大多数示例将使用tipspandas测试中找到的数据集。我们将数据读入名为tips的DataFrame中，并假设我们有一个具有相同名称和结构的数据库表。
In [3]: url = ('https://raw.github.com/pandas-dev'
...: '/pandas/master/pandas/tests/data/tips.csv')
...:
In [4]: tips = pd.read_csv(url)
In [5]: tips.head()
Out[5]:
total_bill t### SELECT
tips[['total_bill', 'tip', 'smoker', 'time']].head(5)
### WHERE
tips[tips['time'] == 'Dinner'].head(5)
tips[(tips['time'] == 'Dinner') & (tips['tip'] > 5.00)]
tips[(tips['size'] >= 5) | 我们有什么不一样:
pip install smar
//行列替换
function ds_transform(dataset)
//将第一列拆分成多个字段,默认逗号分隔, 如果不传表头,取SQL中的字段名拆分
function ds_split(data,sep=',',head_add=[])
//获取第一列的名称
function ds_rowname(dataset,start_row=1)
//移除指定指定的列
function ds_remove_column(dataset,remove_list=[0])
// data表示传入的二位数组,生成结果表示为key->[]
A platform that Connect Data to Echarts.
https://www.smartchart.cn/smartdata/api/?i=loaddataset1&j=1
但这种方法有一定的缺点:
注意: 复制出来的仪表盘, 数据集是与原仪表盘公用的
如果您从大数据开始，通常会被众多工具，框架和选项所困扰。 在本文中，我将尝试总结其成分和基本配方，以帮助您开始大数据之旅。 我的目标是对不同的工具进行分类，并试图解释每个工具的目的以及它如何适应生态系统。
首先，让我们回顾一些注意事项，并检查您是否确实遇到大数据问题。 我将重点介绍可以在本地部署的开源解决方案。 云提供商为您的数据需求提供了几种解决方案，我将略微提及它们。 如果您在云中运行，则应真正检查可用的选项，并与开源解决方案进行比较，以了解成本，可操作性，可管理性，监控和上市时间。
> Big Data Ecosystem(仅供参考,不是最新的!!
在sqoop的安装目录下执行以下命令：
bin/sqoop import \
--connect jdbc:mysql://xxxx:3306/sqoop_test \
--username root \
--password 061111 \
--table staff \
--target-dir /user/sqoop \
--delete-target-dir \
--num-mappers 1 \
--fields-terminated-by "\t"
–connect：表示连接的数