应用集成平台市场上产品众多，商家专家观点纷纭，莫衷一是。Gartner公司从用户角度出发，搭建了Peer Insight “大众点评”平台，让用户能够为自己使用的产品发声，对各个产品打分。以下是来自用户的声音，供参考。

第一款产品是微软的BizTalk，综合得分3.9。

第二款产品是InterSystems的Ensemble，综合得分4.6。

第三款产品是IBM的WebSphere Enterprise Service Bus，综合得分3.8。

BizTalk  by MicroSoft	Ensemble  by InterSystems	WebSphere Enterprise Services Bus by IBM
总体评价：57%的用户愿意推荐该产品	总体评价：88%的用户愿意推荐该产品	总体评价：55%的用户愿意推荐该产品
分项评分	分项评分	分项评分
综合能力得分	综合能力得分	综合能力得分
评估与签约     3.3 定价灵活性     4.0 理解需求的能力	评估与签约     4.2 定价灵活性     4.6 理解需求的能力	评估与签约     3.5 定价灵活性     4.0 理解需求的能力
集成与部署   3.4 部署便利性   3.

比较不同的商业智能技术是非常有趣的。我很好奇它们在功能、开发工具、速度和可用性方面有什么不同。

在这个应用程序中，我选择了一个有欧洲各国水状况的数据集。这是一个开源的数据集，包含1991年到2017年的观测数据。

团队和我决定使用IRIS BI、Tableau、PowerBI和InterSystems Reports（由Logi Reports驱动）在这个BI数据集的基础上制作一个模型

对于前端，我们通过Embedded Python在PythonFlask中制作了一个网页界面。

顺便说一下，其结果可以在这个网页上看到：http://atscale.teccod.com:8080/
你可以看看demo stand (演示台)，因为从资源库部署一个容器可能需要多至20分钟的时间。大量的python包，后面会有更多的原因。

主页面

数据

事实上，数据似乎很小，期间只有17年 :)

因此，在现有的基础上，我想延续数据集，为此使用了一个神经网络。使用同样的嵌入式Python，使用了Tensorflow，这个包下载后占据了511MB，不要惊讶

实际上，这也是容器部署时间长的原因--为神经网络下载了很多包，相当多的相关包，安装时间很长。不过会有一篇关于神经网络和Integrated ML（一体化机器学习）的单独文章，我很快会发表。

我还要说的是，预测的结果被输入到同一个数据库，所以你可以通过BI工具看到数据集。

这是一个在InterSystems IRIS中用python和objectscript建立的对比测试。

测试目的是比较在python和objectscript中从BP到BO来回发送一千条请求/消息的速度。

更多信息，请访问 https://github.com/LucasEnard/benchmark-python-objectscript。

重要提示 : 这里用的是python, graph objectscipt和objectscript从一个BP到一个BO来回发送1000条消息的时间，单位是秒。

字符串信息是由十个字符串变量组成。

对象信息由十个对象变量组成，每个对象都是它自己的int、float、str和List（str）。

行中函数的时间是列中函数的x倍 :

孕产妇风险可以通过一些医学界众所周知的参数来测量。这样，为了帮助医学界和计算机系统，特别是人工智能，科学家Yasir Hussein Shakir发布了一个非常有用的数据集，用于训练检测/预测孕产妇风险的机器学习（ML）算法。这份出版物可以在最大和最知名的ML数据库Kaggle上找到，网址是 https://www.kaggle.com/code/yasserhessein/classification-maternal-healt….

关于数据集

由于缺乏怀孕期间和怀孕后的孕产妇保健信息，许多孕妇死于怀孕问题。这在农村地区和新兴国家的中下层家庭中更为常见。在怀孕期间，应时刻注意观察，以确保婴儿的正常成长和安全分娩 (来源: https://www.kaggle.com/code/yasserhessein/classification-maternal-healt…).

数据是通过基于物联网的风险监测系统，从不同的医院、社区诊所、孕产妇保健机构收集而来。

• Age（年龄）: 妇女怀孕时的年龄，以岁为单位。
• SystolicBP （收缩压）: 血压的最高值（mmHg），这是怀孕期间的另一个重要属性。
• DiastolicBP（舒张压）: 血压的较低值（mmHg），这是怀孕期间的另一个重要属性。

肾脏疾病可以从一些医学界熟知的参数中发现。这样，为了帮助医学界和计算机系统，特别是人工智能，科学家Akshay Singh发表了一个非常有用的数据集，用于训练肾脏疾病检测/预测方面的机器学习（ML)算法。这份出版物可以在最大和最知名的ML数据库Kaggle上找到，网址是https://www.kaggle.com/datasets/akshayksingh/kidney-disease-dataset&#12…;

关于数据集

该肾脏疾病数据集有以下元数据信息（来源：https://www.kaggle.com/datasets/akshayksingh/kidney-disease-dataset):

• 它有400行，有25个特征，如红细胞、足部水肿、糖等等。
• 其目的是对病人是否患有慢性肾脏病进行分类。
• 分类是基于一个名为 "classification "（分类）的属性，属性值是 "ckd"（慢性肾脏病）或 "notckd"（不是慢性肾脏病）。
• 数据集作者对数据集进行了清洗，包括将文本映射为数字和其他一些变化。在清洗之后，数据集作者做了一些EDA（探索性数据分析），然后将数据集分为训练和测试两部分，并在上面应用模型。据观察，最初的分类结果并不令人满意。因此，数据集的作者没有放弃有Nan（非数）值的行，而是用lambda函数将其替换为每一列的模式。

让我们假设我们已经将一个数据源连接到Adaptive Analytics，创建了一个项目并在那里添加了表。

现在我们来准备Adaptive Analytics的工作。首先，我们需要从表中选择数据，使其可用于未来的报告。要做到这一点，我们需要从表的列中创建维度。创建维度通常是为了将我们的数据分解成不同的类别，例如用户住在哪个城市，或者购买是在哪个月进行的。然而，没有什么可以阻止我们从数字数据中创建维度，这样我们就可以在Intersystems Reports Designer中对它们应用函数。

创建维度的工具位于界面的右侧，如下图所示。要创建一个新的维度，右击位于 "过滤器 "（Filter)行右侧的汉堡包按钮，选择 "创建维度 "（Create Dimension)，如图所示。

将出现以下窗口：

在创建了一个维度后，你可以使其具有层次性。要做到这一点，在左边表格的尺寸上双击鼠标左键，进入层次结构编辑器。

通过点击层次结构旁边的三个点，我们可以在层次结构中创建一个新的维度。在菜单中，维度可以在层次结构中向上/向下移动。由于层次结构的存在，我们可以制作不同层次的数据细节。例如，我们可以指定有多少人从国家、地区、城市访问过该网站。

你可以使用维度来创建表之间的关系。要做到这一点，你需要使用鼠标左键拖动表的所需字段，并将其放到所需的高亮维度中。链接创建窗口将出现。点击保存，我们的连接就准备好了。

同事们，大家好

在这篇文章中，我将告诉你我们如何将报告生成时间从28分钟减少到1分钟。让我告诉你我们是如何实现这一目标的

我希望，如果有必要，你将能够为自己重现同样的结果。这篇文章里有一些有用的链接，所以要读到最后。

让我们开始吧。

报告

我们使用Adaptive Analytics和InterSystems Reports Server为一家公司做报告。以前，这个报告是以DeepSee的屏幕截图形式生成的。总的来说，这并不坏，但它花费了大量的时间，而且看起来不是很可读。该报告本身由12页组成，为PDF格式。

一般来说，数据不是太大，不会使报告的生成花费很多时间

源数据

然而，在撰写本文时，有一个表包含11,330,263行。不是那么关键，但它造成了延迟。即使是计算行数的查询也需要近30秒

最初，系统的交互方案是这样的：

Atscale创建了自己的数据缓存，这导致了性能的提高。

Logi使用自己的数据缓存，这稍微加快了报告的开发速度。

但总的来说，这仍然导致了报告在28分钟内形成的事实。

鉴于报告只有12页，这个速度还是很慢的。

我们甚至故意添加了新的标签，并将报告中的小部件复制到那里，以便在开发或调试时不需要生成整个报告。也许这就是在Logi上开发时的一种日常技巧，或者说是一种正常的开发方法。

好人不需要规则。

神秘博士

要成为日期和时间的主人并不是一件容易的事，在任何编程语言中，这总是一个问题，有时会让人感到困惑，我们将澄清并提出一些提示，使这项任务尽可能简单。

坐上TARDIS，我将把你变成一个时间领主。

如果你的嵌入式Python代码调用了 tkinter library库（它被很多图形制作库使用，包括matplotlib），你可能会得到这个错误：

<THROW> *%Exception.PythonException <CLASS DOES NOT EXIST> 230 ^^0^DO ##CLASS(User.Test).Test() 
<class '_tkinter.TclError'>: Can't find a usable init.tcl in the following directories:

c:/intersystems/irispy/lib/python/lib/tcl8.6
c:/intersystems/irispy/lib/tcl8.6
c:/intersystems/lib/tcl8.6
c:/intersystems/irispy/library
c:/intersystems/library
c:/intersystems/tcl8.6.9/library
c:/tcl8.6.9/library

This probably means that Tcl wasn't installed properly.

下面是一个触发这个错误的代码样本：

Class User.Test
{

/// do ##class(User.

如何检查密码是否足够强大，使其不会很快被破解？ 又如何制作一个强大的密码？

我开发了一个工具，可能对这个问题有帮助。你可以在OpenExchange上找到它。用zpm安装。

zpm "install passwords-tool"

这个模块将只安装一个类 caretdev.Passwords中，其中包含一些有用的方法。

安全密码 

要获得一个安全的密码，通常只需使用大写和小写的字母、数字和特殊符号，而且至少要有8个符号的长度。 

Generate方法使用的参数：

• Length - 只是一个生成密码的长度，默认值为12。
• IncludeUpperLetter - 包括大写的ASCII字母，如果需要的话是2，默认是1。
• IncludeLowerLetter - 包括小写ASCII字母，如果需要的话，默认为2。
• IncludeNumber - 包括数字，如果需要的话，2个，默认为1个。
• IncludeSymbol - 包括特殊符号，如果需要的话，2个，默认为1个。

USER>w ##class(caretdev.Passwords).Generate(12,1,0,0,0)
FMXRQEQPOVBC
USER>w ##class(caretdev.Passwords).

我们很高兴与你分享有趣的信息，以及告诉你为什么Python是好的，它被用在哪里。

其中使用最多的库是NumPy和Pandas。NumPy（Numerical Python）用来对大型数据集进行分类。它简化了数组上的数学运算及其矢量化。Pandas提供两种数据结构:系列Series（一个元素列表）和数据框架DataFrames（一个有多列的表格）。这个库将数据转换为数据框架，允许你删除和添加新的列，以及执行各种操作。

Python为数据分析项目提供了无数的工具，可以帮助完成任何任务。

各位好，

你曾建立过一个镜像环境吗？它是否有一个私有网络、虚拟IP地址和SSL配置？ 在做了几次之后，我意识到这是一个漫长的过程，而且需要很多手动操作来生成证书和配置每个IRIS实例。 对于经常要做这件事的人来说，这是一个痛苦的过程。

例如，质量保证团队可能需要为每个新的应用程序版本创建一个新的镜像环境来测试。支持团队可能需要创建一个镜像环境来重现一个复杂的问题。

我们肯定需要工具来快速创建这些镜像环境。

在这篇文章中，我们将用如下环境创建一个镜像样例：

• 仲裁机
• 主服务器
• 故障切换备份成员
• 读写报告异步成员
• 节点间日志转移的SSL配置
• 镜像环境中的私有网络
• 虚拟IP地址
• 镜像数据库

乍一看，它似乎有点复杂，看起来需要大量的代码，但不要担心。 在OpenExchange上有一些库，可以轻松地执行大多数操作。

本文的目的是提供一个例子，说明如何根据你的需要调整这个过程，但在安全问题上，它不是一个最佳实践指南。 现在，让我们来创建我们的样本。

工具和库

• PKI-script: 公钥基础设施（PKI）是一个与IRIS集成的功能，它允许你生成一个自签名的证书并拥有你的授权服务器。在伟大的Pete Greskoff的文章之后，PKI-script的目标是以编程方式执行所有操作，避免在管理门户中进行任何手动操作。 该库包括用于镜像的实用方法。

本文译自 https://community.intersystems.com/post/using-sql-apache-hive-hadoop-bi…

大家好，

在使用Spark做Hadoop时，InterSystems IRIS有一个很好的连接器。但市场上也提供了大数据Hadoop访问的其他优秀替代方案-Aparche Hive。请看区别：