关系逻辑

2、复合查询 在进行复合查询时，为了体现外连接（left join、right join）和一般联合查询的区别，对student表增加了几条记录，而这几条记录在std_cur和course中都没有对应的记录。 2.1 多表联合查询 多表联合查询的逻辑处理过程如下所示： JOIN:prepare阶段 setup_tables()：对查询涉及的表，逐个查看是否存在，设置变量相应的值，为查询准备。 setup_fields()：对查询的字段进行检查，不同于之前1.1的检查，该过程中如果不指定具体数据表的字段的话，将会对所有查询的数据表进行检查。 setup_conds()：检查查询的where条件中字段是否存在，同样如果不指定具体数据表的字段，将会对所有查询的数据表进行检查。(sql_base.cc:8379) JOIN:optimize阶段 simplify_joins()：如果可以将外连接简化为内连接处理，那么简化为内连接处理。此外，如果查询为内连接或者外连接查询使用的表拒绝 NULL值，那么将ON条件添加到where条件中，将表的连接操作转化为联合查询处理。在该测试中，由于没有显示的JOIN ON操作，因此不做以上处理。 optimize_cond()：优化查询的where条件，对等值条件调用build_equal_items()（sql\sql_select.cc:8273

https://blog.csdn.net/weixin_40343504/article/details/82386024 NVMe management command line interface 1.下载地址 https://github.com/linux-nvme/nvme-cli 2.安装 unzip nvme-cli-master.zip cd nvme-cli-master.zip make && make install /dev/nvme1 nvme1为主控 /dev/nvme1n1 nvme1n1为NVMe硬盘名称 /dev/nvme1n1p1 硬盘nvme1n1的分区 3.常用指令 1）nvme format -s 1 /dev/nvme1n1 格式化硬盘 nvme format /dev/nvme1n1 -n 1 -l 1 4k对齐 nvme format /dev/nvme1n1 -n 1 -l 0 恢复初始状态512 nvme format /dev/nvme1n1 -l 0 Optane device Units512 参数详情请参考：http://www.pudn.com/Download/item/id/3180638.html 2）nvme smart-log /dev/nvme0n1 读取硬盘nvme0n1的smart信息

完成了《金字塔原理》的阅读，看到这个书名 XXX 原理，感觉深奥难懂，晦涩难懂，本菜鸟只能举头仰望兮。 刚开始的章节看得是稀里糊涂，囫囵吞枣的，看到中间部分隐约感觉懂了些，处于 似懂非懂 状态。 后面到网上搜索它的相关资料，听完翻译者汪洱讲《麦肯锡金字塔原理实战》才发现它的价值，它在思考、写作、解决问题和演示 PPT 方面都有着指导性的作用，是一本放在案头的工具书， 将 这种理念 渗透到我们的工作乃至日常生活中 。书中的结构很清晰，大量的例子也是我们平时工作生活中经常遇到的 , 所以不难跟 作者产生共鸣。当遇到一个问题感觉无从下手，没有头绪，翻开本书的对应章节，你都会惊叹，哦！原来还可以这样思考，原来还可以这样开始。 对作者的佩服油然而生 。 金字塔原理讲的一种重点突出，逻辑清晰，主次分明的逻辑思路。 逻辑思维能力的锻炼，是在理论与实践矛盾中历练出来的 。国考跟 ” 大厂 ” 笔试，都有各种逻辑思维题，可见 逻辑思维的正确与成熟是一个成年人必有素质与能力。用好金字塔原理，做一个想的清楚，讲的清楚，让别人在 ” 最短理解时间内 ” 了解你的思维想法的人。 平时使用逻辑清晰的金字塔结构，锻炼我们的逻辑思维能力。例如在第九章的结构分析问题中提到的，为了找到有效的结论和方法，普遍的思路是尽可能找到一切有关的资料，等到所有的事实和资料都准备齐全了才开始正式分析。但这样可能会收集到很多资料

一, 不一定需要自定义控件 在使用WPF以前,动辄使用自定义控件几乎成了惯性思维,比如需要一个带图片的按钮,但在WPF中此类任务却不需要如此大费周章,因为控件可以嵌套使用以及可以为控件外观打造一套新的样式就可以了.是否需要我们来自定义控件,这需要你考虑目前已有控件的真正逻辑功能而不要局限于外观,如果目前的控件都不能直觉地表达你的想法,那么你可以自己来打造一个控件,否则,也许我们仅仅改变一下目前控件的模板等就可以完成任务.很多人在自定义控件上经常犯的错误是:重复撰写已有的逻辑 二,UserControl还是CustomControl? 要在WPF中自定义一个控件,使用UserControl与CustomControl都是不错的选择(除此之外,还有更多选择,比如打造一个自定义的面板,但这不在本文的讨论范围),他们的区别在于: UserControl,其更像WinForm中自定义控件的开发风格,在开发上更简单快速,几乎可以简单地理解为:利用设计器来将多个已有控件作为子元素来拼凑成一个UserControl并修改其外观,然后后台逻辑代码直接访问这些子元素.其最大的弊端在于:其对模板样式等支持度不好,其重复使用的范围有限. CustomControl, 其开发出来的控件才真正具有WPF风格,其对模板样式有着很好的支持,这是因为打造CustomControl时做到了逻辑代码与外观相分离

“道生一，一生二，二生三，三生万物。” ―― 《道德经》 Picasso是大众点评移动研发团队自研的高性能跨平台动态化框架，经过两年多的孕育和发展，目前在美团多个事业群已经实现了大规模的应用。 Picasso源自我们对大前端实践的重新思考，以简洁高效的架构达成高性能的页面渲染目标。在实践中，甚至可以把Native技术向Picasso技术的迁移当做一种性能优化手段；与此同时，Picasso在跨越小程序端和Web端方面的工作已经取得了突破性进展，有望在四端（Android、iOS、H5、微信小程序）统一大前端实践的基础之上，达成高性能大前端实践，同时配合Picasso布局DSL强表达能力和Picasso代码生成技术，可以进一步提升生产力。 2007年，苹果公司第一代iPhone发布，它的出现“重新定义了手机”，并开启了移动互联网蓬勃发展的序幕。Android、iOS等移动技术，打破了Web应用开发技术即将一统江湖的局面，之后海量的应用如雨后春笋般涌现出来。移动开发技术给用户提供了更好的移动端使用和交互体验，但其“静态”的开发模式却给需要快速迭代的互联网团队带来了沉重的负担。 客户端开发技术与Web端开发技术相比，天生带有“静态”的特性，我们可以从空间和时间两个维度来看。 从空间上看需要集成发布 ，美团App承载业务众多，是跨业务合流，横向涉及开发人员最多的公司

逻辑回归模型是业界运用最为广泛的模型，我们从下面几个方面讨论这个模型： 1. 在模型层面上 ，逻辑回归模型是被用来解决分类问题的。由于分类是一个非线性问题，所以建模的主要难点是如何将非线性问题转化为线性问题。主要从两方面入手： - 从分解问题的角度入手 ：通过引入隐含变量（这里举一个例子，来解释什么是隐含变量：当人们在购买衣服的时候，能被其他人观察到的只有购买与否这个行为，而忽略了在这行为之前的内心博弈的过程。这个博弈的过程其实就是内心在比较购买带来的快乐多还是购买带来的烦恼多，是一个概率问题，在统计上，这个过程我们可以看成事件发生比，它表示的是该事件发生于不发生的比率）。将问题划分为两个层次，一个是线性的隐含变量模型，另一个是基于隐含变量模型结果的非线性的变换。 正态分布的累积分布函数几乎和逻辑分布的累积分布函数一样。 其中虚线，呈S形状，因此也被称为S函数（sigmoid函数），它其实就是描述了某一方竞争胜出的概率。 - 从图像的角度入手 ：逻辑回归通过非线性的空间变换，将原空间内非线性的分类问题转换为新空间内的线性问题，再用线性模型去解决。 上图中右图表示原空间，左图表示变换后的空间。可以形象地把右图想象成橡皮泥，握住里面曲线的两头，用力将其拉成一条直线，就得到了左图， 换句话说，在新的线性空间中，线性回归模型就可以很好的拟合数据了。 2. 在模型评估层面

数据库路由中间件MyCat - 使用篇（1） 基本概念 直接介绍概念太枯燥了，还是拿个和背景篇相似的例子介绍 业务场景：客户完成下单，快递员接受并更新运单状态，客户可以随时查看运单状态的任务。一票快递可能有多个子母件。同时，我们需要标记每个运单的状态，运单状态的解释和含义保存在运单状态字典表中。 因此，我们需要建立如下表： 我们现在按照业务将数据库垂直拆分成运单库（单表2000tps，6000W数据），快递员库（单表1500tps，100W数据），客户库（单表1500tps，1000W数据记录）；假设每个MySQL数据库单表不能超过2000W数据，单表不能超过1000tps。那么运单库则需要分成3片，客户库需要分成2片，统一由MyCat管理。如下图所示： 1.逻辑库 MyCat作为一个中间件，对应用应为无感知的。 应用访问MyCat，根据之前所述，应用感知到后台只是一个（或者多个，和访问MySQL实例一样）数据库（假设只有一个数据库，这个库叫SF，里面有运单相关表，快递员相关表和客户相关表）；这里MyCat的数据库就是逻辑库。访问MyCat，结果应该如下面所示 虽然其中的表可能存在于不同的库，但是表面上，他们属于同一个MyCat实例中的同一个逻辑库。所以，虽然上面的架构图显示他们不在同一个数据库，但是在MyCat中，他们在同一个逻辑库。 2.逻辑表 在逻辑库下的表就是逻辑表

数据结构是存储，组织 数据 的 方式 算法是完成一个目标的 方法 和 ˼· 公司的核心价值点起始与数据，数据可以预判趋势，指导方向，解决实际问题，掌握了公司的数据，就掌握了公司运营和发展的命脉 是做技术的基础中的基础，是高技术人才的必备能力 装逼利器 什么是数据结构，什么是算法，他们之间的关系，抽象数据类型 数据结构： 数据组织的方式 数据的种类有很多种：整型，浮点型，字符串。。。 数据的组织方式：字典，列表，元组。。。 举例子：数据：‘老王’ 10 ‘男’ 组织方式：列表：[‘老王’，10， ‘男’]， 字典{name:’老王’，age:18,gender:’男’} 物理形式 顺序表 链表 逻辑形式 集合，线性，树形，图型 算法 解决问题的方法和思路 公司的核心是 数据 ，数据的组织方式是数据结构，怎么利用这些数据结构完成公司的业务需求，就用到了算法 评判算法的好坏的标准：算法复杂度 时间复杂度：完成一个目标所花费的时间 空间复杂度:完成一个目标所花费的内存空间 数据结构+算法 == 程序，也就是业务需求 程序 + 语言 == 编程 抽象数据类型就是将数据和在这个数据上的运算捆绑在一起。 如魂斗罗中的人物是一种数据类型，打子弹是动作，点击空格键使人物发子弹，那么按一下空格键就生成了一个 抽象数据类型：人物打子弹 为什么引入抽象数据类型的概念

鸢尾花数据集的分类问题指导 -- 对数几率回归（逻辑回归）问题研究 (1) 这一篇Notebook是应用对数几率回归（ Logit Regression ）对鸢尾花数据集进行品种分类的。首先会带大家探索一下数据集中的特征，类别信息。然后带大家从入门与进阶来学习应用逻辑回归分类。 1.背景介绍 1.1. 逻辑回归 Logistic Regression （对数几率回归 Logit Regression） 名字 关于名字，有文献将Logistic Regression译为“逻辑回归”， 但中文“逻辑”与logitic 和 logit 的含义相去甚远，因此在《机器学习》中意译为“对数几率回归”，简称“对率回归”。 线性回归 在介绍对数几率回归之前先介绍一下线性回归，线性回归的主要思想是通过历史数据拟合出一条直线，因变量与自变量是线性关系，对新的数据用这条直线进行预测。 线性回归的公式如下： y=w0+w1x1+...+wnxn=wTx+b 逻辑回归 对数几率回归是一种广义的线性回归分析模型，是一种预测分析。虽然它名字里带回归，但实际上对数几率回归是一种分类学习方法。它不是仅预测出“类别”， 而是可以得到近似概率预测，这对于许多需要利用概率辅助决策的任务很有用。普遍应用于预测一个实例是否属于一个特定类别的概率，比如一封email是垃圾邮件的概率是多少。 因变量可以是二分类的

欢迎关注我的头条号和微信公众号，看一个复旦人的日常思考 头条号：王孟晗的思维集散地 微信公众号：王孟晗Hans的思维集散地 老王某天和老婆发生了如下常规对话： 老婆：亲爱的，某宝上这件衣服漂不漂亮呀？ 老王（没有意识到这可能是一道送命题）：这模特穿着倒是挺好看的，你穿就不一定了，都是店家P的图。 老婆：你意思是我穿就不如模特好看？ 老王：。。。 （随后，老王跪了两小时搓衣板，全剧终） 预知老王学完金字塔原理后如何get并应用一级求生技能，请仔细阅读本系列文章，本文将介绍金字塔原理的逻辑部分，如何在具体场景中构建自己的逻辑金字塔将在下一篇进行讲解。 本文结构 在生活和工作中最经常发生的就是沟通。同级之间为了合作完成任务需要沟通，上级向下级指导工作需要沟通，家人之间商量一间事情需要沟通。沟通可以是简短的对话，也可以是落实到纸面上的文档、邮件、幻灯片。然而在各种形式的沟通中，最常出现也是沟通者之间最不愿意发生的是对方不能获取重点的内容甚至片面的关注其中一部分内容，从而需要重复的进行强调、解释，以至于阻碍任务的最终实现。 那么如何让沟通者之间快速的了解到对方表达的重点信息？如何让别人感觉自己的表达非常有条理？金字塔原理就是在解决这样的一类问题。 （这种文风，自己写着扒层皮啊，不多说，上图！） 那什么是 金字塔原理呢？简单而言，就是将自己所要表达的中心思想放在最顶端的位置先进行表达