日常生活中，学会使用DAX之后，我们已经习惯使用DAX函数来灵活的展示各种业务需要的KPI。
> 经常听别人说 Python 在数据领域有多厉害，结果学了很长时间，连数据处理都麻烦得要死。后来才发现，原来不是 Python 数据处理厉害，而是他有数据分析神器—— pandas
hbase是bigtable的开源java版本。是建立在hdfs之上，提供高可靠性、高性能、列存储、可伸缩、实时读写nosql的数据库系统。
axis 表示轴，是处理多维数据时用于表示维度方向的概念，在 pandas 中大部分的方法都有 axis 参数，因为 pandas 需要调用者告诉他，需要处理的是哪个维度的数据。
电脑键盘上有很多「瑞士军刀」似的按键，掌握这些按键的使用技巧，你让你在Excel操作中，如虎添翼。 SHIFT键就是其中之一。 Excel中的技巧有很多，基本都有四两拨千斤的神奇能力！ 但又有人说，这
小蓝可以在方格图上走动，走动时，如果当前在第 r 行第 c* 列，他不能走到行号比 r 小的行，也不能走到列号比 c 小的列。同时，他一步走的直线距离不超过 3。
NoSQL 数据库和关系型数据库在数据存储、处理方式上有显著的区别，主要体现在数据模型、扩展性、数据存储方式、事务支持、查询能力等方面。NoSQL数据库主要适用于大数据和实时的网络应用，而关系型数据库适用于需要复杂事务支持的应用系统。
对于numpy矩阵，行列扩展有三种比较常用的方法： 使用矩阵对象的c_方法扩展列，使用矩阵对象的r_方法扩展行。 使用numpy扩展库提供的insert()函数，使用axis参数指定行或列。 使用n
静态散列要求桶的数目始终固定，那么在确定桶数目和选择散列函数时，如果桶数目过小，随着数据量增加，性能会降低；如果留一定余量，又会带来空间的浪费；或者定期重组散列索引结构，但这是一项开销大且耗时的工作。为了应对这些问题，为此提出了几种动态散列(dynamic hashing)技术，可扩展动态散列(extendable hashing)便是其一。 一、可扩展动态散列 A)用一个数组来存储桶指针的目录，数组的位数为2的D次方，桶的容量为2的L次方，D和L分别称为全局位深度和局部位深度。每次发生桶溢出时，溢出桶
更详尽的见官方文档： https://dev.mysql.com/doc/refman/8.0/en/innodb-online-ddl-operations.html
答：N皇后是指在一个N*N的棋盘上放置N个皇后，使得每一个皇后都不能互相攻击，即任意两个皇后都不能处于同一行，同一列或同一斜线上。
在power query中使用如下代码，可以批量导入格式相同的文件，把文件放到文件夹即可
HBase 是 bigtable 的开源 Java 版本。是建立在 hdfs 之上，提供高可靠性、高性能、列存储、可伸缩、实时读写 nosql 的 数据库系统 。 它介于 nosql 和 RDBMS 之间，仅能通过主键（row key）和主键的 range 来检索数据，仅支持单行事务（可通过hive支持来实现多表join等复杂操作）。 HBase 主要用来存储结构化和半结构化的松散数据。 HBase查询数据功能很简单，不支持 join 等复杂操作，不支持复杂的事务（行级的事务。 HBase中支持的数据类型：byte[]。 HBase目标主要依靠横向扩展，通过不断增加廉价的商用服务器，来增加计算和存储能力。 HBase中的表一般有这样的特点：
提升SELECT 的最好方式是使用索引。索引条目作为表数据行的指针，使得查询能够很快的定位到所要查找的数据。所有的MySQL数据类型都可以创建索引。
向量化引擎是OLAP数据库提升性能的有效技术。翻到PostgreSQL邮件列表有对向量化引擎的讨论。这里进行整理，以作分析。
本文 GitHub github.com/ponkans/F2E 已收录，有一线大厂面试点思维导图，也整理了很多我的文档，欢迎Star和完善，大家面试可以参照考点复习。文末有福利~~
HBase的原型是Google的BigTable论文，受到了该论文思想的启发，目前作为Hadoop的子项目来开发维护，用于支持结构化的数据存储。 官方网站：http://hbase.apache.org – 2006年Google发表BigTable白皮书 – 2006年开始开发HBase – 2008年北京成功开奥运会，程序员默默地将HBase弄成了Hadoop的子项目 – 2010年HBase成为Apache顶级项目 – 现在很多公司二次开发出了很多发行版本，你也开始使用了。 HBase是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，利用HBASE技术可在廉价PC Server上搭建起大规模结构化存储集群。 HBase的目标是存储并处理大型的数据，更具体来说是仅需使用普通的硬件配置，就能够处理由成千上万的行和列所组成的大型数据。 HBase是Google Bigtable的开源实现，但是也有很多不同之处。比如：Google Bigtable利用GFS作为其文件存储系统，HBase利用Hadoop HDFS作为其文件存储系统；Google运行MAPREDUCE来处理Bigtable中的海量数据，HBase同样利用Hadoop MapReduce来处理HBase中的海量数据；Google Bigtable利用Chubby作为协同服务，HBase利用Zookeeper作为对应。
(1). 发送方对报文m应用散列函数， 得到固定长度的散列码， 获得报文摘要h， 将扩展报文（m，h）发送给接收方；
如果基于原生HTML来实现显示数据列表的功能的话，那么需考虑如何创建 table，如何设置css等。 如果直接使用UI库的话，那么可以简单很多，只需要设置各种属性，然后绑定数据即可。 以 el-table 为例：
我不是前端大神，只是偶尔在开发系统时，需要用到表格。如果表格只需要单独的用来展现数据，那就很简单了，那如果需要实现复杂的样式呢？比如说表头固定，当网页滚动的时候，表头自动固定到网页顶部，这样很客观的展现了每列的内容。
MySQL允许在相同列上创建多个索引，无论是有意的还是无意的。MySQL需要单独维护重复的索引，并且优化器在优化查询的时候也需要逐个进行考虑，这会影响性能。
键值数据库( Key-Value Database）会使用一个哈希表，这个表中有一个特定的key和一个指针指向特定的value。key可以用来定位value，即存储和检索具体的Value。
a.Hbase是建立在hdfs之上的一个数据库， b.不支持join等SQL复杂操作 c.支持的数据类型：byte[]， d.依靠横向扩展，一个表可以有上十亿行，上百万列。 e.面向列(族)的存储和权限控制 f.对于为空(null)的列，并不占用存储空间，是一个稀疏表。
Hadoop 中的 HDFS 是文件存储的基础，但是如果要对存储在 HDFS 中的文件进行更改、删除等操作会十分费劲。这是由于 Hadoop 只能执行批量处理，且只能以顺序方式访问数据，当需要更改数据时，必须搜索整个数据集，从海量文件数据中取出需要进行更改的内容，读取内容，进行更改操作，然后再写回文件对应位置。这个过程既耗时又繁杂，有没有更好的可以随机访问数据的办法？
现在要进列转行：每行的每 2 列内容填成一行，即扩展成 3 行；第 1 列 ID 保留；新增第 2 列 No 是扩展出来的行号：
此时已经看见扩展分区创建完成，在扩展分区下面新建2个分区 因为现在扩展分区是20G 所以下面的2个分区都给10G
HBase的原型是Google的BigTable论文，受到了该论文思想的启发，目前作为Hadoop的顶级项目来开发维护，用于支持结构化的数据存储。
HDFS是一种开源的分布式文件系统，基于常见商用硬件构建海量大规模存储集群，提供极低的存储成本，极大的存储容量支持。 HDFS提供高可靠性的数据保障，通常采用三副本冗余存储数据到不同的机器来实现容灾备份能力。 HBase基于HDFS实现存储计算分离架构的分布式表格存储服务
在工作表的列A中放置着一系列带有完整路径的文件名列表，想要将这些文件移至指定的文件夹并使用列B中相应的名称对其重命名，如下图1所示。
我们先来了解SQL Server数据库中的文件类型： 主数据文件：包含数据库的启动信息，指向数据库中的其他文件，每个数据库都有一个主数据文件（有且只有一个），推荐文件扩展名是.mdf； 辅助数据文件：除主数据文件以外的所有数据文件都是次要数据文件，次要数据文件主要是为了扩展数据的硬盘空间（可以有也可以没有），推荐文件扩展名是.ndf； 事务日志文件：包含恢复数据库所有事务的信息，每个数据库中至少有一个事务日志文件（有且必须有一个，可以多个），推荐文件扩展名是.idf； 文件流数据文件：可以使基于SQL的应用程序能在文件系统中存储非结构化的数据，如：文档、图片、音频、视频等。 数据文件由若干个64KB大小的区组成，每个区由8个8KB的连续页组成； 事务日志文件的存储不是以页为单位的，而是由一条条的大小不等的日志记录为单位。 创建数据库之前，需要考虑如下事项： 创建数据库的权限默认授予sysadmin和dbcreator服务器角色成员，服务器角色用于向用户授予服务器范围内的安全特权； 创建数据库的用户将成为该数据库的所有者； 考虑数据文件及日志文件的放置位置； 合理估计数据库的大小合并增长值。 接下来我们简单来一下数据的基本操作：
在大数据时代，数据量的爆炸式增长对数据存储和处理能力提出了巨大的挑战。Hadoop作为一个分布式计算框架，在解决这些挑战中发挥了重要作用。然而，传统的关系型数据库无法很好地处理海量的非结构化或半结构化数据，因此NoSQL数据库变得越来越受到关注和应用。在Hadoop生态系统中，HBase是一种高度可扩展的分布式NoSQL数据库，提供了快速、随机、实时读写大数据集的能力。本文将介绍HBase的基本概念和原理，并提供一些示例代码。
这些字典在ClickHouse中提供了各种功能，如数据分布、数据合并、数据缓存、数据存储方式和数据转换等。可以根据具体需求选择合适的字典，并使用相应的语句进行定义和关联。
数据库存储引擎： 是数据库底层软件组织，数据库管理系统（DBMS）使用数据引擎进行创建、查询、更新和删除数据。不同的存储引擎提供不同的存储机制、索引技巧、锁定水平等功能，使用不同的存储引擎，还可以 获得特定的功能。现在许多不同的数据库管理系统都支持多种不同的数据引擎。MySql的核心就是插件式存储引擎。
大年初五送财神，emmm，希望今年暴富，每年都是这么单纯简单的小愿望，没有一次让我实现的。
说到 Why HTAP Matters，其实包含两部分，一部分是说为什么我们叫 HTAP，另外一部分是说 TiDB 怎样在 HTAP 架构下发挥它的优势。
数据库存储引擎是数据库底层软件组织，数据库管理系统（DBMS）使用数据引擎进行创建、查询、更新和删除数据。不同的存储引擎提供不同的存储机制、索引技巧、锁定水平等功能，使用不同的存储引擎，还可以 获得特定的功能。现在许多不同的数据库管理系统都支持多种不同的数据引擎。MySQL的核心就是存储引擎。
一 三范式 1,所有列必须为原子化列 2,设计时需要主键列 3,所有非主键列不能依靠传递与主键列发生关系（所有列与主键列发生的都是直接关系） 生活中的主键：ID 车牌 手机号 二 关系 数据库结构关系 集合 --> 表 线型关系 -->约束 树形关系 -->索引（二叉树模型需哦延展的平衡二叉树） 图形关系 --> 数据库既包括了线型关系同事也包含了约束关系与依赖关系。 RDBMS（关系型数据库系统） HBASE（NOSQL --> not only sql） 非关系型数据库的优势：1
1、将一张很长的表拆分成多张较小的表，使用表中某一个特定的数据字段来给这些拆分出来的表命名。
Transactions参数:表示是否支持事务处理，YES表示可以使用，NO表示不能使用。
哎……不知道嘛？没关系，让小编慢慢道来。说到这个N-皇后问题，就不得不先提一下这个历史上著名的8皇后问题啦。
在numpy中，针对两个不同形状的数组进行对应项的加，减，乘，除运算时，会首先尝试采用一种称之为广播的机制，将数组调整为统一的形状，然后再进行运算。先来看一个最基本的广播的例子
1、动态隔间运算入门说明 2、入门小案例 3、“比较”、“占比”、“环比”的操作 4、“逐层累计”与“跨层累计”的操作 5、条件汇总
3，特点：面向列，支持独立索引，每个列支持存储多版本，稀疏性：空列不占内存，可随意做列扩展，传统DB无数据的列会以null填充。因为hbase是基于hdfs 的所以具有扩展性、高可用性、动态增加DataNode、高性能：LSM数据结构（子节点不断合并成主节点），分区（region）存储数据。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
实时音视频
