对于自己专业的选择，你们如何决定的？是父母的建议，还是跟着浪潮随波逐流，甚至是自己瞎填一通，觉得好玩就选了？

小编常常收到同学的抱怨，说自己选择的专业跟自己的理想差太多，不然就是自己初入社会发现从事的职业跟自己学的专业没有半毛关系。

最近，国外的一角薪资调查网站就公布了一组数据：1800位应届毕业生填写的“大学最有用和最不值得读的专业”。或许这组数据对于你选择专业有些参考价值。

图中，绿色表示专业有用；红色代表无用，浪费时间。

整理数据发现，排名如下：

1. 化学与自然科学

2. 计算机科学

3. 数学与统计学

4. 商业与金融

5. 经济学

6. 现代语言学

7. 管理学

8. 工程学

9. 文学

10. 物理学、生命科学与理疗保健

11. 法学

12. 媒体、营销与通信

13. 历史、地理、政治

14. 艺术与设计

15. 心理学

从图中可以看出，专业满意度最高的是化学和自然科学类专业，其次是计算机科学和数学类。而心理学则被更多学生认为不值得读。

当然这组数据也仅仅只是作为你选择的一个参考，面对选择专业的选择，小编有几点需要提醒：

1.为收入选专业

上大学是为了学技能，拿学位，这两件事能够使你获得一份工作，提高增加薪酬的机会。由于上大学开支很大，我们难免会想按照专业收入来选择专业，至少，你应该选择你感兴趣的专业。

2.受权威资源影响太大

好了，我们知道你选专业之前肯定要看专业研究报告，这些报告会告诉你：远离“软性”专业，读那些市场前景好的专业，或者“学会计”，“听你老爹的，学成之后继承家族企业。”你的父母，你的老师，你的咨询顾问，他们都有自己的职业渠道，但是他们不是全知全能的。如果你想做成一件事，就必须参考他们的话，做你自己的调研，自己做最终决定。

3.想到找到你的热情所在

“找到学习热情”是一个糟糕的建议。是的，如果你喜欢你的工作，你永远不会疲劳。但问题是，你真的不能只选择你喜欢做的，因为——你没有足够的经验！事实上，当你努力工作的时候，你会变得更好；当你变得更好的时候，你会喜欢做某事；当你喜欢做某事的时候，你对他就会有热情。但从根源上看，你还是要努力的工作以获取足够的技能—你不可能一开始就能够完全决定你的激情所在。

4.没有及时获取经验

要在课堂上完全了解你将要做什么是非常困难的，因为学校所教的知识和工业上所用到的不一定能够完全对接。所以，趁你还有选择的余地，最好尽快找到一个实习，体验一下那是不是你想要的生活。

5.盲从朋友

你是与众不同的，你有不同的兴趣，不同的动力和动机，不同的关系网。随着时间的推移，你在资源丰富的大学中会愈加与朋友不同。这意味着你最终会远离你的一些朋友，交一些新朋友。无论如何，你朋友决定学什么专业，不应该对你造成任何影响。追寻自己兴趣，即便这会让你感到不舒服。相信我，这是值得的。

6.太关注于已经付出且不可收回的成本

你可能会在大学期间发现自己的专业并不适合自己。然而你已经学了几年这个专业了，因此要放弃是很困难的。但如何在你深思熟虑后发现，放弃对你有益的，不妨学会放开手。

7.没缘由地选择双专业

有一些大学生选择在四年里完成两个专业，这的确是很酷的一件事。但是，你需要知道的是，双专业意味着很多课程和家庭作业，这些时间你原本可以用来实习、做志愿者、社交等等，而后者对你的雇主来说是更有意义的。所以，除非你有足够好的理由修读双专业，否则不要轻易选择这一条路。

8.基于浪漫化的印象做决定

如果你的朋友是计算机专业的，你是不是觉得他们的业余时间不是在建立自己的网站，就是编程玩儿？事实并非如此。在你看的电影、书籍和游戏中收到启发原本无可非议，但你要意识到，你不是电影中的人物。你可能在电影里看到黑客花10分钟攻入一台电脑，但事实上，你可能要花上40个小时的时间。选专业，脚踏实地地去了解专业，才是最重要的

以前有一句非常流行的广告语：

大家好，才是真的好！

这句话套用到买车上就是：

大家都买的车，一定不太差！

虽然今年才刚刚过了不到一半，数据就已经出来了今年备受瞩目的车型车款，小编我从中挑了几辆适合留学生的车车做成周报给大家参考哦！

1.2014 Jeep Wrangler Sport

牧马人出乎意料的成为了各大地区的榜首，来自东南西北被的美国人民都对他爱到不行。确实，特立独行的外形，粗犷而自由的气质，确实是热爱户外运动的美国人民勇敢不羁精神的最佳体现。

这辆2014年的黑色牧马人，黑色内饰，不到五万迈，sport trim，4x4，价格只要两万六出头，就能拥有美国人最爱的越野车哦。

2.2014 Honda Accord EX-L Sedan

本田成为了洛杉矶地区人民的最爱，尤其是思域和雅阁更是一跃成为前两名。经济实用又省油，可买菜，可通勤，大小也合适，确实是没车没脚的洛杉矶的首选。

这辆2014年本田雅阁，价格只要一万八，五万迈不到，白外米内，原价19999，现在只要17999，直接降两千，你说好不好？

各种配置都有，皮椅、天窗、座椅加热、倒车影像、卫星电台、蓝牙、无钥匙启动，心动不如行动哦！

3.2015 Honda Civic EX-L Sedan

备受加州人民喜爱的另一款来自本田的神车，传说中的“北美四大神车”。

这辆2015年的四门思域，一人车主，45418迈，只要16,990哦！有导航、倒车影像、天窗、皮椅加热、甚至轮胎都刚刚换上了全新的！

喜欢的微我噢~Lumei_us

关于旅美(http://Lumeiauto)

l 汽车行业资深专家创办

旅美由留美20余年的资深汽车人于2015年1月份创立，整合了一流的银行、汽车经销商和驾校等资源，旨在解决新移民和留学生在美国当地用车的所有问题：

1. 驾照取得 2.新车与二手车选购 3.汽车贷款/租赁 4. 汽车售后服务

l 合作伙伴

1. Enterprise: 世界500强公司美国最大的汽车租赁公司

2. Lithia: 美国上市汽车经销商集团

3. Pep Boys: 超大型售后服务连锁

4. AIM：年检百万辆二手车的美国车辆检测标准制定者

5. 中信银行：中国大陆第七大银行，独家代理美签18年

l 做中国人最信赖的美国汽车服务提供商

【专业】一站式购车服务

【价优】提供市场最优惠价格

【便捷】无社安号贷款服务

l 联系旅美

1. 在线选车（万辆车源）、高价卖车（在线评估）、分期购车（在线计算器），欢迎登陆：

http://lumeiauto

前言

有一个大数据项目，你知道问题领域(problem domain)，也知道使用什么基础设施，甚至可能已决定使用哪种框架来处理所有这些数据，但是有一个决定迟迟未能做出：我该选择哪种语言?(或者可能更有针对性的问题是，我该迫使我的所有开发人员和数据科学家非要用哪种语言?)这个问题不会推迟太久，迟早要定夺。

分享之前我还是要推荐下我自己创建的大数据学习交流Qun531629188无论是大牛还是想转行想学习的大学生小编我都挺欢迎，今天的已经资讯上传到群文件，不定期分享干货，包括我自己整理的一份最新的适合2018年学习的大数据教程，欢迎初学和进阶中的小伙伴。

当然，没有什么阻止得了你使用其他机制(比如XSLT转换)来处理大数据工作。但通常来说，如今大数据方面有三种语言可以选择：R、Python和Scala，外加一直以来屹立于企业界的Java。那么，你该选择哪种语言?为何要选择它，或者说何时选择它?

下面简要介绍了每种语言，帮助你做出合理的决定。

R

R经常被称为是“统计人员为统计人员开发的一种语言”。如果你需要深奥的统计模型用于计算，可能会在CRAN上找到它――你知道，CRAN叫综合R档案网络(Comprehensive R Archive Network)并非无缘无故。说到用于分析和标绘，没有什么比得过ggplot2。而如果你想利用比你机器提供的功能还强大的功能，那可以使用SparkR绑定，在R上运行Spark。

然而，如果你不是数据科学家，之前也没有用过Matlab、SAS或OCTAVE，可能需要一番调整，才能使用R来高效地处理。虽然R很适合分析数据，但是就一般用途而言不太擅长。你可以用R构建模型，但是你需要考虑将模型转换成Scala或Python，才能用于生产环境，你不太可能使用这种语言编写一种集群控制系统(运气好的话，你可以对它进行调试)。

Python

如果你的数据科学家不使用R，他们可能就会彻底了解Python。十多年来，Python在学术界当中一直很流行，尤其是在自然语言处理(NLP)等领域。因而，如果你有一个需要NLP处理的项目，就会面临数量多得让人眼花缭乱的选择，包括经典的NTLK、使用GenSim的主题建模，或者超快、准确的spaCy。同样，说到神经网络，Python同样游刃有余，有Theano和Tensorflow;随后还有面向机器学习的scikit-learn，以及面向数据分析的NumPy和Pandas。

还有Juypter/iPython――这种基于Web的笔记本服务器框架让你可以使用一种可共享的日志格式，将代码、图形以及几乎任何对象混合起来。这一直是Python的杀手级功能之一，不过这年头，这个概念证明大有用途，以至于出现在了奉行读取-读取-输出-循环(REPL)概念的几乎所有语言上，包括Scala和R。

Python往往在大数据处理框架中得到支持，但与此同时，它往往又不是“一等公民”。比如说，Spark中的新功能几乎总是出现在Scala/Java绑定的首位，可能需要用PySpark编写面向那些更新版的几个次要版本(对Spark Streaming/MLLib方面的开发工具而言尤为如此)。

与R相反，Python是一种传统的面向对象语言，所以大多数开发人员用起来会相当得心应手，而初次接触R或Scala会让人心生畏惧。一个小问题就是你的代码中需要留出正确的空白处。这将人员分成两大阵营，一派觉得“这非常有助于确保可读性”，另一派则认为，2016年，我们应该不需要就因为一行代码有个字符不在适当的位置，就要迫使解释器让程序运行起来。

Scala

现在说说Scala：在本文介绍的四种语言中，Scala是最轻松的语言，因为大家都欣赏其类型系统。Scala在JVM上运行，基本上成功地结合了函数范式和面向对象范式，目前它在金融界和需要处理海量数据的公司企业中取得了巨大进展，常常采用一种大规模分布式方式来处理(比如Twitter和LinkedIn)。它还是驱动Spark和Kafka的一种语言。

由于Scala在JVM里面运行，它可以立即随意访问Java生态系统，不过它也有一系列广泛的“原生”库，用于处理大规模数据(尤其是Twitter的Algebird和Summingbird)。它还包括一个使用非常方便的REPL，用于交互式开发和分析，就像使用Python和R那样。

我个人非常喜欢Scala，因为它包括许多实用的编程功能，比如模式匹配，而且被认为比标准的Java简洁得多。然而，用Scala来开发不止一种方法，这种语言将此作为一项特色来宣传。这是好事!不过考虑到它拥有图灵完备(Turing-complete)的类型系统和各种弯弯曲曲的运算符(“/:”代表foldLeft，“:”代表foldRight)，很容易打开Scala文件，以为你看到的是某段讨厌的Perl代码。这就需要在编写Scala时遵循一套好的实践和准则(Databricks的就很合理)。

另一个缺点是，Scala编译器运行起来有点慢，以至于让人想起以前“编译!”的日子。不过，它有REPL、支持大数据，还有采用Jupyter和Zeppelin这一形式的基于Web的笔记本框架，所以我觉得它的许多小问题还是情有可原。

Java

最终，总是少不了Java――这种语言没人爱，被遗弃，归一家只有通过起诉谷歌才有钱可赚时才似乎关心它的公司(注：Oracle)所有，完全不时髦。只有企业界的无人机才使用Java!不过，Java可能很适合你的大数据项目。想一想Hadoop MapReduce，它用Java编写。HDFS呢?也用Java来编写。连Storm、Kafka和Spark都可以在JVM上运行(使用Clojure和Scala)，这意味着Java是这些项目中的“一等公民”。另外还有像Google Cloud Dataflow(现在是Apache Beam)这些新技术，直到最近它们还只支持Java。

Java也许不是摇滚明星般备受喜爱的首选语言。但是由于研发人员在竭力理清Node.js应用程序中的一套回调，使用Java让你可以访问一个庞大的生态系统(包括分析器、调试器、监控工具以及确保企业安全和互操作性的库)，以及除此之外的更多内容，大多数内容在过去二十年已久经考验(很遗憾，Java今年迎来21岁，我们都老矣)。

炮轰Java的一个主要理由是，非常繁琐冗长，而且缺少交互式开发所需的REPL(R、Python和Scala都有)。我见过10行基于Scala的Spark代码迅速变成用Java编写的变态的200行代码，还有庞大的类型语句，它们占据了屏幕的大部分空间。然而，Java 8中新的Lambda支持功能对于改善这种情况大有帮助。Java从来不会像Scala那么紧凑，但是Java 8确确实实使得用Java进行开发不那么痛苦。

至于REPL?好吧，目前还没有。明年推出的Java 9会包括JShell，有望满足你的所有REPL要求。

哪种语言胜出?

你该使用哪种语言用于大数据项目?恐怕这还得“视情况而定”。如果你对晦涩的统计运算进行繁重的数据分析工作，那么你不青睐R才怪。如果你跨GPU进行NLP或密集的神经网络处理，那么Python是很好的选择。如果想要一种加固的、面向生产环境的数据流解决方案，又拥有所有重要的操作工具，Java或Scala绝对是出色的选择。

当然，不一定非此即彼。比如说，如果使用Spark，你可以借助静态数据，使用R或Python来训练模型和机器学习管道(pipeline)，然后对该管道进行序列化处理，倒出到存储系统，那里它可以供你的生产Scala Spark Streaming应用程序使用。虽然你不应该过分迷恋某一种语言(不然你的团队很快会产生语言疲劳)，使用一套发挥各自所长的异构语言也许会给大数据项目带来成效。

喜欢这篇文章记得收藏，转发哦！更多相关资讯可以关注xabdqn，免费获得java零基础教程！额外附送excel教程！

大家好，今天带大家了解大数据。对于外行来说，大数据名词听起来很高端、大气。却很抽象，让人无法理解。但作为编程人员、数据库管理员，大数据是需要详细了解的。这将会成为你们未来的发展方向。

首先简介一下大数据能干什么？大家都知道，我们在淘宝购物。需要注册帐号，然后选购商品、加入购物车、付款发货、货物的物流信息等等。这些信息在电脑里被称为数据。产生的数据都会存储到淘宝的服务器里。每天数以亿计的数据，被存储到淘宝服务器里。由于这些数据很庞大，所以被称为大数据。再根据基础大数据，在后台进行智能分析。就能分析出指定用户的购物喜好。某些产品的销售量等等信息。然后通过挖掘大数据的结果，向用户推送指定商品。这就是大数据时代，给你我带来的便利。

由于大数据里有海量的数据，存储和分析这些数据最主要就是要解决效率的问题。如何快速存储和分析海量的数据？目前都采用了一些什么技术？带着这些问题。我来讲一下，需要充电学习的方面。首先java语言是必须精通掌握的基础，用于大数据开发。接下来必须了解网络编程，mysql等数据库。再进一步学习，就需要了解集群技术。因为海量的数据需要采用多个数据库来进行存储和处理。即分布式存储。目前解决的方案，是采用hadoop架构。Hadoop实现一个分布式存储，具有高容错性、高吞吐量来访问应用程序的数据，适合超大数据集的应用程序。Hadoop的高吞吐，海量数据处理的能力使人们可以方便地处理海量数据。但hadoop不擅长实时计算，另一项大数据技术storm由此而生。他具有实时的数据处理能力。比如你昨天在淘宝买了一双鞋，今天你想买一顶帽子。而大数据分析的结果还是昨天的，系统不断的在向你推荐鞋子。而不去考虑你今天的需求。使用了storm技术，就会实时的分析你的需求，系统就会根据结果，向你推荐帽子。大数据的另一项技术Apache spark是一个围绕速度、易用性和复杂分析构建的大数据处理框架。用于配合hadoop和storm技术处理大数据。通过并行化地计算，加快的大数据的处理。

大数据的另一方向就是机器学习，要想得到一个高效的机器学习系统。就需要先用少量的数据去训练它。在少量的数据下机器学习系统不出错。再加大学习量，最终就能通过反复测试上线。大数据下的机器学习需要很多学习样本，在大量的学习样本下。机器可以类似于人工一样筛选，分析处理得到有用的数据，最终将结果反馈给用户。机器学习要掌握R语言、python和mahout技术。机器学习应用前景很广，不只是大数据可以使用。可能会成为未来程序员必修的课程。

来源：金融界基金

金融界基金12月17日讯 嘉实腾讯自选股大数据策略股票型证券投资基金（简称：嘉实腾讯自选股大数据策略股票，代码001637）公布最新净值，下跌2.10%。本基金单位净值为0.838元，累计净值为0.838元。

最新定期报告显示，本基金规模为2.17亿元，上期规模为39.06亿元，减少94.43%。>　　嘉实腾讯自选股大数据策略股票型证券投资基金成立于2015-12-07，业绩比较基准为“中证小盘500指数(深)*95.00% + 中证综合债指数*5.00%”。 本基金成立以来收益-16.20%，今年以来收益-24.30%，近一月收益-2.33%，近一年收益-24.09%，近三年收益-16.20%。近一年，本基金排名同类（321/525），成立以来，本基金排名同类（401/656）。

金融界基金定投排行数据显示，近一年定投该基金的收益为-14.70%，近两年定投该基金的收益为-18.71%，近三年定投该基金的收益为-18.02%，近五年定投该基金的收益为。（点此查看定投排行）

基金经理为刘斌，自2015年12月07日管理该基金，任职期内收益-16.20%。

龙昌伦，自2017年06月22日管理该基金，任职期内收益-18.16%。

最新定期报告显示，该基金前十大重仓股为江特电机（持仓比例2.04% ）、银泰资源（持仓比例2.01% ）、久立特材（持仓比例2.00% ）、高新兴（持仓比例1.88% ）、白云山（持仓比例1.79% ）、首开股份（持仓比例1.73% ）、红日药业（持仓比例1.71% ）、华鲁恒升（持仓比例1.68% ）、洋河股份（持仓比例1.62% ）、中交地产（持仓比例1.57% ），合计占资金总资产的比例为18.03%，整体持股集中度（低）。

最新报告期的上一报告期内，该基金前十大重仓股为银泰资源（持仓比例2.39% ）、顺发恒业（持仓比例2.23% ）、双星新材（持仓比例2.00% ）、航发控制（持仓比例1.93% ）、金达威（持仓比例1.90% ）、利达光电（持仓比例1.67% ）、贵州茅台（持仓比例1.64% ）、TCL集团（持仓比例1.55% ）、易华录（持仓比例1.46% ）、海王生物（持仓比例1.37% ），合计占资金总资产的比例为18.14%，整体持股集中度（低）。

报告期内基金投资策略和运作分析

在多重利空因素下，三季度股票市场延续了二季度的低迷状态，同时市场成交量进一步萎缩，投资者风险偏好迅速下降，存量资金呈现出追逐短期交易性机会的趋势，导致热点难以持续，市场风格反复切换，投资获利难度显著增大。一方面，在普遍预期三季度宏观经济将逐渐下行的情况下，政策出现边际调整，稳健的货币政策和积极的财政政策纷纷出台，有利于金融风险的消除和企业盈利环境的改善，同时，在地方政府债务清理、资管新规等一系列去杠杆的政策措施下，实体部门融资环境仍然趋紧，继续制约着资本市场的流动性。而外部国际环境逐渐向不利于国内经济发展的方向演变，贸易战加剧和美联储的加息预期，投资者对资产标的的安全性及盈利确定性要求进一步提高，突发事件也成为股票短期波动的主要因素之一。????行业方面，金融、上游周期与国防军工行业的表现相对较好。消费类股票则出现显著回调，尤其是家电、纺织服装和生物医药等行业，主要受负面事件冲击以及中报业绩拖累的影响。总体而言，在投资环境整体偏弱的环境下，投资者对资产安全性的重视程度显著大于盈利性。????本基金始终依据腾讯自选股等相关数据，深入挖掘用户的选股行为模式，同时发挥嘉实基金的量化研究优势，结合价值、成长、流动性等传统金融数据指标，选取成长性较好的优质公司，剔除基本面和流动性较差的股票，最终构建大数据组合。三季度，基于风险控制，在保持组合整体风格和投资策略的基础上，股票组合进行了相对灵活的策略调整，以适应当前的市场状态。

报告期内基金的业绩表现

截至本报告期末本基金份额净值为0.890元；本报告期基金份额净值增长率为-6.61%，业绩比较基准收益率为-3.01%。

管理人对宏观经济、证券市场及行业走势的简要展望

我要购买：嘉实腾讯自选股大数据策略股票（001637）　　基金投资工具箱：

必读资讯：24小时要闻滚动 基金经理后市观点 基金深度研究

基金赚钱榜：基金排行 主题基金

>

转载自百家号作者：游戏司机

TI结束后的几周时间里，我们发现在主赛事中表现亮眼的英雄出场率激增，尤其是OG的代表性英雄。在Ana近乎完美的发挥之后，灰烬之灵的出场率上升了近50%，同样的情况还有Topson的齐天大圣，他的野路子英雄也在路人当中开始流行。

而实际上这些英雄可能并不适合你的技术水平。像灰烬之灵这样的英雄操作门槛往往很高，这一点很容易从低水平路人局的胜率中看出。更重要的是，他是一个在特定阵容下才能发挥出巨大作用的英雄，而你选他可能仅仅是因为想用风杖来躲撼地者的大招。

我们全天梯路人局的英雄胜率数据大致说明，对大多数玩家来说有哪些英雄的强度是不用质疑的。

首先，不随主流不代表不合适。OG选的都是他们熟门熟路的英雄，完全不在意版本所谓的强势英雄。由于我们大多数人都没有职业水准，所以就自己喜欢玩的英雄来说，有些东西还是需要说明一下的。这或许解释了为什么帕吉在超凡入圣和冠绝一世的出场率名列第四，达到27.86%，而他相应的胜率却不及50%。

你可能因为帕克的配音听着舒服而去玩帕克，或者想养一头熊而玩德鲁伊，即便他俩是版本最弱的英雄，这也没关系。但如果你真的想上分，我们的宏观数据可以为你提供一些比较实用的意见。

幽鬼和冥魂大帝是万古段位以上的默认上分英雄（版本改动后可能有所改观），而复仇之魂则是中军级别以下的王者，其胜率高达60%——几乎和被削弱之前的幽鬼一个级别。VS在阵亡之后还能发挥作用，而且技能直截了当，出差错的情况极少发生（当然大招除外）。VS是TI最热门的辅助，在超凡和冠绝分段的出场率最高，达到20%。而在统帅和中军段位则分别下降到14%和12%.

很显然，低段位的路人都不愿意选辅助。一方队伍有4、5个核心更是司空见惯，大家都不管队伍的资源分配和对线优劣。不过像VS、巫妖、沉默、尸王、冰女这些英雄的成功表明，即使在低分段路人局，选择辅助的你也可以起到举足轻重的作用。

这是因为赢得对线是赢下比赛的重要保证（除非你是OG）。在当前版本，能占线的英雄能获得很大的收益。由于正反补能获得更多的经验，2-1-2的主流分路意味着每一个小兵都很重要。这意味着你选的英雄不仅要适合版本，还要在你的英雄池当中。比如巫妖在高端局的作用有限，但在统帅级别以下的胜率高达54-56%。这类被动的英雄不需要太多的操作，但能让你稳稳赢下对线期。

简单来说，你需要选那些适合版本而不是跟风热门的英雄。从我们的对线数据来看，祈求者和风暴之灵是最热门的中单，而它们的胜率都在50%以下，直到4K分段的胜率才勉强达到50%。相比于祈求者，血魔更有机会让你赢下比赛，毕竟并不是每一个都是奇迹哥。血魔在2000以下分段的胜率达到了惊人的65%，在2000-3000分段的胜率也高达60%。

再来看看优势路大哥，幽鬼在5000分以上分段独占鳌头（胜率56%），而在3000分段主宰游戏的则是冥魂大帝和卓尔游侠。关键点在于你的英雄选择可能和职业比赛所反映的不同，甚至和首页局也不同。理解每个分段各个英雄的强弱对每个Dota玩家的学习非常重要。当然如果只是为了娱乐，那就选个帕吉吧。

请问哪个省份的人家庭最和睦？Emmmmm，当然是山西了，因为“男人不吃醋，家庭不和睦”，在山西这样一个制醋吃醋大省，男女老少皆喜吃醋，别提家庭有多和睦了！哈哈哈哈哈，先容小蒲皮一下！

食醋作为一种广泛使用的调味剂，已有几千年的历史，用途非常广泛。每到夏天，总是少不了各种凉拌菜！

食醋的各种用途

少不了各种拌~拌~拌！

少不了各种蘸~蘸~蘸！

我们老大说，小时候吃食少，就用醋加点蜂蜜冰镇后当冷饮喝！小蒲认为这个吃法放在今天依旧时髦，各种水果醋是不是就这么演变来的？小蒲也有些蠢蠢欲动了！

这酸爽，小蒲表示，倒是也想尝试下！

大数据——靠谱

言归正传，既然食醋的用途那么广，作为厨房的一味常备调味品，如何挑选到好醋就尤为关键！

怎么挑选？数据说话，靠谱！

走，咱先去两大电商平台天猫和京东看看食醋都有哪些大牌子！

问题来了，这些热销品牌靠谱吗？近几年有没有抽检出来问题产品？带着这些疑问，小蒲登录“食安通”（http://eshian/）查询，把这些品牌与国家和各省市食药监部门公开的抽查数据对照，发现11个品牌自2015年以来，抽检批次较多，而且表现良好。

你看你看，紫林醋从2015年1月至今共被抽检了97次，每次都是合格的。做产品，还是大品牌靠谱！传播食品安全知识，“CEC食安体验”也是认真的！

就像这个世界上的任何事物都具有两面性！虽然我们希望天是蓝的水是绿的食物是可以放心吃的，可是现实总是不那么让人省心！哪些产品不靠谱呢？

继续跟着小蒲上“食安通”！

小蒲检索了2018年至今食醋不合格情况，共检索出45条不合格信息！嗯嗯，小蒲这次将这些不合格信息全部展示，大家可以通过滑动获取信息，看看有没有自家食用的醋。还可以登录“食安通”，找到“食品抽检信息与分析”，输入想查找的内容查询。

大家认真看，小蒲就略过了，毕竟有知识的小蒲已经掌握了选醋秘籍！

你要的干货来了

小蒲将所有45条不合格信息整理加工后得到这样一张图：

由上图可知，不合格原因有7项：

1. 总酸（以乙酸计）含量太低，涉及36批次产品，占比73.5%。

2.菌落总数超标，涉及4批次问题产品，占比8.2%。这叫小蒲哭笑不得了，传言醋有杀菌的功效，那么这些菌落超标的食醋难不成是让小蒲“以毒攻毒”？？？

3. 苯甲酸及其钠盐超标，涉及3批次产品，占比6.1%。

4. 非法使用脱氢乙酸及其钠盐（不得检出），涉及2批次产品，占比4.1%。

5. 防腐剂混合使用时各自用量占其最大使用量的比例之和（≤1）不合格，涉及2批次产品，占比4.1%。

6. 非法使用糖精钠（不得检出），涉及1批次产品，占比2%。

7. 标签标示不规范，涉及1批次产品，占比2%。

小蒲小讲堂

总酸

总酸是指最终能释放出的氢离子数量，“总酸”代表了食醋在发酵过程中产生醋酸的量，对于酿造醋来说，酸度越高说明发酵程度越高，食醋的酸味也就越浓，品质也就越好。依据GB2719-2018食品安全国家标准，食醋中总酸的含量≥3.5g/100ml。但大家一定要注意一点：因为通过勾兑的方式也可以提高酸度，如果酸度特别高，有可能是勾兑醋，购买时应谨慎挑选。

苯甲酸及其钠盐、脱氢乙酸及其钠盐、菌落总数

关于苯甲酸及其钠盐、脱氢乙酸及其钠盐、菌落总数，请大家去看我们美女觉莹子小伙伴写的“酱油选哪个好？大数据告诉你”。

不再赘言！

防腐剂混合使用时各自用量占其最大使用量的比例之和（≤1）

《食品安全国家标准 食品添加剂使用标准》（GB2760-2014）中规定了我国在食品中允许添加的某一添加剂的种类、使用量或残留量，而且规定了同一功能的防腐剂在混合使用时，各自用量占其最大使用量的比例之和不应超过1。这个有点难懂，大家不懂也没关系！

糖精钠

食醋中不允许添加糖精钠，前几天我们还写了一份馒头中添加糖精钠，有兴趣朋友可以点击阅读“甜”馒头出事了，爱吃馒头的盆友表示很慌

综上所述，你知道如何选醋了吗？小蒲划重点！

1、选购大品牌。

2、选购酿造食醋。

3、选购醋酸含量高的。

CEC食安体验

编辑：食安小蒲

大数据的出现引导人们网络购物消费选择导向都非常明确，可是你是否想过假如我们的隐私也被大数据统计着，那是多么恐怖的事。

举个简单的例子大家就知道了，大家经常都在网上购物吧。比如在某宝选一款太阳镜，看了几家没合适就没买。然后就用随便用电脑或者手机看看新闻什么的，总会有相关的太阳镜广告信息充斥在你的左右。而你就被大数据贴上了标签，这个人有购买太阳镜的需求，多给他推送点太阳镜的广告购买几率要大很多。

　　商业模式复杂多样，大数据个人权利边界被淡化。互联网时代，用户更多的通过电脑和智能手机进行网络消费和社交活动。在使用软件之前，用户必须通过电子授权的方式(即浏览用户须知，点击确认)方能使用，无形之中将自己的个人数据所有权转移给服务商。在多重交易和多个第三方接入的情况下，大数据的个人权利边界被淡化，从而造成用户隐私泄露或频繁出现招致用户反感的推荐信息，从而带来不良的用户体验，出现大数据滥用现象。

　　也许这个简单的大数据应用看不出什么危害，却显出一个问题就是我的个人信息被泄露了。

你用浏览器搜索的访问了哪些网站，用搜索引擎搜索过什么词、输入法打的所有字、下载过哪些东西、手机的一些会定位的软件这些都会再你的使用中不经意间窃取你的信息。软件得到信息传回服务器后台接着会对你的这个信息进行分析，然后对你的整个人消费习惯、兴趣爱好、收入特征、工作性质、甚至是性别男女、家庭住址、电话号码、上班途径哪些地方都统统的给你数据出来。看到这里是不是很可怕。以上这些都是在用户自己本身不知道的情况下私自收集的。

　　如果以上信息只是针对用户来定向投放点广告，那也到没什么。如果是被别有用心的人拿来做些不道德的事情这个就是太惊悚了，而且现在谁又能保证这些收集隐私信息的安全性？

　　为此，政府需在法律层面明确“知情权”和“遗忘权”。一方面，“知情权”保证用户知道自己的用户数据在何处如何使用；另一方面，一旦对大数据挖掘推荐的结果产生反感，用户便可以行使“遗忘权”，即选择退订推荐商品信息，甚至通过合理的流程要求企业删除相关的个人信息，以及浏览、搜索和订单痕迹。而政府相关部门需要在法律层面上明确保护用户的“知情权”和“遗忘权”。

网络安全谁来保证？

Java已经火爆多年，学习Java的人也越来越多，这个大家都知道。大数据是近几年突然受到人们的关注，很多人想要开始学习大数据，因为互联网企业对于数据分析的需求越来越大，而市场给出的薪水也远高于其他技术岗位。很多人担心Java、大数据能火多久呢？现在学这个会不会过一段时间就不流行了？很多人害怕自己辛辛苦苦报了培训班，投入了时间、精力，结果又找不到工作，可怎么办?

这个问题要从两个方面分析。

一

1

“大数据能火多久”这个问题，要看大数据的本质。我们目前业内讨论“大数据”，应该更倾向于看它背后的技术对当前企业IT系统的革新。就如同目前大多数企业以关系型数据库为中心的IT系统一样，现在，我们处理信息的手段中，又添加了新的成员。如果你向老大建议，我们不要以关系型数据库为核心的各类“进销存”、财务等系统了，全体回退到以excel、word来处理信息，我想，他会分分钟让你滚。20年后，如果你向老板建议，我们放弃各类以大数据处理集群为核心的精准营销系统、智能客服系统、用户智能分析系统等等，大家集体回退到以纯关系型数据库为核心的时代，我相信，他也一定会分分钟让你滚。

当前，我们对大数据的理解，越来越清晰和接地气。阿里巴巴已经把他们的大数据系统，改名为了'maxComputer'。从名字不难看出，大数据就是大电脑，这意味着更大的信息处理能力、更高的灵活性……

大数据能火多久，如同穿越到上世纪80年代，去问个人电脑能火多久一样。现在，我们都不会认为“个人电脑”会“火”，因为，它已经成为了人类工具箱里一件强大的工具，提高了人类的生产力。我相信，“大数据”，也会成为我们的工具箱里的这么一样工具的。

现在讨论起大数据，很多人的看法，还是照搬教科书里的内容。其实，对真正的大数据圈而言，大数据已经落地了。下了凡的七仙女，虽然是神仙，但也成为了农家媳妇，没太大讨论的必要了。大数据从几年前很火，到现在，从PPT上下凡到数据中心，也就没有多大的讨论必要性了，用就行了。

2

大数据为啥这么有诱惑力，是否值得投入，现在进去晚了吗？

首先，大数据企业众多，逐步形成产业化。从08年开始，大数据就成为互联网信息领域的大热门。由此而来，大数据企业像雨后春笋般层出不穷。

其次，大数据人才需求量大，薪资相比其他行业遥遥领先。尚学堂陈老师指出数万家的企业都把大数据当做企业业务发展的制高点，都在不惜代价的抢滩大数据人才。就拿互联网金融行业来说，不低于一万家企业，平均每家企业都需要10人以上的数据人才，BAT就更不用说了，每家的数据人才都是以千计。

最后，大数据代表未来高科技发展方向，不管是智能社会、智能城市、智能社区、智能交通、智能制造、智能理财等等，都依赖于大数据基础，这是多么巨大的市场和发展机遇。

所以，在现阶段，无论你何时去决定投入，都有非常大的机会，至少未来十年，大数据一定不会衰落。

二

对于担心现在进培训班学习Java，出来找不到工作，或者担心Java马上就不火的同学，想对你们说三个字：想太多。想要获得高收入的回报，比别人付出更多的成本这是必然的。不存在不劳而获这样的好事情。同时，你看中的Java程序员的高工资正是因为这个时代互联网的爆炸式发展，给了你这样的机会，高收益必定是有一定的风险，但那么多的互联网企业，那么多的Java程序员同时在这个时代存在，担心学完就找不到工作，白学了，就有点杞人忧天了。

当然，有这种担忧也是好的，为自己想好后路。毕竟现在竞争这么大，现实很残酷。但是可以肯定的是，Java还会一直火下去？为什么呢？有以下几个原因：

从宏观方面来说，国家现在大力推动互联网与实体经济相融合，这可以说是一举两得。互联网+已经不止是时代发展到今天市场的一个必然趋势，更是被国家大力扶持的方向。互联网行业人才缺口一定会越来越大。同学们要担心的应该是如何跟上Java学习的脚步，而不是担心它会不会衰落。

Java本身的特性决定了很多行业都会采用Java开发，尤其是金融、政府部门等更加喜欢招聘Java程序员。就编程技术本身而言，这是一门运用最为广泛的技术，我们日常使用的QQ、支付宝都与Java等密切相关，所以学好Java找工作是肯定不愁的。

也许有的同学觉得现在Java程序员就如同大学生一样普遍，市场已经趋于饱和了，其实这是一个普遍的误解：在中国这个人口大国，实际上任何一个赚钱的行业、好的岗位都会被迅速疯抢。在如此多程序员的情况下，仍有那么多企业抱怨招不到人，招不到靠谱的程序员是为什么？因为虽然满大街都是Java程序员，但是初级程序员占了多数，中高级人才却是奇缺。很多人为了高工资涌入这个行业，找到了一份工作以后就安于眼前的高薪工作，然而后期却很乏力，那是因为他们没有继续精进自己的技术，没有持续地去学习，不是真正地热爱Java技术而是被它带来的高工资所吸引。想要拉开与别人的距离，让自己成为一个真正优秀的Java程序员还有很长的路要走。

不过谁不是从小白开始的呢，一步一个脚印，别想一口吃成一个大胖子。既要有那高薪的远大目标，也要有脚踏实地不断学习的态度。

那么，从一个初级程序员怎样快速成长为高级架构师呢？

这里有一份从入门到架构师的完整学习路线图，为想成为架构师的同学量身定制：

从入门基础到高级架构，每个阶段的学习都设定了明确的学习目标，配以相应的实战项目，保证即学即用，内化为自己的知识，学完你的技术基本可以升一个等级：

第一阶段 Java基础

学习到的知识点：

Java语言概述

数组

异常机制

Java常用类

IO流

多线程

XML&正则表达式

设计模式

第二阶段 Web前端和JavaEE基础

学习到的知识点：

数据库

Oracle

MySQL

JDBC

HTML

CSS

jQuery

JSP

Servlet

第三阶段 高级框架阶段

学习到的知识点：

Hibernate

MyBatis

Spring

SpringMVC

Quartz

RBAC

Shiro

Activiti

mybatis-plus

EasyUI

Git/GitLab

第四阶段 分布式和架构

学习到的知识点：

Maven

Linux/Centos

Nginx

Mycat

Zookeeper

RPC

Dubbo/Dubbox

Redis

Solr

ActiveMQ

MongoDB

分布式事务

第五阶段 微服务架构

学习到的知识点：

FastDFS

Docker

Erueka

Ribbon

Feign

SpringBoot

Hystrix

SpringData

Zuul

SpringCloud

第六阶段 大数据

学习到的知识点：

Hadoop

HDFS

MapReduce

课程穿插的实战项目：

桌球游戏项目

电影院后台项目

双色球项目

图书管理系统

七彩鲜花销售系统

开发人员调度项目

京东商城项目

超市会员管理系统

企业客户关系项目

这套课程经历119次改版，一次次通过了市场的检验，课程内容紧跟企业需求，涉及到的新技术：JAVA10、微服务架构（Spring Boot、Spring Data、Spring Cloud）、互联网架构技术、SSM三大框架等。

大数据在国内火了好几年了，现在依然呈火爆的趋势，为何会有这么多人想做大数据呢，肯定不会仅仅只是大数据的薪资待遇，比大数据薪资待遇更高的也有不少，下面我们来看看它火爆的原因究竟有哪些。

489034603

看上图，这是一张大数据技术需求分布图，主要是数据分析、数据开发、数据挖掘、云计算四大块，其中数据分析和数据开发占了绝大部分，这是由于我国大数据领域还处于基础阶段，对于数据的开发和分析需求巨大，而对于高级一点的挖掘和云计算则是进一步需要发展，目前也有火的势头，所以及早进入是有比较大的前景的，优势也会特别明显。

说到行业选择，肯定是少不了薪资待遇的，大数据领域是无上限的行业，但是目前仍然集中在5K-10K这个阶段，10K-15K的需求也很多，这还是在大数据基础阶段，随着大数据的发展，未来几年的薪资肯定会更高，而且能够到10K以上应该算是一个比较可观的待遇了吧

帝都果真是帝都，硬生生的占据了全国36.5%的需求量，比上深广三个城市加起来需求还高。在大数据领域，北京确实不亏为执牛耳者，大数据的技术氛围是其他城市短时间内无法匹敌的，所以如果真的想投入这一行当，建议还是考虑去帝都喝几年的浑水，妥妥的有帮助。

这个可能是很多应届生或者工作没多久的人都特别关注的了，在其它比较成熟的行业里面，公司招聘比较看重工作经验，应届生工作难找成了再正常不过的现象，而大数据领域则不同，经验不限的已经占据了近一半的需求，在剩余的需求中，1-3年的大数据中低级工程师的需求比较高，3-5年的大数据中高级工程师需求次之，对于5-10的“砖家”依然还是有需求的。为什么鲜有10年以上的呢？那是大数据在我国的发展都没有超过10年，你又从哪去找10年以上经验的人呢，当然如果是包含了开发经验的就另当别论了。。

所以不要担心进入大数据领域没有经验不好找工作，大数据这个方向，平均经验不会超过2年，普遍在1.5左右，能够有3-5年的真实技术背景，就是半个“砖家”了，能够有七八年，那绝对是元老级人物了，所以还不在坑里的盆友，赶紧到坑里来，再不来，1-3年的就成砖家了，而到时经验不限估计就成绝响了。

找工作肯定也需要看学历的，上图是大数据领域对于学历的要求，不限、大专、本科占领90%以上的需求，对于本科毕业的盆友，学历不是你需要担心的问题，即使大专的小伙伴也有将近40%的需求。

互联网行业是大数据的起爆点，除了互联网/电子商务行业，传统的诸如计算机服务/软件、金融/基金/证券/投资、通讯行业以及其他专业服务领域等，都在热火朝天的搞大数据，如果你真的想练就大数据的“本领”，建议还是优先选择互联网或者电子商务行业，等你学成归来，再去支援其他传统IT行业的“大数据西部”建设。

说了这么多好听好看的，下面是该提醒一下各位学习的内容了，主要是Hadoop生态的相关技术，例如hadoop、spark、HDFS、Hive等，基本已经成为了大数据领域的必备技能。在语言方面，依然是JAVA、Scala、Python等。这就作一个简单的提醒，学习大数据技术不是一朝一夕可以的，小伙伴可以看看我以前发的文章了解更多需要学习的内容。

在你学习技术之前呢，上图你可以作为一个参考，贪多嚼不烂，选择一个适合自己的领域重点学习，目前来看，能把大数据所以技术都搞明白的没有几个，而且那些都是元老级的人物了，作为还没进坑的首要目标的是先进坑，在坑里站稳了脚跟才能发展自己的坑。

看完这篇文章你是否会心动呢？是否想跳进大数据这个坑？如果小伙伴想学习或者交流大数据领域的相关技术的，可以加下图片下方的群，有很多大数据的学习视频可以下载，也有很多同行的朋友一起交流，还有大数据架构师每天分享技术及解答问题