实际上它就是B树的变种，以一颗最大度数（max-degree）为4（4阶）的b+tree为例：所有的元素都会出现在叶子节点，叶子节点形成一个单向链表，每一个节点都会通过一个指针指向下一个元素。Mysql索引数据结构对经典的B+Tree树结构进行了优化。在原B+Tree树的基础上，增加了一个指向相邻叶子节点的链表指针，就形成了一个带有顺序指针的B+Tree，提高区间的访问性能。有利于数据库的排序操作。每个数据节点都是存储在一个页当中的。可以通过一个数据结构可视化的网站来简单演示一下。https://www.cs.usfca.edu/~galles/visualization/BPlusTree.
实际上它就是B树的变种，以一颗最大度数（max-degree）为4（4阶）的b+tree为例：所有的元素都会出现在叶子节点，叶子节点形成一个单向链表，每一个节点都会通过一个指针指向下一个元素。Mysql索引数据结构对经典的B+Tree树结构进行了优化。在原B+Tree树的基础上，增加了一个指向相邻叶子节点的链表指针，就形成了一个带有顺序指针的B+Tree，提高区间的访问性能。有利于数据库的排序操作。每个数据节点都是存储在一个页当中的。可以通过一个数据结构可视化的网站来简单演示一下。https://www.cs.usfca.edu/~galles/visualization/BPlusTree.
最近在数据处理中用到了窗函数,把使用方法记录一下,暂时只有分组排序和滑动时间窗口的例子,以后再逐步添加场景在SQL查询时,会遇到有两类需要分组统计的场景,在之前的SQL语法中是不方便实现的场景1:顾客维修设备的记录表,每次维修产生一条记录,每个记录包含时间,顾客ID和维修金额,要取出每个顾客的维修次数和最后一次维修时的金额场景2:还是上面的维修记录表,要取出每个顾客的每次维修之间的时间间隔场景3:一个用户账户的交易流水表,要求每个小时的交易笔数和平均收支金额,这个平均数的统计范围是两个小时(整点时间的前后一个小时)使用窗函数直接SQL中使用窗函数就能解决这些问题,否则需要使用临时表,函数或存储
最近在数据处理中用到了窗函数,把使用方法记录一下,暂时只有分组排序和滑动时间窗口的例子,以后再逐步添加场景在SQL查询时,会遇到有两类需要分组统计的场景,在之前的SQL语法中是不方便实现的场景1:顾客维修设备的记录表,每次维修产生一条记录,每个记录包含时间,顾客ID和维修金额,要取出每个顾客的维修次数和最后一次维修时的金额场景2:还是上面的维修记录表,要取出每个顾客的每次维修之间的时间间隔场景3:一个用户账户的交易流水表,要求每个小时的交易笔数和平均收支金额,这个平均数的统计范围是两个小时(整点时间的前后一个小时)使用窗函数直接SQL中使用窗函数就能解决这些问题,否则需要使用临时表,函数或存储
前言为了让大家更好的理解本期知识点，先介绍以下几个知识点：线性结构、非线性结构、循环、迭代、遍历、递归。线性结构：数组、队列非线性结构：树、图循环(loop)：最基础的概念，所有重复的行为都是循环递归(recursion)：在函数内调用自身，将复杂情况逐步转化成基本情况(数学)迭代(iterate)：在多次循环中逐步接近结果(编程)迭代(iterate)：按顺序访问线性结构中的每一项遍历(traversal)：按规则访问非线性结构中的每一项下面会挑选几个经典的案例，一块来探讨下，看看如何避免掉坑，多积累积累采坑经验。1.for+传值先来到开胃菜，热热身~typestudentstruct{na
前言为了让大家更好的理解本期知识点，先介绍以下几个知识点：线性结构、非线性结构、循环、迭代、遍历、递归。线性结构：数组、队列非线性结构：树、图循环(loop)：最基础的概念，所有重复的行为都是循环递归(recursion)：在函数内调用自身，将复杂情况逐步转化成基本情况(数学)迭代(iterate)：在多次循环中逐步接近结果(编程)迭代(iterate)：按顺序访问线性结构中的每一项遍历(traversal)：按规则访问非线性结构中的每一项下面会挑选几个经典的案例，一块来探讨下，看看如何避免掉坑，多积累积累采坑经验。1.for+传值先来到开胃菜，热热身~typestudentstruct{na
B+树索引是B+树在数据库中的一种实现，是最常见也是数据库中使用最为频繁的一种索引。B+树中的B代表平衡（balance），而不是二叉（Binary），因为B+树是从最早的平衡二叉树演化而来的。二叉查找树二叉树性质：左子树的键值小于根的键值，右子树的键值大于根的键值二叉树搜索相当于一个二分查找，时间复杂度可以达到O(log2(n))二叉树以第一个插入的数据作为根节点，在数据基本有序的情况下，二叉树的构建基本上就是一个线性链表结构。查找最后一个数据等于遍历整个链表，查询效率很低，不稳定。平衡二叉树（AVLTree）平衡二叉树（AVL树）是一颗空树或它的左右两个子树的高度差的绝对值不能超过1，并且
B+树索引是B+树在数据库中的一种实现，是最常见也是数据库中使用最为频繁的一种索引。B+树中的B代表平衡（balance），而不是二叉（Binary），因为B+树是从最早的平衡二叉树演化而来的。二叉查找树二叉树性质：左子树的键值小于根的键值，右子树的键值大于根的键值二叉树搜索相当于一个二分查找，时间复杂度可以达到O(log2(n))二叉树以第一个插入的数据作为根节点，在数据基本有序的情况下，二叉树的构建基本上就是一个线性链表结构。查找最后一个数据等于遍历整个链表，查询效率很低，不稳定。平衡二叉树（AVLTree）平衡二叉树（AVL树）是一颗空树或它的左右两个子树的高度差的绝对值不能超过1，并且
数据库中非常常用的索引数据结构——B+树，在过去很多年里它都是数据库索引的首选实现方式，但是这种数据结构也并不是很完美。因为，每次修改数据都很有可能破坏B+树的约束，我们需要对整棵树进行递归的合并、分裂等调整操作，而不同节点在磁盘上的位置很可能并不是连续的，这就导致我们需要不断地做随机写入的操作，而随机写入的性能是比较差的，这个问题在写多读少的场景下会更加明显。LSMTree（LogStructureMergeTree）是比B+树更适合写多读少场景的索引结构，也广泛应用在各大NoSQL中。比如基于LSM树实现底层索引结构的RocksDB、LevelDB。LSMTree的实现原理：LSM树包含了
数据库中非常常用的索引数据结构——B+树，在过去很多年里它都是数据库索引的首选实现方式，但是这种数据结构也并不是很完美。因为，每次修改数据都很有可能破坏B+树的约束，我们需要对整棵树进行递归的合并、分裂等调整操作，而不同节点在磁盘上的位置很可能并不是连续的，这就导致我们需要不断地做随机写入的操作，而随机写入的性能是比较差的，这个问题在写多读少的场景下会更加明显。LSMTree（LogStructureMergeTree）是比B+树更适合写多读少场景的索引结构，也广泛应用在各大NoSQL中。比如基于LSM树实现底层索引结构的RocksDB、LevelDB。LSMTree的实现原理：LSM树包含了
