1. 羊毛細度檢測儀顯示基線數據不足怎麼辦
1、首先打開電腦和儀器電源。
2、其次打開軟體，調節需要測試的物鏡倍率4x，10x，20x，40x，100x等，將備制好的試樣載玻片放入載物台上。
3、最後在屏幕中找到需要測試的試樣圖像，測試出試樣的數據即可。
2. Sqlserver資料庫存放在伺服器上.表中行數很多.查詢演算法復雜.最終結果數據量很小.delp
總體的方向就是優化，包括索引，查詢程序，以及資料庫的結構，這個要看具體情況了，關鍵找到慢的原因估計是有些大的表做了表遍歷，仔細分析一下你的sql，每月十幾萬不算太大應該能解決。
3. 用weka進行數據分析 導入一個arff 數據 報錯說內存不夠之類的 貌似是數據太大了 有沒有什麼解決辦法
首先，如果數據量大於物理內存沒辦法使用軟體解決的。
weka是基於java的，內存不足指java虛擬機的內存不足，設置方法
打開weka安裝目錄的RunWeka.ini可以看到：
# The JAVA_OPTS environment variable (if set). Can be used as an alternative way to set
# the heap size (or any other JVM option)
javaOpts=%JAVA_OPTS%
設置環境變數： JAVA_OPTS
例如：JAVA_OPTS=-Xmx2048m -Xms512m
這樣weka啟動時建立的虛擬機就會變大，但是還是以物理內存為限制的。
4. 資料庫中數據量很大，怎麼寫演算法
合理索引，能分區的表分區。做資料庫同步，查詢與業務分開做。我經常做百萬級的數據表。有不明白的地方請留言
5. C++ 優先隊列push()時，出現內存不足，怎麼辦，能又什麼辦法解決嗎
如果你的數據量很大，那就不可避免這種問題。因為你是用內存緩沖數據，但是內存畢竟是有限的。
如果要徹底解決問題，要麼控制數據量，要麼採用更復雜的手段，例如藉助硬碟。
我不太精通這方面技術，但是憑經驗感覺用內存映射文件輔以稍微復雜一點的數據結構，是解決大數據量的辦法。
簡單的說，如果你的數據有兩個G，那麼就創建2G的內存映射文件，然後將其一部分映射進內存，設計一種演算法根據需要每次將需要使用的部分映射進內存。
6. python 循環內要處理大量數據時怎麼優化
先嘗試優化程序的時間復雜度，尋找更有效的演算法
確保了演算法復雜度在可接受范圍之內後，開始進行常數優化，以下是Python優化的幾個小技巧：
實測表明，for語句一般比while語句效率更高
同樣實測表明，xrange一般比range要高效
如果要存儲動態數據（即有可能頻繁變動的數據）少用list和str，多用dict
實測表明，
兩個str的連接效率從高到低+=，join，+
多個str的連接效率從高到低join，+=，+
盡可能使用列表解析表達式和生成器表達式代替循環一遍來構建list
避免使用global關鍵字，無論是從代碼效率還是可移植性的方面考慮
7. 海量數據的數據結構和演算法，該怎麼處理
業務建模、模式、松耦合，高內聚 對付海量並發、存儲和運算就需要優秀的演算法和數據結構了 還有數據散列阿等等
8. ocpc數據上報，轉化量不夠怎麼辦
在提交ocpc數據時，很多用戶會碰到剛開始提交數據時，轉化量不足的情況，也就是無數據可以提交了，也有想盡快跑過第一階段，好到二階段獲取更多的流量。
這時應該怎麼辦了？
利用好多粉新推出的可以回傳自定義數據的功能就很好解決了。可以選擇從實時訪客中導入您想提交的數量，或者自己手動輸入提交的鏈接在進行補量提交就能恨到的完成轉化量不足的情況了。
也許你會問？這不是提交的是假的轉化數據嗎？能有用嗎？
當然有用，請問推廣後台怎麼判斷您提交的這條數據是真正的產生轉化了？判斷不了的，所以只要你提交了它就會覺得這條數據是有效的。）
9. 數據量較小的數據挖掘演算法
這的看你想干什麼，達到什麼母的，才能選擇合適的演算法，演算法和場景有關系，比如財務預測，肯定用決策樹無法實現
10. 數據結構中快速排序演算法的不足以及改進
一般快速排序演算法都是以最左元素作為劃分的基準值，這樣當數據元素本身已經完全有序（不管正序或者逆序）時，每一趟劃分只能將一個元素分割出來，其效率很低：時間復雜度O(n^2)，空間復雜度為O(n)
所以改進方法就是找尋合適的基準值，保證不至於在關鍵字有序或者接近有序時發生這個情況，一般可以使用三者取中（就是待劃分序列的頭元素、尾元素、中間元素三者的中間值）、或者隨機選擇等方法，這樣即使關鍵字完全有序，也可以保證時間復雜度O(nlogn)，空間復雜度O(logn)