SQL跑偏
① 请列举学习C语言的过程
1. 阅读一本有意义又不失学习乐趣的书
推荐书籍《C专家编程》
这本书描述了各种搞笑八卦的事，比如设计一个程序，检查楼道自动售货机中有没有可乐？冰不冰？用LISP去控制自己楼上的电梯升降；让电脑识别自己是否为真身，以免黑客把自己困在电梯里出不来等等。当自己为编程学习感到烦躁的时候，读一读很有效果的。
2. 初学C语言
开始学习C语言的时候，建议事先给自己一个规划
比如每天必学5小时，其中看书两小时，结合视频书籍操作三小时。
3. 自选一本好教材
关于C语言学习的书籍实在太多，自选一本学习的书籍要万分慎重，在慎重考虑之后进行选择：
《C语言大全第四版》很经典的一本书
《C+Traps+and+Pitfalls》学过一段时间C语言后，读这本书对自己会有一定提升。
《C语言参考手册》可以把它比作C语言中的新华字典，可以当成工具使用。
《C程序设计语言》这本书是C语言的发明者K&R出版的书
顺序结构、选择结构、循环结构；
循环结构又分为while型、until型、for循环结构；程序流程图；
算术运算符（+ - * / %）结合方向自左向右
关系运算符（> < =="">= <= !="">
逻辑运算符(! && ||)
位运算符(<>> ~ | ^ &)
赋值运算符(=及符号扩展赋值运算符)
条件运算符(? : )
逗号运算符( , )
指针运算符（* &）
求字节运算符（sizeof）
强制类型转换运算符((类型))
分量运算符( . ->)
下标运算符([])
小编只列举出这几本书籍作为入门参考，选择入门书籍的时候要结合自身考虑清楚，万一学着学着跑偏了，谁也帮不了你！
4. 练习新手的C语言习题
网上有非常多简单的C语言练习题，下载下来不断练习反复练习。
5. 基本知识梳理
小编给大家把C语言学习的知识点给梳理一下！
算法结构：
结构化程序设计方法：
自顶向下→逐步细化→模块化设计→结构化编码。
数据类型：
常量、变量、整形变量、实型变量、字符型数组。
C的运算符有以下几种：
学习过程语言的一些基础模式：顺序与循环。切记它们是灵活多变的，死记硬背不过是白费力气！自己试着做些简单的程序，比如数据统计，一些简单的问答等。
最后
C语言学习方法总结一句话：
多看，多敲，多思考
把C语言的学习变成一种乐趣😄
无论你是自学还是在校学习，任何编程语对于初学者来说都是难的，它对每个人也同样公平，你没有用相应的付出去学习，编程语对你的回报都是微乎其微！
② mysql完全支持标准的sql语句是否正确
正确。
MySQL一直秉持的原则是实用主义。标准是什么？什么是标准？最多人使用的做法就是标准，不要削足适履。如果一个功能或者用法是很多人要求的，那么mysql开发团队就会做；如果很少的人要求某个功能或者用法，恐怕这个功能不会被优先开发，更别说为了支持标准而做无意义的开发。这种有效的实时互动，最大程度地确保了MySQL团队所做的正是大量用户所需要的，不会跑偏。并且mysql最终呈现给用户的，一定是具有大量使用需求的功能集合，大概率对大量用户也是有用的，是值得大家学习和使用的。这才是‘标准’本来的意义和价值。
③ 低代码要怎么选型才能避免踩坑求解
对于企业来说，使用低代码不仅是意味着数字化转型的开始，其实更是意味着内部开发效率提升、业务流程梳理更加清晰。
市场上的低代码平台非常多，企业应该怎么选型才能避免踩坑呢？
1、软件开发的灵活性
企业不断发展扩大，标准化的产品软件已经难以满足企业的需求，在这种情况下，低代码平台的灵活性就显得十分重要。 低代码平台凭借可视化开发模式，降低了应用软件的开发难度，如果企业使用低代码开发、好处非常多，就拿飞速低代码平台而言，能够优化流程，提升企业运作效率；节省成本，维护方便，能够起到即改即用的效果；一键升级，方便实用。
2、平台技术的先进性
随着互联网发展迅速，产品与服务要快速地适应不断变化的需求，低代码开发平台采用业内领先的SpringBoot微服务架构、支持SpringCloud模式，可以更好地满足系统快速开发、灵活拓展、无缝集成和高性能应用等综合能力。
3、是否支持私有化部署
随着互联网的发展，数据安全逐渐成为一个重点课题。可以做数据是任何企业的命脉，因此不少企业会选择将数据部署到本地。低代码开发平台的多部署模式就能解决该问题，支持多种部署模式、不同的部署方案，可以根据不同的用户在线数量及并发数量选择具体的部署方式。系统部署在本地，数据更安全可控，一次采购可重复使用，大大节省软件采购成本。而飞速低代码开发平台，不仅支持私有化部署，还能混合部署。
4、能否提供平台源码
当企业涉及到一些复杂的业务流程及功能难以实现时，低代码平台提供源码企业就根据新业务新需求二次开发，无需再重新购买额外的平台或者服务，而且对于企业来说，平台提供源码可以摆脱对原厂的依赖，保障用户在不同的应用阶段、不同层次和不同规模的服务需求都能得到满足，确保没有后顾之忧。
飞速低代码平台开发过程中源代码全部都是可见可改，代码质量更高可读性强，而且平台本身源代码大部分都是开放的，不依赖于我们运行，知识产权归属甲方；另外我们还支持复杂的全场景、提供整个开发全过程各环节工具，包括原型、建模开发、测试部署、发布流水线、运维监测等。
④ 当全栈程序员是不是很累
全栈程序员是一群特殊的程序员，他们从前到后，由内而外，几乎无所不能。很多全栈程序员都认为创业是最好的体现能力和价值的地方
前段时间听说一个新名词："全栈程序员"，google了一下，被引导到了知乎的一个讨论上：http://www.hu.com/question/22420900。楼主提出了一个问题：怎样成为全栈程工程师，本人也在上面情不自禁地回复了一下。回头想来似乎还有话要说。由于这个话题很容易跑偏，本文只把范围限定在全栈Web软件工程师，简称FSD（Full Stack Developer）。
把技术当成生活，自己逼自己的结果
其实在任何公司工作，光凭工作的内容，很难成为FSD。有朋友可能不同意了，说在创业公司有很多机会做不同的工作啊，我想说的是，即便是创业公司，公司总是有主营的业务和方向的，就算能从前到后一个人做一个网站，那又怎样，从技术上说，无非也就是掌握了一种或几种数据库，一门或几门后台语言，掌握了html,js,css...大公司呢？更难了，大公司虽然方向很多，但是越是大的公司，个人的螺丝钉效应越明显，你可能成为领域专家，但很难有机会成为完整的机器的。那么全栈程序员的磨练靠的是什么？靠的是一种打心底里的执着和毅力，把技术当成生活，自己逼自己不断的猎取知识。
难以界定，每个人都有不同的理解
刚才其实没有鄙视能够完整做网站的人，相反，很是钦佩。至少本人现在在css上还不能算能完全独立。不过每个人对FSD的定义其实不一样，这跟个人的阅历有一定的关系。只想说，既不要对自己过分自信，也不要过分贬低。一方面，人外有人，天外有天，每个人覆盖到技术领域是有差异的；另一方面，FSD其实挺不容易的，不仅不容易达到，而且不容易获得存在感。正因为见的多，所以就越觉得自己渺小，我们经常说的，真正的大牛从来就是低调和谦虚的。而FSD在任何领域都不是那种呼风唤雨的专家，别人在讨论的时候可能永远都没有你插话的机会，其实你心里知道，自己还很肤浅。个人自认为是比较接近这么一个性质的程序猿，可以从我的博客的文章内容略窥一二。但是正如我不敢斩钉截铁地将自己定性到这么个层次，恐怕很多全栈程序员也不能将自己明确在这个定位上，因为总有人能站出来给你一个"反例"。
何去何从
从知乎上的回答来看，FSD似乎并不吃香。纵观人类发展历程，更细致的社会分工造就了生产力的提高。就程序员行业而言，越来越趋于细分话，似乎也是正常的趋势。作为FSD，实际上挺难的，主要是因为精力的限制，无法在广度和深度上兼顾。尽管如此，个人觉得FSD还是有很明显的优势的：
见多识广，解决问题的手段比较多，而且往往能够触类旁通的思考；
不容易被某种技术的新衰而左右，很容易转型；
合格的FSD往往具有超强的毅力和极客精神，这在某些情况下是很有用的；
由于能力广泛，又吃苦耐劳，适合创业；
个人理解
针对Web开发的话，稍稍谈一谈个人对全栈程序员能力的界定，大牛们轻拍：
用户体验层面，html45，javascript，css23，各种前端的框架...
后台业务逻辑层面，各种编程语言，现在主流的有Java、C#、Python、Ruby、PHP、Node.js...，以及配套的各种开发框架...
辅助层面可能会涉及到C、C++等较为古老的编程语言，需要一定程度上熟悉掌握...
数据库，会设计和使用几种常用的数据库，mssql、mysql、oracle...，数据库分析和优化
架构层面，能够设计灵活可靠，易扩展的软件架构和硬件架构。这个层面上要掌握的东西就很多了，网络、存储、操作系统、web服务器、web架构，安全等等...
一些基础理论层面的东西，算法数据结构、编译原理、网络基础...
数据分析，数据挖掘
管理层面，众人拾柴火焰高，一个人再牛b，精力是有限的，如果能够聚集并领导更多的人，那就更全面了。这包括项目管理，持续集成，敏捷开发，版本控制...
移动开发
⑤ 怎样进行大数据的入门级学习
怎样进行大数据的入门级学习？
文 | 郭小贤
数据科学并没有一个独立的学科体系，统计学，机器学习，数据挖掘，数据库，分布式计算，云计算，信息可视化等技术或方法来对付数据。
但从狭义上来看，我认为数据科学就是解决三个问题：
1. datapre-processing；(数据预处理）
2. datainterpretation；（数据解读）
3.datamodeling and analysis.（数据建模与分析）
这也就是我们做数据工作的三个大步骤：
1、原始数据要经过一连串收集、提取、清洗、整理等等的预处理过程，才能形成高质量的数据；
2、我们想看看数据“长什么样”，有什么特点和规律；
3、按照自己的需要，比如要对数据贴标签分类，或者预测，或者想要从大量复杂的数据中提取有价值的且不易发现的信息，都要对数据建模，得到output。
这三个步骤未必严谨，每个大步骤下面可能依问题的不同也会有不同的小步骤，但按我这几年的经验来看，按照这个大思路走，数据一般不会做跑偏。
这样看来，数据科学其实就是门复合型的技术，既然是技术就从编程语言谈起吧，为了简练，只说说R和Python。但既然是荐数据科学方面的书，我这里就不提R/Python编程基础之类的书了，直接上跟数据科学相关的。
R programming
如果只是想初步了解一下R语言已经R在数据分析方面的应用，那不妨就看看这两本：
R inaction：我的R语言大数据101。其实对于一个没有任何编程基础的人来说，一开始就学这本书，学习曲线可能会比较陡峭。但如果配合上一些辅助材料，如官方发布的R basics（http：//cran.r-project.org/doc/contrib/usingR.pdf），stackoverflow上有tag-R的问题集（Newest ‘r’ Questions），遇到复杂的问题可在上面搜索，总会找到解决方案的。这样一来，用这本书拿来入门学习也问题不大。而且这本书作者写得也比较轻松，紧贴实战。
Dataanalysis and graphics using R：使用R语言做数据分析的入门书。这本书的特点也是紧贴实战，没有过多地讲解统计学理论，所以喜欢通过情境应用来学习的人应该会喜欢这本入门书。而且这本书可读性比较强，也就是说哪怕你手头没电脑写不了代码，有事没事拿出这本书翻一翻，也能读得进去。
但如果你先用R来从事实实在在的数据工作，那么上面两本恐怕不够，还需要这些：
Modernapplied statistics with S：这本书里统计学的理论就讲得比较多了，好处就是你可以用一本书既复习了统计学，又学了R语言。（S/Splus和R的关系就类似于Unix和Linux，所以用S教程学习R，一点问题都没有）
Datamanipulation with R：这本书实务性很强，它教给你怎么从不同格式的原始数据文件里读取、清洗、转换、整合成高质量的数据。当然和任何一本注重实战的书一样，本书也有丰富的真实数据或模拟数据供你练习。对于真正从事数据处理工作的人来说，这本书的内容非常重要，因为对于任何研究，一项熟练的数据预处理技能可以帮你节省大量的时间和精力。否则，你的研究总是要等待你的数据。
RGraphics Cookbook：想用R做可视化，就用这本书吧。150多个recipes，足以帮你应付绝大多数类型的数据。以我现在极业余的可视化操作水平来看，R是最容易做出最漂亮的图表的工具了。
Anintroction to statistical learning with application in R：这本书算是着名的the element of statistical learning的姊妹篇，后者更注重统计（机器）学习的模型和算法，而前者所涉及的模型和算法原没有后者全面或深入，但却是用R来学习和应用机器学习的很好的入口。
Ahandbook of statistical analysis using R：这本书内容同样非常扎实，很多统计学的学生就是用这本书来学习用R来进行统计建模的。
Python
Think Python，ThinkStats，Think Bayes：这是AllenB. Downey写的着名的Think X series三大卷。其实是三本精致的小册子，如果想快速地掌握Python在统计方面的操作，好好阅读这三本书，认真做习题，答案链接在书里有。这三本书学通了，就可以上手用Python进行基本的统计建模了。
PythonFor Data Analysis： 作者是pandas的主要开发者，也正是Pandas使Python能够像R一样拥有dataframe的功能，能够处理结构比较复杂的数据。这本书其实analysis讲得不多，说成数据处理应该更合适。掌握了这本书，处理各种糟心的数据就问题不大了。
Introctionto Python for Econometrics， Statistics and DataAnalysis：这本书第一章就告诉你要安装Numpy， Scipy， Matplotlib， Pandas， IPython等等。然后接下来的十好几章就是逐一介绍这几个库该怎么用。很全面，但读起来比较枯燥，可以用来当工具书。
PracticalData Analysis： 这本书挺奇葩，貌似很畅销，但作者把内容安排得东一榔头西一棒子，什么都讲一点，但一个都没讲透。这本书可以作为我们学习数据分析的一个索引，看到哪块内容有意思，就顺着它这个藤去摸更多的瓜。
PythonData Visualization Cookbook： 用Python做可视化的教材肯定不少，我看过的也就这一本，觉得还不错。其实这类书差别都不会很大，咬住一本啃下来就是王道。
Exploratory Data Analysis 和 Data Visualization
Exploratory DataAnalysis：John Tukey写于1977年的经典老教材，是这一领域的开山之作。如今EDA已经是统计学里的重要一支，但当时还是有很多人对他的工作不屑一顾。可他爱数据，坚信数据可以以一种出人意料的方式呈现出来。正是他的努力，让数据可视化成为一门无比迷人的技术。但这本书不推荐阅读了，内容略过时。要想完整地了解EDA，推荐下一本：
ExploratoryData Analysis with MATLAB：这本书虽然标题带了个MATLAB，但实际上内容几乎没怎么讲MATLAB，只是每讲一个方法的时候就列出对应的MATALB函数。这本书的重要之处在于，这是我读过的讲EDA最系统的一本书，除了对visualization有不输于John Tucky的讲解外，对于高维的数据集，通过怎样的方法才能让我们从中找到潜在的pattern，这本书也做了详尽的讲解。全书所以案例都有对应的MATALB代码，而且还提供了GUI（图形用户界面）。所以这本书学起来还是相当轻松愉悦的。
VisualizeThis：中译本叫“鲜活的数据”，作者是个“超级数据迷”，建立了一个叫http：//flowingdata.com的网页展示他的数据可视化作品，这本书告诉你该选择什么样的可视化工具，然后告诉你怎样visualize关系型数据、时间序列、空间数据等，最后你就可以用数据讲故事了。如果你只想感受一下数据可视化是个什么，可以直接点开下面这个链接感受下吧！A tour through the visualization zoo（A TourThrough the Visualization Zoo）
Machine Learning & Data Mining
这一块就不多说了，不是因为它不重要，而是因为它太太太重要。所以这一部分就推两本书，都是”世界名着“，都比较难读，需要一点点地啃。这两本书拿下，基本就算是登堂入室了。其实作为机器学习的延伸和深化，概率图模型（PGM）和深度学习（deep learning）同样值得研究，特别是后者现在简直火得不得了。但PGM偏难，啃K.Daphne那本大作实在太烧脑，也没必要，而且在数据领域的应用也不算很广。deep learning目前工业界的步子迈得比学术界的大，各个domain的应用如火如荼，但要有公认的好教材问世则还需时日，所以PGM和deep learning这两块就不荐书了。
TheElement of Statistical Learning：要学机器学习，如果让我只推荐一本书，我就推荐这本巨着。Hastie、Tibshirani、Friedman这三位大牛写书写得太用心了，大厦建得够高够大，结构也非常严谨，而且很有前瞻性，纳入了很多前沿的内容，而不仅仅是一部综述性的教材。（图表也做得非常漂亮，应该是用R语言的ggplot2做的。）这本书注重讲解模型和算法本身，所以需要具备比较扎实的数理基础，啃起这本书来才不会太吃力。事实上掌握模型和算法的原理非常重要。机器学习（统计学习）的库现在已经非常丰富，即使你没有完全搞懂某个模型或算法的原理和过程，只要会用那几个库，机器学习也能做得下去。但你会发现你把数据代进去，效果永远都不好。但是，当你透彻地理解了模型和算法本身，你再调用那几个库的时候，心情是完全不一样的，效果也不一样。
DataMining： Concepts and Techniques， by Jiawei Han and Micheline Kamber 数据挖掘的教材汗牛充栋，之所以推荐这本韩家炜爷爷的，是因为虽然他这本书的出发点是应用，但原理上的内容也一点没有落下，内容非常完整。而且紧跟时代，更新的很快，我看过的是第二版，就已经加进去了social network analysis这种当时的前沿内容。现在已经有第三版了，我还没看过，但应该也加入了不少新内容。其实这本书并不难读，只是篇幅较长，啃起来比较耗时。
其实这两本书里单拎出来一块内容可能又是几本书的节奏，比如bayesian方法，再拿出两三本书来讲也不为过，我个人用到的比较多，而且也确实有不少好书。但并非是所有data scientist都要用到，所以这一块就不再细说。
还有一些印象比较深刻的书：
Big DataGlossary： 主要讲解大数据处理技术及工具，内容涵盖了NoSQL，MapRece，Storage，Servers，NLP库与工具包，机器学习工具包，数据可视化工具包，数据清洗，序列化指南等等。总之，是一本辞典式的大数据入门指导。
Mining ofMassive Datasets：这本书是斯坦福大学Web Mining的讲义，里面很多内容与韩家炜的Data Mining那本书重合，但这本书里详细地讲了MapRece的设计原理，PageRank（Google创业时期的核心排序算法，现在也在不断优化更新）讲解得也比较详细。
DevelopingAnalytic Talent： 作者是个从事了十几年数据工作的geek，技术博客写得很有个人风格，写的内容都比较偏门，通常只有具备相关数据处理经验的人能体会出来，丝毫不照顾初学者的感受。比如他会谈到当数据流更新太快时该怎么办，或者MapRece在什么时候不好用的问题，才不管你懂不懂相关基础原理。所以这本书不太适合初学者阅读。这本书其实是作者的博客文章的集结，用how to become a data scientist的逻辑把他近几年的博客文章串联了起来。
Past， Present and Future of Statistical Science：这本书是由COPSS（统计学社主席委员会，由国际各大统计学会的带头人组成）在50周年出版的一本纪念册，里面有50位统计学家每人分别贡献出的一两篇文章，有的回忆了自己当年如何走上统计学这条路，有的探讨了一些统计学的根本问题，有的谈了谈自己在从事的前沿研究，有的则给年轻一代写下了寄语。非常有爱的一本书。
其它资料
Harvard Data Science：这是H大的Data science在线课，我没有修过，但口碑很好。这门课需要费用8千刀左右，比起华盛顿大学的4千刀的Data science在线课虽贵一倍，但比斯坦福的14千刀要便宜将近一半（而且斯坦福的更偏计算机）。如果想自学，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是来自各个domain的用Python做数据的人每年举行一次的聚会，期间会有各路牛人举行一些规模不大的seminar或workshop，有好心人已经把video上传到github，有兴趣的去认领吧（DataTau/datascience-anthology-pydata · GitHub）
工具
R/Python/MATLAB（必备）：如果是做数据分析和模型开发，以我的观察来看，使用这三种工具的最多。R生来就是一个统计学家开发的软件，所做的事也自然围绕统计学展开。MATLAB虽然算不上是个专业的数据分析工具，但因为很多人不是专业做数据的，做数据还是为了自己的domain expertise（特别是科学计算、信号处理等），而MATLAB又是个强大无比的Domain expertise工具，所以很多人也就顺带让MATLAB也承担了数据处理的工作，虽然它有时候显得效率不高。Python虽然不是做数据分析的专业软件，但作为一个面向对象的高级动态语言，其开源的生态使Python拥有无比丰富的库，Numpy， Scipy 实现了矩阵运算/科学计算，相当于实现了MATLAB的功能，Pandas又使Python能够像R一样处理dataframe，scikit-learn又实现了机器学习。
SQL（必备）：虽然现在人们都说传统的关系型数据库如Oracle、MySQL越来越无法适应大数据的发展，但对于很多人来说，他们每天都有处理数据的需要，但可能一辈子都没机会接触TB级的数据。不管怎么说，不论是用关系型还是非关系型数据库，SQL语言是必须要掌握的技能，用什么数据库视具体情况而定。
MongoDB（可选）：目前最受欢迎的非关系型数据库NoSQL之一，不少人认为MongoDB完全可以取代mySQL。确实MongoDB方便易用，扩展性强，Web2.0时代的必需品。
Hadoop/Spark/Storm（可选）： MapRece是当前最着名也是运用最广泛的分布式计算框架，由Google建立。Hadoop/Spark/storm都是基于MapRece的框架建立起来的分布式计算系统，要说他们之间的区别就是，Hadoop用硬盘存储数据，Spark用内存存储数据，Storm只接受实时数据流而不存储数据。一言以蔽之，如果数据是离线的，如果数据比较复杂且对处理速度要求一般，就Hadoop，如果要速度，就Spark，如果数据是在线的实时的流数据，就Storm。
OpenRefine（可选）：Google开发的一个易于操作的数据清洗工具，可以实现一些基本的清洗功能。
Tableau（可选）：一个可交互的数据可视化工具，操作简单，开箱即用。而且图表都设计得非常漂亮。专业版1999美刀，终身使用。媒体和公关方面用得比较多。
Gephi（可选）：跟Tableau类似，都是那种可交互的可视化工具，不需要编程基础，生成的图表在美学和设计上也是花了心血的。更擅长复杂网络的可视化。
来自知乎
以上是小编为大家分享的关于怎样进行大数据的入门级学习？的相关内容，更多信息可以关注环球青藤分享更多干货
⑥ 新装SQL server 2008 快速占满大量内存 问题蹊跷 高分求助
2008，你需要限制一下内存，不然的话你有多大内或灶存猜团孙都穗链会给你占满的