构建一个数据分析Agent：提升分析效率的实践
在上一篇文章中,我们讨论了如何构建一个智能客服Agent。今天,我想分享另一个实际项目:如何构建一个数据分析Agent。这个项目源于我们一个金融客户的真实需求 - 提升数据分析效率,加快决策速度。
从分析师的痛点说起
记得和分析师团队交流时的场景：
小张：每天要分析这么多数据,真的很耗时
小李：是啊,而且经常要写各种分析报告
我：主要在哪些环节比较耗时？
小张：数据清洗、指标计算、图表生成这些都很繁琐
我：这些正好可以用AI Agent来协助经过需求分析,我们确定了几个核心功能：
- 智能数据清洗
- 自动特征分析
- 可视化生成
- 报告撰写
技术方案设计
首先是整体架构：
from typing import List, Dict, Any, Optional
from enum import Enum
from pydantic import BaseModel
import pandas as pd
import numpy as npclass AnalysisTask(Enum):CLEAN = "clean"ANALYZE = "analyze"VISUALIZE = "visualize"REPORT = "report"class DataContext(BaseModel):data_path: strtask_type: AnalysisTaskrequirements: Dict[str, Any]history: List[Dict[str, Any]]class DataAnalyst:def __init__(self,config: Dict[str, Any]):# 1. 初始化分析模型self.analysis_model = AnalysisLLM(model="gpt-4",temperature=0.1,context_length=8000)# 2. 初始化工具集self.tools = {"cleaner": DataCleaner(),"analyzer": DataAnalyzer(),"visualizer": DataVisualizer(),"reporter": ReportGenerator()}# 3. 初始化数据存储self.data_store = DataStore(cache_dir="./cache",max_size_gb=10)async def process_task(self,context: DataContext) -> Dict[str, Any]:# 1. 加载数据data = await self._load_data(context.data_path)# 2. 理解需求requirements = await self._understand_requirements(context.requirements)# 3. 生成分析方案plan = await self._generate_plan(data,requirements)# 4. 执行分析result = await self._execute_analysis(data,plan)return resultasync def _understand_requirements(self,requirements: Dict[str, Any]) -> Dict[str, Any]:# 1. 提取分析目标objectives = await self.analysis_model.extract_objectives(requirements)# 2. 识别关键指标metrics = await self._identify_metrics(objectives)# 3. 确定分析方法methods = await self._select_methods(objectives,metrics)return {"objectives": objectives,"metrics": metrics,"methods": methods}数据清洗功能
首先实现数据清洗功能：
class DataCleaner:def __init__(self,model: AnalysisLLM):self.model = modelasync def clean_data(self,data: pd.DataFrame) -> Dict[str, Any]:# 1. 数据概览profile = await self._profile_data(data)# 2. 识别问题issues = await self._identify_issues(data,profile)# 3. 执行清洗cleaned_data = await self._perform_cleaning(data,issues)return {"cleaned_data": cleaned_data,"profile": profile,"issues": issues}async def _identify_issues(self,data: pd.DataFrame,profile: Dict[str, Any]) -> List[Dict[str, Any]]:issues = []# 1. 检查缺失值missing = await self._check_missing_values(data)issues.extend(missing)# 2. 检查异常值outliers = await self._detect_outliers(data)issues.extend(outliers)# 3. 检查数据类型type_issues = await self._check_data_types(data)issues.extend(type_issues)return issuesasync def _perform_cleaning(self,data: pd.DataFrame,issues: List[Dict[str, Any]]) -> pd.DataFrame:cleaned = data.copy()for issue in issues:# 1. 处理缺失值if issue["type"] == "missing":cleaned = await self._handle_missing(cleaned,issue)# 2. 处理异常值elif issue["type"] == "outlier":cleaned = await self._handle_outlier(cleaned,issue)# 3. 处理类型问题elif issue["type"] == "type":cleaned = await self._handle_type(cleaned,issue)return cleaned特征分析功能
接下来是特征分析功能：
class DataAnalyzer:def __init__(self,model: AnalysisLLM):self.model = modelasync def analyze_features(self,data: pd.DataFrame,requirements: Dict[str, Any]) -> Dict[str, Any]:# 1. 统计分析stats = await self._statistical_analysis(data)# 2. 特征相关性correlations = await self._correlation_analysis(data)# 3. 时间趋势trends = await self._trend_analysis(data)return {"statistics": stats,"correlations": correlations,"trends": trends}async def _statistical_analysis(self,data: pd.DataFrame) -> Dict[str, Any]:stats = {}# 1. 基础统计量basic_stats = await self._calculate_basic_stats(data)stats["basic"] = basic_stats# 2. 分布分析distribution = await self._analyze_distribution(data)stats["distribution"] = distribution# 3. 分组统计groupby = await self._group_statistics(data)stats["groupby"] = groupbyreturn statsasync def _correlation_analysis(self,data: pd.DataFrame) -> Dict[str, Any]:# 1. 计算相关系数corr_matrix = await self._calculate_correlations(data)# 2. 特征重要性importance = await self._feature_importance(data)# 3. 共线性检测collinearity = await self._check_collinearity(data)return {"correlation_matrix": corr_matrix,"feature_importance": importance,"collinearity": collinearity}可视化功能
再来实现可视化功能：
class DataVisualizer:def __init__(self,model: AnalysisLLM):self.model = modelasync def create_visualizations(self,data: pd.DataFrame,analysis: Dict[str, Any]) -> Dict[str, Any]:# 1. 选择图表类型chart_types = await self._select_charts(data,analysis)# 2. 生成图表charts = await self._generate_charts(data,chart_types)# 3. 优化展示optimized = await self._optimize_display(charts)return {"charts": charts,"layout": optimized}async def _select_charts(self,data: pd.DataFrame,analysis: Dict[str, Any]) -> List[Dict[str, Any]]:charts = []# 1. 分布图表distribution_charts = await self._distribution_charts(data,analysis)charts.extend(distribution_charts)# 2. 关系图表relationship_charts = await self._relationship_charts(data,analysis)charts.extend(relationship_charts)# 3. 趋势图表trend_charts = await self._trend_charts(data,analysis)charts.extend(trend_charts)return chartsasync def _generate_charts(self,data: pd.DataFrame,chart_types: List[Dict[str, Any]]) -> List[Dict[str, Any]]:charts = []for chart_type in chart_types:# 1. 准备数据plot_data = await self._prepare_plot_data(data,chart_type)# 2. 设置样式style = await self._set_chart_style(chart_type)# 3. 生成图表chart = await self._plot_chart(plot_data,chart_type,style)charts.append({"type": chart_type,"data": plot_data,"style": style,"chart": chart})return charts报告生成功能
最后是报告生成功能：
class ReportGenerator:def __init__(self,model: AnalysisLLM):self.model = modelasync def generate_report(self,data: pd.DataFrame,analysis: Dict[str, Any],visualizations: Dict[str, Any]) -> Dict[str, Any]:# 1. 提取要点key_points = await self._extract_key_points(analysis)# 2. 生成结构structure = await self._create_structure(key_points)# 3. 撰写内容content = await self._write_content(structure,analysis,visualizations)return {"key_points": key_points,"structure": structure,"content": content}async def _extract_key_points(self,analysis: Dict[str, Any]) -> List[Dict[str, Any]]:points = []# 1. 统计发现statistical_points = await self._extract_statistical_points(analysis["statistics"])points.extend(statistical_points)# 2. 相关性发现correlation_points = await self._extract_correlation_points(analysis["correlations"])points.extend(correlation_points)# 3. 趋势发现trend_points = await self._extract_trend_points(analysis["trends"])points.extend(trend_points)return pointsasync def _write_content(self,structure: Dict[str, Any],analysis: Dict[str, Any],visualizations: Dict[str, Any]) -> Dict[str, str]:content = {}# 1. 写摘要content["summary"] = await self._write_summary(structure,analysis)# 2. 写主体content["body"] = await self._write_body(structure,analysis,visualizations)# 3. 写结论content["conclusion"] = await self._write_conclusion(structure,analysis)return content实际效果
经过两个月的使用,这个数据分析Agent带来了显著的效率提升：
时间节省
- 数据清洗时间减少70%
- 分析流程加快50%
- 报告生成效率提升60%
质量提升
- 分析更全面
- 图表更专业
- 报告更规范
能力扩展
- 支持更多数据源
- 分析方法更丰富
- 可视化更灵活
实践心得
在开发这个数据分析Agent的过程中,我总结了几点经验：
需求导向
- 理解分析目标
- 把握重点指标
- 注重实用性
方法系统
- 分析方法要系统
- 工具选择要合理
- 流程设计要清晰
结果可用
- 结论要有洞见
- 图表要易理解
- 报告要实用
写在最后
一个好的数据分析Agent不仅要会算数据,更要懂业务含义,能够帮助用户发现数据背后的价值。它就像一个经验丰富的数据分析师,在合适的时候给出恰当的分析建议。
在下一篇文章中,我会讲解如何开发一个文档助手Agent。如果你对数据分析Agent的开发有什么想法,欢迎在评论区交流。
相关文章：
构建一个数据分析Agent：提升分析效率的实践
在上一篇文章中,我们讨论了如何构建一个智能客服Agent。今天,我想分享另一个实际项目:如何构建一个数据分析Agent。这个项目源于我们一个金融客户的真实需求 - 提升数据分析效率,加快决策速度。 从分析师的痛点说起 记得和分析师团队交流时的场景： 小张ÿ…...
【SRC排名】安全应急响应中心SRC上榜记录
2023年 新氧第三 https://security.soyoung.com/top 合合第四 https://security.intsig.com/index.php?m&chall&aindex 2024年 好未来第一 https://src.100tal.com/index.php?m&chall&aindex（官网是总榜，年榜只有海报）…...
截止到2025年2月1日，Linux的Wayland还有哪些问题是需要解决的？
截至2025年2月1日，Wayland需要解决的核心问题可按权重从高到低排序如下： 1. 屏幕共享与远程桌面的完整支持（权重：★★★★★） 问题：企业场景（如 腾讯会议）、开发者远程调试依赖稳定的屏幕共享功能。当前Wayland依赖PipeWire和XWayland，存在权限管理复杂、多显示器选择…...
TCP编程
1.socket函数 int socket(int domain, int type, int protocol); 头文件：include<sys/types.h>，include<sys/socket.h> 参数 int domain AF_INET: IPv4 Internet protocols AF_INET6: IPv6 Internet protocols AF_UNIX, AF_LOCAL : Local…...
Java泛型深度解析（JDK23）
第一章 泛型革命 1.1 类型安全的进化史 前泛型时代的类型转换隐患 代码的血泪史（Java 1.4版示例）： List rawList new ArrayList(); rawList.add("Java"); rawList.add(Integer.valueOf(42)); // 编译通过// 灾难在运行时爆发…...
【JavaEE进阶】图书管理系统 - 壹
目录 🌲序言 🌴前端代码的引入 🎋约定前后端交互接口 🚩接口定义 🍃后端服务器代码实现 🚩登录接口 🚩图书列表接口 🎄前端代码实现 🚩登录页面 🚩…...
搜索旋转排序数组（二分查找）
测试链接：https://leetcode.cn/problems/search-in-rotated-sorted-array/https://leetcode.cn/problems/search-in-rotated-sorted-array/https://leetcode.cn/problems/search-in-rotated-sorted-array/ 问题描述 假设我们有一个旋转排序的数组，这个…...
STM32 TIM定时器配置
TIM简介 TIM（Timer）定时器 定时器可以对输入的时钟进行计数，并在计数值达到设定值时触发中断 16位计数器、预分频器、自动重装寄存器的时基单元，在72MHz计数时钟下可以实现最大59.65s的定时 不仅具备基本的定时中断功能ÿ…...
AI开发之 ——Anaconda 介绍
Anaconda 是什么？ 在这里插入图片描述 一句话：Anaconda 是Python 库和环境便捷管理的平台。 Anaconda 是数据科学和 AI 领域的工具，通过集成常用库和工具，简化了环境管理和包安装，特别适合初学者和需要快速上手的开…...
Uber损失（Huber Loss）：从均方误差到绝对误差的完美过渡
前言 在机器学习的世界里，损失函数就像是你在迷宫中的导航系统，它决定了你到底能否顺利找到出口，而出口的大小就代表着模型的表现。而在这么多的“导航系统”中，Huber损失（你可以叫它“Uber损失”，我觉得这名字挺有意思的，能不能打车到一个更好的模型呢？）凭借其独特的…...
【Arxiv 大模型最新进展】TOOLGEN：探索Agent工具调用新范式
【Arxiv 大模型最新进展】TOOLGEN：探索Agent工具调用新范式 文章目录 【Arxiv 大模型最新进展】TOOLGEN：探索Agent工具调用新范式研究框图方法详解 作者：Renxi Wang, Xudong Han 等 单位：LibrAI, Mohamed bin Zayed University o…...
41【文件名的编码规则】
我们在学习的过程中，写出数据或读取数据时需要考虑编码类型 火山采用：UTF-16 易语言采用：GBK php采用：UTF-8 那么我们写出的文件名应该是何种编码的？比如火山程序向本地写出一个“测试.txt”，理论上这个“测…...
Linux命令入门
Linux命令入门 ls命令 ls命令的作用是列出目录下的内容，语法细节如下: 1s[-a -l -h] [Linux路径] -a -l -h是可选的选项 Linux路径是此命令可选的参数 当不使用选项和参数,直接使用ls命令本体,表示:以平铺形式,列出当前工作目录下的内容 ls命令的选项 -a -a选项&a…...
)
如何用函数去计算x年x月x日是(C#)
如何用函数去计算x年x月x日是? 由于现在人工智能的普及,我们往往会用计算机去算,或者去记录事情 1.计算某一年某一个月有多少天 2.计算某年某月某日是周几 using System; using System.Collections.Generic; using System.Linq; using System.Text; using System.Threadin…...
29.Word：公司本财年的年度报告【13】
目录 NO1.2.3.4 NO5.6.7 NO8.9.10 NO1.2.3.4 另存为F12：考生文件夹：Word.docx选中绿色标记的标题文本→样式对话框→单击右键→点击样式对话框→单击右键→修改→所有脚本→颜色/字体/名称→边框：0.5磅、黑色、单线条：点…...
Flutter常用Widget小部件
小部件Widget是一个类，按照继承方式，分为无状态的StatelessWidget和有状态的StatefulWidget。 这里先创建一个简单的无状态的Text小部件。 Text文本Widget 文件：lib/app/app.dart。 import package:flutter/material.dart;class App exte…...
高可用 Keepalived 服务部署流程
一、配置文件 vim /etc/keepalived/keepalived.confGLOBAL CONFIGURATION --- 全局配置部分VRRPD CONFIGURATION --- VRRP协议配置部分LVS CONFIGURATION --- LVS服务管理配置部分[rootlb01 ~]# cat /etc/keepalived/keepalived.…...
网站结构优化：加速搜索引擎收录的关键
本文来自：百万收录网 原文链接：https://www.baiwanshoulu.com/9.html 网站结构优化对于加速搜索引擎收录至关重要。以下是一些关键策略，旨在通过优化网站结构来提高搜索引擎的抓取效率和收录速度： 一、合理规划网站架构 采用扁…...
【深度学习】softmax回归的从零开始实现
softmax回归的从零开始实现 (就像我们从零开始实现线性回归一样，)我们认为softmax回归也是重要的基础，因此(应该知道实现softmax回归的细节)。 本节我们将使用Fashion-MNIST数据集，并设置数据迭代器的批量大小为256。 import torch from IP…...
AMS仿真方法
1. 准备好verilog文件。并且准备一份.vc文件，将所有的verilog file的路径全部写在里面。 2. 将verilog顶层导入到virtuoso中： 注意.v只要引入顶层即可。不需要全部引入。实际上顶层里面只要包含端口即可，即便是空的也没事。 引入时会报warni…...
多模态论文笔记——ViViT
大家好，这里是好评笔记，公主号：Goodnote，专栏文章私信限时Free。本文详细解读多模态论文《ViViT: A Video Vision Transformer》，2021由google 提出用于视频处理的视觉 Transformer 模型，在视频多模态领域有…...
Flink2支持提交StreamGraph到Flink集群
最近研究Flink源码的时候，发现Flink已经支持提交StreamGraph到集群了，替换掉了原来的提交JobGraph。 新增ExecutionPlan接口，将JobGraph和StreamGraph作为实现。 Flink集群Dispatcher也进行了修改，从JobGraph改成了接口Executio…...
机器学习优化算法：从梯度下降到Adam及其变种
机器学习优化算法：从梯度下降到Adam及其变种 引言 最近deepseek的爆火已然说明，在机器学习领域，优化算法是模型训练的核心驱动力。无论是简单的线性回归还是复杂的深度神经网络，优化算法的选择直接影响模型的收敛速度、泛化性能…...
2024具身智能模型汇总：从训练数据、动作预测、训练方法到Robotics VLM、VLA
前言 本文一开始是属于此文《GRAPE——RLAIF微调VLA模型：通过偏好对齐提升机器人策略的泛化能力》的前言内容之一(该文发布于23年12月底)，但考虑到其重要性，加之那么大一张表格 看下来 阅读体验较差，故抽出取来独立成文且拆分之 …...
基于Spring Security 6的OAuth2 系列之七 - 授权服务器--自定义数据库客户端信息
之所以想写这一系列，是因为之前工作过程中使用Spring Security OAuth2搭建了网关和授权服务器，但当时基于spring-boot 2.3.x，其默认的Spring Security是5.3.x。之后新项目升级到了spring-boot 3.3.0，结果一看Spring Security也升级…...
当WebGIS遇到智慧文旅-以长沙市不绕路旅游攻略为例
目录 前言 一、旅游数据组织 1、旅游景点信息 2、路线时间推荐 二、WebGIS可视化实现 1、态势标绘实现 2、相关位置展示 三、成果展示 1、第一天旅游路线 2、第二天旅游路线 3、第三天旅游路线 4、交通、订票、住宿指南 四、总结 前言 随着信息技术的飞速发展&…...
浅析CDN安全策略防范
CDN（内容分发网络）信息安全策略是保障内容分发网络在提供高效服务的同时，确保数据传输安全、防止恶意攻击和保护用户隐私的重要手段。以下从多个方面详细介绍CDN的信息安全策略： 1. 数据加密 数据加密是CDN信息安全策略的核心之…...
)
Python安居客二手小区数据爬取(2025年)
目录 2025年安居客二手小区数据爬取观察目标网页观察详情页数据准备工作：安装装备就像打游戏代码详解：每行代码都是你的小兵完整代码大放送爬取结果 2025年安居客二手小区数据爬取 这段时间需要爬取安居客二手小区数据，看了一下相关教程基本…...
Python爬虫获取custom-1688自定义API操作接口
一、引言 在电子商务领域，1688作为国内领先的B2B平台，提供了丰富的API接口，允许开发者获取商品信息、店铺信息等。其中，custom接口允许开发者进行自定义操作，获取特定的数据。本文将详细介绍如何使用Python调用1688的…...
CAPL与外部接口
CAPL与外部接口 目录 CAPL与外部接口1. 引言2. CAPL与C/C++交互2.1 CAPL与C/C++交互简介2.2 CAPL与C/C++交互实现3. CAPL与Python交互3.1 CAPL与Python交互简介3.2 CAPL与Python交互实现4. CAPL与MATLAB交互4.1 CAPL与MATLAB交互简介4.2 CAPL与MATLAB交互实现5. 案例说明5.1 案…...
解析与使用 Apache HttpClient 进行网络请求和数据抓取
目录 1. 什么是 HttpClient？ 2. 基本使用 3. 使用 HttpClient 爬取腾讯天气的数据 4. 爬取拉勾招聘网站的职位信息 5. 总结 前言 Apache HttpClient 是 Apache 提供的一个用于处理 HTTP 请求和响应的工具类库。它提供了一种便捷、功能强大的方式来发送 HTTP 请…...
【go语言】结构体
一、type 关键字的用法 在 go 语言中，type 关键字用于定义新的类型，他可以用来定义基础类型、结构体类型、接口类型、函数类型等。通过 type 关键字，我们可以为现有类型创建新的类型别名或者自定义新的类型。 1.1 类型别名 使用 type 可以为…...
Kotlin 委托详解
Kotlin 委托详解 引言 Kotlin 作为一种现代化的编程语言，在 Android 开发等领域得到了广泛的应用。在 Kotlin 中，委托（Delegation）是一种强大的特性，它可以让我们以更简洁的方式实现代码的复用和扩展。本文将详细解析…...
用QT做一个网络调试助手
文章目录 前言一、TCP网络调试助手介绍1. 项目概述2. 开发流程3. TCP服务器的关键流程4. TCP客户端的关键流程 二、实现UI界面1. 服务器界面2. 客户端界面 三、实现代码框架1. 服务器代码1.1 初始化服务器地址1.2 开始监听1.3 与客户端连接1.4 接收客户端信息1.5 判断客户端状态…...
Qt 5.14.2 学习记录 —— 이십이 QSS
文章目录 1、概念2、基本语法3、给控件应用QSS设置4、选择器1、子控件选择器2、伪类选择器 5、样式属性box model 6、实例7、登录界面 1、概念 参考了CSS，都是对界面的样式进行设置，不过功能不如CSS强大。 可通过QSS设置样式，也可通过C代码…...
HTML 符号详解
HTML 符号详解 引言 HTML（超文本标记语言）符号是HTML文档中用来表示特殊字符的标记。这些符号在日常网页设计和开发中扮演着重要角色，特别是在需要显示版权、商标、货币符号等特殊字符时。本文将详细介绍HTML符号的用法、类型以及如何在HTML文档中插入这些符号。 HTML符号…...
第十二章 I 开头的术语
文章目录 第十二章 I 开头的术语以 I 开头的术语被识别 (identified by)识别关系 (identifying relationship)身份 (identity)idkey隐式全局引用 (implicit global reference)隐含命名空间 (implied namespace)包含文件 (include file)传入锁 (incoming lock) 索引 (index)索引…...
用XAMPP安装PHP环境（Window系统）
视频教程 BV1jA411v791 进入XAMPP官网 Download XAMPP 找到最新版本，64位的下载，一路安装，语言只有英语德语两个（不会德语） 安装好以后启动软件，点Apache，MySql，start 在C:\xampp\…...
02.01 生产者消费者
请使用条件变量实现2生产者2消费者模型，注意1个生产者在生产的时候，另外一个生产者不能生产。 1>程序代码 #include <stdio.h> #include <string.h> #include <unistd.h> #include <stdlib.h> #include <sys/types.h>…...
区块链项目孵化与包装设计：从概念到市场的全流程指南
区块链技术的快速发展催生了大量创新项目，但如何将一个区块链项目从概念孵化成市场认可的产品，是许多团队面临的挑战。本文将从孵化策略、包装设计和市场落地三个维度，为你解析区块链项目成功的关键步骤。 一、区块链项目孵化的核心要素 明确…...
Redis｜前言
文章目录 什么是 Redis？Redis 主流功能与应用 什么是 Redis？ Redis，Remote Dictionary Server（远程字典服务器）。Redis 是完全开源的，使用 ANSIC 语言编写，遵守 BSD 协议，是一个高性…...
电脑优化大师-解决电脑卡顿问题
我们常常会遇到电脑运行缓慢、网速卡顿的情况，但又不知道是哪个程序在占用过多资源。这时候，一款能够实时监控网络和系统状态的工具就显得尤为重要了。今天，就来给大家介绍一款小巧实用的监控工具「TrafficMonitor」。 「TrafficMonitor 」是…...
Linux篇——权限
在生活中我们知道，一个人能够从事的工作或任务，不是取决于你是谁，而是取决于你的身份是什么，就比如同一个人，如果他是校长，那就可以说放假就放假，如果是学生，就没有这个决定的权力。…...
Python 梯度下降法（六）：Nadam Optimize
文章目录 Python 梯度下降法（六）：Nadam Optimize一、数学原理1.1 介绍1.2 符号定义1.3 实现流程 二、代码实现2.1 函数代码2.2 总代码 三、优缺点3.1 优点3.2 缺点 四、相关链接 Python 梯度下降法（六）：Nad…...
大模型培训讲师老师叶梓分享：DeepSeek多模态大模型janus初探
以下视频内容为叶梓分享DeepSeek多模态大模型janus的部署，并验证其实际效果，包括图生文和文生图两部分。 叶梓老师人工智能培训分享DeepSeek多模态大模型janus初探 DeepSeek 的多模态大模型 Janus 是一款强大的 AI 模型，专注于图像和文本的多…...
2025最新源支付V7全套开源版+Mac云端+五合一云端
2025最新源支付V7全套开源版Mac云端五合一云端 官方1999元， 最新非网上那种功能不全带BUG开源版，可以自己增加授权或二开 拥有卓越的性能和丰富的功能。它采用全新轻量化的界面UI，让您能更方便快捷地解决知识付费和运营赞助的难题 它基于…...
Linux系统上安装与配置 MySQL（ CentOS 7 ）
目录 1. 下载并安装 MySQL 官方 Yum Repository 2. 启动 MySQL 并查看运行状态 3. 找到 root 用户的初始密码 4. 修改 root 用户密码 5. 设置允许远程登录 6. 在云服务器配置 MySQL 端口 7. 关闭防火墙 8. 解决密码错误的问题 前言 在 Linux 服务器上安装并配置 MySQL …...
计算机网络——流量控制
流量控制的基本方法是确保发送方不会以超过接收方处理能力的速度发送数据包。 通常的做法是接收方会向发送方提供某种反馈，如： （1）停止&等待 在任何时候只有一个数据包在传输，发送方发送一个数据包，…...
[Java基础]开发工具Idea
安装工具 IDE: 称为集成开发环境, 把代码编写,编译,执行等功能综合在一起的工具 卸载 控制面板->卸载程序->卸载->勾选清空配置->确认卸载 下载/安装 官网下载: IntelliJ IDEA – the Leading Java and Kotlin IDE 默认安装: 旗舰版安装无需任何勾选, 傻瓜安装…...
Java线程池
专栏系列文章地址：https://blog.csdn.net/qq_26437925/article/details/145290162 本文目标： 理解线程池运行原理 线程的各种属性参数关闭问题异常处理拒绝策略常见的线程池 可以分析下自身工作中用的各种线程池和参数设定 工作中用到的有 普通的 Th…...