对group by分组后的结果进行过滤（注意此时过滤的数据粒度不是单条记录，而是整个分组）。所以从执行顺序可以看出筛选条件放在where和on中，最本质的区别是过滤的时机不同，保留了左表的全部记录，逻辑上和先从右表筛选，拿筛选后的结果和左表关联的效果一样。：确定数据源是什么，from后可以是单表，可以是多表的join操作。：选择结果字段（窗口函数的执行时机也在此时）。：对where筛选后的结果分组

位运算符包括按位与、按位异或、按位或、按位取反、左移<<、右移>>

1）直接更新，也就是用业务库中发生变化的数据覆写数仓中的数据，这种实现方式可以保持数仓与业务库数据保持一致，缺点是只能保存当前最新的数据，对这条数据修改之前的历史数据不做维护，一般很少采用这种实现方式，除非历史数据本身就是错误的，没有使用价值。此时这张拉链表就是只包含最新的记录信息，而上面那张拉链表中包含的既可能有最新的信息，也可能有历史的记录信息，此时我们需要把原始的那张拉链表中的。后续对拉链表

问题描述：求将正整数 n 无序拆分成最大数为 k 的拆分方案个数，要求所有的拆分方案不重复。例如 n=5, k=5时, 对应的拆分方案如下：5 = 55 = 4 +１5 = 3 + 25 = 3 + 1 + 15 = 2 + 2 + 15 = 2 + 1 + 1 + 15 = 1 + 1 + 1 + 1 + 1dp求解问题的特点：最优性原理，无后效性，重叠子问题。dp求解的核心就是得到状态转移方程

一、哈夫曼树（一）什么是哈夫曼树（二）哈夫曼树的构建（三）哈夫曼树的几个特点（四）java代码构建哈夫曼树二、哈夫曼树拓展：构建最优k叉树三、哈夫曼编码一、哈夫曼树（一）什么是哈夫曼树哈夫曼树也叫最优树，那它具体优在什么地方？要弄懂这个问题我觉得先搞明白什么是判定树。引用百度百科的原话是：决策树(Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等

关于邻接矩阵和邻接表：https://blog.csdn.net/namewdy/article/details/105668761下面都以此图进行遍历：1.深度优先搜索深度优先搜索，Depth First Search，简称DFS。对于一个连通图，深度优先遍历的过程：从图中一个顶点 vvv 出发并访问 vvv 。找到刚访问顶点的第一个未被访问的邻接点并访问，并继续以该邻接点作为刚访问过的顶点，重

正则表达式（regular expression）是一种针对字符串匹配查找所定义的规则模式，独立于语言，但不同语言在实现上也会存在一些细微差别，下面基于python对常用的相关内容进行梳理。

和udf差不多的作用，支持用python实现。通过标准输入流从hive读取数据，内部处理完再通过标准输出流将处理结果返回给hive。实现流程上比udf要更简单灵活一些，只需要上传脚本=>add file加载到分布式缓存=>使用。

lateral view也叫侧视图，属于hive sql所特有的语法。用来实现类似标准sql中join的操作。join参与运算的往往是两个表，根据指定的关联字段进行横向连接。lateral view参与运算的是一张表，这张表里往往存在某个多值的字段，通过侧视图结合UDTF函数可以将这个多值字段拆分为粒度更小的值，每一个拆分出来的值都会作为新的字段和一条原记录进行拼接。类似于列转行操作，虽然严格意义

1.Scanner对象调用close( )方法后重新实例化读取不到数据对于下面这段代码import java.util.Scanner;public class Test {static void fun() {Scanner sc = new Scanner(System.in);System.out.println(sc.nextInt());sc.close();}public static