贵阳建市时间？

一、贵阳建市时间？

贵阳是1941年建市。贵阳历史悠久，从春秋战国到秦汉就是牂牁夜郎古国的重要地域，至今已有1600年的历史。明永乐十一年建贵州布政使司，治所就在贵州城，后因城在贵山之阳，故改名为贵阳府，贵阳从此得名。那以后贵阳一直是贵州省的政治中心，建国后成为省会城市。

二、贵阳建城史？

也是元朝时期才开始建城的，在此之前，贵阳这片土地和其他乡村一样，并没有多少的文化和历史。元朝时期，这里也不叫“贵阳”，而是叫“顺元城”，那时候在贵州也不是什么重要的城市，只不过是一个关卡；明朝时期，名字当然不能叫顺元了，故而改名“贵州城”。

明朝时期，“贵州城”开始凸显他的重要性。朱元璋为牢牢掌控西南地区，开始屯兵西南，当时西南各地都是土司，未来保持通往云南的道路畅通，不被当地土司所控制，道路上都有屯堡，都有大明王朝的军队驻扎，而贵州城便是这条路上的一个中心点。“贵州城”越来越重要，当地土司自然对其虎视眈眈，有史可考，历史上贵阳周边的土司曾联合围攻贵阳城无数次。

为了抵御外敌，也是华夏五千年的“城墙”文化，贵阳城自然也要建立城墙，不过随着时光流转，贵阳一直不断发展，曾经的城墙已经所剩无几，有的变成了道路，有的毁掉重新建起了高楼，只有在东门文昌阁，还能看到一段断壁残垣。有城墙，自然要有城门，那些曾经的大门，很多都成为了贵阳今天的地名。例如“大西门”、“大南门”、“红边门”……

三、数据博览会为什么在贵阳？

1、政策支持。贵州是率先开放省级政府数据，建起第一个省级数据资源整合交换平台，并创建第一个国家大数据产业发展集聚区的省份。这次展会的主办方，便是贵州的各级政府单位。

2、战略支持。在大数据信息产业上，贵州是出手较快的省份，始于2013年下半年。2014年，贵州省大数据信息产业实现规模总量1460亿元，同比增长62.2%。

3、招商支持。2014年，贵州省通过北京、上海、深圳等大数据产业专场招商，签约项目282个，签约资金高达2444.25亿元。

四、贵州数据中心为什么建在贵阳？

具体分析有三大原因，天时地利人和缺一不可！

一、天时：适宜的气候条件。

贵州气候温暖湿润，属亚热带湿润季风气候区。冬暖夏凉，气候宜人。其中，最冷月（1月）平均气温在1.9℃-10.4℃，高于同纬度其他地区；最热月（7月）平均气温在17.7℃-27.9℃之间，为典型夏凉地区, 省会贵阳拥有“中国避暑之都”美誉。

二、地利：安全的地利环境、丰富的电力资源。

首先，贵州不在主要地震带上，破坏性地震风险极低。而且，贵州少有洪水。不至于在雨季动辄搞个全城大水把机房或者变电站给淹了。在经过专业的地质勘探之后，人们发现贵州不仅地广人稀，并且生各类自然灾害的概率也是非常低的。地理安全，无自然灾害之忧。

其次贵州水电资源丰富，向来都被视作南方电网的“电池”，因其蓄电量大的缘故，这里的电费也就比其他地区便宜许多了，要知道一个数据中心每年的电费就高达上亿元，因此选址在这能够省下的电费可不是一星半点儿。

三、人和：政府支持和政策的

当然，符合上述条件的地方还有很多，比如中国最大的比特币矿场所在地的四川等。但为什么偏偏是贵州、是贵阳抢到了包括苹果、华为等企业? 关键或许还是政府的支持。据中国网报道，2013 年被称为中国“大数据元年”，当年起，几乎所有世界级的互联网企业，都将业务触角延伸至大数据产业，次年 3 月，贵州便在北京举办了一场“贵州省大数据产业推介会”，而当时大部分城市都处于观望状态。、

而贵州地方政府也敢为人先，贵州省政府专门做出规定，除有特殊需求外，贵州省所有省级政务部门将不再自建机房，为政府各部门之间数据的流通创造了条件。贵州也由此建成了全国第一家省级政务云平台“云上贵州”。逐渐地，贵州成功从昔日工业时代的跟随者，悄然变成大数据时代的同行者，甚至领跑者。

另外，在人才方面，相对北上广深来说，贵州在尖端人才上虽然没什么优势，但数据中心的建设、运营和维护人才还是有的，而且数据中心本身也并不是劳动密集型产业，所需员工其实并不多。

总的来说，如今这个时代，依靠发达的网络基础设施，大公司已经完全不需要把自己的研发中心、运营中心、以及金贵的精英人才挪到贵州去，只需要把自己的大数据中心、计算资源都设立在各方面都很合适的贵州，然后在东部发达城市的办公室通过云端调用这些数据和计算资源，在成本和效率上就可以达到一个最优。这些数据中心并不需要做开发，甚至连应用也不需要做，根本用不了多少本地牛逼大学培养的牛逼人才。

五、为什么贵阳地铁声音大？

1.噪音主要来源：

（1）车轮与车轨之间摩擦。

（2）车厢与空气的摩擦

2为啥高铁比地铁的噪音小的多

（1）地铁大部分在地下，运行空间狭小不利于声音向外传播

（2）车体（车厢外部，车厢内部等），轨道的设计方面没有高铁在降噪这方面进行充分的优化。

3.噪音的危害

（1）常年坐地铁喜欢听音频，看视频的同学，为了听清不得不把声音跳高，然而这对听力将造成伤害。最好别听，采用看的方式进行学习娱乐。还可以戴个棉花球

（2）对于住在地铁站点附近的局面，噪声不进行处理，会对局面的生活造成极大的困扰，地铁都是几分钟一趟。那滋味也是酸了。

六、大数据 建库

随着互联网的快速发展，大数据技术正逐渐成为各行各业发展的关键。大数据技术的应用不仅可以帮助企业更好地理解市场和用户需求，还可以优化业务流程并提升决策效率。在这个信息爆炸的时代，建立和管理大数据库变得尤为重要。

大数据对企业的重要性

随着数据量的不断增加，传统的数据库管理方式已经无法满足企业对数据处理和分析的需求。大数据技术的出现为企业提供了全新的解决方案，能够更好地处理海量数据、实时数据以及多种数据格式。通过对大数据的深度挖掘与分析，企业可以获得更准确、更全面的市场趋势和用户行为数据，从而为产品研发、营销推广、风险控制等方面提供决策支持。

建立大数据库的重要性

建库是指按照一定的数据模型和管理规范，将不同来源、不同格式的数据集中存储在一起，并进行管理、维护和查询的过程。建立合适的大数据库不仅可以提高数据存储和处理的效率，还能够保证数据的安全性和完整性。

大数据库的建立需要考虑到数据的采集、存储、清洗、分析以及应用等环节，需要结合企业的实际需求进行定制化设计。只有建立了规范化、高效的大数据库，企业才能更好地利用大数据技术实现数据驱动决策。

大数据建库的关键步骤

1. 数据采集与整合：从不同数据源采集数据，并将其整合到统一的数据平台中。

2. 数据清洗与预处理：对原始数据进行清洗、去重、转换等操作，以确保数据的质量和一致性。

3. 数据存储与管理：选择合适的存储技术和架构，确保数据安全可靠，并能够进行高效的管理和查询。

4. 数据分析与挖掘：利用数据挖掘和机器学习等技术，发现数据中的规律和价值，为决策提供支持。

5. 数据可视化与应用：将分析结果通过可视化的方式呈现，帮助企业管理者更直观地理解数据，制定相应的决策和策略。

大数据建库的挑战与解决方案

在实际建立大数据库的过程中，企业可能面临很多挑战，如数据质量不佳、数据安全隐患、技术人才短缺等问题。针对这些挑战，企业可以采取以下解决方案：

• 加强数据治理，建立完善的数据质量监控机制。
• 采用数据加密和访问控制技术，保障数据的安全性。
• 进行技术人才的培训和引进，提升团队的数据处理和分析能力。
• 引入第三方数据服务提供商，以减轻企业自身建库的压力。

结语

大数据时代已经到来，建立合适的大数据库是企业发展的必然选择。只有通过科学的数据管理和分析，企业才能在激烈的市场竞争中立于不败之地，实现持续的创新和增长。

七、建索引 大数据

建索引 大数据

随着大数据时代的到来，数据量的急剧增长让数据处理变得更加复杂和困难。在处理大数据时，一个关键的技术是建立索引。索引是一种数据结构，用于快速定位和访问数据库中的特定数据项。在大数据环境下，建立合适的索引可以有效提高数据查询和检索的效率。

建立索引是数据库设计中的重要环节。通过为数据库表中的列创建索引，可以加快查询速度，降低数据检索的时间复杂度。在处理大数据时，选择合适的索引策略至关重要，因为不恰当的索引设计可能导致性能下降，甚至索引失效。

索引类型

在大数据环境下，常见的索引类型包括聚集索引和非聚集索引。聚集索引是按照表中数据的物理顺序构建的索引，可以加快范围查询的速度。而非聚集索引则是独立于实际数据存储顺序的索引类型，适用于频繁更新的数据表。

除了聚集索引和非聚集索引，还有唯一索引、复合索引等不同类型的索引可供选择。唯一索引确保索引列中的数值唯一性，而复合索引则是通过多个列组合建立的索引，可以加快多条件查询的速度。

索引设计原则

在为大数据表设计索引时，需要遵循一些原则来保证索引的有效性和性能提升：

• 1. 选择合适的索引列：根据数据表的查询需求和频率选择建立索引的列。
• 2. 避免过度索引：不应该为每一列都创建索引，需要根据实际情况权衡索引数量。
• 3. 定期维护索引：随着数据的变化，索引需要定期重建和优化以保持查询性能。
• 4. 使用覆盖索引：覆盖索引可以避免数据库的回表操作，提高查询效率。

在大数据环境下，索引设计的优化是数据库性能优化的关键之一。良好的索引设计可以显著提升数据查询效率，降低系统负载，从而提升整体的数据处理能力。

大数据索引实践

针对大数据环境下的索引实践，可以采取一些策略和方法来优化索引设计：

• 1. 数据分区索引：将大数据表分成多个分区，为每个分区建立独立的索引，可以降低单个索引的大小，提高查询效率。
• 2. 垂直分割表：将大数据表按照列的不同特点进行垂直分割，根据查询需求建立相应索引，提高查询性能。
• 3. 水平分割表：将大数据表按照行进行水平分割，将数据均匀分布在不同节点上，建立分布式索引，提高查询并发性能。

综上所述，建立索引是大数据处理中的重要技术之一。通过合理的索引设计和优化，可以提高数据查询效率，降低系统负载，从而实现更高效的数据处理和分析。在处理大数据时，我们应该根据具体场景和需求选择合适的索引策略，保证数据处理流程的高效性和稳定性。

八、如何建大数据

在当今数字化时代，大数据已经成为企业业务成功的重要组成部分。无论是从市场营销、客户关系管理，还是生产运营和风险管理等方面来看，大数据都扮演了至关重要的角色。然而，许多企业面临一个共同的挑战，那就是如何建立起一个高效且可靠的大数据基础设施。

理解大数据基础设施的重要性

要想有效地利用大数据，建立一个可靠的基础设施是至关重要的。一个完善的大数据基础设施不仅可以帮助企业更好地收集、存储和处理数据，还能够提供高效的分析和决策支持。因此，如何建立一个可靠的大数据基础设施显得尤为重要。

步骤一：确定需求和目标

在构建大数据基础设施之前，企业首先需要明确自身的需求和目标。这包括确定要处理的数据类型、数据量以及数据处理的频率等。只有充分了解自身需求，企业才能选择合适的技术和工具来建立大数据基础设施。

步骤二：选择合适的技术和工具

根据需求和目标，企业需要选择适合自身业务的大数据技术和工具。常见的大数据技术包括Hadoop、Spark、Kafka等，这些技术能够帮助企业高效地处理海量数据，并提供快速的分析和查询功能。

此外，还需要考虑到数据安全性、可扩展性和性能等方面，选择技术和工具时要谨慎，确保能够满足企业未来的发展需求。

步骤三：设计数据架构

设计合理的数据架构可以帮助企业更好地管理和利用数据。在设计数据架构时，需要考虑到数据的存储、处理和访问方式，确保数据结构清晰、高效。

根据数据的特点和需求，可以选择不同的数据架构模型，比如数据湖、数据仓库等，这些模型能够帮助企业更好地组织和管理数据。

步骤四：建立数据管道

建立高效的数据管道可以帮助企业实现数据的自动化流动和转换，提高数据处理的效率和准确性。企业可以利用各种ETL工具和数据集成技术，构建稳定可靠的数据管道，实现数据的采集、清洗、转换和加载。

步骤五：数据质量管理

数据质量是大数据基础设施建设中一个至关重要的环节。企业需要确保数据的准确性、完整性和一致性，以保证数据分析和决策的有效性。因此，建立数据质量管理机制是非常必要的。

企业可以借助数据质量工具和技术，对数据进行监控和评估，及时发现和解决数据质量问题，确保数据的可靠性和稳定性。

结论

建立一个高效且可靠的大数据基础设施对于企业来说至关重要。通过理解需求和目标、选择合适的技术和工具、设计合理的数据架构、建立数据管道和进行数据质量管理，企业可以建立起一个强大的大数据基础设施，为业务发展提供有力支持。

九、贵阳建城面积多少？

在住建部《2021年城市建设统计年鉴》中，贵阳市的建成区面积达到了369平方公里，在全国各大城市里排名第27位。贵阳市辖区面积8034平方公里，其位于贵州省地理中心，地理位置优越。

十、数据库为什么要建索引？

在满足语句需求的情况下，尽量少的访问资源是数据库设计的重要原则，这和执行的 SQL 有直接的关系，索引问题又是 SQL 问题中出现频率最高的，常见的索引问题包括：无索引（失效）、隐式转换。1. SQL 执行流程看一个问题，在下面这个表 T 中，如果我要执行 需要执行几次树的搜索操作，会扫描多少行？

这分别是 ID 字段索引树、k 字段索引树。

这条 SQL 语句的执行流程：

1. 在 k 索引树上找到 k=3，获得 ID=3002. 回表到 ID 索引树查找 ID=300 的记录，对应 R33. 在 k 索引树找到下一个值 k=5，ID=5004. 再回到 ID 索引树找到对应 ID=500 的 R4

5. 在 k 索引树去下一个值 k=6，不符合条件，循环结束

这个过程读取了 k 索引树的三条记录，回表了两次。因为查询结果所需要的数据只在主键索引上有，所以必须得回表。所以，我们该如何通过优化索引，来避免回表呢？2. 常见索引优化2.1 覆盖索引覆盖索引，换言之就是索引要覆盖我们的查询请求，无需回表。

如果执行的语句是 ，这样的话因为 ID 的值在 k 索引树上，就不需要回表了。

覆盖索引可以减少树的搜索次数，显著提升查询性能，是常用的性能优化手段。

但是，维护索引是有代价的，所以在建立冗余索引来支持覆盖索引时要权衡利弊。

2.2 最左前缀原则

B+ 树的数据项是复合的数据结构，比如 的时候，B+ 树是按照从左到右的顺序来建立搜索树的，当 这样的数据来检索的时候，B+ 树会优先比较 name 来确定下一步的检索方向，如果 name 相同再依次比较 sex 和 age，最后得到检索的数据。

可以清楚的看到，A1 使用 tl 索引，A2 进行了全表扫描，虽然 A2 的两个条件都在 tl 索引中出现，但是没有使用到 name 列，不符合最左前缀原则，无法使用索引。所以在建立联合索引的时候，如何安排索引内的字段排序是关键。评估标准是索引的复用能力，因为支持最左前缀，所以当建立（a，b）这个联合索引之后，就不需要给 a 单独建立索引。原则上，如果通过调整顺序，可以少维护一个索引，那么这个顺序往往就是需要优先考虑采用的。上面这个例子中，如果查询条件里只有 b，就是没法利用（a，b）这个联合索引的，这时候就不得不维护另一个索引，也就是说要同时维护（a，b）、（b）两个索引。这样的话，就需要考虑空间占用了，比如，name 和 age 的联合索引，name 字段比 age 字段占用空间大，所以创建（name，age）联合索引和（age）索引占用空间是要小于（age，name）、(name）索引的。

2.3 索引下推

以人员表的联合索引（name, age）为例。如果现在有一个需求：检索出表中“名字第一个字是张，而且年龄是26岁的所有男性”。那么，SQL 语句是这么写的

通过最左前缀索引规则，会找到 ID1，然后需要判断其他条件是否满足在 MySQL 5.6 之前，只能从 ID1 开始一个个回表。到主键索引上找出数据行，再对比字段值。而 MySQL 5.6 引入的索引下推优化(index condition pushdown)，可以在索引遍历过程中，对索引中包含的字段先做判断，直接过滤掉不满足条件的记录，减少回表次数。这样，减少了回表次数和之后再次过滤的工作量，明显提高检索速度。

2.4 隐式类型转化

隐式类型转化主要原因是，表结构中指定的数据类型与传入的数据类型不同，导致索引无法使用。所以有两种方案：

修改表结构，修改字段数据类型。

修改应用，将应用中传入的字符类型改为与表结构相同类型。

3. 为什么会选错索引3.1 优化器选择索引是优化器的工作，其目的是找到一个最优的执行方案，用最小的代价去执行语句。在数据库中，扫描行数是影响执行代价的因素之一。扫描的行数越少，意味着访问磁盘数据的次数越少，消耗的 CPU 资源越少。当然，扫描行数并不是唯一的判断标准，优化器还会结合是否使用临时表、是否排序等因素进行综合判断。

3.2 扫描行数

MySQL 在真正开始执行语句之前，并不能精确的知道满足这个条件的记录有多少条，只能通过索引的区分度来判断。显然，一个索引上不同的值越多，索引的区分度就越好，而一个索引上不同值的个数我们称为“基数”，也就是说，这个基数越大，索引的区分度越好。

MySQL 使用采样统计方法来估算基数：采样统计的时候，InnoDB 默认会选择 N 个数据页，统计这些页面上的不同值，得到一个平均值，然后乘以这个索引的页面数，就得到了这个索引的基数。而数据表是会持续更新的，索引统计信息也不会固定不变。所以，当变更的数据行数超过 1/M 的时候，会自动触发重新做一次索引统计。

在 MySQL 中，有两种存储索引统计的方式，可以通过设置参数 innodb_stats_persistent 的值来选择：

on 表示统计信息会持久化存储。默认 N = 20，M = 10。

off 表示统计信息只存储在内存中。默认 N = 8，M = 16。

由于是采样统计，所以不管 N 是 20 还是 8，这个基数都很容易不准确。所以，冤有头债有主，MySQL 选错索引，还得归咎到没能准确地判断出扫描行数。

可以用 来重新统计索引信息，进行修正。

3.3 索引选择异常和处理1. 采用 force index 强行选择一个索引。2. 可以考虑修改语句，引导 MySQL 使用我们期望的索引。3. 有些场景下，可以新建一个更合适的索引，来提供给优化器做选择，或删掉误用的索引。