- 综合排序
- 最热优先
- 最新优先
- 来自专栏mysql
hhdb数据库介绍(2-2)
数据高可用服务 HHDB Server在计算节点、数据节点、配置库等层次提供全面的高可用保障。 提供完善的心跳检测、故障切换对存储节点同步追平判断、全局自增序列在故障时自动跳号、客户端连接Hold等机制，保障数据服务的可用性与数据的一致性。 数据节点服务高可用 HHDB Server提供数据节点内的存储节点高可用。 相比半同步复制可略微提升故障场景下主从数据一致性（半同步复制可保证收到commit ok的事务不丢失，但不保证主机执行崩溃恢复流程后数据和从机一致）。 数据追平策略 在关系集群数据库存储节点高可用机制中，当主库宕机时计算节点的切换策略会根据备库设置的优先级进行切换并且计算节点会保证可用的备库追完所有可应用的relaylog后才将服务切换到备库上。
29410编辑于 2024-11-28 - 来自专栏大数据学习与分享
数据建模-维度建模-维度设计
作为维度建模的核心，我们在企业级的数据仓库中必须保证维度的唯一性。以淘宝商品维度为例，我们有且只允许有一个维度定义。 第二步：确定主维度表。 二、第二部分 在Kimball维度建模中，通常将度量称为“事实”，将环境描述为“维度”，维度是用于分析事实所需要的多样环境。 （3）同一类数据基于范式建模，拆分成同一类型数据库中多张的物理表，比如商品，有商品主表和商品扩展表，商品主表存商品基本信息；商品扩展表存储商品特殊信息，如不同产品线定制化的信息等；比如会员，有会员主表和会员扩展表 02 快照维表 维度的基本概念中介绍了自然键和代理键的定义，在Kimball的维度建模中，必须使用代理键作为每个维度表的主键，用于处理缓慢变化维度。 但在阿里巴巴数据仓库建设的实践过程中，虽然我们使用的是Kimball的维度建模的理论，但实际并未使用代理键。我们是如何处理缓慢变化维度，如何记录变化历史的呢？为什么不使用代理键呢？
2.1K31编辑于 2023-09-06 - 来自专栏IT技术圈
习题2-2 阶梯电价 (15分)
为了提倡居民节约用电，某省电力公司执行“阶梯电价”，安装一户一表的居民用户电价分为两个“阶梯”：月用电量50千瓦时（含50千瓦时）以内的，电价为0.53元/千瓦时；超过50千瓦时的，超出部分的用电量，电价上调0.05元/千瓦时。请编写程序计算电费。
3.4K10发布于 2021-04-01 - 来自专栏AI机器学习与深度学习算法
学习分类 2-2 内积
w\cdot x = |w|\cdot |x|\cdot cos\theta 图片 我们需要通过训练找到权重向量，然后找到与这个向量垂直的直线，也就是所谓的决策边界，最后根据这条直线就可以对数据进行分类了
64410编辑于 2022-11-08 - 来自专栏波波烤鸭
PowerDesigner数据建模
PowerDesigner安装 云盘地址:https://pan.baidu.com/s/1MZnQhPZ6ityza9N9nAD3bw 提取码：8qpi 傻瓜式安装 E-R图 E-R图(实体关系图) 1.创建模型 生成数据库脚本 ? ? ? ? ?
93241发布于 2019-04-02 - 来自专栏京程一灯
JavaScript 数据结构（2-2）：栈与队列-队列篇
接上文：JavaScript 数据结构（2-1）：栈与队列-栈篇 从栈到队列 当我们想要按顺序添加数据或删除数据时，可以使用栈结构。根据它的定义，栈可以只删除最近添加的数据。 如果想要删除最早的数据该怎么办呢?这时我们希望使用名为queue的数据结构。 队列 与栈类似，队列也是一个线性数据结构。与栈不同的是，队列只删除最先添加的数据。 区别就在被删除的数据在什么地方。 enqueue(data) 将数据添加到队列中。 dequeue 删除最早加入队列的数据。 队列的实现 现在让我们开始写队列的代码吧！ 栈按照顺序存储数据，并删除最后添加的数据；队列按顺序存储数据，但删除最先的添加数据。 如果这些数据结构的实现看起来微不足道，请提醒自己数据结构的用途。 它们并没有被设计得过于复杂，它们是用来帮助我们组织数据的。在这种情况下，如果您发现有需要按顺序组织数据的场合，请考虑使用栈或队列。
58620发布于 2019-03-28 - 来自专栏Hank’s Blog
2-2 R语言基础 向量
coercion > as.logical(x4) [1] NA NA NA NA > as.character(x4) [1] "a" "b" "c" "d" > class(x1) #查看数据的类型
83910发布于 2020-09-16 - 来自专栏波波烤鸭
2-2 SPU和SKU详解及MyBatisPlus自动生成
2-2 SPU和SKU详解 商城系统中的商品信息肯定避免不了SPU和SKU这两个概念，本节就给大家详细介绍下这块的内容 1、掌握SKU和SPU关系 SPU = Standard Product Unit (pid); return RespResult.ok(categories); } } 3.2 品牌加载 品牌需要根据分类进行加载，当用户选择第3级分类的时候，加载品牌，品牌数据需要经过 主键策略 gc.setServiceName("%sService"); //名字设置 %s是占位符，可以理解成类的名字 mpg.setGlobalConfig(gc); // 数据源配置
3.3K41发布于 2021-01-21 - 来自专栏大数据解决方案
ETL和数据建模
一、什么是ETL ETL是数据抽取（Extract）、转换（Transform）、加载（Load ）的简写，它是将OLTP系统中的数据经过抽取，并将不同数据源的数据进行转换、整合，得出一致性的数据，然后加载到数据仓库中 二、数据仓库的架构 数据仓库（Data Warehouse \ DW）是基于OLTP系统的数据源，为了便于多维分析和 多角度展现将其数据按特定的模式进行存储而建立的关系型数据库，它不同于多维数据库，数据仓库中的数据是细节的 主题要体现某一方面的各分析角度（维度）和统 计数值型数据（量度），确定主题时要综合考虑，一个主题在数据仓库中即为一个数据集市，数据集市体现了某一方面的信息，多个数据集市构成了数据仓库。 事 实数据表是数据仓库的核心，需要精心维护，在JOIN后将得到事实数据表，一般记录条数都比较大，我们需要为其设置复合主键和索引，以为了数据的完整性和 基于数据仓库的查询性能优化，事实数据表与维度表一起放于数据仓库中 增量数据文件：数据文件的内容为数据表的增量信息，包含表内新增及修改的记录。 全量数据文件：数据文件的内容为数据表的全量信息，包含表内的所有数据。
1.9K20发布于 2021-11-19 - 来自专栏斑斓
MongoDB的数据建模
MongoDB是一种面向Document的NoSQL数据库，如果我们还是按照RDB的方式来思考MongoDB的数据建模，则不能有效地利用MongoDB的优势；然而，我们也不能因为Document的灵活性 适度的建模是非常有必要的，尤其对于相对复杂的关联关系。因为在MongoDB中，处理这种关联关系既可以使用Link，也可以使用Embedded。 这种建模方式还带来另一种可能，就是原本Person->Tasks的one-to-N关系就可以变为N-to-N关系，因为一个Task可以被多个Person所拥有。 如果采用Embedded方式，则会导致Task数据的冗余。 one-to-few one-to-many one-to-squillions 但我认为该怎么实现关联，应该从Entity之间的领域关系来判断，我们可以引入DDD的Aggregation设计概念作为建模的依据
1.3K60发布于 2018-03-07 - 来自专栏大数据与微服务架构
数据挖掘与建模
数据挖掘是基于统计学原理，利用机器学习中的算法工具实现价值信息的发现。机器学习是一种实现人工智能的方法，深度学习是实现机器学习的一种技术。 ? 非线性分类经典算法包括K近邻（KNN）、支持向量机（SVM）、决策树（D Tree）、朴素贝叶斯（NB） 2、回归分析：反映事务数据属性在时间上的特征，预测数据间的相关关系，与分类区别在于，分类是预测目标的离散变量 二、无监督学习（事先没有任何训练数据样本，需要直接对数据进行建模，即不提供经验和训练样本，完全靠自己摸索） 1、关联分析：描述数据库中数据之间存在关系的规则。 2、聚类分析：训练样本标签信息未知，通过学习揭示数据内在性质及规律。 典型算法：K均值算法（K-means）、DBSCAN（具有噪声的基于密度的聚类方法）。 三、沃尔玛经典营销案例：啤酒与尿布 ? 模型发现：20世纪90年代的美国沃尔玛超市中，管理人员分析销售数据时发现了一个令人难于理解的现象：在某些特定的情况下，“啤酒”与“尿布”两件看上去毫无关系的商品会经常出现在同一个购物篮中。
1.2K30发布于 2020-04-11 - 来自专栏文渊之博
数据仓库建模
应用层模型由各应用按需自行建设，其中基础数据模型一般采用ER模型，融合数据模型采用维度建模思路。 三、两种经典的数据仓库建模方法 前面的分层设计中你会发现有两种设计方法，关系建模和维度建模，下面分别简单介绍其特点和适用场景。 维度建模以分析决策的需求出发构建模型，构建的数据模型为分析需求服务，因此它重点解决用户如何更快速完成分析需求，同时还有较好的大规模复杂查询的响应性能，更直接面向业务。 运营商以前都是关系建模，现在其实边界越来越模糊，很多大数据业务变化很快，采用维度建模也比较方便，不需要顶层设计。 四、企业建模的三点经验 维度建模就不说了，只要能理解业务过程和其中涉及的相关数据、维度就可以，但自顶向下的关系建模难度很大，以下是关系建模的三个建设要点。
2K31发布于 2020-06-19 - 来自专栏喵叔's 专栏
RavenDB数据建模--总结
只需将数据存储进去并通过键访问数据即可。同时我们还学习了使用过期功能来存储与时间相关的数据。 从键/值存储的简单模型开始，我们开始考虑真实的文档模型，学习了如何构建嵌入值来存储本质上是文档一部分的数据，还研学习了如何对关系和集合、多对一和多对多关联进行建模。 然后，我们介绍了更高级的建模技术，例如如何处理引用和配置数据，以及如何处理时态信息和分层结构。 接下来，我们讨论了建模时必须考虑的一些约束，例如如何处理文档的增长以及RavenDB中文档的良好大小。 我们学习了并发控制以及变化向量如何用于乐观并发和缓存，并且学习了为什么我们应该避免在模型中缓存聚合数据。 然后我们学习了如何处理带有附件的二进制数据，以及使用修订功能进行审计和更改跟踪，并且了解了我们可以在 RavenDB 中如何让文档数据过期。简要介绍了索引和查询时的引用处理。
78230编辑于 2022-05-25 - 来自专栏飞鸟的专栏
MongoDB的数据建模
MongoDB是一个基于文档模型的NoSQL数据库，它的数据建模与传统的关系型数据库有很大的不同。在MongoDB中，数据是以文档的形式存储的，文档是一种类似于JSON的数据格式，非常灵活和扩展。 集合中的每个文档都可以有不同的结构，不同于传统数据库中表中的行，它们可以有不同的列和数据类型。 以下是一些关键的设计考虑因素：数据的一致性在MongoDB中，数据的一致性需要通过应用程序来保证。在设计文档模式时，需要确保每个文档都包含完整的数据，以避免应用程序在查询时需要多次访问数据库。 在将数据分布到多个节点时，需要确保数据的相关性。通常可以将数据根据其相关性分组到同一个集合中，这样可以避免在查询时需要访问多个集合。此外，还可以考虑使用分片(sharding)来分散数据负载。 这种设计方式可以减少重复数据，同时也可以提高查询性能和数据一致性。
1.5K40编辑于 2023-05-09 - 来自专栏刷题笔记
2-2 学生成绩链表处理 (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101169860 2-2 学生成绩链表处理 (20 分) 本题要求实现两个函数，一个将输入的学生成绩组织成单向链表
1.7K20发布于 2019-11-08 - 来自专栏数据库
论道数据仓库维度建模和关系建模
为什么要数据仓库建模呢？ 但这个问题又很重要，因为有标杆认识到差距才能进步，有伙伴邀笔者去讲讲数据建模，说实话，笔者也不知道怎么讲，因为这个跟企业自己的业务和数据太相关了，所谓的业界的标准建模理论和方法也变得无足轻重。 Inmon的ER建模优点体现在规范性较好，冗余小，数据集成和数据一致性方面得到重视，适用于较为大型的企业级、战略级的规划，但缺点是需要全面了解企业业务、数据和关系，对于建模人员要求很高，实施周期非常长， 但Inmon和kimball关于关系建模和维度建模的争论其实也没什么值得探讨的，没有谁更好，在企业内，这两种建模方式往往同时存在，底层用关系建模合适一点，技术的优雅换来了数据的精简，往上维度建模更合适一些 在数据建模上，很多人纠结于如何建模，用关系建模、维度建模亦或其它？
2.5K80发布于 2018-02-24 数据建模怎么做？一文讲清数据建模全流程
其实数据建模这事儿，就是把业务需求和技术实现连起来的那根线，看着基础，却藏着不少坑。 今天我就不跟你扯教科书上的理论了，就从实际应用的角度，把数据建模的全流程拆解开，重点说说这四个核心问题：需求该怎么接模型该怎么设计落地时要避开哪些坑后续怎么跟着迭代一、需求分析数据建模第一步，80%人都会踩坑 数据建模的方法不少，像维度建模、实体关系建模、数据湖建模等等。但实际干活的时候，最常用的还是维度建模，特别是星型模型和雪花模型。为啥呢？ 迭代不能拍脑袋决定，得看数据反馈进行策略调整：结语数据建模是把业务价值和技术实现连起来的“结合点”，一个好的模型：让业务的人看得懂、用着顺，让技术的人改起来方便、跑起来顺畅。 别追求一开始就做出“完美模型”，在业务迭代中不断优化，这才是数据建模最实在的经验。
1.3K10编辑于 2025-08-22数据仓库建模基石：维度建模与范式建模深度对比与选型指南
数据仓库建模概述：为何建模是数据基石 在数字化浪潮席卷各行各业的今天，数据已成为企业最宝贵的资产之一。 数据建模：构建数据世界的蓝图 如果说数据仓库是企业数据的"容器"，那么数据建模就是设计这个容器内部结构的"蓝图"。数据建模是通过定义数据结构、关系、约束和规则，将业务需求转化为具体数据模型的过程。 AI技术的普及也为数据建模带来了新的可能性。机器学习算法可以辅助建模过程，自动识别数据特征和关系，推荐最优的建模方案。同时，数据建模还需要考虑隐私保护和合规要求，特别是在处理个人敏感数据时。 选型决策的关键因素 基于以上案例分析，建模方法的选择需要考虑多个维度： 数据特征维度： 数据量大小：大数据量场景更适合维度建模 数据更新频率：高频更新场景需要范式建模的支持 数据复杂度：复杂关系数据适合范式建模 未来展望：数据建模在AI与大数据时代的新趋势 AI驱动的建模范式变革 随着人工智能技术在2025年的深度应用，数据建模正在经历根本性的变革。
1K10编辑于 2025-11-29- 来自专栏大数据文摘
用户画像数据建模方法
本文将用户数据划分为静态信息数据、动态信息数据两大类。 ? 静态信息数据 用户相对稳定的信息，如图所示，主要包括人口属性、商业属性等方面数据。 这类信息，自成标签，如果企业有真实信息则无需过多建模预测，更多的是数据清洗工作，因此这方面信息的数据建模不是本篇文章重点。 3.3 数据建模方法 下面内容将详细介绍，如何根据用户行为，构建模型产出标签、权重。一个事件模型包括：时间、地点、人物三个要素。 上述模型权重值的选取只是举例参考，具体的权重值需要根据业务需求二次建模，这里强调的是如何从整体思考，去构建用户画像模型，进而能够逐步细化模型。 内容地址、行为类型、时间衰减，决定了权重模型是关键，权重值本身的二次建模则是水到渠成的进阶。模型举例偏重电商，但其实，可以根据产品的不同，重新定义接触点。
2.4K60发布于 2018-05-22 - 来自专栏Python与算法之美
图片数据建模流程范例
我们在实践中通常会遇到的数据类型包括结构化数据，图片数据，文本数据，时间序列数据。 我们将分别以titanic生存预测问题，cifar2图片分类问题，imdb电影评论分类问题，国内新冠疫情结束时间预测问题为例，演示应用Pytorch对这四类数据的建模方法。 本篇我们示范cifar2图片数据建模流程。 第二种方法是读取用户自定义数据集的通用方法，既可以读取图片数据集，也可以读取文本数据集。 本篇我们介绍第一种方法。 ：使用nn.Sequential按层顺序构建模型，继承nn.Module基类构建自定义模型，继承nn.Module基类构建模型并辅助应用模型容器(nn.Sequential,nn.ModuleList,
2.1K10发布于 2020-07-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号