为了方便同学们学习和收藏,兰色把工作中最常用、最简捷的小技巧进行一次整理,共57个。希望对同学们有所帮助。
如果你有多个单元格需要应用相同的格式,可以先选择想要复制其格式的单元格,双击功能区“开始”选项卡“剪贴板”组中的“格式刷”,然后在需要应用格式的单元格中单击,如下图1所示。
全字段排序在内存中进行,不涉及磁盘IO、不需要回表操作,但数据量受内存大小影响,有局限性。 语句执行流程:
之前看到过很多头条,说哪国某人坚持了多少年自学使用excel画画,效果十分惊艳。 对于他们的耐心我十分敬佩。 但是作为一个程序员,自然也得挑战一下自己。 这种需求,我们十分钟就可以完成!
原文在简书上发表,再同步到Excel催化剂微信公众号或其他平台上,文章后续有修改和更新将在简书上操作, 其他平台不作同步修改更新,因此建议阅读其他出处的文章时,尽可能跳转回简书平台上查看。
前言:经常有同学同,Excel知识点那么多,我该从哪学起?我是零基础,该怎么学?为了能快速帮大家提高工作效果,解决工作中的小疑难,今天兰色推送36个excel小技巧,都是工作中最常用到的,希望同学们能喜欢
InnoDB索引采用了B-Tree的数据结构,数据存储在叶子节点上,每个叶子节点默认的大小是16KB。
此篇对应功能出自:第10波-快速排列工作表图形对象 - 简书 https://www.jianshu.com/p/eab71f2969a6
这个排序过程叫做全字段排序,因为需要返回的字段都放入了 sort_buffer 参与排序过程。
作为一个前端小白,入门跟着这四个来源学习,感谢作者的分享,在其基础上,通过自己的理解,梳理出的知识点,或许有遗漏,或许有些理解是错误的,如有发现,欢迎指点下。
实现这个需求的基本思路是读取这张图片每一个像素的色彩值,然后给 excel 里的每一个单元格填充上颜色。所以主要用到的是PIL、openpyxl这两个库。
日常开发中,我们经常要进行字段的排序,但是我们大多不知道排序是如何执行的,今天我们就说说order by 的执行逻辑,
索引分为主键索引和辅助索引,辅助索引又分为唯一性索引,普通索引,复合索引,覆盖索引。
当我们使用汉语字典查找某个字时,我们会先通过拼音目录查到那个字所在的页码,然后直接翻到字典的那一页,找到我们要查的字,通过拼音目录查找比我们拿起字典从头一页一页翻找要快的多,数据库索引也一样,索引就像书的目录,通过索引能极大提高数据查询的效率。
看上去聚簇索引的效率明显要低于非聚簇索引,因为每次使用辅助索引检索都要经过两次B+树查找,这不是多此一举吗?聚簇索引的优势在哪?
索引是一种数据结构。官方描述为:索引(Index)是帮助MySQL高效获取数据的数据结构。因此我们针对索引的使用和优化,本质上也是基于一种特殊的数据结构进行的优化。总结下innodb的索引特点:
索引是应用程序设计和开发的一个重要方面。若索引太多,应用程序的性能可能会受到影响(需维护索引的结构和数据);而索引太少,对查询性能又会产生影响。
由于任务经常需要使用python处理Excel数据,记录下常用的python控制Excel的方法,备忘
python处理Excel实现自动化办公教学(数据筛选、公式操作、单元格拆分合并、冻结窗口、图表绘制等)【三】
索引分类 从数据结构角度可分为B+树索引、哈希索引、以及全文(FULLTEXT)索引(现在MyISAM和InnoDB引擎都支持)和R-Tree索引(用于对GIS数据类型创建SPATIAL索引);
假设有这么一个需求:查询出城市是 “南京” 的所有用户名,并且按照用户名进行排序,返回前 1000 个人的姓名、年龄。
1.在 “帮助->learning center ”选项卡中可以查找教程及下载APP 2.如果不小心将工具栏拖到了屏幕中间或者不小心删除了某个工具栏,可以在“查看->工具栏->重新初始化”里边进行重置工具栏。 3.图像数字化(Digitize 从图上扣点):工具栏上的位置在“查看(V)”的V字右下边,点击之后选择需要扣点的图片位置,即可打开图片进行扣点或者扣线。需要旋转的可以点击“旋转图像”再点下边出现的微旋按钮将图片旋转,然后移动刚刚打开的图片上的四条线使其对齐坐标轴上下边界,输入坐标轴起始值和终止值,再手动选点(注意选点要双击)或者自动选点,然后点击 得到坐标值。 4.数据处理(Data Manipulation):比如剔除噪声或者筛选数据。菜单栏下边第一行的工具栏中,中间部分有个红加号,旁边一个梯子,这是添加列,后边有像漏斗一样的为筛选工具,漏斗前边像直方图的工具能为列添加随机数。先选中某列数据,点漏斗会加上筛选器到列标签上,再到列标签上点漏斗可以设置筛选规则。 5.做出散点图之后,在“快捷分析”里边可以对散点图进行快速拟合也可以计算积分面积,选择需要的分布方式(线性、高斯分布)对其拟合,会出现黄色矩形框,同时出现对散点的拟合曲线。点击右上角的三角展开对话,可以将矩形扩展到整条曲线。若图中有多个y值的散点图,也可以切换对另一条曲线进行拟合。 6.在已经画好的图形旁边的空白可以对线颜色和粗细进行调整,双击点可以对数据点进行相关修改。 7.在左侧竖向的工具栏中可以添加文字、箭头、直线,进行缩放、读取线中某个点的坐标,对点进行标注(按enter)等操作。 8.右侧的工具栏,可以添加上下左右的坐标轴,可以调换坐标轴,以及调整刻度。 9.批量绘图:如果你有同样类型的几组数据,并且要通过他们绘制同样xy轴的图形,则可以先用一组数据绘出一幅图,再点击 可以选择以同样的格式对其他book或者其他列进行批量绘图。 10.模板:将绘制好的一张图右键点击图表上方的对话框头再点存为模板后即可以在“绘图”里边的模板中找到并使用。 11.复制格式: 一张图做的很美观,另一张图可以复制它的格式。首先在第一张图上右击空白处,点“复制格式”然后再到第二张图上右击空白再点复制格式下边那个。将格式存为主题可以后调用。 12.origin怎么把柱状图变宽 也就是把整个图片拉长缩短,Origin作图的最基本原则是 “想要修改什么,就直接双击什么(或者在相应位置点击右键)”
之前的一篇《MySQL索引底层数据结构及原理深入分析》很受读者欢迎,成功地帮大家揭开了索引的神秘面纱,有读者留言说分不清各种索引的概念,希望能讲一下。确实,数据库中索引种类很多,如聚集索引、复合索引、二级索引、唯一索引...你是不是也搞得不是太清楚,那么今天就带大家一起看下索引的分类及相关概念。
序:本文翻译自苹果官方文档,自己想系统的了解每个控件的官方解释。只翻译了部分,详情见官方文档。
聚簇索引:将数据存储与索引放到了一块,找到索引也就找到了数据非聚簇索引:将数据存储于索引分开结构,索引结构的叶子节点指向了数据的对应行,myisam通过key_buffer把索引先缓存到内存中,当需要访问数据时(通过索引访问数据),在内存中直接搜索索引,然后通过索引找到磁盘相应数据,这也就是为什么索引不在key buffer命中时,速度慢的原因
数据库优化可以说是后台开发中永恒的话题,数据库的性能通常是整个服务吞吐量的瓶颈之所在。
前言 在实际的开发中一定会碰到根据某个字段进行排序后来显示结果的需求,但是你真的理解order by在 Mysql 底层是如何执行的吗? 假设你要查询城市是苏州的所有人名字,并且按照姓名进行排序返回前 1000 个人的姓名、年龄,这条 sql 语句应该如何写? 首先创建一张用户表,sql 语句如下: CREATE TABLE user ( id int(11) NOT NULL, city varchar(16) NOT NULL, name varchar(16) NOT NULL, ag
B+树是为磁盘或其他直接存取辅助设备设计的一种平衡查找树。在B+树中,所有记录节点都是按照键值的大小顺序存放在同一层的叶子节点上,由各叶子节点指针进行连接。
日常开发中,我们经常会使用到order by,亲爱的小伙伴,你是否知道order by 的工作原理呢?order by的优化思路是怎样的呢?使用order by有哪些注意的问题呢?本文将跟大家一起来学习,攻克order by~
每当我们执行某个 SQL 发现很慢时,都会下意识地反应是否加了索引,那么大家是否有想过加了索引为啥会使数据查找更快呢,索引的底层一般又是用什么结构存储的呢,相信大家看了标题已经有答案了,没错!B+树!那么它相对于一般的链表,哈希等有何不同,为何多数存储引擎都选择使用它呢,今天我就来揭开 B+ 树的面纱,相信看了此文,B+ 树不再神秘,对你理解以下高频面试题会大有帮助!
澄清一个概念:innodb中,在聚簇索引之上创建的索引称之为辅助索引,辅助索引访问数据总是需要二次查找,非聚簇索引都是辅助索引,像复合索引、前缀索引、唯一索引,辅助索引叶子节点存储的不再是行的物理位置,而是主键值。
对于一个MongoDB的复杂查询,如何才能创建最好的索引?在本篇文章中,我将展现一种给读请求定制的索引优化方法,这种方法会考虑读请求中的比较,排序以及范围过滤运算,并展示符合索引中字段顺序的最优解。我们将通过研究explain()命令的输出结果来分析索引的优劣,并学习MongoDB的索引优化器是如何选择一个索引的。
如果要查“mysql”这个单词,我们肯定需要定位到m字母,然后从下往下找到y字母,再找到剩下的sql。如果没有索引,那么你可能需要把所有单词看一遍才能找到你想要的。
Extra的 Using filesort 表示需要排序,MySQL会给每个线程分配一块内存(sort_buffer)用于排序。
只听到产品又开始口若黄河:我需要要查询到city是“上海”的所有人的name,并且还要按name排序返回前1000人的name、age。
大家好!昨天的案例分析,我们过了一把瘾,今天我们集中精力再来讲一个相对复杂的关于二维数据排序的案例。
三中key-value存储数据的结构, 哈希的思路很简单, 把值放在数组里, 用一个哈希函数把key换算成一个确定的位置, 然后把value放在数据的这个位置
上述的count(*)指的是在查询的时候不加where条件,不加where条件的count(*)在不同的数据库引擎下有不同的实现:
以前大学时候,学EXCEL看到N多大神利用excel画图,觉得很不可思议。今个学了一个来月python,膨胀了就想用excel画图。当然,其实用画图这个词不甚严谨,实际上是利用opencv遍历每一个像素的rgb值,再将其转化为16进制,最后调用openpyxl进行填充即可。
数据插入 此前一直使用语句,但还有三个经常使用的SQL语句需要掌握(、和)。 插入的几种形式, 1. 插入完整行; 2. 插入行的部分数据; 3. 插入多行; 4.插入某些查询的结果; - 注意,由于
表中t1~t5的(ID,grade)值分别为(1,70)、(2,80)、(3,90)、(4,100)和(5,110), 此时两棵索引树的示例示意图如下。
垃圾收集是JVM在不再需要内存时代表应用程序回收内存的机制。从高层来看,它包括查找不再使用的对象,释放与这些对象相关联的内存,偶尔压缩堆以防止内存碎片化。
开源摘星计划(WeOpen Star) 是由腾源会 2022 年推出的全新项目,旨在为开源人提供成长激励,为开源项目提供成长支持,助力开发者更好地了解开源,更快地跨越鸿沟,参与到开源的具体贡献与实践中。
在python自动化中,经常会遇到对数据文件的操作,比如添加多名员工,但是直接将员工数据写在python文件中,不但工作量大,要是以后再次遇到类似批量数据操作还会写在python文件中吗?
随着系统的数据量逐年增加,并发量也成倍增长,SQL性能越来越成为IT系统设计和开发时首要考虑的问题之一。SQL性能问题已经逐步发展成为数据库性能的首要问题,80%的数据库性能问题都是因SQL而导致。可能有些小伙伴会产生疑问:SQL的优化真的这么重要吗?答案是肯定的,SQL优化不是重要,而是相当重要,太重要了…
简单的方法是两者都做,例如以柱状和行状两种格式存储数据。通过这种方式,用户可以访问其中之一,或者其他更有意义的。当然,这个选择是有代价的。在这种情况下,数据需要存储两次——将优点和缺点结合起来。
领取专属 10元无门槛券
手把手带您无忧上云