欢迎各位同学阅读本篇文章，大数据(Big Data)又称为巨量资料，指需要新处理模式才能具有更强的决策力、洞察力和流程优化能力的海量、高增长率和多样化的信息资产。本篇文章讲述了关于大数据25个忠告，课课家教育提醒各位：本篇文章纯干货，文中有许多的小细节，因此大家一定要认真阅读本篇文章哦~
1、不要编写你认为以后可能需要但目前不需要的代码。这是对未来想象的用例的编码，并且这种代码一定会成为死码或需要重写，因为未来的用例总是与程序员的想象略有不同。
注释代码也是如此，如果一段注释的代码正在进行发布，它不应该存在。YAGNI是编程的核心要素，最佳参考资料是极限编程解析(Extreme Programming Explained)。
2、不进行多余的测试。基础设施，框架和库是需要测试的，不要测试浏览器或外部库，除非你真的需要。测试你自己编写的代码，而不是其他人写的代码。
3、多次重复出现的代码不需要测试。辅助功能不需要测试，当你把它们分开并重新使用时，需要测试。如果反复编写类似代码多次时，您通常会很清楚正在解决的问题。
4、关于API设计(外部面向对象API)：简单的事情尽量简单完成，复杂的事情尽力优化。首先为简单案例设计，如果可能的话，优选为零配置或参数化。Addoptions或附加的API方法，用于更复杂和更灵活的用例(根据需要)。
5、尽早检查无意义的输入或无效状态，最好是异常或错误响应，这将使程序员很清楚问题的确切信息。(除非真的需要，否则不要进行输入验证类型的检查)。
6、在可能的情况下，将测试对象视为黑盒子，通过公共API进行测试，这就不需要调用私有方法或修改状态。
对于一些复杂的场景，编写测试真的是有帮助的，因为这迫使程序员考虑代码的行为以及在编写代码之后如何进行测试。测试首先鼓励更小、更模块化的代码单元，这通常意味着更好的代码。
7、对于单元测试(包括基础架构测试)，应测试所有代码路径。 100%的覆盖是一个良好的开端。除非你无法覆盖所有可能的排列/组合的状态，只有一个非常好的理由才能使代码路径不全部经过测试，以时间为借口早晚会浪费更多时间。
8、代码是敌人：可能出错，需要维护。尽量有更少的代码实现必需的功能，删除不必要的代码。
9、努力通过良好的命名规范和已知的编程风格使代码可读和形成自我记录。通常随着时间的推移，很多程序员都不认识自己写的代码了。
10、代码注释——对一些无法明确的代码，请尽早提供注释，说明为什么要这么写，有无其他方法等。
11、编码过程中务必想想可能出现的问题，无效输入会发生什么，哪些情况会导致失败，这将有助于程序员在发生错误之前捕获更多错误。
12、简单的逻辑易进行单元测试，将逻辑分解为单独的函数，而不是将逻辑混合为有状态和有副作用填充代码。(测试的开销越少意味着测试更快)。
13、使用对象可能比使用复杂的数据结构更好。使用Python的内置类型及其方法将比编写自己的类型更快(除非您在C中编写)。如果考虑性能，请尝试了解如何使用标准内置类型而不是自定义对象。
14、依赖注入是一个有用的编码模式，用于程序员搞清楚依赖关系以及它们来自哪里(有对象，方法等作为参数接收它们的依赖关系，而不是实例化新对象本身)。关于依赖注入的文章可参考Martin Fowler的
15、代码越多，代码越差。程序员的目标应该是小型的可测试单元，以及更高级的集成和功能测试，以测试单元是否正确合作。
16、设计API时应该考虑到以后可能会遇到的更改，并考虑到未来的用例——真的很重要。改变API对程序员和用户而言都是一种痛苦，并且创建向后的不兼容性是可怕的(尽管有时不可避免)。
17、如果函数或方法超过30行代码，请考虑将其分解。最大模块尺寸为500行，测试文件往往比这更长。
#p#分页标题#e#
18、不要在对象构造函数中工作，这很难测试。不要将代码放在__init__.py中(除了用于命名空间的导入)。 __init__.py不是程序员通常期望找到代码的地方。
19、在测试中，单个测试文件的可读性比可维护性更重要(打破可重用的块)。这是因为测试被单独执行和读取，而不是自己成为较大系统的一部分，显然过多的重复意味着可以为了方便而创建可重复使用的组件，这不仅仅是生产问题。
20、尽可能使用重构。编程是抽象的，越接近问题域，代码越容易理解和维护。随着系统的发展，用例的结构需要改变和扩展。一本关于重构和测试的书是Michael Feathers的Working Effectively with Legacy Code。
21、在处理性能问题时，请务必在修复之前进行配置。如果你已经剖析并证明代码实际上是值得的，编写一个测试随时对代码进行分析，并且保留在测试套件中以防止性能回归。(添加时间码总是会改变代码的性能特征，使性能成为更令人沮丧的任务之一)。
22、更小，更严格的单位测试在失败时提供更有价值的信息。通常，运行超过0.1秒的测试不是单元测试。单元测试可以提供更具体的错误信息，关于单元测试实践一本不错的书是Gary Bernhardt的Fast Test, Slow Test。
23、遵循YAGNI原则：编写我们需要的特定代码，而不是不需要的、复杂性的通用代码。
24、共享代码所有权是目标。不分享或许就发现不了更好的编写方式，比如分享出来，大家集思广益。
25、最后，可以告诉产品经理或开发商，一味地增加功能并不是好事，确保核心功能的高效率工作就可以了。
知识分享： HadoopMapReduce
思维模式转变的催化剂是大量新技术的诞生，它们能够处理大数据分析所带来的3个V的挑战。扎根于开源社区，Hadoop已经是目前大数据平台中应用率最高的技术，特别是针对诸如文本、社交媒体订阅以及视频等非结构化数据。除分布式文件系统之外，伴随Hadoop一同出现的还有进行大数据集处理MapReduce架构。根据权威报告显示，许多企业都开始使用或者评估Hadoop技术来作为其大数据平台的标准。
大数据NoSQL数据库
我们生活的时代，相对稳定的数据库市场中还在出现一些新的技术，而且在未来几年，它们会发挥作用。事实上，NoSQL数据库在一个广义上派系基础上，其本身就包含了几种技术。总体而言，他们关注关系型数据库引擎的限制，如索引、流媒体和高访问量的网站服务。在这些领域，相较关系型数据库引擎，NoSQL的效率明显更高。
内存分析
在Gartner公司评选的2012年十大战略技术中，内存分析在个人消费电子设备以及其他嵌入式设备中的应用将会得到快速的发展。随着越来越多的价格低廉的内存用到数据中心中，如何利用这一优势对软件进行最大限度的优化成为关键的问题。内存分析以其实时、高性能的特性，成为大数据分析时代下的“新宠儿”。如何让大数据转化为最佳的洞察力，也许内存分析就是答案。大数据背景下，用户以及IT提供商应该将其视为长远发展的技术趋势。
集成设备
随着数据仓库设备(Data Warehouse Appliance)的出现，商业智能以及大数据分析的潜能也被激发出来，许多企业将利用数据仓库新技术的优势提升自身竞争力。集成设备将企业的数据仓库硬件软件整合在一起，提升查询性能、扩充存储空间并获得更多的分析功能，并能够提供同传统数据仓库系统一样的优势。在大数据时代，集成设备将成为企业应对数据挑战的一个重要利器。
小结：相信最后大家阅读完毕本篇文章后，学到了不少知识吧，其实大家私下还得多多自学，才能了解更多相关方面的内容，才能学的更加的透彻，当然如果大家还想了解更多相关方面的内容的话呢，课课家教育平台欢迎大家咨询哦~
