深圳幻海软件技术有限公司

文章目录前言一、DataFrame创建1.1字典创建1.2NumPy二维数组创建二、DataFrame切片2.1行切片2.2列切片2.3行列切片三、DataFrame运算3.1DataFrame和标量的运算3.2DataFrame之间的运算3.3Series和DataFrame之间的运算四、Data

一、k=find(X)        返回一个包含数组X中每个非零元素的线性索引向量。        如果X为向量，则find返回方向与X相

目录简单了解索引的底层数据结构索引的概念：索引存在的意义：索引的使用：索引实现的数据结构B树B+树B+树的特点B+树的优势事物事物的概念事物的使用事物的四大特性并发可能引起的问题脏读问题不可重复读幻读事物的隔离级别简单了解索引的底层数据结构索引的概念：索引是一种特殊的文件，包含着对数据表里所有记录的

1、背景最近用到了向量搜索，所以要对milvus进行压测。同时为了更加深入分析压测中遇到的问题，也对milvus的部分源码与文档进行了走读。其中遇到了一些问题与疑惑，我们也直接与milvus社区或开源贡献者沟通。通过压测，我们发现某场景下存在milvus的性能提升不上去的问题，并给出基于该场景的解决

Numpy切片和索引ndarray对象的内容可以通过索引或切片来访问和修改，与Python中list的切片操作一样。ndarray数组可以基于0~n-1的下标进行索引，切片对象可以通过内置的slice函数，并设置start,stop及step参数进行，从原数组中切割出一个新数组。切片还可以包括省略号

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。还记得GitHub发布的新版代码搜索引擎吗？经过一番测试优化后，GitHub现在公开了背后的技术原理。最新版搜索引擎，不仅解决了之前搜代码时“驴唇不对马嘴”的情况，还可以直接用正则表达式搜索；此外也解决了部分项目上传后搜不到

一、事故背景这次事故也是我们组里遇到的一次关于分页慢查询的典型例子，通过这篇文章，你可以很清晰地跟随我们还原事故现场，以及每一步遇到问题做出的调整和改动。二、事故问题现场16:00收到同事反馈，融合系统分⻚查询可⽤率降低16:05查询接⼝UMP监控，发现接⼝TP99异常彪⾼打开机器监控，发现⼏乎所有

一、背景最近在参与 KusionStack​ 内置的领域语言—— KCL配置语言编译器 的开发，语言的语法中包括一个“索引签名”的概念，在参与社区讨论的时候发现很多小伙伴不明白这个“索引签名”是什么，于是自己也想了一下，发现自己也只是知道是什么样子，但是不知道

菜鸟供应链金融慢sql治理已经有一段时间，自己负责的应用持续很长时间没有慢sql告警，现阶段在推进组内其他成员治理应用慢sql。这里把治理过程中的一些实践拿出来分享下。一、全表扫描1.案例复制SELECTcount(*)AStmp_countFROM(SELECT*FROM`XXX_rules`WH

前言(也就是废话)今年年底，额，不对，应该说是去年了，我开始进行了一个多月的面试之旅。面试的公司并不多，但从体量上来看，基本算是一二三线的大厂都囊括了，其中还包括BAT，当然，最后我也是顺利的拿到了offer，虽然不是很理想，但我也挺满意的，毕竟对我这种一直向往大厂的人来说，能进大厂已经算是很好的一

切片(slice)是Python中一种很有特色的特性，在正式开始之前，我们先来复习一下关于切片的知识吧。切片主要用于序列对象中，按照索引区间截取出一段索引的内容。切片的书写形式：[i:i+n:m];其中，i是切片的起始索引值，为列表首位时可省略;i+n是切片的结束位置，为列表末位时可省略;m可以不提

性能优化，有时候看起来是一个比较虚的技术需求。除非代码慢的已经让人无法忍受，否则，很少有公司会有觉悟投入资源去做这些工作。即使你有了性能指标数据，也很难说服领导做一个由耗时300ms降低到150ms的改进，因为它没有业务价值。这很让人伤心，但这是悲催的现实。性能优化，通常由有技术追求的人发起，根据观

数据库的索引分为主键索引(PrimaryInkex)与普通索引(SecondaryIndex)。InnoDB和MyISAM是怎么利用B+树来实现这两类索引，其又有什么差异呢?这是今天要聊的内容。一、MyISAM的索引MyISAM的索引与行记录是分开存储的，叫做非聚集索引(UnClusteredInd

本文转载自公众号“读芯术”(ID：AI_Discovery)Python出圈了，似乎现在人人都在学Python，朋友圈的课程广告遍地跑，小学生都看起了编程入门。的确，Python是目前公认的最通用的编程语言，以其易理解易操作的优势攻占了每一个职场人大学生必备技能榜单。学会Python确实能协助你高效

Java应用性能优化是一个老生常谈的话题，典型的性能问题如页面响应慢、接口超时，服务器负载高、并发数低，数据库频繁死锁等。尤其是在“糙快猛”的互联网开发模式大行其道的今天，随着系统访问量的日益增加和代码的臃肿，各种性能问题开始纷至沓来。Java应用性能的瓶颈点非常多，比如磁盘、内存、网络I/O等系统

 在本文，我不是来告诉你Elasticsearch强大，快速并且几乎可以正常运行。在本文，我也是来告诉你Elasticsearch可能是不透明的，让人困扰，并且似乎无缘无故地出问题。在这篇在本文，我想分享我的经验和技巧，了解如何正确配置Elasticsearch并避免常见的陷阱。我写文章目

 一、问题背景现网出现慢查询，在500万数量级的情况下，单表查询速度在30多秒，需要对sql进行优化，sql如下：我在测试环境构造了500万条数据，模拟了这个慢查询。 简单来说，就是查询一定条件下，都有哪些用户的。很简单的sql，可以看到，查询耗时为37秒。说一下app_acco

继续回答水友提问(最近问MySQL的多)：沈老师，我在网上看到不同的资料，有的说InnoDB支持哈希索引，有的说不支持，到底哪个是正确的呢?对于InnoDB的哈希索引，确切的应该这么说：InnoDB用户无法手动创建哈希索引，这一层上说，InnoDB确实不支持哈希索引;InnoDB会自调优(self-

 1.【强制】业务上具有唯一特性的字段，即使是多个字段的组合，也必须建成唯一索引。说明：不要以为唯一索引影响了insert速度，这个速度损耗可以忽略，但提高查找速度是明显的；另外，即使在应用层做了非常完善的校验控制，只要没有唯一索引，根据墨菲定律，必然有脏数据产生。2.【强制】超过三个表禁

《数据库索引，到底是什么做的？》介绍了B+树，它是一种非常适合用来做数据库索引的数据结构：(1)很适合磁盘存储，能够充分利用局部性原理，磁盘预读；(2)很低的树高度，能够存储大量数据；(3)索引本身占用的内存很小；(4)能够很好的支持单点查询，范围查询，有序性查询；数据库的索引分为主键索引（Prim