大數據與優(yōu)化方法(常見(jiàn)的數據庫優(yōu)化方法)
1.有哪些常見(jiàn)的數據庫優(yōu)化方法
設計數據庫要滿(mǎn)足三大范式：第一范式：
1、內容相似的數據列必須消除（消除的辦法就是再創(chuàng )建一個(gè)數據表來(lái)存放他們，建立關(guān)聯(lián)關(guān)系）
2、必須為每一組相關(guān)數據分別創(chuàng )建一個(gè)表
3、每條數據記錄必須用一個(gè)主鍵來(lái)標示
第二范式：
1、只要數據列里面的內容出現重復，就意味著(zhù)應該把表拆分為多個(gè)表
2、拆分形成的表必須用外鍵關(guān)聯(lián)起來(lái)。
第三范式：
1、與主鍵沒(méi)有直接關(guān)系的數據列必須消除（消除的辦法就是再創(chuàng )建一個(gè)表來(lái)存放他們）
2.如何優(yōu)化操作大數據量數據庫
下面以關(guān)系數據庫系統Informix為例，介紹改善用戶(hù)查詢(xún)計劃的方法。
1.合理使用索引索引是數據庫中重要的數據結構，它的根本目的就是為了提高查詢(xún)效率。現在大多數的數據庫產(chǎn)品都采用IBM最先提出的ISAM索引結構。
索引的使用要恰到好處，其使用原則如下：●在經(jīng)常進(jìn)行連接，但是沒(méi)有指定為外鍵的列上建立索引，而不經(jīng)常連接的字段則由優(yōu)化器自動(dòng)生成索引。●在頻繁進(jìn)行排序或分組（即進(jìn)行g(shù)roup by或order by操作）的列上建立索引。
●在條件表達式中經(jīng)常用到的不同值較多的列上建立檢索，在不同值少的列上不要建立索引。比如在雇員表的“性別”列上只有“男”與“女”兩個(gè)不同值，因此就無(wú)必要建立索引。
如果建立索引不但不會(huì )提高查詢(xún)效率，反而會(huì )嚴重降低更新速度。●如果待排序的列有多個(gè)，可以在這些列上建立復合索引（compound index）。
●使用系統工具。如Informix數據庫有一個(gè)tbcheck工具，可以在可疑的索引上進(jìn)行檢查。
在一些數據庫服務(wù)器上，索引可能失效或者因為頻繁操作而使得讀取效率降低，如果一個(gè)使用索引的查詢(xún)不明不白地慢下來(lái)，可以試著(zhù)用tbcheck工具檢查索引的完整性，必要時(shí)進(jìn)行修復。另外，當數據庫表更新大量數據后，刪除并重建索引可以提高查詢(xún)速度。
2.避免或簡(jiǎn)化排序應當簡(jiǎn)化或避免對大型表進(jìn)行重復的排序。當能夠利用索引自動(dòng)以適當的次序產(chǎn)生輸出時(shí)，優(yōu)化器就避免了排序的步驟。
以下是一些影響因素：●索引中不包括一個(gè)或幾個(gè)待排序的列；●group by或order by子句中列的次序與索引的次序不一樣；●排序的列來(lái)自不同的表。為了避免不必要的排序，就要正確地增建索引，合理地合并數據庫表（盡管有時(shí)可能影響表的規范化，但相對于效率的提高是值得的）。
如果排序不可避免，那么應當試圖簡(jiǎn)化它，如縮小排序的列的范圍等。3.消除對大型表行數據的順序存取在嵌套查詢(xún)中，對表的順序存取對查詢(xún)效率可能產(chǎn)生致命的影響。
比如采用順序存取策略，一個(gè)嵌套3層的查詢(xún)，如果每層都查詢(xún)1000行，那么這個(gè)查詢(xún)就要查詢(xún)10億行數據。避免這種情況的主要方法就是對連接的列進(jìn)行索引。
例如，兩個(gè)表：學(xué)生表（學(xué)號、姓名、年齡……）和選課表（學(xué)號、課程號、成績(jì)）。如果兩個(gè)表要做連接，就要在“學(xué)號”這個(gè)連接字段上建立索引。
還可以使用并集來(lái)避免順序存取。盡管在所有的檢查列上都有索引，但某些形式的where子句強迫優(yōu)化器使用順序存取。
下面的查詢(xún)將強迫對orders表執行順序操作：SELECT * FROM orders WHERE (customer_num=104 AND order_num>1001) OR order_num=1008雖然在customer_num和order_num上建有索引，但是在上面的語(yǔ)句中優(yōu)化器還是使用順序存取路徑掃描整個(gè)表。因為這個(gè)語(yǔ)句要檢索的是分離的行的集合，所以應該改為如下語(yǔ)句：SELECT * FROM orders WHERE customer_num=104 AND order_num>1001UNIONSELECT * FROM orders WHERE order_num=1008 這樣就能利用索引路徑處理查詢(xún)。
4.避免相關(guān)子查詢(xún)一個(gè)列的標簽同時(shí)在主查詢(xún)和where子句中的查詢(xún)中出現，那么很可能當主查詢(xún)中的列值改變之后，子查詢(xún)必須重新查詢(xún)一次。查詢(xún)嵌套層次越多，效率越低，因此應當盡量避免子查詢(xún)。
如果子查詢(xún)不可避免，那么要在子查詢(xún)中過(guò)濾掉盡可能多的行。5.避免困難的正規表達式MATCHES和LIKE關(guān)鍵字支持通配符匹配，技術(shù)上叫正規表達式。
但這種匹配特別耗費時(shí)間。例如：SELECT * FROM customer WHERE zipcode LIKE “98_ _ _” 即使在zipcode字段上建立了索引，在這種情況下也還是采用順序掃描的方式。
如果把語(yǔ)句改為SELECT * FROM customer WHERE zipcode >“98000”，在執行查詢(xún)時(shí)就會(huì )利用索引來(lái)查詢(xún)，顯然會(huì )大大提高速度。 另外，還要避免非開(kāi)始的子串。
例如語(yǔ)句：SELECT * FROM customer WHERE zipcode[2,3]>“80”，在where子句中采用了非開(kāi)始子串，因而這個(gè)語(yǔ)句也不會(huì )使用索引。 6.使用臨時(shí)表加速查詢(xún)把表的一個(gè)子集進(jìn)行排序并創(chuàng )建臨時(shí)表，有時(shí)能加速查詢(xún)。
它有助于避免多重排序操作，而且在其他方面還能簡(jiǎn)化優(yōu)化器的工作。例如：SELECT cust.name,rcvbles.balance，……other columns FROM cust,rcvbles WHERE cust.customer_id = rcvlbes.customer_id AND rcvblls.balance>0 AND cust.postcode>“98000” ORDER BY cust.name 如果這個(gè)查詢(xún)要被執行多次而不止一次，可以把所有未付款的客戶(hù)找出來(lái)放在一個(gè)臨時(shí)文件中，并按客戶(hù)的名字進(jìn)行排序： SELECT cust.name,rcvbles.balance，……other columns FROM cust,rcvbles WHERE cust.customer_id = rcvlbes.customer_id AND rcvblls.balance>0 ORDER BY cust.name INTO TEMP cust_with_balance 然后以下面的方式在臨時(shí)表中查詢(xún)：SELECT * FROM cust_with_balance WHERE postcode>“98000” 臨時(shí)表中的行要比主表中的行少，而且物理順序就是所要求的順序，減少了磁盤(pán)I/O，所以查詢(xún)工作量可以得到大幅減少。
注意：臨時(shí)表創(chuàng )建后不會(huì )反映主表的修改。在主表中數據頻繁修改的情況下，注意不要丟失數據。
7.用排序來(lái)取代非順序存取非順序磁盤(pán)存取是最慢的操作，。
3.大數據挖掘常用的方法有哪些
1. Analytic Visualizations（可視化分析）
不管是對數據分析專(zhuān)家還是普通用戶(hù)，數據可視化是數據分析工具最基本的要求。可視化可以直觀(guān)的展示數據，讓數據自己說(shuō)話(huà)，讓觀(guān)眾聽(tīng)到結果。
2. Data Mining Algorithms（數據挖掘算法）
可視化是給人看的，數據挖掘就是給機器看的。集群、分割、孤立點(diǎn)分析還有其他的算法讓我們深入數據內部，挖掘價(jià)值。這些算法不僅要處理大數據的量，也要處理大數據的速度。
3. Predictive Analytic Capabilities（預測性分析能力）
數據挖掘可以讓分析員更好的理解數據，而預測性分析可以讓分析員根據可視化分析和數據挖掘的結果做出一些預測性的判斷。
4. Semantic Engines（語(yǔ)義引擎）
由于非結構化數據的多樣性帶來(lái)了數據分析的新的挑戰，需要一系列的工具去解析，提取，分析數據。語(yǔ)義引擎需要被設計成能夠從“文檔”中智能提取信息。
5. Data Quality and Master Data Management（數據質(zhì)量和數據管理）
數據質(zhì)量和數據管理是一些管理方面的最佳實(shí)踐。通過(guò)標準化的流程和工具對數據進(jìn)行處理可以保證一個(gè)預先定義好的高質(zhì)量的分析結果。
4.大數據可以解決的問(wèn)題有哪些
大數據（big data,mega data），或稱(chēng)巨量資料，指的是需要新處理模式才能具有更強的決策力、洞察力和流程優(yōu)化能力的海量、高增長(cháng)率和多樣化的信息資產(chǎn)。 在維克托·邁爾-舍恩伯格及肯尼斯·庫克耶編寫(xiě)的《大數據時(shí)代》中大數據指不用隨機分析法（抽樣調查）這樣的捷徑，而采用所有數據進(jìn)行分析處理。大數據的4V特點(diǎn)：Volume（大量）、Velocity（高速）、Variety（多樣）、Value（價(jià)值）。
大數據的價(jià)值體現在以下幾個(gè)方面：
1）對大量消費者提供產(chǎn)品或服務(wù)的企業(yè)可以利用大數據進(jìn)行精準營(yíng)銷(xiāo)
2） 做小而美模式的中長(cháng)尾企業(yè)可以利用大數據做服務(wù)轉型
3） 面臨互聯(lián)網(wǎng)壓力之下必須轉型的傳統企業(yè)需要與時(shí)俱進(jìn)充分利用大數據的價(jià)值
5.如何優(yōu)化操作大數據量數據庫
下面以關(guān)系數據庫系統Informix為例，介紹改善用戶(hù)查詢(xún)計劃的方法。
1.合理使用索引索引是數據庫中重要的數據結構，它的根本目的就是為了提高查詢(xún)效率。現在大多數的數據庫產(chǎn)品都采用IBM最先提出的ISAM索引結構。
索引的使用要恰到好處，其使用原則如下：●在經(jīng)常進(jìn)行連接，但是沒(méi)有指定為外鍵的列上建立索引，而不經(jīng)常連接的字段則由優(yōu)化器自動(dòng)生成索引。●在頻繁進(jìn)行排序或分組（即進(jìn)行g(shù)roup by或order by操作）的列上建立索引。
●在條件表達式中經(jīng)常用到的不同值較多的列上建立檢索，在不同值少的列上不要建立索引。比如在雇員表的“性別”列上只有“男”與“女”兩個(gè)不同值，因此就無(wú)必要建立索引。
如果建立索引不但不會(huì )提高查詢(xún)效率，反而會(huì )嚴重降低更新速度。●如果待排序的列有多個(gè)，可以在這些列上建立復合索引（compound index）。
●使用系統工具。如Informix數據庫有一個(gè)tbcheck工具，可以在可疑的索引上進(jìn)行檢查。
在一些數據庫服務(wù)器上，索引可能失效或者因為頻繁操作而使得讀取效率降低，如果一個(gè)使用索引的查詢(xún)不明不白地慢下來(lái)，可以試著(zhù)用tbcheck工具檢查索引的完整性，必要時(shí)進(jìn)行修復。另外，當數據庫表更新大量數據后，刪除并重建索引可以提高查詢(xún)速度。
2.避免或簡(jiǎn)化排序應當簡(jiǎn)化或避免對大型表進(jìn)行重復的排序。當能夠利用索引自動(dòng)以適當的次序產(chǎn)生輸出時(shí)，優(yōu)化器就避免了排序的步驟。
以下是一些影響因素：●索引中不包括一個(gè)或幾個(gè)待排序的列；●group by或order by子句中列的次序與索引的次序不一樣；●排序的列來(lái)自不同的表。為了避免不必要的排序，就要正確地增建索引，合理地合并數據庫表（盡管有時(shí)可能影響表的規范化，但相對于效率的提高是值得的）。
如果排序不可避免，那么應當試圖簡(jiǎn)化它，如縮小排序的列的范圍等。3.消除對大型表行數據的順序存取在嵌套查詢(xún)中，對表的順序存取對查詢(xún)效率可能產(chǎn)生致命的影響。
比如采用順序存取策略，一個(gè)嵌套3層的查詢(xún)，如果每層都查詢(xún)1000行，那么這個(gè)查詢(xún)就要查詢(xún)10億行數據。避免這種情況的主要方法就是對連接的列進(jìn)行索引。
例如，兩個(gè)表：學(xué)生表（學(xué)號、姓名、年齡……）和選課表（學(xué)號、課程號、成績(jì)）。如果兩個(gè)表要做連接，就要在“學(xué)號”這個(gè)連接字段上建立索引。
還可以使用并集來(lái)避免順序存取。盡管在所有的檢查列上都有索引，但某些形式的where子句強迫優(yōu)化器使用順序存取。
下面的查詢(xún)將強迫對orders表執行順序操作：SELECT * FROM orders WHERE (customer_num=104 AND order_num>1001) OR order_num=1008雖然在customer_num和order_num上建有索引，但是在上面的語(yǔ)句中優(yōu)化器還是使用順序存取路徑掃描整個(gè)表。因為這個(gè)語(yǔ)句要檢索的是分離的行的集合，所以應該改為如下語(yǔ)句：SELECT * FROM orders WHERE customer_num=104 AND order_num>1001UNIONSELECT * FROM orders WHERE order_num=1008 這樣就能利用索引路徑處理查詢(xún)。
4.避免相關(guān)子查詢(xún)一個(gè)列的標簽同時(shí)在主查詢(xún)和where子句中的查詢(xún)中出現，那么很可能當主查詢(xún)中的列值改變之后，子查詢(xún)必須重新查詢(xún)一次。查詢(xún)嵌套層次越多，效率越低，因此應當盡量避免子查詢(xún)。
如果子查詢(xún)不可避免，那么要在子查詢(xún)中過(guò)濾掉盡可能多的行。5.避免困難的正規表達式MATCHES和LIKE關(guān)鍵字支持通配符匹配，技術(shù)上叫正規表達式。
但這種匹配特別耗費時(shí)間。例如：SELECT * FROM customer WHERE zipcode LIKE “98_ _ _” 即使在zipcode字段上建立了索引，在這種情況下也還是采用順序掃描的方式。
如果把語(yǔ)句改為SELECT * FROM customer WHERE zipcode >“98000”，在執行查詢(xún)時(shí)就會(huì )利用索引來(lái)查詢(xún)，顯然會(huì )大大提高速度。 另外，還要避免非開(kāi)始的子串。
例如語(yǔ)句：SELECT * FROM customer WHERE zipcode[2,3]>“80”，在where子句中采用了非開(kāi)始子串，因而這個(gè)語(yǔ)句也不會(huì )使用索引。 6.使用臨時(shí)表加速查詢(xún)把表的一個(gè)子集進(jìn)行排序并創(chuàng )建臨時(shí)表，有時(shí)能加速查詢(xún)。
它有助于避免多重排序操作，而且在其他方面還能簡(jiǎn)化優(yōu)化器的工作。例如：SELECT cust.name,rcvbles.balance，……other columns FROM cust,rcvbles WHERE cust.customer_id = rcvlbes.customer_id AND rcvblls.balance>0 AND cust.postcode>“98000” ORDER BY cust.name 如果這個(gè)查詢(xún)要被執行多次而不止一次，可以把所有未付款的客戶(hù)找出來(lái)放在一個(gè)臨時(shí)文件中，并按客戶(hù)的名字進(jìn)行排序： SELECT cust.name,rcvbles.balance，……other columns FROM cust,rcvbles WHERE cust.customer_id = rcvlbes.customer_id AND rcvblls.balance>0 ORDER BY cust.name INTO TEMP cust_with_balance 然后以下面的方式在臨時(shí)表中查詢(xún)：SELECT * FROM cust_with_balance WHERE postcode>“98000” 臨時(shí)表中的行要比主表中的行少，而且物理順序就是所要求的順序，減少了磁盤(pán)I/O，所以查詢(xún)工作量可以得到大幅減少。
注意：臨時(shí)表創(chuàng )建后不會(huì )反映主表的修改。在主表中數據頻繁修改的情況下，注意不要丟失數據。
7.用排序來(lái)取代非順序存取非順序磁盤(pán)存取是最慢的操作。
