mysql的partition关键字是分区还是分表？
经过试验，得出的结论是mysql没有分区分表这两个概念，通过partition同时可以进行我们传统意义上的分区和分表。不需要要我们手动创建N个子表再通过总表merge子表，也无需我们在上层代码通过什么求余求hash来决定操作哪个物理子表，直接使用我们创建的表，mysql优化器就可以自动帮我们分析使用哪个子表了。为了证明我的结论，假设partition只是所谓的分区，那么所有的数据都是在同一张表上。
我创建了这样一张表：
可以看到在文件夹内生成了两个子表：
注意，这张总表没有主键也没有其它索引，那么通过innodb的特性可以知道，当没有索引的时候innodb使用的不是行级锁而是表级锁。
然后我插入了8条记录：
然后分别查两个分区的数据：
为了证明这两个分区的数据不是在同一个表上的我们开启两个客户端分别执行：
根据innodb的特性当没有索引的时候innodb使用的不是行级锁而是表级锁，可以看到当我们显示开启排他锁但是我们没有提交事务而这两个事务都没有阻塞，说明什么？说明通过partition创建的子表是真真实实存在的不同的物理表。同时也说明在增删改的时候即使我们只操作总表，也是可以生效的，而不用再像传统意义上的在高级语言上用代码处理该访问哪个子表至于是不是顺序I/O不知道怎么检验。但是至少从发生的现象得出网上说的partition只是分区的说法是不正确的。个人认为mysql已经没有传统意义上的分区和分表的划分了，都归在一起了。
首先得理解分区和分表有什么差别
分区是逻辑上的 但实际各分区的存放是可以物理隔离的 看上去跟分表一样 但各分区的数据字典是统一的 就是分区表的数据字典 所以分区除了数据分散以为 最主要的是字典集中 在跨分区、多分区查询时较分表的形式要简洁 分区只能在一个库里实现
分表是不同的表 可以跨库分布 这些表本质上是互相独立的 其对外的统一是靠应用层实现的 分表更彻底 但管理更复杂
所以在一般情况下 分区表已经能很好的实现数据分散。但由于公用数据字典且不能跨库 所以在高并发场景下仍然受限 于是分布式的分表方案应运而生
回到问题 PARTITION就是分区 至于看到不同分区有不同的数据文件 那是底层实现问题 分区表只有一个FRM文件 足以说明它是一张表（分区表）而不是很多张表（分表）
python调用mysql语句后面 % (1000)是什么意思？
python访问Mysql一般通过MySQLdb模块，通过import MySQLdb进行引入。题主提到的问题是有值需要传入需要处理的sql操作中。
%在python中表示运算符，对于整数，是表示取余
表示取余的时候，形如 5%3 =2，python语言命令输出的结果如下所示：
%在字符串运算中，表示字符串的点位符
表示格式化字符串的点位符，一般可以这样写：
print 'Hello %s ! %('big',)
你也可以理解成前面定义了一个参数（只是便于理解），%后面的部分是输入的真正内容。
其实%s这样写非常影响阅读，因为数量多了后，我们就很难清楚地掌握哪一个点位符对应哪一个实参。所以，相对于比较Pythonic的代码可以写成这样：
print 'Hello %(name)s!' %('name':'big')
改成这样的书写格式，我想题主应该会比较好理解一些，就是某个键对应的一个具体的值，可以清楚地知道那个变量（键）需要输入什么的值。
%在Python与mysql中的应用
其实在pyhon中的应用场景和Python连接mysql时的场景一样，使用的方法方式都一样，表示的是需要传入某个具体的值，然后函数根据传入的值做相应的处理。比如我们需要插入数据到数据库中，我们就可以将我们需要的数据都存储在元组中，然后通过格式化占位符的形式写入到数据库中。
通过这样的方式，我们可以集中处理数据，然后就处理好的数据以传参的形式传入到SQL语句中。
问题描述不清楚。
暂且当你是格式化语句来解释，python中
var = “hello %s”%(“jhson”)
执行结果就是var = “hello jhson”，
上面语句中 %(变量) 的格式就是用变量值替换前面的%s占位符的。
那么%(1000)就是用1000替换前面的%d占位符。
大数据专业好学吗？
大数据专业好学吗？会很难吗？很多进入大数据行业的学生经常问这样的问题，大数据学习属于逻辑思维，对于学生来说没有基础是一门比较难的课程，但只有找到自己的学习方式，才能实现自己的大数据梦想。
大数据培训课程不难学好。主要是寻找一种独特的学习方式，减少学习困难，提高学习效率。
这里还是要推荐下小编的大数据学习群:532218147，不管你是小白还是大牛，小编我都欢迎，不定期分享干货，包括小编自己整理的一份2017最新的大数据资料和0基础入门教程，欢迎初学和进阶中的小伙伴。在不忙的时间我会给解答
一、二类学生在大数据培训课程中的应用
1。基本的学生
学生一般计算机专业或专业技能都很高，拥有大数据基础的学习课程，学习大数据相对容易。计算机专业有一定的编程基础，进入学校时将通过基础考试。大数据很难培养入学考试吗？事实上，基本的编程能力测试，考试通过后可以直接研究大数据培训课程，学习周期和学习成本也会相应降低；虽然没有统计专业的学生java基础，但是基于统计学的大数据是一个专业性强的逻辑思维，专业的统计计算，对学生的公式数据更容易理解。
2。零基础学员
零基础学生真的是大数据。这个行业没有专业背景，没有编程基础。为了实现大数据的梦想，我们需要找到一种合适的学习方式来实现自己的价值。零基础的学生，我们应该选择零基础课程开始学习，并开始从java编程基础的学习。对于这样一个没有专业背景的学生，还是建议找一个离线培训班，自学和网络为重点的学生，面对大量的学习材料和短期课程讲座，你会感到失落。
二、面对面教学可以降低学习数据的难度。
无论是基于零的学生还是真的希望学生进一步大数据培训课程都是比较纯粹的知识，建议面授教学模式的选择线。
1。导师。一个好的家教是成功的一半。一个好老师对每个学生都很重要，对大数据的学生来说更重要。零基础学生进入大数据培训课程，导师对课程理论体系进行规划和解释，使学生对知识的理解更加透彻，进入相对容易，从而降低了学生学习大数据的难度。
2。纯课堂教学。很多线下训练就是他在培训线下，其实不是真正的面授教学，是全国性的电视教学学校，在大屏幕上看老师没有互动，班上学生浪费时间和金钱在训练这条线，没有道理。根据魔术为线训练我们班的一员，是纯粹的面对面教学，讲师和助教一对一辅导，并定期检查阶段，方便助理学习者和导师的学习状态；全日制脱产式教学模式，学生学到更多的知识连贯教学牢牢地掌握学生的进步，学生的生活保障，避免线，快餐式的教学，学生学会学习的价值。
三。实际项目操作提高了大数据学习的效率
大数据培训课程要学好，大数据实战项目不能。大数据产业需要对实际项目进行实时操作，培养学生动手能力，培养团队合作能力，提前熟悉企业的工作流程。大数据项目不仅要选择真实的商业案例，也需要新的魔术根据实际项目，每年定期购买最新的国内外大型商业项目，与大数据实验室的项目实践，培养学生的大数据人才的社会和企业的需求，通过企业的青睐和重用。
虽然大数据培训课程不是很简单，但只有找到合适的学习方法和方法，所有的困难才会减少。如果你想进入大数据的培训课程，你还需要查阅专业魔术。