如何選海量數據

❶ 如何利用excel實現自動從海量數據里篩選出來訂購商品數量總數超過50件

使用透視表，可以把每個客戶的訂單數匯總，然後篩選出50件以上的客戶，如果需要查看具體清單，透視表中雙擊客戶即可。

❷ Excel的篩選工具，於海量數據中亦能撈出所需

在使用Excel分析大量的數據時，有一個非常好用的工具——篩選，可以幫助我們從龐大的數據中篩選出指定條件的數據。

01

我們先來看一個簡單的篩選範例。

在如下圖的數據表中，我們要篩選出客戶名為「Christy Brittain」的訂單信息。

幸運的是，我們在打開工作簿後在當前所顯示的數據表區域中就可以找到目標客戶的名稱，如在C10單元格。此時快速進行篩選的操作是：在選中當前單元格情況下，滑鼠右鍵，找到「篩選」選項。

選擇並點擊「按所選單元格的值篩選」，即可快速篩選出於目標數據。

除了「按所選單元格的值篩選」，我們還看到有其他的選項，如單元格的顏色、單元格的字體顏色、單元格的圖標等。可根據不同的需求來進行篩選。

那篩選工具僅僅是如此簡簡單單的一個工具嗎？當然不是。

我們先來看一下「篩選」這個工具位於菜單欄的哪個位置？

點擊「數據」選項卡，在「排序和篩選」區域，我們可以看到「篩選」工具及其相關的其他工具。

02

接下來，我們來看一個稍微復雜一些的範例，要求是篩選出同時滿足以下三個條件的數據：

1. City（城市）為Sydney；

2. 時間為2016年；

3. 總額超過10000；

第一步，我們先篩選出符合城市條件的數據。

點擊數據表格中的任意單元格，再點擊「篩選」工具按鈕，即可看到數據表格中首行的抬頭所在的單元格最右側都會有一個小圖標，這些篩選用的小圖標對應每一列的數據。

點擊「City」這一列的篩選小圖標，再取消勾選非「Sydney」的選項。

點擊「確定」後即可篩選出目標數據。

應用篩選後，我們發現工作表區域最左側的行號變成了藍色，同時City所在單元格的篩選圖標變成了一個篩選器圖標。

第二步，我們在已篩選出數據的基礎上再篩選出時間為2016年的數據。

點擊「Order Date」所在單元格的篩選圖標，只勾選「2016」。（注意：當篩選項很多時，我們可以先取消勾選「全選」，再勾選我們需要的選項。）

點擊「確定」後即可篩選出2016年的城市為「Sydney」的數據。

Excel的篩選功能還為我們提供了更多的「日期篩選」的選擇，可根據實際需求進行設置。

第三步，在以上數據的基礎上再次篩選出「Total」總額大於10000的數據。

點擊「Total」所在單元格的篩選圖標，因涉及的數據量很多，我們使用「數字篩選」中的「大於」選項。

選擇並點擊「大於」選項後，會打開一個對話框，我們輸入數值條件，再點擊「確定」。

完成之後，我們看到最終篩選出的數據只有三條。

03

最後，我們來看一下如何取消篩選器。

如果要取消多個篩選器中的一個，我們可以點擊該篩選器，然後勾選「全選」。

點擊「確定」後，篩選器圖標會重新變成篩選圖標。

如果我們要取消所有的篩選器，則點擊「數據」選項卡下的「篩選」工具按鈕右側的「清除」按鈕。

清除篩選器後，回到篩選初始界面。

如果我們要取消篩選，則再次點擊「數據」選項卡下的「篩選」工具按鈕。

Excel的篩選功能中有很多篩選條件的設置，都可根據我們在實際工作中的需要來調整，真可謂能做到在數據海洋中撈到我們所需的那一部分，便利而高效。

❸ 互聯網如何海量存儲數據

目前存儲海量數據的技術主要包括NoSQL、分布式文件系統、和傳統關系型資料庫。隨著互聯網行業不斷的發展，產生的數據量越來越多，並且這些數據的特點是半結構化和非結構化，數據很可能是不精確的，易變的。這樣傳統關系型資料庫就無法發揮它的優勢。因此，目前互聯網行業偏向於使用NoSQL和分布式文件系統來存儲海量數據。

下面介紹下常用的NoSQL和分布式文件系統。
NoSQL
互聯網行業常用的NoSQL有：HBase、MongoDB、Couchbase、LevelDB。

HBase是Apache Hadoop的子項目,理論依據為Google論文 Bigtable: A Distributed Storage System for Structured Data開發的。HBase適合存儲半結構化或非結構化的數據。HBase的數據模型是稀疏的、分布式的、持久穩固的多維map。HBase也有行和列的概念，這是與RDBMS相同的地方，但卻又不同。HBase底層採用HDFS作為文件系統，具有高可靠性、高性能。

MongoDB是一種支持高性能數據存儲的開源文檔型資料庫。支持嵌入式數據模型以減少對資料庫系統的I/O、利用索引實現快速查詢，並且嵌入式文檔和集合也支持索引，它復制能力被稱作復制集（replica set），提供了自動的故障遷移和數據冗餘。MongoDB的分片策略將數據分布在伺服器集群上。

Couchbase這種NoSQL有三個重要的組件：Couchbase伺服器、Couchbase Gateway、Couchbase Lite。Couchbase伺服器，支持橫向擴展，面向文檔的資料庫，支持鍵值操作，類似於SQL查詢和內置的全文搜索;Couchbase Gateway提供了用於RESTful和流式訪問數據的應用層API。Couchbase Lite是一款面向移動設備和「邊緣」系統的嵌入式資料庫。Couchbase支持千萬級海量數據存儲
分布式文件系統
如果針對單個大文件，譬如超過100MB的文件，使用NoSQL存儲就不適當了。使用分布式文件系統的優勢在於，分布式文件系統隔離底層數據存儲和分布的細節，展示給用戶的是一個統一的邏輯視圖。常用的分布式文件系統有Google File System、HDFS、MooseFS、Ceph、GlusterFS、Lustre等。

相比過去打電話、發簡訊、用彩鈴的「老三樣」，移動互聯網的發展使得人們可以隨時隨地通過刷微博、看視頻、微信聊天、瀏覽網頁、地圖導航、網上購物、外賣訂餐等，這些業務的海量數據都構建在大規模網路雲資源池之上。當14億中國人把衣食住行搬上移動互聯網的同時，也給網路雲資源池帶來巨大業務挑戰。

首先，用戶需求動態變化，傳統業務流量主要是端到端模式，較為穩定；而互聯網流量易受熱點內容牽引，數據流量流向復雜和規模多變：比如雙十一購物狂潮，電商平台訂單創建峰值達到58.3萬筆，要求通信網路提供高並發支持；又如優酷春節期間有超過23億人次上網刷劇、抖音拜年短視頻增長超10倍，需要通信網路能夠靈活擴充帶寬。面對用戶動態多變的需求，通信網路需要具備快速洞察和響應用戶需求的能力，提供高效、彈性、智能的數據服務。

「隨著通信網路管道十倍百倍加粗、節點數從千萬級逐漸躍升至百億千億級，如何『接得住、存得下』海量數據，成為網路雲資源池建設面臨的巨大考驗」，李輝表示。一直以來，作為新數據存儲首倡者和引領者，浪潮存儲攜手通信行業用戶，不斷 探索 提速通信網路雲基礎設施的各種姿勢。

早在2018年，浪潮存儲就參與了通信行業基礎設施建設，四年內累計交付約5000套存儲產品，涵蓋全快閃記憶體儲、高端存儲、分布式存儲等明星產品。其中在網路雲建設中，浪潮存儲已連續兩年兩次中標全球最大的NFV網路雲項目，其中在網路雲二期建設中，浪潮存儲提供數千節點，為上層網元、應用提供高效數據服務。在最新的NFV三期項目中，浪潮存儲也已中標。

能夠與通信用戶在網路雲建設中多次握手，背後是浪潮存儲的持續技術投入與創新。浪潮存儲6年內投入超30億研發經費，開發了業界首個「多合一」極簡架構的浪潮並行融合存儲系統。此存儲系統能夠統籌管理數千個節點，實現性能、容量線性擴展；同時基於浪潮iTurbo智能加速引擎的智能IO均衡、智能資源調度、智能元數據管理等功能，與自研NVMe SSD快閃記憶體檔進行系統級別聯調優化，讓百萬級IO均衡落盤且路徑更短，將存儲系統性能發揮到極致。

「為了確保全球最大規模的網路雲正常上線運行，我們聯合用戶對存儲集群展開了長達數月的魔鬼測試」，浪潮存儲工程師表示。網路雲的IO以虛擬機數據和上層應用數據為主，浪潮按照每個存儲集群支持15000台虛機進行配置，分別對單卷隨機讀寫、順序寫、混合讀寫以及全系統隨機讀寫的IO、帶寬、時延等指標進行了360無死角測試，達到了通信用戶提出的單卷、系統性能不低於4萬和12萬IOPS、時延小於3ms的要求，產品成熟度得到了驗證。

以通信行業為例，2020年全國移動互聯網接入流量1656億GB，相當於中國14億人每人消耗118GB數據；其中春節期間，移動互聯網更是創下7天消耗36億GB數據流量的記錄，還「捎帶」打了548億分鍾電話、發送212億條簡訊……海量實時數據洪流，在網路雲資源池(NFV)支撐下收放自如，其中分布式存儲平台發揮了作用。如此樣板工程，其巨大示範及拉動作用不言而喻。

❹ 處理海量數據時，如何擺脫人工篩選實現自動化--- excel攻略

有的時候統計工作特別繁瑣，如果數據量少，簡單的篩選還可以完成相應的工作。當數據非常龐大的時候，僅僅靠人工篩選很難准確及時地完成任務。

比如，面對一列繁雜的數據，需要整理出所有出現過的數據的頻次，並且將之歸類，按照每項分別出現多少次，按照降序依次整理成圖表是一件非常困難的事情。那麼善於使用EXCEL與否決定了一個人的工作效率。下面介紹一種方法，可以有效的從一列繁雜的混亂的數據中篩選出所有的類別，並且加以排序，形成圖表。

假如需要統計的海量數據文本在C列。選擇文本所在列C列，點擊數據---刪除重復項。即可以得到所有不重復的分類文本。為了後續操作方便，建議在第一步中，刪除重復項的操作中，將C列先復制到A列或者你想要復制到的任何一列，再進行第一步的操作。

以復制到A列為例。在A列中得出不重復的分類文本之後，可以開始統計每個分類文本在原文本中所出現的次數。

為了後續生成圖表，將A列篩選出的不良項，粘貼復制到D項。 （注意：不在 D 項直接操作第一步動作的原因是，為了防止後續重復使用此文本時候造成混亂，所以建議第一步在A 列操作。）

用countif函數開始統計每個在第一步中選出的不重復項在原文本所在C列的次數。在E2中輸入公式=countif(C列，D2)，則可以統計出D2項在C列出現的次數。往下拖動，則可以統計出各項文本在原文本中出現的次數。

3.1 上圖是已經排序之後的結果。一般篩選出來的數據是隨機的。選擇D列與E列，點數據---排序，會出現以下對話框。

3.2 點擊添加條件，按照下圖文本中設置。

3.3點擊確定，所選中文本會按照降序排列。

選取D列與E列，然後插入圖表，可形成按照降序排列的直方圖。

於是，繁雜而龐大的數據在幾分鍾內可以搞定。並且此類文本可以反復利用，非常方便快捷。當別人還在苦苦搜索不同類項目的時候，你可以出去吃喝玩樂啦。

❺ 如何用matlab篩選出海量數據(地形高程數據)各點間滿足一定坡度條件的數據，求程序。

由於沒有看到具體的數據和坡度條件方程，所以根據我的想法給你一些建議。
1、首先從數據文件（xls、txt、mat等格式）將數據調入A變數中
2、A變數中分離出x、y、z的數值
3、自定義坡度條件方程，func=@(x,y,z) 坡度條件函數表達式
4、用循環語句和判斷語句，分離出符合坡度條件的數值，並儲存在B變數中
5、將B變數中的數據，寫入指定的數據文件中

❻ 如何選擇大數據分析工具

當企業發展到一定階段之後，企業的數據也會逐漸累積豐富，對數據分析的時效性、准確性也有越來越高的要求。為了更快的滿足業務部門的數據分析需求，搭建自助數據分析平台是大勢所趨。

對於一般企業的可視化數據分析需求來說，由於可視化分析工具市面上已經有不少成熟的產品，相比於自研一個新產品，成熟產品的用戶教育成本更低、實施更快、穩定性也比較好，因此有不少公司都不會重復造輪子。但相應的，在進行可視化數據分析產品，即商業BI工具的選型時，我們常常會遇到以下問題：

1、 市場上BI工具的同質化嚴重，各家基本功能差不多；

2、 純工具的采購風險很高，能不能用起來對客戶本身有很大的挑戰。

3、 工具的後續運營和持續價值如何發揮。

那麼圍繞這三個核心問題，面向市場營銷等企業常見的普通業務場景，部門決策人在進行BI工具軟體的選型時具體應該考慮哪些細節？我們采訪了多位資深市場營銷人，一起來聽聽他們的建議。

選購工具軟體之前，要先明確自己的核心業務需求

BI領域作為一個相對成熟和清晰的方向，產品同質化在國內市場上表現的非常明顯，且競爭更激烈。在網上隨便搜索，都有幾十家或大或小的產品可供選擇。但是深入研究後就會發現，成熟的商業工具在核心功能上差別不大，你家支持大屏設計，我家也可以；你家數據源豐富我家也不差；你家操作簡單，我家上手也容易……

所以，從工具功能本身而言，只要是國內正規產品廠商，基本都能符合企業使用場景和需求，這時我們就需要在采購之前詳細分析自身的使用需求，尤其要關注本部門和其他部門在數據分析領域的長期使用需求前景和一些企業的一些業務特點。

比如說如果企業內部對BI工具的使用需求較頻繁，需要工具平台開設大量儲備賬號和兼具較高的查詢效率，那麼類似Power BI這類小而美的工具就不太適合你；而如果企業自身對數據分析的質量要求較高，除可視化數據分析之外還需要進行數據模型機器學習分析的相關工作，那麼你可能就更需要像美林數據旗下Tempo大數據分析平台這樣能夠兼容數據處理、數據建模、數據分析多維度功能的工具。

還有類Excel的數據處理、豐富的圖形組件、智能化圖形推薦、業務計算規劃……等各種基礎功能，業務用戶簡單培訓，即可自主開展數據分析與探索。

歸根結底，無論是大數據與人工智慧技術，還是SCRM、BI、AI工具的選項，都是一種解決問題的新方法或者輔助支撐，要讓技術或者工具發揮價值，首先要明確業務需求與工作目標，與自身業務深度結合，才能真正的賦能業務，實現業務價值。與此同時自身業務能力的提升也很關鍵，工具+意願+能力，才能推動業務不斷變革提升，實現長遠收益。

❼ 求excel大神 如果一個海量數據表 如何篩選已經有的不同顏色

excel提供了按照顏色篩選的功能，可以按照如下步驟操作，選中表格第一行數據，按篩選快捷鍵【ctrl+shift+L】篩選，然後點擊篩選圖標，按照顏色篩選。之後選中篩選後的數據任一單元格，【ctrl+a】全部選中之後復制到新表即可。

❽ 急！！！在MATLAB中怎樣篩選海量數據！

真個好辦，使用find函數就可以了。
a =

1 3
2 5
3 9
4 14
5 8
6 7
7 6
8 5
9 4
10 3
11 2
12 1
13 0
14 -1
15 -2

>> [x,y]=find(a(:,:)==2)

x =

2
11

y =

1
2

>> c=[1,2,3,4];find(c==2)

ans =

2
上面的例子中，如果你的數據是個矩陣的話，返回的分別是對應行數和列數。
如果你的數據是一維向量的話，返回的就是順序號了。

❾ 如何處理海量數據

在實際的工作環境下，許多人會遇到海量數據這個復雜而艱巨的問題，它的主要難點有以下幾個方面：
一、數據量過大，數據中什麼情況都可能存在。
如果說有10條數據，那麼大不了每條去逐一檢查，人為處理，如果有上百條數據，也可以考慮，如果數據上到千萬級別，甚至 過億，那不是手工能解決的了，必須通過工具或者程序進行處理，尤其海量的數據中，什麼情況都可能存在，例如，數據中某處格式出了問題，尤其在程序處理時， 前面還能正常處理，突然到了某個地方問題出現了，程序終止了。
二、軟硬體要求高，系統資源佔用率高。
對海量的數據進行處理，除了好的方法，最重要的就是合理使用工具，合理分配系統資源。一般情況，如果處理的數據過TB級，小型機是要考慮的，普通的機子如果有好的方法可以考慮，不過也必須加大CPU和內存，就象面對著千軍萬馬，光有勇氣沒有一兵一卒是很難取勝的。
三、要求很高的處理方法和技巧。
這也是本文的寫作目的所在，好的處理方法是一位工程師長期工作經驗的積累，也是個人的經驗的總結。沒有通用的處理方法，但有通用的原理和規則。
下面我們來詳細介紹一下處理海量數據的經驗和技巧：
一、選用優秀的資料庫工具
現在的資料庫工具廠家比較多，對海量數據的處理對所使用的資料庫工具要求比較高，一般使用Oracle或者DB2，微軟 公司最近發布的SQL Server 2005性能也不錯。另外在BI領域：資料庫，數據倉庫，多維資料庫，數據挖掘等相關工具也要進行選擇，象好的ETL工具和好的OLAP工具都十分必要， 例如Informatic，Eassbase等。筆者在實際數據分析項目中，對每天6000萬條的日誌數據進行處理，使用SQL Server 2000需要花費6小時，而使用SQL Server 2005則只需要花費3小時。
二、編寫優良的程序代碼
處理數據離不開優秀的程序代碼，尤其在進行復雜數據處理時，必須使用程序。好的程序代碼對數據的處理至關重要，這不僅僅是數據處理准確度的問題，更是數據處理效率的問題。良好的程序代碼應該包含好的演算法，包含好的處理流程，包含好的效率，包含好的異常處理機制等。
三、對海量數據進行分區操作
對海量數據進行分區操作十分必要，例如針對按年份存取的數據，我們可以按年進行分區，不同的資料庫有不同的分區方式，不 過處理機制大體相同。例如SQL Server的資料庫分區是將不同的數據存於不同的文件組下，而不同的文件組存於不同的磁碟分區下，這樣將數據分散開，減小磁碟I/O，減小了系統負荷， 而且還可以將日誌，索引等放於不同的分區下。
四、建立廣泛的索引
對海量的數據處理，對大表建立索引是必行的，建立索引要考慮到具體情況，例如針對大表的分組、排序等欄位，都要建立相應 索引，一般還可以建立復合索引，對經常插入的表則建立索引時要小心，筆者在處理數據時，曾經在一個ETL流程中，當插入表時，首先刪除索引，然後插入完 畢，建立索引，並實施聚合操作，聚合完成後，再次插入前還是刪除索引，所以索引要用到好的時機，索引的填充因子和聚集、非聚集索引都要考慮。
五、建立緩存機制
當數據量增加時，一般的處理工具都要考慮到緩存問題。緩存大小設置的好差也關繫到數據處理的成敗，例如，筆者在處理2億條數據聚合操作時，緩存設置為100000條/Buffer，這對於這個級別的數據量是可行的。
六、加大虛擬內存
如果系統資源有限，內存提示不足，則可以靠增加虛擬內存來解決。筆者在實際項目中曾經遇到針對18億條的數據進行處理， 內存為1GB，1個P42.4G的CPU，對這么大的數據量進行聚合操作是有問題的，提示內存不足，那麼採用了加大虛擬內存的方法來解決，在6塊磁碟分區 上分別建立了6個4096M的磁碟分區，用於虛擬內存，這樣虛擬的內存則增加為 4096*6 + 1024 =25600 M，解決了數據處理中的內存不足問題。
七、分批處理
海量數據處理難因為數據量大，那麼解決海量數據處理難的問題其中一個技巧是減少數據量。可以對海量數據分批處理，然後處 理後的數據再進行合並操作，這樣逐個擊破，有利於小數據量的處理，不至於面對大數據量帶來的問題，不過這種方法也要因時因勢進行，如果不允許拆分數據，還 需要另想辦法。不過一般的數據按天、按月、按年等存儲的，都可以採用先分後合的方法，對數據進行分開處理。
八、使用臨時表和中間表
數據量增加時，處理中要考慮提前匯總。這樣做的目的是化整為零，大表變小表，分塊處理完成後，再利用一定的規則進行合 並，處理過程中的臨時表的使用和中間結果的保存都非常重要，如果對於超海量的數據，大表處理不了，只能拆分為多個小表。如果處理過程中需要多步匯總操作， 可按匯總步驟一步步來，不要一條語句完成，一口氣吃掉一個胖子。
九、優化查詢SQL語句
在對海量數據進行查詢處理過程中，查詢的SQL語句的性能對查詢效率的影響是非常大的，編寫高效優良的SQL腳本和存儲 過程是資料庫工作人員的職責，也是檢驗資料庫工作人員水平的一個標准，在對SQL語句的編寫過程中，例如減少關聯，少用或不用游標，設計好高效的資料庫表 結構等都十分必要。筆者在工作中試著對1億行的數據使用游標，運行3個小時沒有出結果，這是一定要改用程序處理了。
十、使用文本格式進行處理
對一般的數據處理可以使用資料庫，如果對復雜的數據處理，必須藉助程序，那麼在程序操作資料庫和程序操作文本之間選擇， 是一定要選擇程序操作文本的，原因為：程序操作文本速度快；對文本進行處理不容易出錯；文本的存儲不受限制等。例如一般的海量的網路日誌都是文本格式或者 csv格式（文本格式），對它進行處理牽扯到數據清洗，是要利用程序進行處理的，而不建議導入資料庫再做清洗。
十一、定製強大的清洗規則和出錯處理機制
海量數據中存在著不一致性，極有可能出現某處的瑕疵。例如，同樣的數據中的時間欄位，有的可能為非標準的時間，出現的原因可能為應用程序的錯誤，系統的錯誤等，這是在進行數據處理時，必須制定強大的數據清洗規則和出錯處理機制。
十二、建立視圖或者物化視圖
視圖中的數據來源於基表，對海量數據的處理，可以將數據按一定的規則分散到各個基表中，查詢或處理過程中可以基於視圖進行，這樣分散了磁碟I/O，正如10根繩子吊著一根柱子和一根吊著一根柱子的區別。
十三、避免使用32位機子（極端情況）
目前的計算機很多都是32位的，那麼編寫的程序對內存的需要便受限制，而很多的海量數據處理是必須大量消耗內存的，這便要求更好性能的機子，其中對位數的限制也十分重要。
十四、考慮操作系統問題
海量數據處理過程中，除了對資料庫，處理程序等要求比較高以外，對操作系統的要求也放到了重要的位置，一般是必須使用伺服器的，而且對系統的安全性和穩定性等要求也比較高。尤其對操作系統自身的緩存機制，臨時空間的處理等問題都需要綜合考慮。
十五、使用數據倉庫和多維資料庫存儲
數據量加大是一定要考慮OLAP的，傳統的報表可能5、6個小時出來結果，而基於Cube的查詢可能只需要幾分鍾，因此處理海量數據的利器是OLAP多維分析，即建立數據倉庫，建立多維數據集，基於多維數據集進行報表展現和數據挖掘等。
十六、使用采樣數據，進行數據挖掘
基於海量數據的數據挖掘正在逐步興起，面對著超海量的數據，一般的挖掘軟體或演算法往往採用數據抽樣的方式進行處理，這樣 的誤差不會很高，大大提高了處理效率和處理的成功率。一般采樣時要注意數據的完整性和，防止過大的偏差。筆者曾經對1億2千萬行的表數據進行采樣，抽取出 400萬行，經測試軟體測試處理的誤差為千分之五，客戶可以接受。
還有一些方法，需要在不同的情況和場合下運用，例如使用代理鍵等操作，這樣的好處是加快了聚合時間，因為對數值型的聚合比對字元型的聚合快得多。類似的情況需要針對不同的需求進行處理。
海量數據是發展趨勢，對數據分析和挖掘也越來越重要，從海量數據中提取有用信息重要而緊迫，這便要求處理要准確，精度要高，而且處理時間要短，得到有價值信息要快，所以，對海量數據的研究很有前途，也很值得進行廣泛深入的研究。

❿ 資料庫有很多不同的類型，到底哪種能夠滿足你的需求如何挑選適合的資料庫呢

資料庫選型，歸根結底需要根據需求來進行決策。一般而言，在進行資料庫選型時，需要考慮以下方面。
1）運維成本，包括監控告警是否完善、是否有備份恢復機制、升級和遷移的成本是否高、社區是否穩定、是否方便調優、排障是否簡易等；
2）穩定性，包括是否支持數據多副本、服務高可用、多寫多活等；
3）性能，包括延遲、QPS、TPS，以及是否支持更高級的分級存儲功能等；
4）擴展性，如果業務的需求不確定，是否容易橫向擴展和縱向擴容；
5）安全，需要符合審計要求，不容易出現 SQL 注入或拖庫情況。
AntDB資料庫，一款在通信行業得到充分使用的業內領先的國產資料庫，幫助客戶進行OLTP 與OLAP一站式處理的資料庫產品，具備豐富配套工具和完整服務體系。依託多年的技術研發成果與成熟交付經驗，提供面向多行業、多場景的一站式資料庫產品、工具及服務的綜合解決方案。AntDB 在全國 24 個省市的 200 多個項目上成功落地，支撐全國 10 億電信用戶的通話、上網、繳費、賬單等海量業務數據交互。