Redis求和：不同结果的奥秘
Redis是一个流行的内存缓存数据库，广泛应用于各种互联网应用。其强大的数据结构和高效的性能是其受欢迎的原因之一。本文将讨论 Redis 的求和操作，以及在不同场景下可能产生的不同结果的原因。
Redis的求和操作是非常简单的，只需要使用命令“ZSUM”即可。这个命令用于计算集合中指定区间的元素之和。例如，要计算集合“scores”中排名在第1名到第10名之间的成绩之和，可以使用以下命令：
ZSUM scores 0 9
当然，除了ZSUM命令，也有其他可用的命令来执行不同类型的求和操作。让我们看看一些示例。
1. 普通的求和操作
我们首先来考虑一个最简单的场景：一个普通的集合，其中每个元素都是一个实数，没有重复元素。我们可以使用以下Python代码来生成一个这样的集合：
import redis
import random
r = redis.Redis(host=’localhost’, port=6379, db=0)
for i in range(100):
r.zadd(‘scores’, {i: random.random()})
然后，我们使用 ZSUM 命令来计算该集合中元素之和：
redis-cli> ZSUM scores 0 -1
可以看到，该命令返回了一个相对准确的结果，近似于集合中所有元素的总和。2. 浮点误差的影响下面考虑一个稍微复杂一些的场景：集合中的元素包含浮点值。由于计算机在浮点数的表示和计算上存在舍入误差，因此可能导致计算结果与预期值并不相同。例如，在以下Python代码中，我们创建了一个包含10个浮点数的集合：```pythonimport redisr = redis.Redis(host='localhost', port=6379, db=0)r.zadd('scores', {'a': 0.1, 'b': 0.2, 'c': 0.3, 'd': 0.4, 'e': 0.5, 'f': 0.6, 'g': 0.7, 'h': 0.8, 'i': 0.9, 'j': 1.0})
然后，我们使用 ZSUM 命令来计算该集合中元素之和：
redis-cli> ZSUM scores 0 -1
实际计算结果为：
1.9999999999999998
可以看到，结果并不等于我们期望的2。这是因为浮点数舍入误差的影响。由于 Redis 中使用的是 IEEE 754 标准的双精度浮点数，因此会存在舍入误差问题。
3. 空集合的计算结果
我们来看一个特殊的场景：集合为空。在这种情况下， Redis 的计算结果与预期值不同。例如，以下Python代码中创建了一个空集合：
import redis
r = redis.Redis(host=’localhost’, port=6379, db=0)
r.zadd(‘scores’, {})
然后，我们使用 ZSUM 命令来计算该集合中元素之和：
redis-cli> ZSUM scores 0 -1
实际计算结果为：
可以看到，结果为 NaN（Not a Number），也就是不是一个数字。这是因为在计算一个空集合时， Redis 无法进行有效的计算。结论综上所述，Redis的求和操作是非常简单的。但是在实际应用中，可能会遇到不同类型的集合和计算误差等因素，导致求和结果与预期值不同。因此，在使用 ZSUM 等求和命令时，需要认真考虑集合的特点和计算误差的可能性。如果数据量很大或者计算精度要求很高，可以考虑使用其他更强大的数值计算工具库，例如 NumPy 或者 Pandas。
香港服务器首选树叶云，2H2G首月10元开通。树叶云（shuyeidc.com）提供简单好用，价格厚道的香港/美国云 服务器 和独立服务器。IDC+ISP+ICP资质。ARIN和APNIC会员。成熟技术团队15年行业经验。
联机分析处理的功能有哪些
联机分析处理(OLAP)通过快速、一致、交互地访问各种可能的信息视图，帮助数据分析人员、管理人员、决策人员洞察数据的奥秘，掌握隐藏于其中的规律。 OLAP力图处理数据仓库中浩如烟海的数据，并将之转化为有用的信息，从而实现对数据的归纳、分析和处理，帮助企业完成决策。 OLAP支持最终用户进行动态多维分析，其中包括跨维、在不同层次之间跨成员的计算和建模;在时间序列上的趋势分析、预测分析:切片和切块，并在屏幕上显示，从宏观到微观，对数据进行深入分析;可查询到底层的细节数据;在观察区域中旋转，进行不同的维间的比较。
探索人类的秘密----为什么人类会有不同的肤色
人的肤色不同是由于黑色素的分泌量多寡和分布状态的不一致所形成的。 黑色素是一种不含铁质的褐色颗粒，多半与蛋白质结合，存在于皮肤表皮生发层的细胞内，或一部分存在于细胞间。 当黑色素的量较多，并以颗粒状集中分布于生发层时，皮肤的颜色为黑色。 如果黑色素的量多，且其分布延伸到颗粒层，则皮肤为深黑色。 相反，如果生发层所含的黑色素量少，并呈分散状态分布，则皮肤为浅颜色。 白种人皮肤的黑色素量最少，又是散状分布于生发层，所以肤色最浅，以至皮下微血管的颜色透出，而往往呈现“肉色”。 早期不同肤色的形成与环境影响有着密切的关系。 人类学家认为，人类是在非洲和亚洲南郊地区进化而来的。 这里阳光充沛、紫外线强烈，人的皮肤多为黑色，以抵挡强烈阳光的损害。 随着古人类的迁移，人的肤色就从深色变成浅色，或从浅色变成深色。 随着人类社会的发展，地理环境对人体的作用也就不断减弱。 不同人种的肤色，还与遗传有一定的关系。 比如，非洲人的皮肤呈黑色，这个特征可以保持在他们的后代中，虽然他们移居到美洲或欧洲，但黑色的皮肤仍然被遗传下来。 此外，血统的混合，也可以产生新的种族类型。 乌拉尔人就是黄种人与白种人混合而成的。 深肤色对人体有一定的保护作用，特别在热带地区，可使人们更好地忍受紫外线的强烈照射，保护深层的血管等组织免受伤害。
memcached和redis的区别
medis与Memcached的区别传统MySQL+ Memcached架构遇到的问题 实际MySQL是适合进行海量数据存储的，通过Memcached将热点数据加载到cache，加速访问，很多公司都曾经使用过这样的架构，但随着业务数据量的不断增加，和访问量的持续增长，我们遇到了很多问题： 需要不断进行拆库拆表，Memcached也需不断跟着扩容，扩容和维护工作占据大量开发时间。 与MySQL数据库数据一致性问题。 数据命中率低或down机，大量访问直接穿透到DB，MySQL无法支撑。 4.跨机房cache同步问题。 众多NoSQL百花齐放，如何选择 最近几年，业界不断涌现出很多各种各样的NoSQL产品，那么如何才能正确地使用好这些产品，最大化地发挥其长处，是我们需要深入研究和思考的问题，实际归根结底最重要的是了解这些产品的定位，并且了解到每款产品的tradeoffs，在实际应用中做到扬长避短，总体上这些NoSQL主要用于解决以下几种问题 1.少量数据存储，高速读写访问。 此类产品通过数据全部in-momery 的方式来保证高速访问，同时提供数据落地的功能，实际这正是Redis最主要的适用场景。 2.海量数据存储，分布式系统支持，数据一致性保证，方便的集群节点添加/删除。 3.这方面最具代表性的是dynamo和bigtable 2篇论文所阐述的思路。 前者是一个完全无中心的设计，节点之间通过gOSSip方式传递集群信息，数据保证最终一致性，后者是一个中心化的方案设计，通过类似一个分布式锁服务来保证强一致性,数据写入先写内存和redo log，然后定期compat归并到磁盘上，将随机写优化为顺序写，提高写入性能。 free，auto-sharding等。 比如目前常见的一些文档数据库都是支持schema-free的，直接存储json格式数据，并且支持auto-sharding等功能，比如mongodb。 面对这些不同类型的NoSQL产品,我们需要根据我们的业务场景选择最合适的产品。 Redis适用场景，如何正确的使用 前面已经分析过，Redis最适合所有数据in-momory的场景，虽然Redis也提供持久化功能，但实际更多的是一个disk-backed的功能，跟传统意义上的持久化有比较大的差别，那么可能大家就会有疑问，似乎Redis更像一个加强版的Memcached，那么何时使用Memcached,何时使用Redis呢?如果简单地比较Redis与Memcached的区别，大多数都会得到以下观点： 1Redis不仅仅支持简单的k/v类型的数据，同时还提供list，set，zset，hash等数据结构的存储。 2Redis支持数据的备份，即master-slave模式的数据备份。 3Redis支持数据的持久化，可以将内存中的数据保持在磁盘中，重启的时候可以再次加载进行使用。 抛开这些，可以深入到Redis内部构造去观察更加本质的区别，理解Redis的设计。 在Redis中，并不是所有的数据都一直存储在内存中的。 这是和Memcached相比一个最大的区别。 Redis只会缓存所有的 key的信息，如果Redis发现内存的使用量超过了某一个阀值，将触发swap的操作，Redis根据“swappability = age*log(size_in_memory)”计 算出哪些key对应的value需要swap到磁盘。 然后再将这些key对应的value持久化到磁盘中，同时在内存中清除。 这种特性使得Redis可以 保持超过其机器本身内存大小的数据。 当然，机器本身的内存必须要能够保持所有的key，毕竟这些数据是不会进行swap操作的。 同时由于Redis将内存 中的数据swap到磁盘中的时候，提供服务的主线程和进行swap操作的子线程会共享这部分内存，所以如果更新需要swap的数据，Redis将阻塞这个 操作，直到子线程完成swap操作后才可以进行修改。 使用Redis特有内存模型前后的情况对比： VM off: 300k keys, 4096 bytes values: 1.3G used VM on:300k keys, 4096 bytes values: 73M used VM off: 1 million keys, 256 bytes values: 430.12M used VM on:1 million keys, 256 bytes values: 160.09M used VM on:1 million keys, values as large as you want, still: 160.09M used当 从Redis中读取数据的时候，如果读取的key对应的value不在内存中，那么Redis就需要从swap文件中加载相应数据，然后再返回给请求方。 这里就存在一个I/O线程池的问题。 在默认的情况下，Redis会出现阻塞，即完成所有的swap文件加载后才会相应。 这种策略在客户端的数量较小，进行 批量操作的时候比较合适。 但是如果将Redis应用在一个大型的网站应用程序中，这显然是无法满足大并发的情况的。 所以Redis运行我们设置I/O线程 池的大小，对需要从swap文件中加载相应数据的读取请求进行并发操作，减少阻塞的时间。 如果希望在海量数据的环境中使用好Redis，我相信理解Redis的内存设计和阻塞的情况是不可缺少的。
发表评论