实践是最好的老师。
Practice is the best of all instructors.
实践是最好的老师，但是，如果不能从中学习，再多的实践也没有用。
Experience is a dear teacher, but fools will learn at no other.

  首先，需要指出的是，仅仅通过对编码部分的估计，然后应用上述比率，是无法得到对整个任务的估计的。编码大约只占了问题的六分之一左右，编码估计或者比率的错误可能会导致不合理的荒谬结果。

  第二，必须声明的是，构建独立小型程序的数据不适用于编程系统产品。

工作量 ＝ （常数）×（指令的数量）^1.5

Portman 的数据

  曼彻斯特 Computer Equipment Organization（Northwest）的 ICL 软件部门的经 理 Charles Portman，提出了另一种有用的个人观点

他发现他的编程队伍落后进度大约 1/2，每项工作花费的时间大约是估计的两倍。

Aron 的数据

  Joel Aron，IBM 在马里兰州盖兹堡的系统技术主管，在他所工作过的 9 个大型项目（简要地说，大型意味着程序员的数目超过 25 人，将近 30,000 行的指令）7的基础上，对程序员的生产率进行了研究。他根据程序员（和系统部分）之间的交互划分这些系统，得到了如下的生产率：

非常少的交互 10,000 指令每人年
少量的交互 5,000
较多的交互 1,500
该人年数据未包括支持和系统测试活动，仅仅是设计和编程。当这些数据采用除以 2，以包括系统测试的活动时，它们与 Harr 的数据非常的接近。

Harr 的数据

生产率同样地被划分为两个类别，控制程序的生产率大约是 600 指令每人年，语言翻译大约是 2200 指令每人年。注意所有的四个程序都具有类似的规模——差异在于工作组的大小、时间的长短和模块的个数。那么，哪一个是原因，哪一个是结果呢？是否因为控制程序更加复杂,所以需要更多的人员？或者因为它们被分派了过多的人员，所以要求有更多的模块？是因为复杂程度非常高，还是分配较多的人员，导致花费了更长的时间？没有人可以确定。控制程序确实更加复杂。除开这些不确定性，数据反映了实际的生产率——描述了在现在的编程技术下，大型系统开发的状况。因此，Harr 数据的确是真正的贡献。

‰ 对常用编程语句而言。生产率似乎是固定的。这个固定的生产率包括了编程中需要注释，并可能存在错误的情况.

‰ 使用适当的高级语言，编程的生产率可以提高 5 倍