在生產環境下麵對紛繁的業務處理場景，我們知道要處理很多邏輯代碼，其中有個叫枚舉（也稱窮舉），當處理這類事務時，會產生大量的迴圈執行，而迴圈是最耗CPU的，大量的迭代計算，可直接拉低計算速度，怎麼處理這類問題呢？ 對於事務的不定項的選擇幾率，都會有一定的規律，比如說事件的概率發生，根據概率論的知識，我 ...
在生產環境下麵對紛繁的業務處理場景，我們知道要處理很多邏輯代碼，其中有個叫枚舉（也稱窮舉），當處理這類事務時，會產生大量的迴圈執行，而迴圈是最耗CPU的，大量的迭代計算，可直接拉低計算速度，怎麼處理這類問題呢？
對於事務的不定項的選擇幾率，都會有一定的規律，比如說事件的概率發生，根據概率論的知識，我們可以去統計窮舉各項的頻率，按其大小依次排列，這樣前面的枚舉項就可消費大部分數據，剩下的低概率枚舉項就會以最小的執行次數執行。
比如說有1000000條數據，枚舉項有50個，假如平均25次能找到匹配項，就需要運行25000000次（2.5*10的7次方）
換種思路：假如第一枚舉項是是30%，2是25%，3是20%這樣前三項就消費750000*3+250000*25=8500000（8.5*10的6次方）
直接降一個數量級的執行次數,當然這些都是假設，是不太準的
但是思路就一樣，就是將發生概率高的事件統計優先處理，這既符合生活規律，又符合事務發展的客觀規律。
應用場景就太多了，例子：
例子一：話說網路運營商想分析用戶的上網行為分析。他不會將網路上的各種資源都先收集一份，然後再去匹配每個用戶的某時的上網行為
那樣做機器也會累的。所以先樣本調查，然後分析大部分的用戶行為特征，根據樣本獲取統計資源，然後這樣以最小的資源消費最大的數據，剩下的小概率事件。
例子二：百度搜索詞條的建立，也會尋找樣本，統計大概率數據精準處理，作為頻繁搜索詞緩存，讓搜索快速而精準，當然那其他的陌生詞條利用機器學再處理。每天計算詞條的權重，這樣以權重排列，這樣就會讓大概率更加大概率，再次節約速度。
總而言之,事務的發展規律都是一樣的，總會有大概率事件，事物的發展規律都是一樣的。符合二八定律。
學會一門技術靠的是努力，精通一門技術靠的是領悟。感受生活，感受萬物，大道歸一。
