- 综合排序
- 最热优先
- 最新优先
- 来自专栏五分钟学算法
数据结构与算法——2-3树
因此，引入了 2-3 树来提升效率。2-3 树本质也是一种平衡搜索树，但 2-3 树已经不是一棵二叉树了，因为 2-3 树允许存在 3 这种节点，3- 节点中可以存放两个元素，并且可以有三个子节点。 2-3 树定义 2-3 树的定义如下： （1）2-3 树要么为空要么具有以下性质： （2）对于 2- 节点，和普通的 BST 节点一样，有一个数据域和两个子节点指针，两个子节点要么为空，要么也是一个2 -3树，当前节点的数据的值要大于左子树中所有节点的数据，要小于右子树中所有节点的数据。 （3）对于 3- 节点，有两个数据域 a 和 b 和三个子节点指针，左子树中所有的节点数据要小于a，中子树中所有节点数据要大于 a 而小于 b ，右子树中所有节点数据要大于 b 。 2-3树查找 2-3 树的查找类似二叉搜索树的查找过程，根据键值的比较来决定查找的方向。 例如在图 2.1 所示的 2-3 树中查找键为H的节点： ?
94810发布于 2019-09-03 - 来自专栏mysql
hhdb数据库介绍(2-3)
可查看被执行SQL语句的路由计划，展示SQL通过计算节点路由分析后具体下发的数据节点，为用户提供SQL下发情况预测信息。 有助于系统出现异常时，进行问题排查、分析。 操作日志智能分析 管理平台提供统计select、insert、update、delete、事务开启、提交、回滚等SQL语句执行耗时及执行次数详情的操作日志智能分析功能。 用户也可以自主查询页面统计结果得到SQL执行的情况，分析出哪些SQL语句需要优化，有利于系统性能提升。 业务数据汇报 可对年度集群运行状况的关键数据进行汇总报告，以便了解集群运行状况。 当出现异常问题或故障时，如果信息收集不全面，分析排查比较困难。利用信息收集工具可快速在出现问题时，搜集分析所需的日志与配置文件信息，从而提高问题排查的速度与效率。
93710编辑于 2025-03-07 - 来自专栏JAVA高级架构
Java数据结构与算法解析——2-3树
平衡查找树的数据结构能够保证在最差的情况下也能达到lgN的效率，要实现这一目标我们需要保证树在插入完成之后始终保持平衡状态，这就是平衡查找树(Balanced Search Tree)。 2-3查找树概述 2-3树是最简单的B-树（或-树）结构，其每个非叶节点都有两个或三个子女，而且所有叶都在统一层上。2-3树不是二叉树，其节点可拥有3个孩子。不过，2-3树与满二叉树相似。 一棵2-3查找树或为一颗空树，或由以下节点组成： 1)2-节点：含有一个键和两条链接，左链接指向的2-3树中的键都小于该节点，右链接指向的2-3树中的键都大于该节点。 分析 完全平衡的2-3查找树如下图，每个根节点到叶子节点的距离是相同的： ? 下面是2-3查找树的效率： ? 最后贴上一张2-3树的构造过程： ? JAVA架构
1.6K70发布于 2018-04-19 - 来自专栏desperate633
第2-3课 检索数据检索列检索排序数据
这两课主要介绍sql中利用select语句对数据的简单检索。 检索前几列或者后几列 select prod_name from products limit 5; select prod_name from products limit 5 offset 5; 检索排序数据
1.4K20发布于 2018-08-22 AI能力不是瓶颈！上下文管理带来2-3倍吞吐提升
AI 的能力不是瓶颈，上下文管理才是 AI 的能力不是瓶颈，上下文管理才是。 这句话来自一个在真实代码库中跑出 2 到 3 倍吞吐量提升的团队。 模型的能力早就过剩了，真正决定 AI 产出上限的，是你给它看什么、怎么给。 1 01 上下文，是 AI 的工作台 想象一个顶级工程师被请到你的工地上，但你没有给他图纸，只给了他一句『把楼盖好』。 大多数团队的 AI 效率上不去，不是模型不行，是上下文没管理：要么什么都不给，让 AI 在十万行代码里裸奔；要么什么都给，把整个仓库塞进上下文，让模型在噪音里找信号。 AI 每偏离计划一步，就多一分不可控；每多一次『我觉得』，就离上下文里的共识远一步。减少干扰，就是减少 AI 的『自由意志』：只做计划里的事，做完就停，等下一轮计划。 AI 从头到尾都只是一个执行者，思考的重担始终在人这边。 最值得记住的一句话：不要把思考工作外包出去。AI 不会替你思考，它只会放大你已经做的思考——或者你没有做的思考。
8800编辑于 2026-09-16- 来自专栏深入理解Android
Java数据结构与算法解析(十)——2-3树
平衡查找树的数据结构能够保证在最差的情况下也能达到lgN的效率，要实现这一目标我们需要保证树在插入完成之后始终保持平衡状态，这就是平衡查找树(Balanced Search Tree)。 2-3查找树概述 2-3树是最简单的B-树（或-树）结构，其每个非叶节点都有两个或三个子女，而且所有叶都在统一层上。2-3树不是二叉树，其节点可拥有3个孩子。不过，2-3树与满二叉树相似。 2)3-节点：含有两个键和三条链接，左链接指向的2-3树中的键都小于该节点，中链接指向的2-3树中的键都位于该节点的两个键之间，右链接指向的2-3树中的键都大于该节点。 如下图所示： 分析 完全平衡的2-3查找树如下图，每个根节点到叶子节点的距离是相同的： 2-3树的查找效率与树的高度是息息相关的: 1.在最坏的情况下，也就是所有的节点都是2-node节点 下面是2-3查找树的效率： 最后贴上一张2-3树的构造过程：
62110编辑于 2022-06-22 - 来自专栏Elastic Stack专栏
通过 OpenTelemetry 分析 AI Agent 数据
—— 以 hermes_agent 的 gen_ai.* 数据为例本文以 Elastic 中一个真实的 Agent 服务 hermes_agent（数据流 traces-generic.otel-default ）为例，讲清楚：LLM 的每一次调用会在 OpenTelemetry span 里留下哪些字段、每个字段装的是什么、input 与 output 字段之间是什么关系、以及如何用 ES|QL 去分析、理解并利用这些数据 其它有用的 gen_ai 元数据字段字段含义attributes.gen_ai.operation.name操作类型（如 chat）attributes.gen_ai.provider.name / system 实战 ES|QL 分析范式提示：pipeline 抽出的字段名里含点号，在 ES|QL 中需用反引号包裹，如 `attributes.gen_ai.output.messages_tool_names` 小结一次 LLM 调用 = 一个 span，gen_ai.input.messages / gen_ai.output.messages 承载原始对话，pipeline 把它们拆成可分析的结构化字段。
27711编辑于 2026-07-19 - 来自专栏yaphetsfang
算法和数据结构: 八 平衡查找树之2-3树
本文及后面文章介绍的平衡查找树的数据结构能够保证在最差的情况下也能达到lgN的效率，要实现这一目标我们需要保证树在插入完成之后始终保持平衡状态，这就是平衡查找树(Balanced Search Tree 所以这里会介绍一些新的数据结构来保证在最坏的情况下插入和查找效率都能保证在对数的时间复杂度内完成。本文首先介绍2-3查找树(2-3 Search Tree)，后面会在此基础上介绍红黑树和B树。 所以只需要常数次操作即可完成2-3树的平衡。 ? 性质 这些本地操作保持了2-3树的平衡。对于4-node节点变形为2-3节点，变形前后树的高度没有发生变化。 分析 完全平衡的2-3查找树如下图，每个根节点到叶子节点的距离是相同的： ? 2-3树的查找效率与树的高度是息息相关的。 在2-3查找树基础上改进的红黑树不仅具有较高的效率，并且实现起来较2-3查找树简单。 但是2-3查找树作为一种比较重要的概念和思路对于后文要讲到的红黑树和B树非常重要。
1.3K20发布于 2020-07-30 - 来自专栏DT数据侠
大数据行业洞察：未来2-3年或迎数据时代的真正高潮
随着大数据被应用到各行各业，大多数行业的数据准备并不充分，数据基础薄弱。要想使数据产生价值，发挥更大的作用，势必需要大量的数据归集与治理，这就是数据优化商的角色。 所以，客户对外部数据合作伙伴的诉求，是“外部数据”+数据处理”（包括数据处理系统以及数据处理能力）+“数据融合”（这并不等同于数据处理，主要侧重于数据应用；不但需要数据服务提供商具有丰富的数据应用经验， ，基础薄弱 误区一：大数据等于买数据 很多行业客户最初对外部数据的认知是从购买外部数据开始。 无论是“大数据等于买数据”，还是对“大数据是万能的”，还是“有大量数据就能产生巨大价值”都反映了数据应用在大数据在行业的应用尚属初级阶段。 随着技术和数据的进一步成熟，随着行业的深入，相信不远的未来（可能是2-3年）将会迎来数据时代的真正高潮！ 注：以上内容根据中关村老李在数据侠线上实验室的演讲实录整理，内容有所删减，已经本人审阅。
43000发布于 2018-08-08 - 来自专栏嵌入式音视频
【AI】数据分析-数据可视化模块
NumPy(Numerical Python) 是科学计算基础库，提供大量科学计算相关功能，比如数据统计，随机数生成等。 Numpy 是 Python 语言在科学计算领域取得成功的关键之一，如果想通过 Python 语言学习数据科学、人工智能（包括深度学习、语言处理等分支），就必须学习 Numpy。
1.1K20编辑于 2023-03-16 - 来自专栏Dance with GenAI
AI数据分析：集中度分析和离散度分析
在deepseek中输入提示词： 你是一个Python编程专家，要完成一个Python脚本编写的任务，具体步骤如下： 读取Excel表格："F:\AI自媒体内容\AI行业数据分析\toolify月榜\toolify2023 2列第21行-31行； 然后按照上面的计算步骤一直计算到第15列第21行-31行； 计算第2列第1行（设为数据起点）到第15列第1行（设为数据终点）数据组的简单年均增长率，写入第16列第1行，然后计算第 2行，第3行数据，一直计算到第20行； 计算第2列第1行（设为数据起点）到第15列第1行（设为数据终点）数据组的复合年均增长率，然后计算第2行，第3行数据，一直计算到第20行； 注意：每一步都输出信息到屏幕 但是代码要整合在一起 计算复合年均增长率的时候，年数n是固定值:13 源代码： import pandas as pd import numpy as np # 读取Excel文件 file_path = "F:\\AI 自媒体内容\\AI行业数据分析\\toolify月榜\\toolify2023年-2024年月排行榜汇总数据.xlsx" df = pd.read_excel(file_path) # 计算第2列到第15
53510编辑于 2024-06-24 - 来自专栏华章科技
大数据行业洞察：未来2-3年或迎数据时代的真正高潮
随着大数据被应用到各行各业，大多数行业的数据准备并不充分，数据基础薄弱。要想使数据产生价值，发挥更大的作用，势必需要大量的数据归集与治理，这就是数据优化商的角色。 所以，客户对外部数据合作伙伴的诉求，是“外部数据”+数据处理”（包括数据处理系统以及数据处理能力）+“数据融合”（这并不等同于数据处理，主要侧重于数据应用；不但需要数据服务提供商具有丰富的数据应用经验， ，基础薄弱 误区一：大数据等于买数据 很多行业客户最初对外部数据的认知是从购买外部数据开始。 无论是“大数据等于买数据”，还是对“大数据是万能的”，还是“有大量数据就能产生巨大价值”都反映了数据应用在大数据在行业的应用尚属初级阶段。 随着技术和数据的进一步成熟，随着行业的深入，相信不远的未来（可能是2-3年）将会迎来数据时代的真正高潮！ 来源：DT数据侠
25710发布于 2018-08-17 - 来自专栏Dance with GenAI
AI数据分析：根据Excel表格数据进行时间序列分析
ChatGPT中输入提示词： 你是一个Python编程专家，要完成一个Python脚本编写的任务，具体步骤如下： 读取Excel表格："F:\AI自媒体内容\AI行业数据分析\toolify月榜\toolify2023 年-2024年月排行榜汇总数据.xlsx" 用matplotlib绘制一个折线图： X轴为单元格B1到单元格O1的表头； Y轴为第1行到第20行的数据，标签为：月访问量； 用每个单元格A2到A21对应的数据绘制折线图 自媒体内容\AI行业数据分析”，图片标题为：2023年Top20 AI应用近一年的发展趋势； 显示图片； 注意：每一步都输出信息到屏幕 源代码： import pandas as pd import matplotlib.pyplot 自媒体内容\AI行业数据分析\toolify月榜\toolify2023年-2024年月排行榜汇总数据.xlsx' try: df = pd.read_excel(file_path) print("Excel 应用近一年的发展趋势') plt.xlabel('月份') plt.ylabel('月访问量') plt.legend() # 保存图片 output_dir = r'F:\AI自媒体内容\AI行业数据分析
96910编辑于 2024-06-24 - 来自专栏山行AI
PandasAI——让AI做数据分析
前言 PandasAI是一款数据分析领域的ChatGPT应用，本文对原项目进行翻译旨在进行知识科普和梳理。 这个项目的github地址为：https://github.com/gventuri/pandas-ai PandasAI Pandas AI 是一个 Python 库，它为 Pandas（一款流行的数据分析和操作工具 它使 Pandas 具有对话能力，允许你向你的数据以 Pandas DataFrame 的形式提问并获得答案。 隐私和安全 为了生成运行的 Python 代码，我们取 dataframe 的head，将其随机化（对敏感数据使用随机生成，对非敏感数据进行打散）并只发送head。 PandasAI对象 我们主要关注一下它的run方法： 环境变量 由于需要借助LLM（大模型）的能力进行分析结果生成，这里需要设置LLM的API key。
2.6K40编辑于 2023-06-14 AI数据投毒技术详解与风险分析
什么是AI投毒？一位计算机科学家为您解释投毒这个词通常与人体和自然环境相关。但它也日益成为人工智能（AI）领域中的一个问题——尤其是对于像ChatGPT和Claude这样的大型语言模型。 事实上，某中心AI安全研究所、艾伦图灵研究所和Anthropic本月早些时候发布的一项联合研究发现，仅需将250个恶意文件插入模型训练数据中的数百万文件里，就能秘密地“毒害”模型。 那么，究竟什么是AI投毒？它带来了哪些风险？什么是AI投毒？一般而言，AI投毒指的是故意向AI模型传授错误知识的过程。其目的是污染模型的知识或行为，导致其表现不佳、产生特定错误或展现出隐藏的恶意功能。 例如，2023年3月，某机构在发现一个漏洞短暂暴露了用户的聊天标题和一些账户数据后，短暂地将ChatGPT下线。有趣的是，一些艺术家已将数据投毒用作一种防御机制，以对抗未经许可抓取其作品的AI系统。 这确保了任何抓取其作品的AI模型都会产生扭曲或无法使用的结果。所有这些都表明，尽管围绕AI的宣传沸沸扬扬，但这项技术远比看上去的更为脆弱。
91410编辑于 2026-01-18- 来自专栏喔家ArchiSelf
AI 驱动的数据分析：Data Agent
此外，还出现了许多强调数据目录的数据治理解决方案。而今，我们有了更多的工具，强调了与传统数据分析不同的软件工程原则。 那么，AI会应用到数据分析领域的哪些方面呢？ 如果没有AI辅助的数据建模和数据治理，整个方案很可能会失败。 2.1 精确分析 对数据建模的重新强调似乎令数据分析领域形成了闭环。 AI的能力几乎可以即时访问数据并获得新的见解。这种能够精确得到人们所需要的东西的能力称之为 “精确分析”。“有了这么多可能的数据和度量的组合，精确分析允许AI根据用例对数据进行正确的转换。 这些原型允许AI系统建立护栏，并提高 RAG 的精度。 3. AI 驱动的数据分析 我们能够利用AI来解决数据领域的一些基本问题。 AI驱动数据分析的收益 那么，谁能从这样的AI解决方案中受益呢？ 主要受益者是数据团队和业务用户 (即数据使用者)。
2.9K11编辑于 2025-03-17 AI开始争夺专家数据|爱分析访谈
围绕AI数据服务的产业演进、具身智能的数据路线、仿真与真实数据的关系，以及流程工业如何组织专家数据，爱分析与张梦轩展开了深入交流。核心观点通用标注正在收缩，行业数据需求才刚开始。 01 通用标注正在收缩，行业数据需求才刚开始爱分析：AI数据服务已经发展了很多年，这一轮大模型和具身智能带来的需求，与过去有什么不同？张梦轩：是的，AI数据服务行业由来已久。 爱分析：行业场景里的情况有什么不同？张梦轩：行业AI的落地整体滞后于通用AI，而且行业壁垒越深，专业数据的价值越高。在制造、能源、医疗等领域，即使只是判断“这是什么”，也可能存在很高的知识门槛。 爱分析：同样从事数据服务，为什么Scale AI等海外公司的估值明显更高？张梦轩：这个差距不能只从“数据标注”本身来看。第一是技术和产品能力。 爱分析：流程工业具体有哪些AI数据需求？张梦轩：流程工业大致可以分为研发设计、生产制造、智能运维和企业运营几个环节，这些环节都有数据需求。
17510编辑于 2026-09-18生成式AI加速医疗数据分析
通过根据精确的提示词生成可用的分析代码，这些系统显著缩短了处理健康数据所需的时间。为了直接比较性能，研究人员将相同的任务分配给不同的组别。 这种优势源于AI能够基于简短但高度具体的提示编写分析代码。并非所有系统都表现良好。在8个AI聊天机器人中，只有4个生成了可用的代码。尽管如此，那些成功的系统不需要大型专家团队来指导。 “这些AI工具可以缓解数据科学中最大的瓶颈之一：构建我们的分析流程，”某机构的儿科教授、某计算健康科学研究所临时主任兼某机构早产研究中心的首席研究员Marina Sirota博士表示，“对于现在就需要帮助的患者来说 然而，分析如此庞大而复杂的数据集被证明具有挑战性。为了解决这个问题，研究人员求助于一个名为DREAM的全球众包竞赛。Sirota共同领导了三个DREAM妊娠挑战中的一个，重点关注阴道微生物组数据。 AI系统分析了阴道微生物组数据以识别早产迹象，并检查了血液或胎盘样本以估算孕龄。妊娠 dating 几乎总是一个估计值，但它决定了女性在妊娠过程中接受的护理类型。
22810编辑于 2026-04-13基于 AI 的数据分析框架思路
一、核心观点：AI数据分析不是“自动做报表”，而是重构决策系统很多企业谈AI数据分析，第一反应是把自然语言转成SQL，或者让大模型自动生成图表。 三、第一层：业务决策层，先定义“为什么分析”AI数据分析最容易失败的地方，是从数据开始，而不是从问题开始。数据本身没有方向。 好的问题地图会让AI的能力有边界、有方向。它把“让AI帮我分析一下数据”变成“让AI围绕某个业务假设，调用可信数据，给出可验证的判断”。 传统报表里，错误可能表现为一个数字不对；AI分析里，错误会扩展成一整套看似合理的叙事。所以，AI数据分析必须有比传统BI更强的数据治理。 十二、衡量标准：AI数据分析是否真的有效评价AI数据分析，不能只看回答速度或使用次数。更关键的是它是否改善了决策质量。
44621编辑于 2026-06-22AI开始接管数据生产|爱分析访谈
数据生产方式正在被AI改造。在语音、语言和文本等成熟场景中，超过90%的数据已经可以由模型自动处理。 AI企业需要的是可以直接用于模型训练的数据产品，服务范围已经覆盖规划、采集、治理、标注、质检和持续运营。模型效果是高质量数据的最终标准。 谭昶：飞数前身为科大讯飞内部拥有逾20年历史的AI资源部、大数据研究院等数据团队。 飞数从成立之初就定位为数据技术服务商，飞数业务链条覆盖原始数据采集、加工治理、人工标注及AI预标注深加工等全流程，最终目标是将数据资源转化为可市场化变现的数据资产。 技术方面，我们推进数据生产智能平台建设，将AI预标注、自动化质检、流程调度与专家校准等能力深度集成于统一平台。
12510编辑于 2026-09-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号