代码质量管理是个大问题 静态分析+代码评审的实践  学习和强调，红线和惩罚，100%的测试 覆盖率，和事后复盘并不够  有经验的程序员也会犯错  对代码提要求很难监督落实  测试更多是验证功能，很难检测编码缺陷  代码的快速变化使质量更难管 生产质量是责任 靠运维和事后复盘善后够吗？  静态分析工具：半智能的代码分析机器人  静态分析辅助代码评审 自动化工具+流程才是未来 降低感知误报率 用数据风控的方式管理 总结：代码评审中的静态分析  无需额外操作，不改变程序员习惯的流程  只分析变化的代码引起的问题  使用频次高，可形成数据驱动的分析器改进和 代码质量监控  推动规范落地和培训教育新员工  提高人工评审效果  零培训成本强制使用 基于gitlab的自动代码评审演示

遍。我在此再说一次。 1998 年中，本书之发行公司松岗（UNALIS）即希望我授权简体版，然因当时 我已在构思3/e，预判3/e 繁体版出版时，2/e 简体版恐怕还未能完成。老是让 大陆读者慢一步看到我的书，令我至感难过，所以便请松岗公司不要进行2/e 简 体版之授权，直接等3/e 出版后再动作。没想到一拖经年，我的3/e 写作计划 并没有如期完成，致使大陆读者反而没有《深入浅出MFC》2/e 把进货原料改一改、发酵程序改一 改、瓶装程序改一改、整个厂的其它设备以及设备与设备之间的联机配合（这是顶顶重 要的）都可以再利用。物料之后到生管，装瓶之后到仓贮，仓贮之后到出货，再加上MIS 监控全厂，这些程序都是不必改变的。 一个整厂整线计划，每一单元之间的联机沟通，合作关系，都已经建立起来，是一种建 构好的运作模式。抽换某个单元的性质或部份性质，并不影响整体操作。「整厂整线」 最重要最有价值的是各单元之间的流程与控制。 中采用的两个类别。深色部份是 Scribble 范例程序在32 位MFC 中采用的两个类别。 第８章 Document-View 深入探討 469 List Yes No 快 慢 可 Array Yes Yes 慢 慢 可 Map No Yes 快 快 MFC Collection Classes 的选用 第５章末尾我曾经大致提过MFC Collection Classes。它们分为三种类型，用来管理一大

效率评估方法 实际测试 假设我们现在有算法 A 和 算法 B ，都能够解决同一问题，现在需要对比两个算法之间的效率。我们能够想到 的最直接的方式，就是找一台计算机，把两个算法都完整跑一遍，并监控记录运行时间和内存占用情况。这种 评估方式能够反映真实情况，但是也存在很大的硬伤。 难以排除测试环境的干扰因素。硬件配置会影响到算法的性能表现。例如，在某台计算机中，算法 A 比算法 B 运行时 的时间增长趋势 相比直接统计算法运行时间，时间复杂度分析的做法有什么好处呢？以及有什么不足？ 时间复杂度可以有效评估算法效率。算法 B 运行时间的增长是线性的，在 ? > 1 时慢于算法 A ，在 ? > 1000000 时慢于算法 C 。实质上，只要输入数据大小 ? 足够大，复杂度为「常数阶」的算法一定优于 「线性阶」的算法，这也正是时间增长趋势的含义。 时间复杂度的推算方法更加简便。在时间复 时间，再在数组中删除该元素，使用 ?(?) 时间； ‧ 获取最小 / 最大元素：数组头部和尾部元素即是最小和最大元素，使用 ?(1) 时间； 观察发现，无序数组和有序数组中的各项操作的时间复杂度是“偏科”的，即有的快有的慢；而二叉搜索树的 各项操作的时间复杂度都是对数阶，在数据量 ? 很大时有巨大优势。 无序数组 有序数组 二叉搜索树 查找指定元素 ?(?) ?(log ?) ?(log ?) 插入元素 ?(1)

效率评估方法 实际测试 假设我们现在有算法 A 和 算法 B ，都能够解决同一问题，现在需要对比两个算法之间的效率。我们能够想到 的最直接的方式，就是找一台计算机，把两个算法都完整跑一遍，并监控记录运行时间和内存占用情况。这种 评估方式能够反映真实情况，但是也存在很大的硬伤。 难以排除测试环境的干扰因素。硬件配置会影响到算法的性能表现。例如，在某台计算机中，算法 A 比算法 B 运行时 的时间增长趋势 相比直接统计算法运行时间，时间复杂度分析的做法有什么好处呢？以及有什么不足？ 时间复杂度可以有效评估算法效率。算法 B 运行时间的增长是线性的，在 ? > 1 时慢于算法 A ，在 ? > 1000000 时慢于算法 C 。实质上，只要输入数据大小 ? 足够大，复杂度为「常数阶」的算法一定优于 「线性阶」的算法，这也正是时间增长趋势的含义。 时间复杂度的推算方法更加简便。在时间复 时间，再在数组中删除该元素，使用 ?(?) 时间； ‧ 获取最小 / 最大元素：数组头部和尾部元素即是最小和最大元素，使用 ?(1) 时间； 观察发现，无序数组和有序数组中的各项操作的时间复杂度是“偏科”的，即有的快有的慢；而二叉搜索树的 各项操作的时间复杂度都是对数阶，在数据量 ? 很大时有巨大优势。 无序数组 有序数组 二叉搜索树 查找指定元素 ?(?) ?(log ?) ?(log ?) 插入元素 ?(1)

化过程。 2.1.2. 效率评估方法 实际测试 假设我们现在有算法 A 和算法 B，它们都能解决同一问题，现在需要对比这两个算法的效率。我们最直接的 方法就是找一台计算机，运行这两个算法，并监控记录它们的运行时间和内存占用情况。这种评估方式能够 反映真实情况，但也存在较大局限性。 难以排除测试环境的干扰因素。硬件配置会影响算法的性能表现。例如，在某台计算机中，算法 A 的运行时 间比算法 的时间增长趋势 相较于直接统计算法运行时间，时间复杂度分析有哪些优势和局限性呢？ 时间复杂度能够有效评估算法效率。例如，算法 B 的运行时间呈线性增长，在 ? > 1 时比算法 A 慢，在 ? > 1000000 时比算法 C 慢。事实上，只要输入数据大小 ? 足够大，复杂度为「常数阶」的算法一定优于 「线性阶」的算法，这正是时间增长趋势所表达的含义。 时间复杂度的推算方法更简便。显然，运行平台和计 计数排序适用于数据量大但数据范围较小的情况。比如，在上述示例中 ? 不能太大，否则会占用过多空间。 而当 ? ≪ ? 时，计数排序使用 ?(?) 时间，可能比 ?(? log ?) 的排序算法还要慢。 11.10. 基数排序 上一节我们介绍了计数排序，它适用于数据量 ? 较大但数据范围 ? 较小的情况。假设我们需要对 ? = 106 个学号进行排序，而学号是一个 8 位数字，这意味着数据范围

效率评估方法主要分为两种：实际测试、理论估算。 2.1.1 实际测试 假设我们现在有算法 A 和算法 B ，它们都能解决同一问题，现在需要对比这两个算法的效率。最直接的方法 是找一台计算机，运行这两个算法，并监控记录它们的运行时间和内存占用情况。这种评估方式能够反映真 实情况，但也存在较大的局限性。 一方面，难以排除测试环境的干扰因素。硬件配置会影响算法的性能。比如在某台计算机中，算法 A 的运行 时间比算法 自的特 点，从而导致以下不同点。 1. 分配和释放效率：栈是一块较小的内存，分配由编译器自动完成；而堆内存相对更大，可以在代码中动 态分配，更容易碎片化。因此，堆上的分配和释放操作通常比栈上的慢。 2. 大小限制：栈内存相对较小，堆的大小一般受限于可用内存。因此堆更加适合存储大型数组。 3. 灵活性：栈上的数组的大小需要在编译时确定，而堆上的数组的大小可以在运行时动态确定。 Q：为什么 计数排序适用于数据量大但数据范围较小的情况。比如，在上述示例中 ? 不能太大，否则会占用过多空间。 而当 ? ≪ ? 时，计数排序使用 ?(?) 时间，可能比 ?(? log ?) 的排序算法还要慢。 11.10 基数排序 上一节介绍了计数排序，它适用于数据量 ? 较大但数据范围 ? 较小的情况。假设我们需要对 ? = 106 个学 号进行排序，而学号是一个 8 位数字，这意味着数据范围

效率评估方法主要分为两种：实际测试、理论估算。 2.1.1 实际测试 假设我们现在有算法 A 和算法 B ，它们都能解决同一问题，现在需要对比这两个算法的效率。最直接的方法 是找一台计算机，运行这两个算法，并监控记录它们的运行时间和内存占用情况。这种评估方式能够反映真 实情况，但也存在较大的局限性。 一方面，难以排除测试环境的干扰因素。硬件配置会影响算法的性能。比如在某台计算机中，算法 A 的运行 时间比算法 自的特 点，从而导致以下不同点。 1. 分配和释放效率：栈是一块较小的内存，分配由编译器自动完成；而堆内存相对更大，可以在代码中动 态分配，更容易碎片化。因此，堆上的分配和释放操作通常比栈上的慢。 2. 大小限制：栈内存相对较小，堆的大小一般受限于可用内存。因此堆更加适合存储大型数组。 3. 灵活性：栈上的数组的大小需要在编译时确定，而堆上的数组的大小可以在运行时动态确定。 Q：为什么 计数排序适用于数据量大但数据范围较小的情况。比如，在上述示例中 ? 不能太大，否则会占用过多空间。 而当 ? ≪ ? 时，计数排序使用 ?(?) 时间，可能比 ?(? log ?) 的排序算法还要慢。 第 11 章 排序 hello‑algo.com 254 11.10 基数排序 上一节介绍了计数排序，它适用于数据量 ? 较大但数据范围 ? 较小的情况。假设我们需要对 ? = 106 个学

bilibili.com/video/BV1fa411r7zp 课程 PPT 和代码： https://github.com/parallel101/course 为什么往 int 数组里赋值 1 比赋值 0 慢一倍？ 第 1 章：内存带宽 cpu-bound 与 memory-bound • 通常来说，并行只能加速计算的部分，不能加速内存读写的部分 。 • 因此，对 fill 这种没有任何计算量，纯粹只有访存的循环体，并 64 字节分块地随机访问 • 解决方法就是，把数据按 64 字节大小分块。随 机访问时，只随机块的位置，而块的内部仍然按 顺序访问。 • 可以看到 64 字节分块的效果拔群，但还是比顺 序访问慢一些，为什么？明明没有浪费带宽了？ 缓存行预取技术：吃着一碗饭的同时，先喊妈妈烧下一碗饭 • 其实，当程序顺序访问 a[0], a[1] 时， CPU 会智能地预测到你接下来可 能会读取 a[2] 次的程序还是会无法达到 mem-bound ，手动预取以后才能达到，就是因为硬件预取预测失败，导致不得不等 内存抵达了才能算，导致延迟隐藏失败。隐藏失败： a[0] a[1] a[2] 为什么写入比读取慢？ • 注意到一个现象：写入花的时间似乎是读取的 2 倍？ • 而且写入的同时读取，和单单写入的时间是一样的？ • 似乎写入一个数组的同时也会读取这个数组，造成两倍带宽 ？ 写入的粒度太小造成不必要的读取

效率评估方法主要分为两种：实际测试、理论估算。 2.1.1 实际测试 假设我们现在有算法 A 和算法 B ，它们都能解决同一问题，现在需要对比这两个算法的效率。最直接的方法 是找一台计算机，运行这两个算法，并监控记录它们的运行时间和内存占用情况。这种评估方式能够反映真 实情况，但也存在较大的局限性。 一方面，难以排除测试环境的干扰因素。硬件配置会影响算法的性能表现。比如一个算法的并行度较高，那 么它就更适合在多核 自的特 点，从而导致以下不同点。 1. 分配和释放效率：栈是一块较小的内存，分配由编译器自动完成；而堆内存相对更大，可以在代码中动 态分配，更容易碎片化。因此，堆上的分配和释放操作通常比栈上的慢。 2. 大小限制：栈内存相对较小，堆的大小一般受限于可用内存。因此堆更加适合存储大型数组。 3. 灵活性：栈上的数组的大小需要在编译时确定，而堆上的数组的大小可以在运行时动态确定。 Q：为什么 计数排序适用于数据量大但数据范围较小的情况。比如，在上述示例中 ? 不能太大，否则会占用过多空间。 而当 ? ≪ ? 时，计数排序使用 ?(?) 时间，可能比 ?(? log ?) 的排序算法还要慢。 11.10 基数排序 上一节介绍了计数排序，它适用于数据量 ? 较大但数据范围 ? 较小的情况。假设我们需要对 ? = 106 个学 号进行排序，而学号是一个 8 位数字，这意味着数据范围

reserve 解决 • 因此，如果你早就知道要推入元素的数量，可以调用 reserve 函数先预留那么多的容量，等待接下来的推入 。 • 这样之后 push_back 时，就不会一次次地扩容两倍慢 慢成长到 128 ，避免重新分配内存和移动元素，更高效 。 • 比如这里我们可以提前知道循环会执行 100 次，因此 reserve(100) 就可以了。 • 可以看到只有一次 malloc(400)