这个简历初筛都不行吗，为什么没有面试呢…

入职这个家小厂一周了leader是一个90后女孩因为我刚开始上手，对公司很多流程工具都不熟悉，环境都没有配好就开始测需求然后就犯了很多错误，leader也在帮我，但是能感觉到她不耐烦了我遇到卡点问她 她有点不耐烦 让我自己琢磨她会觉得我直接问是浪费她的时间…其实没有很明显的表现 但是我天生敏感 我能感觉到她不喜欢我…可能因为我不爱说话 也很内向…不会刚入职就被辞退吧，好害怕感觉自己很差劲 然后更加自卑害怕容易犯错

面试官人很好，态度和蔼可亲，没答出来时也会引导你去思考。由于是晚上面的，导致我白天一天都有点紧张，面的时候状态也不是很好，正常可能面试官提问完应该思考几秒再答，而我就像抢答一样一口气把所有会的都说出来，这样就导致逻辑比较混乱，东一句西一句的。首先是自我介绍，先把会的技术大致讲一下，由于我八股背的多所以着重讲了一下，Java，go，jvm，MySQL，Redis，计网，操作系统这些，然后一小部分闲聊，然后先问了一下项目，面试官问我这个项目是否落实之类的，直接坦言说是写的练手的，包括之前也写过IM通讯，外卖之类的。然后面试官就把提问的重点放在了八股上。先问了Java：类加载器（答：3种+自定义类加载器、tomcat、原因+双亲委派+好处）JVM参数（答：xmx，xms，newsize这些，问我是如何设定的，我回答是把内存分一半给堆，再把堆分一半给新生代，这方面确实不太了解）然后问了一下并发相关的：线程池（答：线程池的7个参数（忘了线程工厂和阻塞时间了），3个重要参数，还有线程如何启用，为什么要设计最大线程数之类的，提到Java栈默认分配1MB运行时不可以更改）AQS（答：先讲clh是自旋锁+list，然后是AQS在这个基础上做的两个优化，然后举了一下reentrantlock根据state如何获取资源）CAS（答：使用三个字段，aba问题，然后将通常搭配自旋锁实现，面试官问通常会自旋多少次，这个不太了解，答的100，然后问100次大概多少秒，回答微秒级，然后面试官讲了一下怎么做资源可能没用完，意识到可能还需要进行阻塞操作）然后考虑一下Linux命令（top，ps，如何使用管道符过滤线程和使用Linux启动线程没答出来）然后问Redis：持久化机制（答：三种aof，rdb，混合，aof的三个参数刷盘策略，rdb以快照保存，使用bgsave会使用子线程来保存不会阻塞，而aof虽然会阻塞但是只在写完数据后追加一条命令，不会太影响，然后是他俩的优缺点，还有混合是怎么保存数据的）集群模式（答：三种，主从复制到缺点再到哨兵机制，正常使用三个哨兵互相监督，主节点挂了投票选主哨兵然后选主节点，然后额外讲一下脑裂的问题，主节点进行数据更新然后把命令写入aof来同步从节点，最后cluster集群，如何实现，使用16383个哈希槽（艹答成16384了），先根据哈希码取余，再根据节点数取余决定放在哪个节点上，然后问了一下我会怎么选集群模式，首先是cluster的问题，会让管道操作之类的失效，然后哨兵会导致整个集群结构变得复杂，使用小项目可能会考虑哨兵，大的考虑cluster，然后考了一下cluster如果一个节点挂了怎么办，根据节点数重新取余然后数据转移，面试官说这么转移比较慢，有没有别的办法，我隐约记得使用一个类似环形数组的方式，想不起来了）然后考了一下MySQL的b+树（这方面的知识点太多了，导致我什么都想讲逻辑就比较乱，讲了一下聚簇索引，树的叶子节点对应着一张页16KB，MySQL有一个区的概念，把这些页放在同一个区中，这样叶子节点的双向链表遍历时速度更快，然后b+树的扇出比较大（非常二，说成扇度之类的，面试官以为说的是扇区）这样层数就比较小，一行1kb数据的话3层可以放心2000w数据）其他的暂时想不起来了算法是lru，面试官问要不要提示，我说写个，然后写了10分钟左右，说大概写好了，但是面试官指出了2个小错误，第一个马上就改回来了，第二个一直没看出来(大脑这时候已经停止工作了)反问：问学习建议，说根据实际的项目进行深入，考虑应该怎么做，还问了一下组里面是做Java的吗？面试官说他是做go的，组里什么语言都有，语言影响不大，连忙补充了一句我对go的底层有深入源码的学习）结束。总体感觉答得不太好，没有太体现出深度，细节也不够全面。

两个月前面过一次，当时太菜了，现在简历更新了，求捞，捞我有效的。

1. D - Tale 适合快速查看数据集整体情况，在做初步的数据探索时，能让你迅速对数据有个全面的认识，比如拿到一个新的电商销售数据集，用它可以快速了解数据分布、变量关系等。 2. ydata - profiling 当你面对大规模数据时，它能快速给出数据的基本统计信息、变量相关性等，如分析大型医疗数据、金融交易数据等。 3. Sweetviz 在对比不同版本数据集或者不同分组数据时非常有用，比如对比新旧算法下的实验数据、不同地区的销售数据等。 4. AutoViz 处理各种规模的数据可视化都很轻松，无论是小型的科研实验数据，还是大型的社交媒体用户数据，都能快速生成直观报告。 5. Data...