david資料庫

⑴ David資料庫是以R語言運算的嗎

是的。
由於R會把數據讀入內存中，因此這對於處理和分析小型數據集很合適。R可以使用兩大標准訪問資料庫，即ODBC和JDBC。JDBC（又稱Java資料庫連接）由一系列Java實現的類和介面組成，它們允許Java和資料庫間直接通信。

⑵ 資料庫的發展過程

一、搖籃和萌芽階段：首先使用"DataBase"一詞的是美國系統發展公司在為美國海軍基地在60年代研製數據中引用。

1963年，C·W·Bachman設計開發的IDS(Integrate Data Store)系統開始投入運行，它可以為多個COBOL程序共享資料庫。
1968年，網狀資料庫系統TOTAL等開始出現;
1969年，IBM公司Mc Gee等人開發的層次式資料庫系統的IMS系統發表，它可以讓多個程序共享資料庫。
1969年10月，CODASYL資料庫研製者提出了網路模型資料庫系統規范報告DBTG，使資料庫系統開始走向規范化和標准化。正因為如此，許多專家認為資料庫技術起源於20世紀60年代末。資料庫技術的產生來源於社會的實際需要，而數據技術的實現必須有理論作為指導，系統的開發和應用又不斷地促進資料庫理論的發展和完善。
二、發展階段：20世紀80年代大量商品化的關系資料庫系統問世並被廣泛的推廣使用，既有適應大型計算機系統的，也有適用與中、小型和微型計算機系統的。這一時期分布式資料庫系統也走向使用。
1970年，IBM公司San Jose研究所的E ·F ·Code發表了題為"大型共享資料庫的數據關系模型"論文，開創了資料庫的關系方法和關系規范化的理論研究。關系方法由於其理論上的完美和結構上的簡單，對資料庫技術的發展起了至關重要的作用，成功地奠定了關系數據理論的基石。
1971年，美國數據系統語言協會在正式發表的DBTG報告中，提出了三級抽象模式，即對應用程序所需的那部分數據結構描述的外模式，對整個客體系統數據結構描述的概念模式，對數據存儲結構描述的內模式，解決了數據獨立性的問題。
1974年，IBM公司San Jose研究所研製成功了關系資料庫管理系統System R，並且投放到軟體市場。
1976年，美籍華人陳平山提出了資料庫邏輯設計的實際（體）聯系方法。
1978年，新奧爾良發表了DBDWD報告，他把資料庫系統的設計過程劃分為四個階段:需求分析、信息分析與定義、邏輯設計和物理設計。
1980年，J·D·Ulman所著的《資料庫系統原理》一書正式出版。
1981年 E· F· Code獲得了計算機科學的最高獎ACM圖林獎。
1984年，David Marer所著的《關系資料庫理論》一書，標志著資料庫在理論上的成熟。
三、成熟階段：80年代至今，資料庫理論和應用進入成熟發展時期 易觀國際發布《IT產品和服務－2007年中國資料庫軟體市場數據監測》，考察了中國資料庫管理軟體市場。數據顯示，中國商業資料庫市場2007年度整體規模達到21.72億人民幣，比去年同期增長15%。從廠商競爭格局來看，國際軟體巨頭占據市場的絕大多數份額。Oracle、IBM、Microsoft和Sybase牢牢占據國內資料庫軟體市場前四位，擁有93.8%的市場份額。國產資料庫的市場份額在本季度繼續提升，正在抓住國家提倡自主創新的機遇，以「有自主知識產權」的產品為契機，滿足部委和地方政府的信息整合平台需求。 2008年，中國商業資料庫市場整體規模達到了28.25億元，比上個年度增長了30%，一方面，主要是因為中國電子政務建設的大幅增加，以及中國政府對版權的高度重視。其中，Oracle占據了其中44%的市場份額，IBM占據了其中20%的份額、微軟占據了18%的份額，Sybase占據了10%，而國產資料庫因為在政府的支持下，已經占據了8%的市場份額，較2007年同比提升了25%。其中，達夢資料庫年銷售額為6600萬元，為國產資料庫中市場份額最大的。預計中國商業資料庫市場在2009年達到31億元的市場規模，同時，國產資料庫在中國政府鼓勵自主創新的基礎下，會占據更大的市場份額。 另外，包括Mysql等開源資料庫也占據了大量的政府及中小企事業用戶，同時，盜版資料庫更是占據了中國資料庫市場的較大份額，其數值不亞於整個商業資料庫的市場份額。

⑶ David Mytton為什麼從MySQL遷移到MongoDB資料庫

」 從中感到了作者的歡喜和憂愁，有翻譯不妥或理解不到位的，還請指正：）1，David為什麼要遷移？原文如下：寫道The problem we encountered was administrative. We wanted to scale using replication but found that MySQL had a hard time keeping up, especially with the initial sync. As such, backups became an issue, but we solved that. However, scaling MySQL onto multiple clustered servers as we plan to do in the future is difficult. You either do this through replication but that is only really suited to read-heavy applications; or using MySQL cluster. The cluster looks very good but I have read about some problems with it and was unsure of it』s suitability for our needs.看上去大概的意思是說：我們遇到了管理上的麻煩，雖然我們解決了備份問題。我們試圖通過MySql集群解決，集群看上去很好但對於一個大量寫應用來說卻遇到了困難，同時我們也不確定集群是否適應我們的需求。於是David選擇更換MySQL，選擇了MongoDB。2、為什麼選擇MongonDB？寫道Very easy to install. php mole available. Very easy replication, including master-master support. In testing this caught up with our live DB very quickly and stayed in sync without difficulty. Automated sharding being developed. Good documentation. 我想最重要的一點應該是：Very easy replication, including master-master support. In testing this caught up with our live DB very quickly and stayed in sync without difficulty. 非常容易的數據拷貝並且快速、一致。3、移植MongonDB後的問題。Schema-less：寫道Schema-less This means things are much more flexible for future structure changes but it also means that every row records the field names. We had relatively long, descriptive names in MySQL such as timeAdded or valueCached. For a small number of rows, this extra storage only amounts to a few bytes per row, but when you have 10 million rows, each with maybe 100 bytes of field names, then you quickly eat up disk space unnecessarily. 100 * 10,000,000 = ~900MB just for field names! We cut down the names to 2-3 characters. This is a little more confusing in the code but the disk storage savings are worth it. And if you use sensible names then it isn』t that bad e.g. timeAdded -> tA. A rection to about 15 bytes per row at 10,000,000 rows means ~140MB for field names – a massive saving.靈活的BSON文本存儲結構意味著每條記錄都帶有了欄位名，從而處理不當會導致空間的浪費，於是David減縮了欄位名。The database-per-customer method doesn』t work 寫道The database-per-customer method doesn』t work MongoDB stores data in flat files using their own binary storage objects. This means that data storage is very compact and efficient, perfect for high data volumes. However, it allocates a set of files per database and pre-allocates those files on the filesystem for speed: This was a problem because MongoDB was frequently pre-allocating in advance when the data would almost never need to 「flow」 into another file, or only a tiny amount of another file. This is particularly the case with free accounts where we clear out data after a month. Such pre-allocation caused large amounts of disk space to be used up. We therefore changed our data structure so that we had a single DB, thus making the most efficient use of the available storage. There is no performance hit for doing this because the files are split out, unlike MySQL which uses a single file per table.MongoDB的文件存儲是以「database」為顆粒的，不像MySQL為每個table使用一個單獨的文件。並且避免生成硬碟碎 片，mongonDB是預申請硬碟空間，以指數遞增，所以如果數據組織不好的話，會導致文件中實際使用空間遠小於佔用硬碟的空間，所以David更改了數 據組織結構以更高效得利用空間。Unexpected locking and blocking 寫道Unexpected locking and blocking In MongoDB, removing rows locks and blocks the entire database. Adding indexes also does the same. When we imported our data, this was causing problems because large data sets were causing the locks to exist for some time until the indexing had completed. This is a not a problem when you first create the 「collection」 (tables in MySQL) because there are only a few (or no) rows, but creating indexes later will cause problems. Previously in MySQL we would delete rows by using a wide ranging WHERE clause, for example to delete rows by date range or server ID. Now in MongoDB we have to loop through all the rows and delete them indivially. This is slower, but it prevents the locking issue. 在MongonDB中，刪除rows需要阻塞整個database，增加index也一樣，相對Mysql來說，速度慢了，但防止出現關於鎖的問題。Corruption 寫道Corruption In MySQL if a database (more likely a few tables) become corrupt, you can repair them indivially. In MongoDB, you have to repair on a database level. There is a command to do this but it reads all the data and re-writes it to a new set of files. This means all data is checked and means you will probably have some disk space freed up as files are compacted but it also means the entire database is locked and blocked ring the time it takes. With our database being around 60GB, this operation takes several hours.mysql中各類table可以獨立的修復，而mongonDB的修復是database級別的，所有的data都會被檢查。寫道Performance Our reasons for moving to MongoDB were not performance, however it has turned out that in many cases, query times are significantly faster than with MySQL. This is because MongoDB stores as much data in RAM as possible and so it becomes as fast as using something like memcached for the cached data. Even non-cached data is very fast.選擇MongonDB不是因為性能問題，但MongoDB的查詢性能也還快，類似有個memcached緩存了數據一樣。另外， MongonDB不支持事務。 適合寫完後馬上讀操作。 刪除記錄的時候不清理空間，只標記「刪除」，以後可重復利用。看完後，感覺MongoDB相對Mysql來說，只能說各有優略吧。Comments（提取了一些個人覺得有價值的問題）：問：為什麼不選擇CouchDB？答：MongonDB的查詢與SQL很類似，CouchDB的KEY/VALUE查詢形式相比復雜，並且mongoDB提供php模塊。問：為什麼不考慮memcache&hadoop？答：map/rece查詢並不是我們需要的。問：為什麼不考慮SenSage or Vertica？答：對於一個新興公司來說，商業產品成本太高。問：你需要一個什麼樣的數據復制，有多少節點需要拷貝？Keyspace產品 適合你么？答：兩個都是新的產品，我們覺得mongoDB更成熟，另外提供PHP的模塊是一大優勢。問：你有考慮過阻塞對應用的影響嗎？答：是的，阻塞會導致應用一直等待最終超時。

⑷ 資料庫該怎麼學習，純小白

相信很多資料庫入門的新手們在學習資料庫方面都存在困惑，本文列出了一個非常完整的資料庫學習路線，並對資料庫學習過程中的細節進行詳細指導。希望能夠成為大家學習資料庫過程中一份綱領性的教程。

本回答來自：資料庫怎麼學？資料庫學習零基礎入門指導_樹懶學堂

資料庫知識要點學習

• 新手學習資料庫務必把握的知識要點：

• 資料庫的安裝下載：了解資料庫的環境變數，文件目錄構造。

• 資料庫網路伺服器的啟動，登陸與登出。

• 資料庫常用命令及語法標准。

• 資料庫基本數據類型與數據表的實際操作。比如，數據表的增刪、單表查尋、多表查詢等。

• 資料庫運算符和函數，比如，日期函數，時間函數，信息函數，聚合函數，數據加密涵數，自定義函數等。

• 資料庫存儲過程，存儲過程的調度。

• 資料庫每個存儲引擎的特性。

• 資料庫事務管理的定義和應用等。

• 資料庫管理許可權和用戶管理等。

資料庫學習材料推薦：

1.《MySQL必知必會》

這書講的十分全，從基本要素，到查尋到插入新建表，用戶的管理方法，都是有實際的事例，特別適合沒有基礎的同學們來學習Mysql，總而言之這本書學習的方式 便是：

• 掌握資料庫的基本概念

• 按照示例進行練習

2.《SQL必知必會》

純新手必讀，這也是Amazon上最熱銷的SQL書籍的漢化版，寫的很輕快，定義十分清晰。這本書用於學習關系型資料庫也非常好，基本概念比大部頭的教材內容說得清晰得多。

網站推薦：

樹懶學堂_一站式數據知識學習平台

⑸ david資料庫能做哪些物種的功能注釋

現代生物研究中的高通量技術如microarray、蛋白質組學或NGS能夠讓科學家們檢測到幾乎所有的mRNA，蛋白質或DNA序列的變異，從而獲得成千上萬的數據。分析數據結果的復雜程度和所需要的時間也隨之直線上升，科學家們往往會陷入如何從海量的實驗數據中挖掘到該體繫到底發生了什麼的泥潭中。想充分挖掘實驗數據中的價值，需要科學家多方面的知識和技能，既要從生物學角度去闡釋整個實驗系統，又要理解系統變化的原因和效應等。科學家們通常只去尋找實驗數據中發生差異表達的基因的上游調控子，如轉錄因子或調控的microRNA。但要完全理解實驗結果的效應，科學家們必須進一步分析差異基因所調控的分子通路，生物學功能，已知的毒理學效應並對某些特定的關鍵分子進行進一步的全面調研（i.e. 後續靶標或生物標志物）。
以前科學家們可以依賴於個人的生物學專業知識並輔以檢索最新文獻來進行簡單的數據分析。但隨著文獻的研究領域分類更加細化，知識的積累和文獻的調研變得不再那麼簡單。現在，科學家們開始使用基於互聯網的軟體工具，包括專業的網站（i.e. PubMed）和一些的或商業化的分析工具（i.e. DAVID, Ingenuity-IPA）來幫助收集並分析數據。常規的高通量數據的分析和進一步的實驗假設，一般均從閱讀盡可能多的相關文獻並調研實驗結果中變化最大的基因開始。然而這樣的分析策略往往會大量遺漏關鍵的信息，很多時候是因為相關的分子資料庫和實驗數據相關的文獻量非常大，以至於科學家們無法面面俱到。而二代測序（NGS，如RNA-sequencing）的數據相當於為microarray實驗提供了更加精確的轉錄本和同源基因信息，使獲得信息變得更加復雜。因此，能夠深度挖掘實驗數據、將各種來源的背景信息整合在一起並提供靈活易用的工具進行查詢的軟體對理解實驗結果變的日益重要。

⑹ 資料庫原理的作者簡介

DavidM．Kroenke在1967年作為RandCorporation公司的實習生時進入了計算行業，在此之後，他的職業生涯涉及教育、工業、顧問和出版等領域。
Kroenke曾經在科羅拉多州立大學、西雅圖大學教學，目前在華盛頓大學教學。在多年的教學生涯中，他組織了數十次由大學教授參加的教學研討會。在1991年，授予他「年度計算機教育家」的榮譽稱號。
在工業方面，Kroenke曾經為美國空軍和波音計算機服務工作，並且負責創立了個公司。他也曾經是Microrim公司負責產品銷售和開發的副主席，並且是WallData公司在資料庫劃分方面的首席技術專家。Kroenke是語義對象數據模型的創始者，他所擁有的咨詢客戶包括mM公司、Microsoft、ComputerSciences公司，以及許多其他的公司和組織。
Kroenke的著作DatabaseProcessing最初出版於1977年，現在已經是第10版。Kroenke也出版了其他許多書籍，包括經典的BusinessCompu~rSystems（198i）。他最近編寫的書籍是UsingMIS的第1版。出於對成為海員的渴望，Kroenke也編寫了KnowYourBoat：。Kroenke現居住在華盛頓州的西雅圖市，他結過婚，有兩個孩子和兩個外孫。
DavidJ．Auer目前是西華盛頓大學的CollegeofBusinessandEconomics（CBE）信息系統和技術服務的主管，並且是CBE的決策科學部門的講師。他從1981年開始在CBE中任教，教授的課程包括QuantitativeMethods、、Statistics、。在1994年，他受雇於目前的CBE職位。除了管理CBE的計算機、網路和其他技術資源之外，他還教授ManagementInformationSystem課程。Auer負責教授課程，並且負責拓展CBE的網路基礎結構課程，包括計算機硬體和操作系統、遠程通信和網路管理。Auer已經和其他人合作編寫了一些與MIS相關的書籍。
Auer在華盛頓大學獲得了英語文學學士學位，在西華盛頓大學獲得了數學和經濟學學士學位，並且在西華盛頓大學獲得經濟學碩士學位和輔導心理學碩士學位。Auer是美國空軍軍官，他還作為組織開發專家和治療專家為EmployeeAssistanceProgram（EAP）工作。Auer和妻子Donna居住在華盛頓州的貝靈漢市，他是當地計劃委員會（PlanningCommission）的成員，並且積極參與社團成長和發展的相關問題。他有兩個孩子和3個外孫。

⑺ 大家能推薦一本比較好的學習資料庫的書嗎國外國內的都行！編寫要獨得啊！

樓上說的《資料庫系統概論》確實不錯 我們大學時的教材
個人再推薦一本《oracle從入門到精通》 是上班後師傅給我看的 也不錯
很多人都推薦《oracle9i/10g/11g編程藝術》這本書 有點貴 不過口碑不錯
我還沒怎麼看 看了一眼覺得這本書需要有點基礎以後再看

⑻ David資料庫下載kegg數據count是什麼

count是用來統計某欄位所包含元素數量的。
COUNT函數返回統計區域中的數字個數。語法形式為：COUNT（value1，value2，）參數value1，value2，為數值或單元格引用。

⑼ 如何使用david資料庫查找通路圖

首先打開DAVID資料庫，

點擊，左上角的「Functional Annotation」。

在Step1輸入要分析的基因，Step2選擇類型為基因名，Step3 選擇Gene list，Step4點擊Submit list。

彈出提示，點擊「確定」。

選擇，物種為「人」後，點擊「Select Species」。

最後點擊「Show Gene list」,彈出界面。

點擊「Download File 即可查找出通路圖