david数据库

⑴ David数据库是以R语言运算的吗

是的。
由于R会把数据读入内存中，因此这对于处理和分析小型数据集很合适。R可以使用两大标准访问数据库，即ODBC和JDBC。JDBC（又称Java数据库连接）由一系列Java实现的类和接口组成，它们允许Java和数据库间直接通信。

⑵ 数据库的发展过程

一、摇篮和萌芽阶段：首先使用"DataBase"一词的是美国系统发展公司在为美国海军基地在60年代研制数据中引用。

1963年，C·W·Bachman设计开发的IDS(Integrate Data Store)系统开始投入运行，它可以为多个COBOL程序共享数据库。
1968年，网状数据库系统TOTAL等开始出现;
1969年，IBM公司Mc Gee等人开发的层次式数据库系统的IMS系统发表，它可以让多个程序共享数据库。
1969年10月，CODASYL数据库研制者提出了网络模型数据库系统规范报告DBTG，使数据库系统开始走向规范化和标准化。正因为如此，许多专家认为数据库技术起源于20世纪60年代末。数据库技术的产生来源于社会的实际需要，而数据技术的实现必须有理论作为指导，系统的开发和应用又不断地促进数据库理论的发展和完善。
二、发展阶段：20世纪80年代大量商品化的关系数据库系统问世并被广泛的推广使用，既有适应大型计算机系统的，也有适用与中、小型和微型计算机系统的。这一时期分布式数据库系统也走向使用。
1970年，IBM公司San Jose研究所的E ·F ·Code发表了题为"大型共享数据库的数据关系模型"论文，开创了数据库的关系方法和关系规范化的理论研究。关系方法由于其理论上的完美和结构上的简单，对数据库技术的发展起了至关重要的作用，成功地奠定了关系数据理论的基石。
1971年，美国数据系统语言协会在正式发表的DBTG报告中，提出了三级抽象模式，即对应用程序所需的那部分数据结构描述的外模式，对整个客体系统数据结构描述的概念模式，对数据存储结构描述的内模式，解决了数据独立性的问题。
1974年，IBM公司San Jose研究所研制成功了关系数据库管理系统System R，并且投放到软件市场。
1976年，美籍华人陈平山提出了数据库逻辑设计的实际（体）联系方法。
1978年，新奥尔良发表了DBDWD报告，他把数据库系统的设计过程划分为四个阶段:需求分析、信息分析与定义、逻辑设计和物理设计。
1980年，J·D·Ulman所着的《数据库系统原理》一书正式出版。
1981年 E· F· Code获得了计算机科学的最高奖ACM图林奖。
1984年，David Marer所着的《关系数据库理论》一书，标志着数据库在理论上的成熟。
三、成熟阶段：80年代至今，数据库理论和应用进入成熟发展时期 易观国际发布《IT产品和服务－2007年中国数据库软件市场数据监测》，考察了中国数据库管理软件市场。数据显示，中国商业数据库市场2007年度整体规模达到21.72亿人民币，比去年同期增长15%。从厂商竞争格局来看，国际软件巨头占据市场的绝大多数份额。Oracle、IBM、Microsoft和Sybase牢牢占据国内数据库软件市场前四位，拥有93.8%的市场份额。国产数据库的市场份额在本季度继续提升，正在抓住国家提倡自主创新的机遇，以“有自主知识产权”的产品为契机，满足部委和地方政府的信息整合平台需求。 2008年，中国商业数据库市场整体规模达到了28.25亿元，比上个年度增长了30%，一方面，主要是因为中国电子政务建设的大幅增加，以及中国政府对版权的高度重视。其中，Oracle占据了其中44%的市场份额，IBM占据了其中20%的份额、微软占据了18%的份额，Sybase占据了10%，而国产数据库因为在政府的支持下，已经占据了8%的市场份额，较2007年同比提升了25%。其中，达梦数据库年销售额为6600万元，为国产数据库中市场份额最大的。预计中国商业数据库市场在2009年达到31亿元的市场规模，同时，国产数据库在中国政府鼓励自主创新的基础下，会占据更大的市场份额。 另外，包括Mysql等开源数据库也占据了大量的政府及中小企事业用户，同时，盗版数据库更是占据了中国数据库市场的较大份额，其数值不亚于整个商业数据库的市场份额。

⑶ David Mytton为什么从MySQL迁移到MongoDB数据库

” 从中感到了作者的欢喜和忧愁，有翻译不妥或理解不到位的，还请指正：）1，David为什么要迁移？原文如下：写道The problem we encountered was administrative. We wanted to scale using replication but found that MySQL had a hard time keeping up, especially with the initial sync. As such, backups became an issue, but we solved that. However, scaling MySQL onto multiple clustered servers as we plan to do in the future is difficult. You either do this through replication but that is only really suited to read-heavy applications; or using MySQL cluster. The cluster looks very good but I have read about some problems with it and was unsure of it’s suitability for our needs.看上去大概的意思是说：我们遇到了管理上的麻烦，虽然我们解决了备份问题。我们试图通过MySql集群解决，集群看上去很好但对于一个大量写应用来说却遇到了困难，同时我们也不确定集群是否适应我们的需求。于是David选择更换MySQL，选择了MongoDB。2、为什么选择MongonDB？写道Very easy to install. php mole available. Very easy replication, including master-master support. In testing this caught up with our live DB very quickly and stayed in sync without difficulty. Automated sharding being developed. Good documentation. 我想最重要的一点应该是：Very easy replication, including master-master support. In testing this caught up with our live DB very quickly and stayed in sync without difficulty. 非常容易的数据拷贝并且快速、一致。3、移植MongonDB后的问题。Schema-less：写道Schema-less This means things are much more flexible for future structure changes but it also means that every row records the field names. We had relatively long, descriptive names in MySQL such as timeAdded or valueCached. For a small number of rows, this extra storage only amounts to a few bytes per row, but when you have 10 million rows, each with maybe 100 bytes of field names, then you quickly eat up disk space unnecessarily. 100 * 10,000,000 = ~900MB just for field names! We cut down the names to 2-3 characters. This is a little more confusing in the code but the disk storage savings are worth it. And if you use sensible names then it isn’t that bad e.g. timeAdded -> tA. A rection to about 15 bytes per row at 10,000,000 rows means ~140MB for field names – a massive saving.灵活的BSON文本存储结构意味着每条记录都带有了字段名，从而处理不当会导致空间的浪费，于是David减缩了字段名。The database-per-customer method doesn’t work 写道The database-per-customer method doesn’t work MongoDB stores data in flat files using their own binary storage objects. This means that data storage is very compact and efficient, perfect for high data volumes. However, it allocates a set of files per database and pre-allocates those files on the filesystem for speed: This was a problem because MongoDB was frequently pre-allocating in advance when the data would almost never need to “flow” into another file, or only a tiny amount of another file. This is particularly the case with free accounts where we clear out data after a month. Such pre-allocation caused large amounts of disk space to be used up. We therefore changed our data structure so that we had a single DB, thus making the most efficient use of the available storage. There is no performance hit for doing this because the files are split out, unlike MySQL which uses a single file per table.MongoDB的文件存储是以“database”为颗粒的，不像MySQL为每个table使用一个单独的文件。并且避免生成硬盘碎 片，mongonDB是预申请硬盘空间，以指数递增，所以如果数据组织不好的话，会导致文件中实际使用空间远小于占用硬盘的空间，所以David更改了数 据组织结构以更高效得利用空间。Unexpected locking and blocking 写道Unexpected locking and blocking In MongoDB, removing rows locks and blocks the entire database. Adding indexes also does the same. When we imported our data, this was causing problems because large data sets were causing the locks to exist for some time until the indexing had completed. This is a not a problem when you first create the “collection” (tables in MySQL) because there are only a few (or no) rows, but creating indexes later will cause problems. Previously in MySQL we would delete rows by using a wide ranging WHERE clause, for example to delete rows by date range or server ID. Now in MongoDB we have to loop through all the rows and delete them indivially. This is slower, but it prevents the locking issue. 在MongonDB中，删除rows需要阻塞整个database，增加index也一样，相对Mysql来说，速度慢了，但防止出现关于锁的问题。Corruption 写道Corruption In MySQL if a database (more likely a few tables) become corrupt, you can repair them indivially. In MongoDB, you have to repair on a database level. There is a command to do this but it reads all the data and re-writes it to a new set of files. This means all data is checked and means you will probably have some disk space freed up as files are compacted but it also means the entire database is locked and blocked ring the time it takes. With our database being around 60GB, this operation takes several hours.mysql中各类table可以独立的修复，而mongonDB的修复是database级别的，所有的data都会被检查。写道Performance Our reasons for moving to MongoDB were not performance, however it has turned out that in many cases, query times are significantly faster than with MySQL. This is because MongoDB stores as much data in RAM as possible and so it becomes as fast as using something like memcached for the cached data. Even non-cached data is very fast.选择MongonDB不是因为性能问题，但MongoDB的查询性能也还快，类似有个memcached缓存了数据一样。另外， MongonDB不支持事务。 适合写完后马上读操作。 删除记录的时候不清理空间，只标记“删除”，以后可重复利用。看完后，感觉MongoDB相对Mysql来说，只能说各有优略吧。Comments（提取了一些个人觉得有价值的问题）：问：为什么不选择CouchDB？答：MongonDB的查询与SQL很类似，CouchDB的KEY/VALUE查询形式相比复杂，并且mongoDB提供php模块。问：为什么不考虑memcache&hadoop？答：map/rece查询并不是我们需要的。问：为什么不考虑SenSage or Vertica？答：对于一个新兴公司来说，商业产品成本太高。问：你需要一个什么样的数据复制，有多少节点需要拷贝？Keyspace产品 适合你么？答：两个都是新的产品，我们觉得mongoDB更成熟，另外提供PHP的模块是一大优势。问：你有考虑过阻塞对应用的影响吗？答：是的，阻塞会导致应用一直等待最终超时。

⑷ 数据库该怎么学习，纯小白

相信很多数据库入门的新手们在学习数据库方面都存在困惑，本文列出了一个非常完整的数据库学习路线，并对数据库学习过程中的细节进行详细指导。希望能够成为大家学习数据库过程中一份纲领性的教程。

本回答来自：数据库怎么学？数据库学习零基础入门指导_树懒学堂

数据库知识要点学习

• 新手学习数据库务必把握的知识要点：

• 数据库的安装下载：了解数据库的环境变量，文件目录构造。

• 数据库网络服务器的启动，登陆与登出。

• 数据库常用命令及语法标准。

• 数据库基本数据类型与数据表的实际操作。比如，数据表的增删、单表查寻、多表查询等。

• 数据库运算符和函数，比如，日期函数，时间函数，信息函数，聚合函数，数据加密涵数，自定义函数等。

• 数据库存储过程，存储过程的调度。

• 数据库每个存储引擎的特性。

• 数据库事务管理的定义和应用等。

• 数据库管理权限和用户管理等。

数据库学习材料推荐：

1.《MySQL必知必会》

这书讲的十分全，从基本要素，到查寻到插入新建表，用户的管理方法，都是有实际的事例，特别适合没有基础的同学们来学习Mysql，总而言之这本书学习的方式 便是：

• 掌握数据库的基本概念

• 按照示例进行练习

2.《SQL必知必会》

纯新手必读，这也是Amazon上最热销的SQL书籍的汉化版，写的很轻快，定义十分清晰。这本书用于学习关系型数据库也非常好，基本概念比大部头的教材内容说得清晰得多。

网站推荐：

树懒学堂_一站式数据知识学习平台

⑸ david数据库能做哪些物种的功能注释

现代生物研究中的高通量技术如microarray、蛋白质组学或NGS能够让科学家们检测到几乎所有的mRNA，蛋白质或DNA序列的变异，从而获得成千上万的数据。分析数据结果的复杂程度和所需要的时间也随之直线上升，科学家们往往会陷入如何从海量的实验数据中挖掘到该体系到底发生了什么的泥潭中。想充分挖掘实验数据中的价值，需要科学家多方面的知识和技能，既要从生物学角度去阐释整个实验系统，又要理解系统变化的原因和效应等。科学家们通常只去寻找实验数据中发生差异表达的基因的上游调控子，如转录因子或调控的microRNA。但要完全理解实验结果的效应，科学家们必须进一步分析差异基因所调控的分子通路，生物学功能，已知的毒理学效应并对某些特定的关键分子进行进一步的全面调研（i.e. 后续靶标或生物标志物）。
以前科学家们可以依赖于个人的生物学专业知识并辅以检索最新文献来进行简单的数据分析。但随着文献的研究领域分类更加细化，知识的积累和文献的调研变得不再那么简单。现在，科学家们开始使用基于互联网的软件工具，包括专业的网站（i.e. PubMed）和一些的或商业化的分析工具（i.e. DAVID, Ingenuity-IPA）来帮助收集并分析数据。常规的高通量数据的分析和进一步的实验假设，一般均从阅读尽可能多的相关文献并调研实验结果中变化最大的基因开始。然而这样的分析策略往往会大量遗漏关键的信息，很多时候是因为相关的分子数据库和实验数据相关的文献量非常大，以至于科学家们无法面面俱到。而二代测序（NGS，如RNA-sequencing）的数据相当于为microarray实验提供了更加精确的转录本和同源基因信息，使获得信息变得更加复杂。因此，能够深度挖掘实验数据、将各种来源的背景信息整合在一起并提供灵活易用的工具进行查询的软件对理解实验结果变的日益重要。

⑹ 数据库原理的作者简介

DavidM．Kroenke在1967年作为RandCorporation公司的实习生时进入了计算行业，在此之后，他的职业生涯涉及教育、工业、顾问和出版等领域。
Kroenke曾经在科罗拉多州立大学、西雅图大学教学，目前在华盛顿大学教学。在多年的教学生涯中，他组织了数十次由大学教授参加的教学研讨会。在1991年，授予他“年度计算机教育家”的荣誉称号。
在工业方面，Kroenke曾经为美国空军和波音计算机服务工作，并且负责创立了个公司。他也曾经是Microrim公司负责产品销售和开发的副主席，并且是WallData公司在数据库划分方面的首席技术专家。Kroenke是语义对象数据模型的创始者，他所拥有的咨询客户包括mM公司、Microsoft、ComputerSciences公司，以及许多其他的公司和组织。
Kroenke的着作DatabaseProcessing最初出版于1977年，现在已经是第10版。Kroenke也出版了其他许多书籍，包括经典的BusinessCompu~rSystems（198i）。他最近编写的书籍是UsingMIS的第1版。出于对成为海员的渴望，Kroenke也编写了KnowYourBoat：。Kroenke现居住在华盛顿州的西雅图市，他结过婚，有两个孩子和两个外孙。
DavidJ．Auer目前是西华盛顿大学的CollegeofBusinessandEconomics（CBE）信息系统和技术服务的主管，并且是CBE的决策科学部门的讲师。他从1981年开始在CBE中任教，教授的课程包括QuantitativeMethods、、Statistics、。在1994年，他受雇于目前的CBE职位。除了管理CBE的计算机、网络和其他技术资源之外，他还教授ManagementInformationSystem课程。Auer负责教授课程，并且负责拓展CBE的网络基础结构课程，包括计算机硬件和操作系统、远程通信和网络管理。Auer已经和其他人合作编写了一些与MIS相关的书籍。
Auer在华盛顿大学获得了英语文学学士学位，在西华盛顿大学获得了数学和经济学学士学位，并且在西华盛顿大学获得经济学硕士学位和辅导心理学硕士学位。Auer是美国空军军官，他还作为组织开发专家和治疗专家为EmployeeAssistanceProgram（EAP）工作。Auer和妻子Donna居住在华盛顿州的贝灵汉市，他是当地计划委员会（PlanningCommission）的成员，并且积极参与社团成长和发展的相关问题。他有两个孩子和3个外孙。

⑺ 大家能推荐一本比较好的学习数据库的书吗国外国内的都行！编写要独得啊！

楼上说的《数据库系统概论》确实不错 我们大学时的教材
个人再推荐一本《oracle从入门到精通》 是上班后师傅给我看的 也不错
很多人都推荐《oracle9i/10g/11g编程艺术》这本书 有点贵 不过口碑不错
我还没怎么看 看了一眼觉得这本书需要有点基础以后再看

⑻ David数据库下载kegg数据count是什么

count是用来统计某字段所包含元素数量的。
COUNT函数返回统计区域中的数字个数。语法形式为：COUNT（value1，value2，）参数value1，value2，为数值或单元格引用。

⑼ 如何使用david数据库查找通路图

首先打开DAVID数据库，

点击，左上角的“Functional Annotation”。

在Step1输入要分析的基因，Step2选择类型为基因名，Step3 选择Gene list，Step4点击Submit list。

弹出提示，点击“确定”。

选择，物种为“人”后，点击“Select Species”。

最后点击“Show Gene list”,弹出界面。

点击“Download File 即可查找出通路图