AGG

目录 1.简介 2.实战演练 2.1 简单分组统计并聚合 2.2 分组-可迭代对象 2.3 其他轴上的分组 2.4 通过字典或者Series分组 2.5 通过函数分组 2.6 分组函数计算方法 2.7 多函数计算:agg() 1.简介 （1）根据某些条件将数据拆分成组 （2）对每个组独立应用函数 （3）将结果合并到一个数据结构中 Dataframe在行（axis=0）或列（axis=1）上进行分组，将一个函数应用到各个分组并产生一个新值，然后函数执行结果被合并到最终的结果对象中。 df.groupby(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs) 2.实战演练 2.1 简单分组统计并聚合 import pandas as pd import numpy as np df = pd.DataFrame({'科目' : ['语文', '语文', '语文', '数学','数学'], '姓名' : ['Jack', 'Lucy', 'Alice', 'Mark', 'Jhon'], '性别' : ['man', 'woman', 'woman', 'man', 'man'], '成绩' : [85, 90, 70, 60, 100]})

基础篇 1 、说明：创建数据库 CREATE DATABASE database-name 2 、说明：删除数据库 drop database dbname 3 、说明：备份 sql server --- 创建 备份数据的 device USE master EXEC sp_addumpdevice 'disk', 'testBack', 'c:\mssql7backup\MyNwind_1.dat' --- 开始 备份 BACKUP DATABASE pubs TO testBack 4 、说明：创建新表 create table tabname(col1 type1 [not null] [primary key],col2 type2 [not null],.. ) 根据已有的表创建新表： A ： create table tab_new like tab_old ( 使用旧表创建新表 ) B ： create table tab_new as select col1,col2… from tab_old definition only 5 、说明：删除新表 drop table tabname 6 、说明：增加一个列 Alter table tabname add column col type 注： 列增加后将不能删除。 DB2 中列加上后数据类型也不能改变

迭代器模式 基于IEnumerable的实现 使用场景 迭代器模式的优缺点 迭代器模式 迭代器模式用于顺序访问集合对象的元素，而不需要知道集合对象的底层表示。Java和.Net等语言已经将迭代器作为其内部语法元素，比如在C#中，集合对象只需要实现IEnumberable接口，然后就可以用foreach来遍历了。 迭代器模式提示我们要从使用者的角度考虑如何设计接口，如何对外提供访问内部对象的方式。即便我们组织的对象系统内部结构很复杂，但对于客户程序而言最简单的方式莫过于通过for /foreach循环依次遍历，至于遍历过程中的次序、分类筛选等则由目标类型自己封装。 GOF对迭代器模式描述为： Provide a way to access the elements of an aggregate objectsequentially without exposing its underlying representation. — Design Patterns : Elements of Reusable Object-Oriented Software UML类图： 代码实现 //迭代器接口 public interface IIterator<T> { T Next(); bool HasNext(); } //具体迭代器 public class

问题 mysql使用count()执行select报错：ERROR 1140 (42000) In aggregated query without GROUP BY 原因 mysql的sql_mode默认开启了only_full_group_by模式 解决方法 命令解决(临时生效) 查看sql_mode show variables like '%sql_mode'; show session variables like '%sql_mode%'; show global variables like '%sql_mode%'; 修改sql_mode set global sql_mode='STRICT_TRANS_TABLES,NO_ENGINE_SUBSTITUTION'; set session sql_mode='STRICT_TRANS_TABLES,NO_ENGINE_SUBSTITUTION'; 配置文件解决(永久修改) vim /etc/my.cnf修改最后面一行 sql_mode=NO_ENGINE_SUBSTITUTION,STRICT_TRANS_TABLES 来源： oschina 链接： https://my.oschina.net/u/4344310/blog/4423744

Fetch API提供了一个fetch()方法，它被定义在BOM的window对象中，你可以用它来发起对远程资源的请求。 该方法返回的是一个Promise对象，让你能够对请求的返回结果进行检索。 为了能够进一步的解释Fetch API，下面我们写一些代码具体介绍它的用法： 下面这个例子将会通过Flicker API来检索一些图片，并将结果插入到页面中。到目前为止， Fetch API还未被所有的浏览器支持。因此，如果你想体验这一技术，最好使用最新版本的Chrome浏览器。为了能够正确的调用Flicker API，你需要申请自己的API KEY，将其插入到代码中的适当位置，即your_api_key那个位置。 来看看第一个任务：我们使用API来从Flicker中检索一些有关“企鹅”的照片，并将它们展示在也没中，代码如下。 Promise， 当Promise被通过，它会返回一个Response对象，通过该对象的json()方法可以将结果作为JSON对象返回。response.json()同样会返回一个Promise对象，因此在我们的例子中可以继续链接一个then()方法。 为了能够和传统的XMLHttpRequest进行对比，我们使用传统的方法来编写一个同样功能的函数： 可以发现，主要的不同点在于：传统上我们会使用事件处理器，而不是Promise对象。

作者：贺小令（晓令） 本文由阿里巴巴技术专家贺小令分享，社区志愿者郑仲尼整理。文章基于 Flink 1.9 版本，从用户的角度来讲解 Flink 1.9 版本中 SQL 相关原理及部分功能变更，希望对大家有所帮助。主要内容分享以下三个部分: TableEnvironment 的设计与使用场景 Catalog 的设计以及 DDL 实践 Blink Planner 的几点重要改进及优化 TableEnvironment FLIP-32 中提出，将 Blink 完全开源，合并到 Flink 主分支中。合并后在 Flink 1.9 中会存在两个 Planner：Flink Planner 和 Blink Planner。 在之前的版本中，Flink Table 在整个 Flink 中是一个二等公民。而 Flink SQL 具备的易用性、使用门槛低等特点深受用户好评，越来越被重视，Flink Table 模块也因此被提升为一等公民。而 Blink 在设计之初就考虑到流和批的统一，批只是流的一种特殊形式，所以可以用同一个TableEnvironment来表述流和批。 TableEnvironment 整体设计 图1 新 Table Environment 整体设计 从图 1 中，可以看出，TableEnvironment 组成部分如下： flink-table-common

本文是转载，原文地址是： https://www.jianshu.com/p/184419ee68c5 上章节我们讲述的窗口函数都属于静态窗口，然而我们很多场景是需要滑动窗口，比如我们需要查看这样的一张报表，这张报表包含国家名字，年份，GDP,当前年份与上一年、下一年的GDP均值，也就是说GDP均值这一列随着行数的推移，动态移动变化的，那么我们可以借助PG的滑动窗口来完成这个功能，SQL如下 SELECT country_name, "year", gdp, AVG ( gdp ) OVER ( PARTITION BY country_name ORDER BY "year" DESC ROWS BETWEEN 1 PRECEDING AND 1 FOLLOWING ) FROM country_gdp_year_final ff WHERE country_code IN ( 'CHN', 'JPN', 'USA', 'DEU', 'CAN', 'FRA' ) AND "year" BETWEEN 2012 AND 2017; （获取每年与前后俩年的均值GDP） preceding 中文意思:前面的 following 中文意思 :后面的 上面的 rows between 1 preceding and 1 following 定义的滑动窗口包含三行，当前行，当前行的前一行

0. 序言 Costco 是全球第一家会员制的仓储批发卖场，中文翻译过来叫「开市客」或「好市多」，始创于 1976 年的美国加州，截止到 2019 年 1 月，有 736 家门店，9270 万会员，年营业额 1310 亿美元，会员续费率 90%，全球拥有 24 万名员工。 2019 年 8 月 27 日，中国大陆第一家 Costco 在上海开业，因为人满为患，Costco 实行限流，将卖场人数控制在 2000 人以内，有人早上 4:30 就去排队。 Costco 把零售效率做到极致，是零售企业学习的标杆。 作为数据分析师，也要学习 Costco 死磕自己、为用户创造价值的精神。 下面，我们从网上读取一些 Costco 的股价数据，学习用 Python 对这些数据进行转换，为将来的数据分析做好准备。 首先，我们从网页中 读取 Costco 的历史股价数据。 然后，我们对数据进行 清洗 ，得到一个干净整洁的数据表格。 接下来，我们就可以正式开始对数据进行转换。 1. 如何转换为时间？ 使用 transform() 函数，结合 dateutil 模块中的 parse() 函数，我们可以将字符转换为时间。 大部分常见的字符形式，都可以使用 parse() 进行转换，例如： 需要注意的是，要防止出现意外情况，例如：parse('80') 的结果是 1980 年的当前日期

array_to_string--将sql中的数组转为字符串 ARRAY_AGG--将sql中的数据转为数组处理 以下给大家一个简单的例子即可体会： 1.需求 2.数据库中原数据 1.png 3.sql的写法，以及运行结果 3.png 作者：那钱有着落吗 链接：https://www.jianshu.com/p/b5d1fd38e161 来源：简书 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 来源： oschina 链接： https://my.oschina.net/u/4287847/blog/4273683

注：以下分析基于开源 v19.15.2.2-stable 版本进行 引言 ClickHouse内核分析系列文章，继上一篇文章 MergeTree查询链路 之后，这次我将为大家介绍MergeTree存储引擎的异步Merge和Mutation机制。建议读者先补充上一篇文章的基础知识，这样会比较容易理解。 MergeTree Mutation功能介绍 在上一篇系列文章中，我已经介绍过ClickHouse内核中的MergeTree存储一旦生成一个Data Part，这个Data Part就不可再更改了。所以从MergeTree存储内核层面，ClickHouse就不擅长做数据更新删除操作。但是绝大部分用户场景中，难免会出现需要手动订正、修复数据的场景。所以ClickHouse为用户设计了一套离线异步机制来支持低频的Mutation(改、删)操作。 Mutation命令执行 ALTER TABLE [db.]table DELETE WHERE filter_expr; ALTER TABLE [db.]table UPDATE column1 = expr1 [, ...] WHERE filter_expr; ClickHouse的方言把Delete和Update操作也加入到了Alter Table的范畴中，它并不支持裸的Delete或者Update操作