1. 패스워드를 준비 한다.

In [1]: from notebook.auth import passwd

In [2]: passwd()
Enter password: 
Verify password: 
Out[2]: 'sha1:f24baff49ac5:863dd2ae747212ede58125302d227f0ca7b12bb3'

2. config 파일 생성하고 config 파일을 오픈한다.

[~/work/python]# jupyter notebook --generate-config Writing default config to: /Users/tommy/.jupyter/jupyter_notebook_config.py [~/work/python]# vi /Users/tommy/.jupyter/jupyter_notebook_config.py


3.  다음 내용을 입력한다.

# Password to use for web authentication
c = get_config()
c.NotebookApp.password =
u'sha1:f24baff49ac5:863dd2ae747212ede58125302d227f0ca7b12bb3'


4.  다시 시작하고 접속해보면 암호를 물어보기 시작한다. 



참고: http://goodtogreate.tistory.com/entry/IPython-Notebook-%EC%84%A4%EC%B9%98%EB%B0%A9%EB%B2%95


'Areas > Jupyter' 카테고리의 다른 글

Jupyter Lab 암호 설정하는 법  (0) 2025.03.18
Jupyter에서 마크다운을 써보자  (0) 2016.08.25
Python 시각화 관련 링크 모음  (0) 2016.08.25
Jupyter 시작하기  (0) 2016.08.24


다음 패키지를 쓰면 국가코드를 입력으로 넣어 타임존을 알아낼 수 있다.


설치 방법

pip install pytz



참고 링크 및 코드

http://pytz.sourceforge.net/



Country Information

>>> from datetime import datetime, timedelta
>>> from pytz import timezone
>>> import pytz
>>> print(' '.join(pytz.country_timezones['nz']))
Pacific/Auckland Pacific/Chatham

The Olson database comes with a ISO 3166 country code to English country name mapping that pytz exposes as a dictionary:

>>> print(pytz.country_names['nz'])
New Zealand




키 체인에서 인증서를 생성하고 빌드하면 된다.


http://apollo89.com/wordpress/?p=5941


최종 업데이트일: 2016-10-27


[날짜 처리하기] 유닉스타임을 타임스탬프로 변환

select from_unixtime(1477365132)


결과: 

2016-10-25 12:12:12.0



[날짜 처리하기] 타임스탬프에서 년월일만 나오도록 하기

select date_trunc('day', from_unixtime(1477365132))


결과:

2016-10-25 00:00:00.0


[날짜 처리하기] 두 날짜의 차이 구하기

select date_diff( 

'day', 

from_iso8601_timestamp('2016-10-24'),  

from_iso8601_timestamp('2016-10-25')

)

결과: 1




'Archives > Presto' 카테고리의 다른 글

Presto에서 base64 데이터 디코딩하기  (0) 2016.08.17
Presto에서 JSON 다루기  (0) 2016.08.12


Kimball definition


데이터 마트

  • 1개 이상의 스타 스키마


데이터 웨어하우스

  • 데이터 마트의 집합
  • 모든 데이터 마트의 소스


큐브

  • 다차원 데이터 오브젝트


큐브 사용 장점

  • 정의에 따라 주어진 정보에 아주 빠르게 응답한다.
  • 드릴다운 경로가 동적이다. 큐브에서 깔끔하고 구조화된 aggregation이 나온다. 
  • 질의가 간단하다. 조인이 없음. 팩트 기반으로 만들어졌기 때문에 세부 정보를 몰라도 됨.


큐브 사용 단점

  • Ad-hoc 질의로 알맞지 않다.
  • 실시간성이 떨어진다.
  • 드릴다운은 저수준으로만 가능하다. 
  • 크기: 큐브에 넣는 속성은 절대 작지 않다.
  • 소스 데이터 크기: 속성이 많을 쓰로 가져다 사용할 데이터가 많다.
  • 유지보수: 일간 데이터 생성에 수시간이 걸린다면 큐브 생성에도 오래걸린다.
  • 복잡도: 큐브 질의에 SQL을 사용할 수 없다. MDX(Multidimensional Expression)을 사용해야 한다. 


원본: http://www.seemoredata.com/en/entry.php?10-Differences-between-CUBES-and-Star-Schema

+ Recent posts