,存在非等号和等号混合时,等号条件的列前置
    33、合理添加组合索引(组合索引最多支持16列)
    34、主键长度越小越好,最好永远都未一张表添加一个主键id并设置非空自增
    35、删除无用的索引 cardinality 接近为1的索引,msyql8.0使用隐藏索引

    36、表达是与否概念的字段,必须使用 is_xxx 的方式命名,数据类型是 unsigned tinyint (1 表示是,0 表示否)
    37、表名、字段名必须使用小写字母或数字,禁止出现数字开头,禁止两个下划线中间只出现数字,MySQL 在 Windows 下不区分大小写,但在 Linux 下默认是区分大小写
    38、表名不使用复数名词
    39、禁用保留字,desc、range、match、delayed
    40、主键索引名为 pk_字段名;唯一索引名为 uk_字段名;普通索引名则为 idx_字段名
    41、小数类型为 decimal,禁止使用 float 和 double。
    42、如果存储的字符串长度几乎相等,使用 char 定长字符串类型。
    43、字段允许适当冗余,以提高查询性能,但必须考虑数据一致。冗余字段应遵循: 1)不是频繁修改的字段
    


    1. 创建表的存储引擎必须是InnoDB、并指定主键,不允许外键,同时不允许存在和主键重复的索引
    2. 非分区表不允许使用联合主键。
    3. 自增长字段必须是主键或唯一索引。
    4. 不允许在数据库中存储诸如图片,影像之类的二进制数据。
    5. 不允许使用TEXT类型字段
    6. 建表时不允许显式的指定除了utf8,utf8mb4之外的其他字符集,
       如果有存储评论,名字,描述等可能包含表情,特殊字符的字符串,必须使用utf8mb4。
    7. 对于所有声明为NOT NULL的字段,必须显式指定默认值。
    8. 必须包含时间戳字段DataChange_LastTime,定义默认值为
       CURRENT_TIMESTAMP on update,并添加索引。
    9. DataChange_CreateTime,作为行创建时间,定义默认值时请不要添加
       CURRENT_TIMESTAMP on update,直接设置CURRENT_TIMESTAMP即可。
    10. 禁止使用子查询。
    11. 禁止使用select *,必须指定需要的字段。
    12. update/delete只能单表操作,不允许多表关联,不允许用子查询,且一定要带where条件。
    13. insert语句要显式指定插入的列名,且不允许使用insert .... select的形式。
    14. 不允许使用存储过程、存储函数、触发器和视图。
    15. 单条查询语句中,不允许出现多于一次的join。
    16. 不要在where后的筛选字段上做运算。
    17. 不允许在查询语句中指定索引提示 force | ignore | use    index | key 。
 

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
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