一、全面质量管理的五大要素中E是指
全面质量管理的五大要素中E是指Environment，生产、服务环境要素。
全面质量管理理论中的五个影响产品质量的主要因素：
“4M”：人员（Man） 机器（Machine） 物料（Material） 方法（Method）。
“1E”：环境（Environment）。
1、人：指制造产品的人员；
2、机：指制造产品所用的设备；
3、料：指制造产品所使用的原材料；
4、法：指制造产品所使用的方法；
5、环：指产品制造过程中所处的环境。
扩展资料
质量管理的基本原理适用于任何制造过程，由于企业行业、规模的不同，方法的使用上略有不同，但基本原理仍然是相同的。方法上的差别可概括为：在大量生产中，质量管理的重点在产品，在单件小批生产中，重点在控制工序。
全面质量管理的基本原理与其他概念的基本差别在于，它强调为了取得真正的经济效益，管理必须始于识别顾客的质量要求，终于顾客对他手中的产品感到满意。全面质量管理就是为了实现这一目标而指导人、机器、信息的协调活动。
在组织方面，全面质量管理是上层管理部门的工具，用来委派产品质量方面的职权和职责，以达到既可免除上层管理部门的琐事，又可保留上层管理部门确保质量成果令人满意的手段的目的。
参考资料来源：搜狗百科-全面质量管理
二、一辆车的主要结构分哪些？
汽车结构分四部分 三万个零件组成一辆汽车
早期的汽车会有一个用木材、合成材料或金属板制成的独立底盘。多数早期的汽车将发动机和独立的变速箱装在一条线上，乘客坐在带差速器的后轴上方。例如1911年的劳斯莱斯银影汽车，这种汽车底盘大，承载着有金属包层的木制车架；底盘高，有利于传动杆和后轴的清洁。尽管车身很长，但把行李放在车顶，而且司机没有防备天气变化的保护措施。现在的汽车多采用钢壳，前轮驱动，动力更强，空间更大，但重量却很轻。例如20世纪90年代的雷诺克莱奥汽车，这种车由薄钢板制造，前轮驱动，车轮较小，这意味着司机和乘客的座位距离地面较近。由于采用高强度钢壳，虽然车门很大，但仍然十分坚固。
目前，整体的零部件数量基本保持在3万个左右，包括细小的螺丝钉在内。汽车结构分四大部分，每一部分又有具体的分类。
1.发动机：曲柄连杆机构、配气机构、燃料供给系、冷却系、润滑系、点火系起动系。
2.底盘：底盘作用是支承、安装汽车发动机及其各部件、总成，形成汽车的整体造型，并接受发动机的动力，使汽车产生运动，保证正常行驶。底盘由传动系、行驶系、转向系和制动系四部分组成。
3.车身：车身安装在底盘的车架上，用以驾驶员、旅客乘坐或装载货物。轿车、客车的车身一般是整体结构，货车车身一般是由驾驶室和货厢两部分组成。
4.电气设备：电气设备由电源和用电设备两大部分组成。电源包括蓄电池和发电机；用电设备包括发动机的起动系、汽油机的点火系和其他用电装置。
现在，汽车设计总是极力地小型化，以达到尽可能少占空间的目的。为了节省空间，汽车的设计主要围绕乘客进行的。
发动机的位置将直接影响汽车的内部空间、操作和牵引力。长期以来，前置发动机后轮驱动是最好的方案。但这种结构成本很高，该结构多被奔驰、宝马、90年代的阿尔法罗密欧等高档汽车普遍采用。后置发动机后轮驱动虽然有利于牵引力，但不利于内部空间；而大多数家用轿车采用了前置发动机前轮驱动的结构，以求得最大的空间和牵引力。例如在西班牙的西亚特·依比扎设计的汽车中，发动机横向放置，油箱置于后排座位下面设计，灵巧的后悬架使行李厢更便于存放行李。
跑车多采用的是中置发动机后轮驱动，法拉利、保时捷等超级跑车就是采用了这种结构，特点是便于操控，牵引力大，但车内空间狭小；而在一些高档车中，奥迪独创的全时四轮驱动系统又在这些结构中进行了优化，使驾驶安全性能进一步提高。目前奥迪的高端A4、A8、阿尔法罗密欧和沃尔沃的S60等车属于标准配备。
三、Spark RDD，DataFrame和DataSet的区别
RDD、DataFrame和DataSet是容易产生混淆的概念，必须对其相互之间对比，才可以知道其中异同。
RDD和DataFrame
RDD-DataFrame
上图直观地体现了DataFrame和RDD的区别。左侧的RDD[Person]虽然以Person为类型参数，但Spark框架本身不了解
Person类的内部结构。而右侧的DataFrame却提供了详细的结构信息，使得Spark
SQL可以清楚地知道该数据集中包含哪些列，每列的名称和类型各是什么。DataFrame多了数据的结构信息，即schema。RDD是分布式的
Java对象的集合。DataFrame是分布式的Row对象的集合。DataFrame除了提供了比RDD更丰富的算子以外，更重要的特点是提升执行效
率、减少数据读取以及执行计划的优化，比如filter下推、裁剪等。
提升执行效率
RDD
API是函数式的，强调不变性，在大部分场景下倾向于创建新对象而不是修改老对象。这一特点虽然带来了干净整洁的API，却也使得Spark应用程序在运
行期倾向于创建大量临时对象，对GC造成压力。在现有RDD
API的基础之上，我们固然可以利用mapPartitions方法来重载RDD单个分片内的数据创建方式，用复用可变对象的方式来减小对象分配和GC的
开销，但这牺牲了代码的可读性，而且要求开发者对Spark运行时机制有一定的了解，门槛较高。另一方面，Spark
SQL在框架内部已经在各种可能的情况下尽量重用对象，这样做虽然在内部会打破了不变性，但在将数据返回给用户时，还会重新转为不可变数据。利用
DataFrame API进行开发，可以免费地享受到这些优化效果。
减少数据读取
分析大数据，最快的方法就是 ——忽略它。这里的“忽略”并不是熟视无睹，而是根据查询条件进行恰当的剪枝。
上文讨论分区表时提到的分区剪 枝便是其中一种——当查询的过滤条件中涉及到分区列时，我们可以根据查询条件剪掉肯定不包含目标数据的分区目录，从而减少IO。
对于一些“智能”数据格 式，Spark
SQL还可以根据数据文件中附带的统计信息来进行剪枝。简单来说，在这类数据格式中，数据是分段保存的，每段数据都带有最大值、最小值、null值数量等
一些基本的统计信息。当统计信息表名某一数据段肯定不包括符合查询条件的目标数据时，该数据段就可以直接跳过(例如某整数列a某段的最大值为100，而查
询条件要求a > 200)。
此外，Spark SQL也可以充分利用RCFile、ORC、Parquet等列式存储格式的优势，仅扫描查询真正涉及的列，忽略其余列的数据。
执行优化
人口数据分析示例
为了说明查询优化，我们来看上图展示的人口数据分析的示例。图中构造了两个DataFrame，将它们join之后又做了一次filter操作。如
果原封不动地执行这个执行计划，最终的执行效率是不高的。因为join是一个代价较大的操作，也可能会产生一个较大的数据集。如果我们能将filter
下推到 join下方，先对DataFrame进行过滤，再join过滤后的较小的结果集，便可以有效缩短执行时间。而Spark
SQL的查询优化器正是这样做的。简而言之，逻辑查询计划优化就是一个利用基于关系代数的等价变换，将高成本的操作替换为低成本操作的过程。
得到的优化执行计划在转换成物 理执行计划的过程中，还可以根据具体的数据源的特性将过滤条件下推至数据源内。最右侧的物理执行计划中Filter之所以消失不见，就是因为溶入了用于执行最终的读取操作的表扫描节点内。
对于普通开发者而言，查询优化 器的意义在于，即便是经验并不丰富的程序员写出的次优的查询，也可以被尽量转换为高效的形式予以执行。
RDD和DataSet
DataSet以Catalyst逻辑执行计划表示，并且数据以编码的二进制形式被存储，不需要反序列化就可以执行sorting、shuffle等操作。
DataSet创立需要一个显式的Encoder，把对象序列化为二进制，可以把对象的scheme映射为SparkSQl类型，然而RDD依赖于运行时反射机制。
通过上面两点，DataSet的性能比RDD的要好很多。
DataFrame和DataSet
Dataset可以认为是DataFrame的一个特例，主要区别是Dataset每一个record存储的是一个强类型值而不是一个Row。因此具有如下三个特点：
DataSet可以在编译时检查类型
并且是面向对象的编程接口。用wordcount举例：
//DataFrame
// Load a text file and interpret each line as a java.lang.String
val ds = sqlContext.read.text(/home/spark/1.6/lines).as[String]
val result = ds
.flatMap(_.split( )) // Split on whitespace
.filter(_ != ) // Filter empty words
.toDF() // Convert to DataFrame to perform aggregation / sorting
.groupBy($value) // Count number of occurences of each word
.agg(count(*) as numOccurances)
.orderBy($numOccurances desc) // Show most common words first
后面版本DataFrame会继承DataSet，DataFrame是面向Spark SQL的接口。
//DataSet,完全使用scala编程，不要切换到DataFrame
val wordCount =
ds.flatMap(_.split( ))
.filter(_ != )
.groupBy(_.toLowerCase()) // Instead of grouping on a column expression (i.e. $value) we pass a lambda function
.count()
DataFrame和DataSet可以相互转化， df.as[ElementType] 这样可以把DataFrame转化为DataSet， ds.toDF() 这样可以把DataSet转化为DataFrame。
