hive数据查询语法

思维导图

基本查询

基本语法

SELECT [ALL | DISTINCT] 字段名, 字段名, ...
FROM 表名 [inner | left outer | right outer | full outer | left semi JOIN 表名 ON 关联条件 ]
[WHERE 非聚合条件]
[GROUP BY 分组字段名]
[HAVING 聚合条件]
[ORDER BY 排序字段名 asc | desc]
[CLUSTER  BY 字段名 | [DISTRIBUTE BY 字段名 SORT BY 字段名]]
[LIMIT x,y]

整体上和普通SQL差不多，部分有区别，如：CLUSTER BY、DISTRIBUTE BY、SORT BY等

基础查询格式: select distinct 字段名 from 表名;  

        注意: *代表所有字段 distinct去重 as给表或者字段起别名

条件查询格式: select distinct 字段名 from 表名 where 条件;  

        比较运算符: > < >= <= != <>              

        逻辑运算符: and or not              

        模糊查询: %代表任意0个或者多个字符   _代表任意1个字符              

        空判断: 为空is null   不为空is not null              

        范围查询: x到y的连续范围:between x and y   x或者y或者z类的非连续范围: in(x,y,z)

排序查询格式: select distinct 字段名 from 表名 [where 条件] order by 排序字段名 asc|desc ;         asc : 升序 默认升序  

        desc: 降序

聚合查询格式: select 聚合函数(字段名) from 表名;  

        聚合函数: 又叫分组函数或者统计函数  

        聚合函数: count() sum() avg() max() min()

分组查询格式: select 分组字段名,聚合函数(字段名) from 表名 [where 非聚合条件] group by 分组字段名 [having 聚合条件];  

        注意: 当分组查询的时候,select后的字段名要么在groupby后出现过,要么放在聚合函数内,否则报错  

        where和having区别?  

        区别1: 书写顺序不同,where在group by关键字前,having在group by关键字后  

        区别2: 执行顺序不同,where在分组之前过滤数据,having在分组之后过滤数据  

        区别3: 筛选数据不同,where只能在分组之前过滤非聚合数据,having在分组之后主要过滤聚合数据  

        区别4: 操作对象不同,where底层操作伪表,having底层操作运算区

分页查询格式: select 字段名 from 表名 [ order by 排序字段名 asc|desc] limit x,y;  

        x: 起始索引 默认从0开始,如果x为0可以省略   计算格式: x=(页数-1)*y  

        y: 本次查询记录数

数据准备

准备数据：订单表

CREATE TABLE orders (orderId bigint COMMENT '订单id',orderNo string COMMENT '订单编号',shopId bigint COMMENT '门店id',userId bigint COMMENT '用户id',orderStatus tinyint COMMENT '订单状态 -3:用户拒收 -2:未付款的订单 -1：用户取消 0:待发货 1:配送中 2:用户确认收货',goodsMoney double COMMENT '商品金额',deliverMoney double COMMENT '运费',totalMoney double COMMENT '订单金额（包括运费）',realTotalMoney double COMMENT '实际订单金额（折扣后金额）',payType tinyint COMMENT '支付方式,0:未知;1:支付宝，2：微信;3、现金；4、其他',isPay tinyint COMMENT '是否支付 0:未支付 1:已支付',userName string COMMENT '收件人姓名',userAddress string COMMENT '收件人地址',userPhone string COMMENT '收件人电话',createTime timestamp COMMENT '下单时间',payTime timestamp COMMENT '支付时间',totalPayFee int COMMENT '总支付金额'
) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';
LOAD DATA LOCAL INPATH '/home/hadoop/orders.txt' INTO TABLE orders;

基本查询

这是一张订单销售表，我们基于此表，做一下简单的Hive基本查询

SELECT 基础查询

-- 查询所有
SELECT * FROM orders;
-- 查询单列
SELECT orderid, totalmoney, username, useraddress, paytime FROM orders;
-- 查询数据量
SELECT COUNT(orderid) FROM orders;
-- 过滤广东省订单
SELECT * FROM orders WHERE useraddress LIKE '%广东%';
-- 找出广东省单笔营业额最大的订单
SELECT * FROM orders WHERE useraddress like '%广东%' ORDER BY totalmoney DESC LIMIT 1;

SELECT 分组、聚合查询

-- 统计未支付、已支付各自的人数
SELECT ispay, COUNT(*) AS cnt FROM orders GROUP BY ispay;
-- 在已付款订单中，统计每个用户最高的一笔消费金额
SELECT userid, MAX(totalmoney) AS max_money FROM orders WHERE ispay = 1 GROUP BY userid;
-- 统计每个用户的平均订单消费额
SELECT userid, AVG(totalmoney) FROM orders GROUP BY userid;
-- 统计每个用户的平均订单消费额，过滤大于10000的数据
SELECT userid, AVG(totalmoney) AS avg_money FROM orders GROUP BY userid HAVING avg_money > 10000;

hive 多表join查询

演示join查询

1. 准备数据源, 建表, 添加表数据.

table1: 商品表

-- table1: 商品表
CREATE TABLE product(pid string,pname string,category_id string) row format delimited
fields terminated by ',';

表中数据：

table2: 分类表

-- table2: 分类表
CREATE TABLE category (cid string,cname string
) row format delimited
fields terminated by ',';

表中数据：

多表查询 cross join------交叉连接--------------

select * from product cross join category;

多表查询 inner join------内连接--------------

-- 多表查询 inner join------内连接--------------
select * from product inner join category on product.category_id = category.cid;

多表查询 left join on------左外连接--------------

-- 多表查询 left join on------左外连接--------------
select * from product left join category on product.category_id = category.cid;

多表查询 right join on------右外连接--------------

-- 多表查询 right join on------右外连接--------------
select * from product right join category on product.category_id = category.cid;

多表查询 full join on------全外连接--------------

-- todo  多表查询 full join on------全外连接--------------
select * from product full join category on product.category_id = category.cid;

多表查询 union -----联合查询--------------

-- 多表查询 union -----联合查询--------------
select * from product left join category on product.category_id = category.cid
union
select * from product right join category on product.category_id = category.cid;

多表查询 left semi join------左半连接--------------

-- 多表查询 left semi join------左半连接--------------
select * from product left semi join category on product.category_id = category.cid;

hive有别于mysql的join

满外连接, full outer join

左半连接, left semi join

 多表查询 full join on------全外连接--------------

-- todo  多表查询 full join on------全外连接--------------
select * from product full join category on product.category_id = category.cid;

 多表查询 left semi join------左半连接--------------

-- 多表查询 left semi join------左半连接--------------
select * from product left semi join category on product.category_id = category.cid;

union查询

union 是上下拼接的连接查询: 要求上下字段和类型要保持一种.
主要实现功能: 把两个select查询结果上下拼接起来.

# union 拼接过程中会去除重复.

select * from product
union
select * from product where pid='p1';


# union all 拼接过程中不会去重.

select * from product
union all
select * from product where pid='p1';

hive有别于mysql的排序

cluster by关键字

distribute by+sort by关键字

set mapreduce.job.reduces:  查看当前设置的reduce数量 默认结果是-1,代表自动匹配reduce数量和桶数量一致
set mapreduce.job.reduces = 数量 : -- 修改reduces数量
​
cluster by 字段名:  分桶且正序排序   弊端: 分和排序是同一个字段,相对不灵活
​
distribute by 字段名 sort by 字段名: distribute by负责分,sort by负责排序, 相对比较灵活
​
order by 字段名: 只能全局排序
​
注意: cluster by 和 distribute by 字段名 sort by 字段名 受当前设置的reduces数量影响,但是设置的reduces数量对order by无影响,因为orderby就是全局排序,就是一个reduce
​
建表的时候指定分桶字段和排序字段: clustered by (字段名) sorted by (字段名) into 桶数量 buckets
     注意: 如果建表的时候设置了桶数量,那么reduces建议设置值-1或者值大于桶数量

Hive SQL中的cluster by语法可以指定根据后面的字段将数据分桶，桶内再根据这个字段正序排序， 概括起来就是：根据同一个字段，分且排序。

-- 创建基础表主要用于给分桶表准备数据
create table students
(id     int,name   string,gender string,age    int,class  string
)
row format delimited
fields terminated by ',';

设置reduce数量,注意:此种方式num默认是-1,代表自动匹配reduce数量和桶数量一致.

这里设置reduce数量其实可以确定查询分桶个数.

set mapreduce.job.reduces = num;

本示例设了三个桶 

set mapreduce.job.reduces = 3;
-- 创建基础表后,上传students.txt文件
-- 查询数据,观察结果
select * from students cluster by id;



Hive SQL中的distribute by+sort by就相当于把cluster by的功能一分为二：

distribute by和sort by可以跟不同的字段

DISTRIBUTE BY负责分

SORT BY负责分组内排序

如果DISTRIBUTE BY +SORT BY的后面字段一样，可以得出下列结论：

CLUSTER BY=DISTRIBUTE BY +SORT BY（字段一样）

-- 直接基于基础表查询,观察结果
select * from students distribute by id sort by gender;

总结

        Hive中使用基本查询SELECT、WHERE、GROUP BY、聚合函数、HAVING、JOIN和普通的SQL语句几乎没有区别

        hive的JOIN查询和排序查询相比普通sql新增了部分功能

抽样查询

TABLESAMPLE抽样好处: 尽可能实现随机抽样,并且不走MR,查询效率相对较快 ​

基于随机分桶抽样格式: SELECT 字段名 FROM tbl TABLESAMPLE(BUCKET x OUT OF y ON(字段名 | rand()))  

        y:决定将表数据随机划分成多少份  

        x:决定从第几份数据开始采样  

        | : 或者  

        字段名: 表示随机的依据基于某个列的值,每次按相关规则取样结果都是一致  

        rand(): 表示随机的依据基于整行,每次取样结果不同

为什么需要抽样表数据

对表进行随机抽样是非常有必要的。

大数据体系下，在真正的企业环境中，很容易出现很大的表，比如体积达到TB级别。

对这种表一个简单的SELECT * 都会非常的慢，哪怕LIMIT 10想要看10条数据，也会走MapReduce流程 这个时间等待是不合适的。

Hive提供的快速抽样的语法，可以快速从大表中随机抽取一些数据供用户查看。

TABLESAMPLE函数

进行随机抽样，本质上就是用TABLESAMPLE函数

基于随机分桶抽样：

SELECT ... FROM tbl TABLESAMPLE(BUCKET x OUT OF y ON(colname | rand()))

        y表示将表数据随机划分成y份（y个桶）

        x表示从分好的桶中获取第几个桶的数据.(x的值不能大于y)

        colname表示随机的依据基于某个列的值

        rand()表示随机的依据基于整行

示例：

SELECT id,name,gender from students TABLESAMPLE(BUCKET 1 OUT OF 10 ON id);

SELECT id,name,gender from students TABLESAMPLE(BUCKET 1 OUT OF 10 ON rand());

注意：

        使用colname作为随机依据，则其它条件不变下，每次抽样结果一致

        使用rand()作为随机依据，每次抽样结果都不同

TABLESAMPLE函数其他用法

-- 快速取前面部分数据 : 快但没有随机
-- 前100条
select  * from orders tablesample ( 100 rows );
-- 前10%数据
select  * from orders tablesample ( 10 percent );
-- 取1k或者1m的数据
select  * from orders tablesample (16k);
select  * from orders tablesample (167k);
select  * from orders tablesample (1m);

总结

1. 为什么需要抽样？

大数据体系下，表内容一般偏大，小操作也要很久

所以如果想要简单看看数据，可以通过抽样快速查看

2. TABLESAMPLE函数的使用

桶抽样方式，TABLESAMPLE(BUCKET x OUT OF y ON(colname | rand()))，推荐，完全随机，速度略慢块抽样，使用分桶表可以加速

RLIKE 正则匹配

sql模糊查询关键字: like     任意0个或者多个: %     任意1个: _     ​

正则模糊查询关键字: rlike     任意0个或者多个: .*     任意1个: .     正则语法还有很多......

正则表达式

正则表达式是一种规则集合，通过特定的规则字符描述，来判断字符串是否符合规则。

RLIKE

Hive中提供RLIKE关键字，可以供用户使用正则和数据进行匹配。

我们以上一节中使用的订单表为例，来简单使用一下RLIKE正则匹配。

查找广东省的数据

SELECT * FROM orders WHERE useraddress RLIKE '.*广东.*';

查找用户地址是：xx省 xx市 xx区的数据

SELECT * FROM orders WHERE useraddress RLIKE '..省 ..市 ..区';

查找用户姓为张、王、邓

SELECT * FROM orders WHERE username RLIKE '[张王邓]\\S+';

查找手机号符合：188****0*** 规则

SELECT * FROM orders WHERE userphone  RLIKEE '188\\S{4}0\\S{3}';

总结

1. 什么是正则表达式

正则表达式就是一种规则的集合。通过特定的规则字符来匹配字符串是否满足规则的描述。

2. RLIKE的作用

可以基于正则表达式，对数据内容进行匹配

CTE表达式[补充]

CTE: 公用表表达式（CTE）是一个在查询中定义的临时命名结果集将在from子句中使用它。
注意: 每个CTE仅被定义一次（但在其作用域内可以被引用任意次）,仅适用于当前运行的sql语句
语法如下:

   with 临时结果集的别名1  as (子查询语句),临时结果集的别名2  as (子查询语句)...select 字段名 from (子查询语句);

根据实际使用次数可以决定用"CTE表达式"还是"视图"还是"建表":  with 临时结果名 as (select语句)  > create view 视图名 as select语句   >   create table 表名 as select语句

-- with: CTE表达式
-- 可以理解成把子查询语句从主查询语句中抽取出来起别名,这样的话主查询语句就比较清晰了

withman as (select name,gender from students where gender = '男' ),woman as (select name,gender from students where gender = '女')
select * from man
union
select * from woman;


​内置虚拟列

Virtual Columns虚拟列

虚拟列是Hive内置的可以在查询语句中使用的特殊标记，可以查询数据本身的详细参数。

Hive目前可用3个虚拟列：

        INPUT__FILE__NAME，显示数据行所在的具体文件

        BLOCK__OFFSET__INSIDE__FILE，显示数据行所在文件的偏移量         ROW__OFFSET__INSIDE__BLOCK，显示数据所在HDFS块的偏移量

                此虚拟列需要设置：SET hive.exec.rowoffset=true 才可使用

SET hive.exec.rowoffset=true;
select * ,INPUT__FILE__NAME,BLOCK__OFFSET__INSIDE__FILE,ROW__OFFSET__INSIDE__BLOCK from students;

按照位置分组

-- 按照位置分组
select INPUT__FILE__NAME ,count(*) from students group by INPUT__FILE__NAME;

按照偏移量查询

select *,BLOCK__OFFSET__INSIDE__FILE  from students where BLOCK__OFFSET__INSIDE__FILE > 100;

总结

1. 什么是虚拟列，有哪些虚拟列？

虚拟列是Hive内置的可以在查询语句中使用的特殊标记，可以查询数据本身的详细参数。         INPUT__FILE__NAME，显示数据行所在的具体文件                BLOCK__OFFSET__INSIDE__FILE，显示数据行所在文件的偏移量         ROW__OFFSET__INSIDE__BLOCK，显示数据所在HDFS块的偏移量

                此虚拟列需要设置：SET hive.exec.rowoffset=true 才可使用

2. 虚拟列的作用

        查看行级别的数据详细参数

        可以用于WHERE、GROUP BY等各类统计计算中

        可以协助进行错误排查工作

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/885124.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

前端小知识：我居然没学会用 split 方法？！

前端小知识：我居然没学会用 split 方法？！

小伙伴们&#xff0c;你们会用 JavaScript 的 split 方法吗&#xff1f;最近我才发现&#xff0c;原来我多年来一直没真正掌握它&#xff0c;结果在解题时被卡住了。所以今天&#xff0c;我决定好好整理一下这个方法的用法。 在讨论问题之前&#xff0c;先来看一下 split 的两种…
阅读更多...
VTK知识学习（2）-环境搭建

VTK知识学习（2）-环境搭建

1、c方案 1.1下载源码编译 官网获取源码。 利用Cmake进行项目构建。 里面要根据实际使用的情况配置相关的模块哟&#xff0c;这个得你自行研究下了。 CMAKEINSTALLPREFIX--这个选项的值表示VTK的安装路径&#xff0c;默认的路径是C:/Program Files/VTK。该选项的值可不作更…
阅读更多...
Halcon 从XML中读取配置参数

Halcon 从XML中读取配置参数

1、XML示例 以下是一个XML配置文件的示例，该文件包含了AOI（自动光学检测）算法的环境参数和相机逻辑参数： <AOI><!--AOI算法参数 20241106--><Env><!--环境参数--><Param name="GPUName" value="NVIDIA GeForce RTX 405…
阅读更多...
SQL--查询连续三天登录数据详解

SQL--查询连续三天登录数据详解

问题&#xff1a; 现有用户登录记录表&#xff0c;请查询出用户连续三天登录的所有数据记录 id dt1 2024-04-25 1 2024-04-26 1 2024-04-27 1 2024-04-28 1 2024-04-30 1 2024-05-01 1 2024-05-02 1 2024-05-04 1 2024-05-05 2 20…
阅读更多...
结构方程、生物群落、数据统计、绘图分析在生态领域的应用

结构方程、生物群落、数据统计、绘图分析在生态领域的应用

R语言结构方程模型&#xff08;SEM&#xff09;在生态学领域中的实践应用 结构方程模型&#xff08;Sructural Equation Model&#xff09;是一种建立、估计和检验研究系统中多变量间因果关系的模型方法&#xff0c;它可以替代多元回归、因子分析、协方差分析等方法&#xff0…
阅读更多...
vue使用canves把数字转成图片验证码

vue使用canves把数字转成图片验证码

<canvas id"captchaCanvas" width"100" height"40"></canvas>function drawCaptcha(text) {const canvas document.getElementById(captchaCanvas);const ctx canvas.getContext(2d);// 设置背景颜色ctx.fillStyle #f0f0f0;ctx.f…
阅读更多...
双指针算法习题解答

双指针算法习题解答

1.移动零 题目链接&#xff1a;283. 移动零 - 力扣&#xff08;LeetCode&#xff09; 题目解析&#xff1a;该题要求将数组中为0的元素全部转移到数组的末尾&#xff0c;同时不能改变非零元素的相对位置。 解题思路&#xff1a;我们可以用变量dest和cur将该数组分为三个区域。…
阅读更多...
「Mac畅玩鸿蒙与硬件23」鸿蒙UI组件篇13 - 自定义组件的创建与使用

「Mac畅玩鸿蒙与硬件23」鸿蒙UI组件篇13 - 自定义组件的创建与使用

自定义组件可以帮助开发者实现复用性强、逻辑清晰的界面模块。通过自定义组件&#xff0c;鸿蒙应用能够提高代码的可维护性&#xff0c;并简化复杂布局的构建。本篇将介绍如何创建自定义组件&#xff0c;如何向组件传递数据&#xff0c;以及如何在不同页面间复用这些组件。 关键…
阅读更多...
【SpringCloud】Nacos微服务注册中心

【SpringCloud】Nacos微服务注册中心

微服务的注册中心 注册中心可以说是微服务架构中的"通讯录"&#xff0c;它记录了服务和服务地址的映射关系 。在分布式架构中&#xff0c; 服务会注册到这里&#xff0c;当服务需要调⽤其它服务时&#xff0c;就从这里找到服务的地址&#xff0c;进行调用。 注册中心…
阅读更多...
【Go语言】| 第1课：Golang安装+环境配置+Goland下载

【Go语言】| 第1课：Golang安装+环境配置+Goland下载

&#x1f60e; 作者介绍&#xff1a;我是程序员洲洲&#xff0c;一个热爱写作的非著名程序员。CSDN全栈优质领域创作者、华为云博客社区云享专家、阿里云博客社区专家博主。 &#x1f913; 同时欢迎大家关注其他专栏&#xff0c;我将分享Web前后端开发、人工智能、机器学习、深…
阅读更多...
数据库优化指南：如何将基本功能运用到极致？

数据库优化指南：如何将基本功能运用到极致？

一次问题 数据库的归档日志很多&#xff0c;多到那个机器的硬件不足以处理了。查看了一下为什么产生这么多日志。发现其实都是一些不当的使用方式。比如开发人员建立了一个xxxx_temp从这么名字上就应该能猜出来这是要做什么&#xff1f;美其名曰是临时表。 就是导入一批数据&am…
阅读更多...
150道MySQL高频面试题，学完吊打面试官--关于索引的五道大厂面试题，跳槽面试很重要

150道MySQL高频面试题，学完吊打面试官--关于索引的五道大厂面试题，跳槽面试很重要

前言 本专栏为150道MySQL大厂高频面试题讲解分析&#xff0c;这些面试题都是通过MySQL8.0官方文档和阿里巴巴官方手册还有一些大厂面试官提供的资料。 MySQL应用广泛&#xff0c;在多个开发语言中都处于重要地位&#xff0c;所以最好都要掌握MySQL的精华面试题&#xff0c;这也…
阅读更多...
自攻螺钉的世纪演变：探索关键设计与应用

自攻螺钉的世纪演变：探索关键设计与应用

自攻螺钉作为现代工业和建筑中的不可或缺的标准部件&#xff0c;经过了超过100年的发展和创新。从1914年最早的铁螺钉设计到今天的自钻自攻螺钉&#xff0c;自攻螺钉的设计不断优化&#xff0c;以适应更复杂的应用需求。本文将回顾自攻螺钉的演变历程&#xff0c;分析其设计原理…
阅读更多...
【KMP算法】

【KMP算法】

目录 BF算法 KMP算法 BF算法 F算法&#xff0c;即暴力(Brute Force)算法&#xff0c;是普通的模式匹配算法&#xff0c;BF算法的思想就是将目标串S的第一个字符与模式串T的第一个字符进行匹配&#xff0c;若相等&#xff0c;则继续比较S的第二个字符和 T的第二个字符&#xf…
阅读更多...
快速学习Django框架以开发Web API

快速学习Django框架以开发Web API

简介 Django是一个高级Python Web框架，它鼓励快速开发和简洁实用的设计。由经验丰富的开发者构建，Django可以为你处理大量的Web开发任务，使你能够专注于编写应用的关键组件。Django的模块化设计、可复用性和广泛的社区支持，使其成为开发Web应用和API的理想选择。 在本文中…
阅读更多...
论文 | Evaluating the Robustness of Discrete Prompts

论文 | Evaluating the Robustness of Discrete Prompts

论文《Evaluating the Robustness of Discrete Prompts》深入探讨了离散提示&#xff08;Discrete Prompts&#xff09;的鲁棒性&#xff0c;即离散提示在自然语言处理任务中面对不同扰动时的表现。研究特别关注离散提示在自然语言推理&#xff08;NLI&#xff09;任务中的表现…
阅读更多...
2024中国国际数字经济博览会：图为科技携明星产品引领数智化潮流

2024中国国际数字经济博览会：图为科技携明星产品引领数智化潮流

10月24日&#xff0c;全球数智化领域的目光齐聚于中国石家庄正定&#xff0c;一场关于数字经济未来的盛会—2024中国国际数字经济博览会在此拉开帷幕。 云边端算力底座的领航者&#xff0c;图为科技携其明星产品惊艳亮相&#xff0c;期待与您共赴一场数智化的非凡之旅&#xff…
阅读更多...
7.2、实验二：被动接口和单播更新

7.2、实验二：被动接口和单播更新

源文件链接&#xff1a; 7.2、实验二&#xff1a;被动接口和单播更新: https://url02.ctfile.com/d/61945102-63671890-6af6ec?p2707 (访问密码: 2707) 一、被动接口 1.介绍 定义: 在路由协议的配置中&#xff0c;一个被动接口指的是一个接口不发送路由更新包的配置方式&a…
阅读更多...
4.3 Linux的中断处理流程

4.3 Linux的中断处理流程

点击查看系列文章 》 Interrupt Pipeline系列文章大纲-CSDN博客 原创不易&#xff0c;需要大家多多鼓励&#xff01;您的关注、点赞、收藏就是我的创作动力&#xff01; 4.3 Linux的中断处理流程 先上图&#xff0c;一图胜千言&#xff01; 图中心的蓝色部分&#xff0c;是L…
阅读更多...
告别项目混乱，自定义工作项类型驱动项目管理进化

告别项目混乱，自定义工作项类型驱动项目管理进化

在项目管理中&#xff0c;工作项类型是用于分类和管理项目任务的基本构建块。如瀑布管理和敏捷管理&#xff0c;都有其特定的工作项类型来支持其独特的流程和实践&#xff1a; 敏捷管理的工作项类型 敏捷管理中的工作项类型强调迭代和增量开发&#xff0c;以用户故事为核心&a…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023