更新了部分资源

Day31-35/31-35.玩转Linux操作系统.md

@@ -30,7 +30,7 @@
 
 4. 1970年~1971年：Ken Tompson和Dennis Ritchie用B语言在PDP-11上重写了Unics，并在Brian Kernighan的建议下将其更名为Unix。
 
-   ![](./res/ken-and-dennis-pdp-11.png)
+   <img src="https://gitee.com/jackfrued/mypic/raw/master/20220516090404.png" style="zoom:50%;">
 
 5. 1972年~1973年：Dennis Ritchie发明了C语言来取代可移植性较差的B语言，并开启了用C语言重写Unix的工作。
 
@@ -40,7 +40,7 @@
 
 8. 1987年：Andrew S. Tanenbaum教授为了能在课堂上为学生讲解操作系统运作的细节，决定在不使用任何AT&T的源代码前提下，自行开发与Unix兼容的操作系统以避免版权上的争议，该系统被命名为Minix。
 
-   ![](./res/andrew.jpg)
+   <img src="https://gitee.com/jackfrued/mypic/raw/master/20220516090432.jpg" style="zoom:50%;">
 
 9. 1991年：Linus Torvalds就读于芬兰赫尔辛基大学期间，尝试在Minix上做一些开发工作，但因为Minix只是作为教学用途的操作系统，功能并不强大，为了方便在学校的新闻组和邮件系统中读写和下载文件，Linus编写了磁盘驱动程序和文件系统，这些东西形成了Linux系统内核的雏形。
 

Day36-40/code/app_store.sql

@@ -1,3 +1,9 @@
+drop database if exists `app_store`;
+
+create database `app_store` default character set utf8mb4;
+
+use `app_store`;
+
 create table `app_info` (
 `id` bigint(20) not null auto_increment comment '自增id, app的id',
 `app_name` varchar(255) default '' comment '名称',
@@ -14,10 +20,8 @@ create table `app_info` (
 `version_desc` varchar(4096) default '' comment '',
 `create_time` datetime not null default '0000-00-00 00:00:00' comment '创建时间',
 `update_time` datetime not null default '0000-00-00 00:00:00' comment '更新时间',
-primary key (`id`),
-key `idx_app_name` (`app_name`),
-key `idx_developer` (`user_id`)
-) engine=innodb auto_increment=100000 default charset=utf8 comment='app基本信息表';
+primary key (`id`)
+) engine=innodb auto_increment=100000 default charset=utf8mb4 comment='app基本信息表';
 
 create table `app_ext_info` (
 `id` bigint(20) not null auto_increment comment '自增id',
@@ -27,9 +31,8 @@ create table `app_ext_info` (
 `comment_count` int(10) unsigned not null default '0' comment '评论量',
 `create_time` int(10) not null default 0 comment '创建时间',
 `update_time` int(10) not null default 0 comment '更新时间',
-primary key (`id`),
-unique key `idx_app_id` (`app_id`)
-) engine=innodb default charset=utf8 comment='App扩展信息表';
+primary key (`id`)
+) engine=innodb default charset=utf8mb4 comment='App扩展信息表';
 
 create table `app_category` (
 `id` bigint(20) not null auto_increment comment '自增id',
@@ -43,16 +46,15 @@ create table `app_category` (
 `create_time` int(10) not null default 0 comment '创建时间',
 `update_time` int(10) not null default 0 comment '更新时间',
 primary key (`id`)
-) engine=innodb default charset=utf8 comment='分类信息表';
+) engine=innodb default charset=utf8mb4 comment='分类信息表';
 
 create table `app_category_rel` (
 `id` bigint(20) not null auto_increment comment '自增id',
 `app_id` bigint(20) not null default '0' comment 'app_id',
 `category_id` bigint(20) unsigned not null default '0' comment '最低层分类id',
 primary key (`id`),
 unique key `idx_category_app` (`category_id`,`app_record_id`),
-key `idx_app` (`app_id`)
-) engine=innodb default charset=utf8 comment='App和分类关联表';
+) engine=innodb default charset=utf8mb4 comment='App和分类关联表';
 
 create table `app_comment` (
 `id` bigint(20) not null auto_increment comment '自增id',
@@ -70,7 +72,7 @@ create table `app_comment` (
 `update_time` int(10) not null default 0 comment '更新时间',
 primary key (`id`),
 key `idx_app_status` (`app_id`, `status`, `top_flag`)
-) engine=innodb default charset=utf8 comment='评论信息表';
+) engine=innodb default charset=utf8mb4 comment='评论信息表';
 
 create table `user_app_relation` (
 `id` bigint(20) not null auto_increment comment '自增id',
@@ -81,7 +83,7 @@ create table `user_app_relation` (
 `is_del` tinyint(4) not null default '0' comment '1：删除 0：未删除',
 primary key (`id`),
 key `idx_user_app` (`user_id`,`app_id`)
-) engine=innodb auto_increment=8063 default charset=utf8 comment='用户购买关系表';
+) engine=innodb auto_increment=8063 default charset=utf8mb4 comment='用户购买关系表';
 
 create table `bot_score` (
 `id` bigint(20) not null auto_increment comment '自增id',
@@ -93,4 +95,4 @@ create table `bot_score` (
 `update_time` int(10) not null default 0 comment '更新时间',
 primary key (`id`),
 unique key `idx_uid_score` (`app_id`,`commenter_uid`)
-) engine=innodb default charset=utf8 comment='App评分表';
+) engine=innodb default charset=utf8mb4 comment='App评分表';

Day66-80/66.数据分析概述.md

@@ -2,23 +2,25 @@
 
 当今世界对信息技术的依赖程度在不断加深，每天都会有大量的数据产生，我们经常会感到数据越来越多，但是要从中发现有价值的信息却越来越难。这里所说的信息，可以理解为对数据集处理之后的结果，是从数据集中提炼出的可用于其他场合的结论性的东西，而**从原始数据中抽取出有价值的信息**的这个过程我们就称之为**数据分析**，它是数据科学工作的一部分。
 
+> 定义：**数据分析是有针对性的收集、加工、整理数据并采用统计、挖掘等技术对数据进行分析和解释的科学和艺术**。
+
 ### 数据分析师的职责和技能栈
 
-我们通常将从事数据分析、数据挖掘和数据产品的岗位都统称为数据分析岗位，但是根据工作性质的不同，又可以分为偏业务的**数据分析方向**、偏算法的**数据挖掘方向**、偏产品的**数据产品方向**和偏开发的**数据工程方向**。我们通常所说的数据分析师主要是指**业务数据分析师**，很多数据分析师的职业生涯都是从这个岗位开始的，而且这个岗位也是招聘数量最多的岗位。业务数据分析师在公司通常不属于研发部门而**属于运营部门**，所以这个岗位也称为**数据运营**或**商业分析**，通常招聘信息对这个岗位的描述（JD）是：
+HR在发布招聘需求时，通常将数据工程、数据分析、数据挖掘等岗位都统称为数据分析岗位，但是根据工作性质的不同，又可以分为偏工程的**数据治理方向**、偏业务的**数据分析方向**、偏算法的**数据挖掘方向**、偏开发的**数据开发方向**、偏产品的**数据产品经理**。我们通常所说的数据分析师主要是指**业务数据分析师**，很多数据分析师的职业生涯都是从这个岗位开始的，而且这个岗位也是招聘数量最多的岗位。业务数据分析师在公司通常不属于研发部门而属于运营部门，所以这个岗位也称为**数据运营**或**商业分析**，这类人员通常也被称为“BI工程师”。通常招聘信息对这个岗位的描述（JD）是：
 
-1. 负责各部门相关的报表。
+1. 负责相关报表的输出。
 2. 建立和优化指标体系。
 3. 监控数据波动和异常，找出问题。
 4. 优化和驱动业务，推动数字化运营。
 5. 找出潜在的市场和产品的上升空间。
 
-根据上面的描述，作为业务数据分析师，我们的工作不是给领导一个简单浅显的结论，而是结合公司的业务，完成**监控数据**、**揪出异常**、**找到原因**、**探索趋势**的工作。所以作为数据分析师，不管是用 Python 语言、Excel、SPSS或其他的商业智能工具，工具只是达成目标的手段，**数据思维是核心技能**，而从实际业务问题出发到最终**发现数据中的商业价值**是终极目标。数据分析师在很多公司只是一个基础岗位，精于业务的数据分析师可以向**数据分析经理**或**数据运营总监**等管理岗位发展；对于熟悉机器学习算法的数据分析师来说，可以向**数据挖掘工程师**或**算法专家**方向发展，而这些岗位除了需要相应的数学和统计学知识，在编程能力方面也比数据分析师有更高的要求，可能还需要有大数据存储和处理的相关经验；作为数据产品经理，除了传统产品经理的技能栈之外，也需要较强的技术能力，例如要了解常用的推荐算法、机器学习模型，能够为算法的改进提供依据，能够制定相关埋点的规范和口径，虽然不需要精通各种算法，但是要站在产品的角度去考虑数据模型、指标、算法等的落地；数据工程师是一个偏技术的岗位，基本上的成长道路都是从 SQL 开始，逐步向 Hadoop 生态圈迁移，需要有 Java 语言的编程经验。
+根据上面的描述，作为业务数据分析师，我们的工作不是给领导一个简单浅显的结论，而是结合公司的业务，完成**监控数据**、**揪出异常**、**找到原因**、**探索趋势**等工作。作为数据分析师，不管是用 Python 语言、Excel、SPSS或其他的商业智能工具，工具只是达成目标的手段，**数据思维是核心技能**，从实际业务问题出发到最终**发现数据中的商业价值**是终极目标。数据分析师在很多公司只是一个基础岗位，精于业务的数据分析师可以向**数据分析经理**或**数据运营总监**等管理岗位发展；对于熟悉机器学习算法的数据分析师来说，可以向**数据挖掘工程师**或**算法专家**方向发展，而这些岗位除了需要相应的数学和统计学知识，在编程能力方面也比数据分析师有更高的要求，可能还需要有大数据存储和处理的相关经验。数据治理岗位主要是帮助公司建设数据仓库或数据湖，实现数据从业务系统、埋点系统、日志系统到分析库的转移，为后续的数据分析和挖掘提供基础设施。数据治理岗位对 SQL 和 HiveSQL 有着较高的要求，要求能够熟练的使用 ETL 工具，此外可能还需要对 Hadoop 生态圈有一个很好的认知。作为数据产品经理，除了传统产品经理的技能栈之外，也需要较强的技术能力，例如要了解常用的推荐算法、机器学习模型，能够为算法的改进提供依据，能够制定相关埋点的规范和口径，虽然不需要精通各种算法，但是要站在产品的角度去考虑数据模型、指标、算法等的落地
 
 以下是我总结的数据分析师的技能栈，仅供参考。
 
 1. 计算机科学（数据分析工具、编程语言、数据库）
 2. 数学和统计学（数据思维、统计思维）
-3. 人工智能（机器学习算法）
+3. 人工智能（机器学习中的数据挖掘算法）
 4. 业务理解能力（沟通、表达、经验）
 5. 总结和表述能力（商业PPT、文字总结）
 
@@ -30,8 +32,8 @@
 
 1. 确定目标（输入）：理解业务，确定指标口径
 2. 获取数据：数据仓库、电子表格、三方接口、网络爬虫、开放数据集等
-3. 清洗数据：缺失值/重复值/异常值处理、数据变换（格式化、规范化）、数据归约、离散化等
-4. 探索数据：运算、统计、分组、聚合、可视化
+3. 清洗数据：缺失值/重复值/异常值处理、数据变换（格式化、规范化）、离散化等
+4. 数据透视：运算、统计、分组、聚合、可视化
 5. 数据报告（输出）：数据发布，工作成果总结汇报
 6. 分析洞察（后续）：解释数据的变化，提出对应的方案
 
@@ -51,7 +53,7 @@
 #### 三大神器
 
 1. [NumPy](https://numpy.org/)：支持常见的数组和矩阵操作，通过`ndarray`类实现了对多维数组的封装，提供了操作这些数组的方法和函数集。由于 NumPy 内置了并行运算功能，当使用多核 CPU 时，Numpy会自动做并行计算。
-2. [Pandas](https://pandas.pydata.org/)：pandas的核心是其特有的数据结构`DataFrame`和`Series`，这使得 pandas 可以处理包含不同类型的数据的负责表格和时间序列，这一点是NumPy的`ndarray`做不到的。使用 pandas，可以轻松顺利的加载各种形式的数据，然后对数据进行切片、切块、处理缺失值、聚合、重塑和可视化等操作。
+2. [Pandas](https://pandas.pydata.org/)：pandas 的核心是其特有的数据结构`DataFrame`和`Series`，这使得 pandas 可以处理包含不同类型的数据的负责表格和时间序列，这一点是NumPy的`ndarray`做不到的。使用 pandas，可以轻松顺利的加载各种形式的数据，然后对数据进行切片、切块、处理缺失值、聚合、重塑和可视化等操作。
 3. [Matplotlib](https://matplotlib.org/)：matplotlib 是一个包含各种绘图模块的库，能够根据我们提供的数据创建高质量的图形。此外，matplotlib 还提供了 pylab 模块，这个模块包含了很多像 [MATLAB](https://www.mathworks.com/products/matlab.html) 一样的绘图组件。
 
 #### 其他相关库