SQL跑偏
① 請列舉學習C語言的過程
1. 閱讀一本有意義又不失學習樂趣的書
推薦書籍《C專家編程》
這本書描述了各種搞笑八卦的事，比如設計一個程序，檢查樓道自動售貨機中有沒有可樂？冰不冰？用LISP去控制自己樓上的電梯升降；讓電腦識別自己是否為真身，以免黑客把自己困在電梯里出不來等等。當自己為編程學習感到煩躁的時候，讀一讀很有效果的。
2. 初學C語言
開始學習C語言的時候，建議事先給自己一個規劃
比如每天必學5小時，其中看書兩小時，結合視頻書籍操作三小時。
3. 自選一本好教材
關於C語言學習的書籍實在太多，自選一本學習的書籍要萬分慎重，在慎重考慮之後進行選擇：
《C語言大全第四版》很經典的一本書
《C+Traps+and+Pitfalls》學過一段時間C語言後，讀這本書對自己會有一定提升。
《C語言參考手冊》可以把它比作C語言中的新華字典，可以當成工具使用。
《C程序設計語言》這本書是C語言的發明者K&R出版的書
順序結構、選擇結構、循環結構；
循環結構又分為while型、until型、for循環結構；程序流程圖；
算術運算符（+ - * / %）結合方向自左向右
關系運算符（> < =="">= <= !="">
邏輯運算符(! && ||)
位運算符(<>> ~ | ^ &)
賦值運算符(=及符號擴展賦值運算符)
條件運算符(? : )
逗號運算符( , )
指針運算符（* &）
求位元組運算符（sizeof）
強制類型轉換運算符((類型))
分量運算符( . ->)
下標運算符([])
小編只列舉出這幾本書籍作為入門參考，選擇入門書籍的時候要結合自身考慮清楚，萬一學著學著跑偏了，誰也幫不了你！
4. 練習新手的C語言習題
網上有非常多簡單的C語言練習題，下載下來不斷練習反復練習。
5. 基本知識梳理
小編給大家把C語言學習的知識點給梳理一下！
演算法結構：
結構化程序設計方法：
自頂向下→逐步細化→模塊化設計→結構化編碼。
數據類型：
常量、變數、整形變數、實型變數、字元型數組。
C的運算符有以下幾種：
學習過程語言的一些基礎模式：順序與循環。切記它們是靈活多變的，死記硬背不過是白費力氣！自己試著做些簡單的程序，比如數據統計，一些簡單的問答等。
最後
C語言學習方法總結一句話：
多看，多敲，多思考
把C語言的學習變成一種樂趣😄
無論你是自學還是在校學習，任何編程語對於初學者來說都是難的，它對每個人也同樣公平，你沒有用相應的付出去學習，編程語對你的回報都是微乎其微！
② mysql完全支持標準的sql語句是否正確
正確。
MySQL一直秉持的原則是實用主義。標準是什麼？什麼是標准？最多人使用的做法就是標准，不要削足適履。如果一個功能或者用法是很多人要求的，那麼mysql開發團隊就會做；如果很少的人要求某個功能或者用法，恐怕這個功能不會被優先開發，更別說為了支持標准而做無意義的開發。這種有效的實時互動，最大程度地確保了MySQL團隊所做的正是大量用戶所需要的，不會跑偏。並且mysql最終呈現給用戶的，一定是具有大量使用需求的功能集合，大概率對大量用戶也是有用的，是值得大家學習和使用的。這才是『標准』本來的意義和價值。
③ 低代碼要怎麼選型才能避免踩坑求解
對於企業來說，使用低代碼不僅是意味著數字化轉型的開始，其實更是意味著內部開發效率提升、業務流程梳理更加清晰。
市場上的低代碼平台非常多，企業應該怎麼選型才能避免踩坑呢？
1、軟體開發的靈活性
企業不斷發展擴大，標准化的產品軟體已經難以滿足企業的需求，在這種情況下，低代碼平台的靈活性就顯得十分重要。 低代碼平台憑借可視化開發模式，降低了應用軟體的開發難度，如果企業使用低代碼開發、好處非常多，就拿飛速低代碼平台而言，能夠優化流程，提升企業運作效率；節省成本，維護方便，能夠起到即改即用的效果；一鍵升級，方便實用。
2、平台技術的先進性
隨著互聯網發展迅速，產品與服務要快速地適應不斷變化的需求，低代碼開發平台採用業內領先的SpringBoot微服務架構、支持SpringCloud模式，可以更好地滿足系統快速開發、靈活拓展、無縫集成和高性能應用等綜合能力。
3、是否支持私有化部署
隨著互聯網的發展，數據安全逐漸成為一個重點課題。可以做數據是任何企業的命脈，因此不少企業會選擇將數據部署到本地。低代碼開發平台的多部署模式就能解決該問題，支持多種部署模式、不同的部署方案，可以根據不同的用戶在線數量及並發數量選擇具體的部署方式。系統部署在本地，數據更安全可控，一次采購可重復使用，大大節省軟體采購成本。而飛速低代碼開發平台，不僅支持私有化部署，還能混合部署。
4、能否提供平台源碼
當企業涉及到一些復雜的業務流程及功能難以實現時，低代碼平台提供源碼企業就根據新業務新需求二次開發，無需再重新購買額外的平台或者服務，而且對於企業來說，平台提供源碼可以擺脫對原廠的依賴，保障用戶在不同的應用階段、不同層次和不同規模的服務需求都能得到滿足，確保沒有後顧之憂。
飛速低代碼平台開發過程中源代碼全部都是可見可改，代碼質量更高可讀性強，而且平台本身源代碼大部分都是開放的，不依賴於我們運行，知識產權歸屬甲方；另外我們還支持復雜的全場景、提供整個開發全過程各環節工具，包括原型、建模開發、測試部署、發布流水線、運維監測等。
④ 當全棧程序員是不是很累
全棧程序員是一群特殊的程序員，他們從前到後，由內而外，幾乎無所不能。很多全棧程序員都認為創業是最好的體現能力和價值的地方
前段時間聽說一個新名詞："全棧程序員"，google了一下，被引導到了知乎的一個討論上：http://www.hu.com/question/22420900。樓主提出了一個問題：怎樣成為全棧程工程師，本人也在上面情不自禁地回復了一下。回頭想來似乎還有話要說。由於這個話題很容易跑偏，本文只把范圍限定在全棧Web軟體工程師，簡稱FSD（Full Stack Developer）。
把技術當成生活，自己逼自己的結果
其實在任何公司工作，光憑工作的內容，很難成為FSD。有朋友可能不同意了，說在創業公司有很多機會做不同的工作啊，我想說的是，即便是創業公司，公司總是有主營的業務和方向的，就算能從前到後一個人做一個網站，那又怎樣，從技術上說，無非也就是掌握了一種或幾種資料庫，一門或幾門後台語言，掌握了html,js,css...大公司呢？更難了，大公司雖然方向很多，但是越是大的公司，個人的螺絲釘效應越明顯，你可能成為領域專家，但很難有機會成為完整的機器的。那麼全棧程序員的磨練靠的是什麼？靠的是一種打心底里的執著和毅力，把技術當成生活，自己逼自己不斷的獵取知識。
難以界定，每個人都有不同的理解
剛才其實沒有鄙視能夠完整做網站的人，相反，很是欽佩。至少本人現在在css上還不能算能完全獨立。不過每個人對FSD的定義其實不一樣，這跟個人的閱歷有一定的關系。只想說，既不要對自己過分自信，也不要過分貶低。一方面，人外有人，天外有天，每個人覆蓋到技術領域是有差異的；另一方面，FSD其實挺不容易的，不僅不容易達到，而且不容易獲得存在感。正因為見的多，所以就越覺得自己渺小，我們經常說的，真正的大牛從來就是低調和謙虛的。而FSD在任何領域都不是那種呼風喚雨的專家，別人在討論的時候可能永遠都沒有你插話的機會，其實你心裡知道，自己還很膚淺。個人自認為是比較接近這么一個性質的程序猿，可以從我的博客的文章內容略窺一二。但是正如我不敢斬釘截鐵地將自己定性到這么個層次，恐怕很多全棧程序員也不能將自己明確在這個定位上，因為總有人能站出來給你一個"反例"。
何去何從
從知乎上的回答來看，FSD似乎並不吃香。縱觀人類發展歷程，更細致的社會分工造就了生產力的提高。就程序員行業而言，越來越趨於細分話，似乎也是正常的趨勢。作為FSD，實際上挺難的，主要是因為精力的限制，無法在廣度和深度上兼顧。盡管如此，個人覺得FSD還是有很明顯的優勢的：
見多識廣，解決問題的手段比較多，而且往往能夠觸類旁通的思考；
不容易被某種技術的新衰而左右，很容易轉型；
合格的FSD往往具有超強的毅力和極客精神，這在某些情況下是很有用的；
由於能力廣泛，又吃苦耐勞，適合創業；
個人理解
針對Web開發的話，稍稍談一談個人對全棧程序員能力的界定，大牛們輕拍：
用戶體驗層面，html45，javascript，css23，各種前端的框架...
後台業務邏輯層面，各種編程語言，現在主流的有Java、C#、Python、Ruby、PHP、Node.js...，以及配套的各種開發框架...
輔助層面可能會涉及到C、C++等較為古老的編程語言，需要一定程度上熟悉掌握...
資料庫，會設計和使用幾種常用的資料庫，mssql、mysql、oracle...，資料庫分析和優化
架構層面，能夠設計靈活可靠，易擴展的軟體架構和硬體架構。這個層面上要掌握的東西就很多了，網路、存儲、操作系統、web伺服器、web架構，安全等等...
一些基礎理論層面的東西，演算法數據結構、編譯原理、網路基礎...
數據分析，數據挖掘
管理層面，眾人拾柴火焰高，一個人再牛b，精力是有限的，如果能夠聚集並領導更多的人，那就更全面了。這包括項目管理，持續集成，敏捷開發，版本控制...
移動開發
⑤ 怎樣進行大數據的入門級學習
怎樣進行大數據的入門級學習？
文 | 郭小賢
數據科學並沒有一個獨立的學科體系，統計學，機器學習，數據挖掘，資料庫，分布式計算，雲計算，信息可視化等技術或方法來對付數據。
但從狹義上來看，我認為數據科學就是解決三個問題：
1. datapre-processing；(數據預處理）
2. datainterpretation；（數據解讀）
3.datamodeling and analysis.（數據建模與分析）
這也就是我們做數據工作的三個大步驟：
1、原始數據要經過一連串收集、提取、清洗、整理等等的預處理過程，才能形成高質量的數據；
2、我們想看看數據「長什麼樣」，有什麼特點和規律；
3、按照自己的需要，比如要對數據貼標簽分類，或者預測，或者想要從大量復雜的數據中提取有價值的且不易發現的信息，都要對數據建模，得到output。
這三個步驟未必嚴謹，每個大步驟下面可能依問題的不同也會有不同的小步驟，但按我這幾年的經驗來看，按照這個大思路走，數據一般不會做跑偏。
這樣看來，數據科學其實就是門復合型的技術，既然是技術就從編程語言談起吧，為了簡練，只說說R和Python。但既然是薦數據科學方面的書，我這里就不提R/Python編程基礎之類的書了，直接上跟數據科學相關的。
R programming
如果只是想初步了解一下R語言已經R在數據分析方面的應用，那不妨就看看這兩本：
R inaction：我的R語言大數據101。其實對於一個沒有任何編程基礎的人來說，一開始就學這本書，學習曲線可能會比較陡峭。但如果配合上一些輔助材料，如官方發布的R basics（http：//cran.r-project.org/doc/contrib/usingR.pdf），stackoverflow上有tag-R的問題集（Newest 『r』 Questions），遇到復雜的問題可在上面搜索，總會找到解決方案的。這樣一來，用這本書拿來入門學習也問題不大。而且這本書作者寫得也比較輕松，緊貼實戰。
Dataanalysis and graphics using R：使用R語言做數據分析的入門書。這本書的特點也是緊貼實戰，沒有過多地講解統計學理論，所以喜歡通過情境應用來學習的人應該會喜歡這本入門書。而且這本書可讀性比較強，也就是說哪怕你手頭沒電腦寫不了代碼，有事沒事拿出這本書翻一翻，也能讀得進去。
但如果你先用R來從事實實在在的數據工作，那麼上面兩本恐怕不夠，還需要這些：
Modernapplied statistics with S：這本書里統計學的理論就講得比較多了，好處就是你可以用一本書既復習了統計學，又學了R語言。（S/Splus和R的關系就類似於Unix和Linux，所以用S教程學習R，一點問題都沒有）
Datamanipulation with R：這本書實務性很強，它教給你怎麼從不同格式的原始數據文件里讀取、清洗、轉換、整合成高質量的數據。當然和任何一本注重實戰的書一樣，本書也有豐富的真實數據或模擬數據供你練習。對於真正從事數據處理工作的人來說，這本書的內容非常重要，因為對於任何研究，一項熟練的數據預處理技能可以幫你節省大量的時間和精力。否則，你的研究總是要等待你的數據。
RGraphics Cookbook：想用R做可視化，就用這本書吧。150多個recipes，足以幫你應付絕大多數類型的數據。以我現在極業余的可視化操作水平來看，R是最容易做出最漂亮的圖表的工具了。
Anintroction to statistical learning with application in R：這本書算是著名的the element of statistical learning的姊妹篇，後者更注重統計（機器）學習的模型和演算法，而前者所涉及的模型和演算法原沒有後者全面或深入，但卻是用R來學習和應用機器學習的很好的入口。
Ahandbook of statistical analysis using R：這本書內容同樣非常扎實，很多統計學的學生就是用這本書來學慣用R來進行統計建模的。
Python
Think Python，ThinkStats，Think Bayes：這是AllenB. Downey寫的著名的Think X series三大卷。其實是三本精緻的小冊子，如果想快速地掌握Python在統計方面的操作，好好閱讀這三本書，認真做習題，答案鏈接在書里有。這三本書學通了，就可以上手用Python進行基本的統計建模了。
PythonFor Data Analysis： 作者是pandas的主要開發者，也正是Pandas使Python能夠像R一樣擁有dataframe的功能，能夠處理結構比較復雜的數據。這本書其實analysis講得不多，說成數據處理應該更合適。掌握了這本書，處理各種糟心的數據就問題不大了。
Introctionto Python for Econometrics， Statistics and DataAnalysis：這本書第一章就告訴你要安裝Numpy， Scipy， Matplotlib， Pandas， IPython等等。然後接下來的十好幾章就是逐一介紹這幾個庫該怎麼用。很全面，但讀起來比較枯燥，可以用來當工具書。
PracticalData Analysis： 這本書挺奇葩，貌似很暢銷，但作者把內容安排得東一榔頭西一棒子，什麼都講一點，但一個都沒講透。這本書可以作為我們學習數據分析的一個索引，看到哪塊內容有意思，就順著它這個藤去摸更多的瓜。
PythonData Visualization Cookbook： 用Python做可視化的教材肯定不少，我看過的也就這一本，覺得還不錯。其實這類書差別都不會很大，咬住一本啃下來就是王道。
Exploratory Data Analysis 和 Data Visualization
Exploratory DataAnalysis：John Tukey寫於1977年的經典老教材，是這一領域的開山之作。如今EDA已經是統計學里的重要一支，但當時還是有很多人對他的工作不屑一顧。可他愛數據，堅信數據可以以一種出人意料的方式呈現出來。正是他的努力，讓數據可視化成為一門無比迷人的技術。但這本書不推薦閱讀了，內容略過時。要想完整地了解EDA，推薦下一本：
ExploratoryData Analysis with MATLAB：這本書雖然標題帶了個MATLAB，但實際上內容幾乎沒怎麼講MATLAB，只是每講一個方法的時候就列出對應的MATALB函數。這本書的重要之處在於，這是我讀過的講EDA最系統的一本書，除了對visualization有不輸於John Tucky的講解外，對於高維的數據集，通過怎樣的方法才能讓我們從中找到潛在的pattern，這本書也做了詳盡的講解。全書所以案例都有對應的MATALB代碼，而且還提供了GUI（圖形用戶界面）。所以這本書學起來還是相當輕松愉悅的。
VisualizeThis：中譯本叫「鮮活的數據」，作者是個「超級數據迷」，建立了一個叫http：//flowingdata.com的網頁展示他的數據可視化作品，這本書告訴你該選擇什麼樣的可視化工具，然後告訴你怎樣visualize關系型數據、時間序列、空間數據等，最後你就可以用數據講故事了。如果你只想感受一下數據可視化是個什麼，可以直接點開下面這個鏈接感受下吧！A tour through the visualization zoo（A TourThrough the Visualization Zoo）
Machine Learning & Data Mining
這一塊就不多說了，不是因為它不重要，而是因為它太太太重要。所以這一部分就推兩本書，都是」世界名著「，都比較難讀，需要一點點地啃。這兩本書拿下，基本就算是登堂入室了。其實作為機器學習的延伸和深化，概率圖模型（PGM）和深度學習（deep learning）同樣值得研究，特別是後者現在簡直火得不得了。但PGM偏難，啃K.Daphne那本大作實在太燒腦，也沒必要，而且在數據領域的應用也不算很廣。deep learning目前工業界的步子邁得比學術界的大，各個domain的應用如火如荼，但要有公認的好教材問世則還需時日，所以PGM和deep learning這兩塊就不薦書了。
TheElement of Statistical Learning：要學機器學習，如果讓我只推薦一本書，我就推薦這本巨著。Hastie、Tibshirani、Friedman這三位大牛寫書寫得太用心了，大廈建得夠高夠大，結構也非常嚴謹，而且很有前瞻性，納入了很多前沿的內容，而不僅僅是一部綜述性的教材。（圖表也做得非常漂亮，應該是用R語言的ggplot2做的。）這本書注重講解模型和演算法本身，所以需要具備比較扎實的數理基礎，啃起這本書來才不會太吃力。事實上掌握模型和演算法的原理非常重要。機器學習（統計學習）的庫現在已經非常豐富，即使你沒有完全搞懂某個模型或演算法的原理和過程，只要會用那幾個庫，機器學習也能做得下去。但你會發現你把數據代進去，效果永遠都不好。但是，當你透徹地理解了模型和演算法本身，你再調用那幾個庫的時候，心情是完全不一樣的，效果也不一樣。
DataMining： Concepts and Techniques， by Jiawei Han and Micheline Kamber 數據挖掘的教材汗牛充棟，之所以推薦這本韓家煒爺爺的，是因為雖然他這本書的出發點是應用，但原理上的內容也一點沒有落下，內容非常完整。而且緊跟時代，更新的很快，我看過的是第二版，就已經加進去了social network analysis這種當時的前沿內容。現在已經有第三版了，我還沒看過，但應該也加入了不少新內容。其實這本書並不難讀，只是篇幅較長，啃起來比較耗時。
其實這兩本書里單拎出來一塊內容可能又是幾本書的節奏，比如bayesian方法，再拿出兩三本書來講也不為過，我個人用到的比較多，而且也確實有不少好書。但並非是所有data scientist都要用到，所以這一塊就不再細說。
還有一些印象比較深刻的書：
Big DataGlossary： 主要講解大數據處理技術及工具，內容涵蓋了NoSQL，MapRece，Storage，Servers，NLP庫與工具包，機器學習工具包，數據可視化工具包，數據清洗，序列化指南等等。總之，是一本辭典式的大數據入門指導。
Mining ofMassive Datasets：這本書是斯坦福大學Web Mining的講義，裡面很多內容與韓家煒的Data Mining那本書重合，但這本書里詳細地講了MapRece的設計原理，PageRank（Google創業時期的核心排序演算法，現在也在不斷優化更新）講解得也比較詳細。
DevelopingAnalytic Talent： 作者是個從事了十幾年數據工作的geek，技術博客寫得很有個人風格，寫的內容都比較偏門，通常只有具備相關數據處理經驗的人能體會出來，絲毫不照顧初學者的感受。比如他會談到當數據流更新太快時該怎麼辦，或者MapRece在什麼時候不好用的問題，才不管你懂不懂相關基礎原理。所以這本書不太適合初學者閱讀。這本書其實是作者的博客文章的集結，用how to become a data scientist的邏輯把他近幾年的博客文章串聯了起來。
Past， Present and Future of Statistical Science：這本書是由COPSS（統計學社主席委員會，由國際各大統計學會的帶頭人組成）在50周年出版的一本紀念冊，裡面有50位統計學家每人分別貢獻出的一兩篇文章，有的回憶了自己當年如何走上統計學這條路，有的探討了一些統計學的根本問題，有的談了談自己在從事的前沿研究，有的則給年輕一代寫下了寄語。非常有愛的一本書。
其它資料
Harvard Data Science：這是H大的Data science在線課，我沒有修過，但口碑很好。這門課需要費用8千刀左右，比起華盛頓大學的4千刀的Data science在線課雖貴一倍，但比斯坦福的14千刀要便宜將近一半（而且斯坦福的更偏計算機）。如果想自學，早有好心人分享了slides：（https：//drive.google.com/folderview？id=0BxYkKyLxfsNVd0xicUVDS1dIS0k&usp=sharing）和homeworks and solutions： （https：//github.com/cs109/content）
PyData：PyData是來自各個domain的用Python做數據的人每年舉行一次的聚會，期間會有各路牛人舉行一些規模不大的seminar或workshop，有好心人已經把video上傳到github，有興趣的去認領吧（DataTau/datascience-anthology-pydata · GitHub）
工具
R/Python/MATLAB（必備）：如果是做數據分析和模型開發，以我的觀察來看，使用這三種工具的最多。R生來就是一個統計學家開發的軟體，所做的事也自然圍繞統計學展開。MATLAB雖然算不上是個專業的數據分析工具，但因為很多人不是專業做數據的，做數據還是為了自己的domain expertise（特別是科學計算、信號處理等），而MATLAB又是個強大無比的Domain expertise工具，所以很多人也就順帶讓MATLAB也承擔了數據處理的工作，雖然它有時候顯得效率不高。Python雖然不是做數據分析的專業軟體，但作為一個面向對象的高級動態語言，其開源的生態使Python擁有無比豐富的庫，Numpy， Scipy 實現了矩陣運算/科學計算，相當於實現了MATLAB的功能，Pandas又使Python能夠像R一樣處理dataframe，scikit-learn又實現了機器學習。
SQL（必備）：雖然現在人們都說傳統的關系型資料庫如Oracle、MySQL越來越無法適應大數據的發展，但對於很多人來說，他們每天都有處理數據的需要，但可能一輩子都沒機會接觸TB級的數據。不管怎麼說，不論是用關系型還是非關系型資料庫，SQL語言是必須要掌握的技能，用什麼資料庫視具體情況而定。
MongoDB（可選）：目前最受歡迎的非關系型資料庫NoSQL之一，不少人認為MongoDB完全可以取代mySQL。確實MongoDB方便易用，擴展性強，Web2.0時代的必需品。
Hadoop/Spark/Storm（可選）： MapRece是當前最著名也是運用最廣泛的分布式計算框架，由Google建立。Hadoop/Spark/storm都是基於MapRece的框架建立起來的分布式計算系統，要說他們之間的區別就是，Hadoop用硬碟存儲數據，Spark用內存存儲數據，Storm只接受實時數據流而不存儲數據。一言以蔽之，如果數據是離線的，如果數據比較復雜且對處理速度要求一般，就Hadoop，如果要速度，就Spark，如果數據是在線的實時的流數據，就Storm。
OpenRefine（可選）：Google開發的一個易於操作的數據清洗工具，可以實現一些基本的清洗功能。
Tableau（可選）：一個可交互的數據可視化工具，操作簡單，開箱即用。而且圖表都設計得非常漂亮。專業版1999美刀，終身使用。媒體和公關方面用得比較多。
Gephi（可選）：跟Tableau類似，都是那種可交互的可視化工具，不需要編程基礎，生成的圖表在美學和設計上也是花了心血的。更擅長復雜網路的可視化。
來自知乎
以上是小編為大家分享的關於怎樣進行大數據的入門級學習？的相關內容，更多信息可以關注環球青藤分享更多干貨
⑥ 新裝SQL server 2008 快速占滿大量內存 問題蹊蹺 高分求助
2008，你需要限制一下內存，不然的話你有多大內或灶存猜團孫都穗鏈會給你占滿的