[ 大數據分析 ] 大數據分析與處理方法介紹

從所周知，大數據已經不簡簡單單是數據大的事實了，而最重要的現實是對大數據進行分析，只有經過分析才能獲取不少智能的，深刻的，有價值的信息。那麼愈來愈多的應用涉及到大數據，而這些大數據的屬性，包括數量，速度，多樣性等等都是呈現了大數據不斷增加的複雜性，因此大數據的分析方法在大數據領域就顯得尤其重要，能夠說是決定最終信息是否有價值的決定性因素。基於如此的認識，大數據分析廣泛存在的方法理論有哪些呢？

在這裏仍是要推薦下我本身建的大數據學習交流羣:784557197，羣裏都是學大數據開發的，若是你正在學習大數據 ，小編歡迎你加入,你們都是軟件開發黨，不按期分享乾貨（只有大數據軟件開發相關的），包括我本身整理的一份2018最新的大數據進階資料和高級開發教程，歡迎進階中和進想深刻大數據的小夥伴加入。

1、大數據分析的五個基本方面

1. Analytic Visualizations（可視化分析）

不論是對數據分析專家仍是普通用戶，數據可視化是數據分析工具最基本的要求。可視化能夠直觀的展現數據，讓數據本身說話，讓觀衆聽到結果。

2. Data Mining Algorithms（數據挖掘算法）

可視化是給人看的，數據挖掘就是給機器看的。集羣、分割、孤立點分析還有其餘的算法讓咱們深刻數據內部，挖掘價值。這些算法不只要處理大數據的量，也要處理大數據的速度。

3. Predictive Analytic Capabilities（預測性分析能力）

數據挖掘可讓分析員更好的理解數據，而預測性分析可讓分析員根據可視化分析和數據挖掘的結果作出一些預測性的判斷。

4. Semantic Engines（語義引擎）

.咱們知道因爲非結構化數據的多樣性帶來了數據分析的新的挑戰，咱們須要一系列的工具去解析，提取，分析數據。語義引擎須要被設計成可以從「文檔」中智能提取信息。

5. Data Quality and Master Data Management（數據質量和數據管理）

數據質量和數據管理是一些管理方面的最佳實踐。經過標準化的流程和工具對數據進行處理能夠保證一個預先定義好的高質量的分析結果。

假如大數據真的是下一個重要的技術革新的話，咱們最好把精力關注在大數據能給咱們帶來的好處，而不只僅是挑戰。

2、大數據處理

周濤博士說：大數據處理數據時代理念的三大轉變：要全體不要抽樣，要效率不要絕對精確，要相關不要因果。

具體的大數據處理方法其實有不少，可是根據長時間的實踐，筆者總結了一個基本的大數據處理流程，而且這個流程應該可以對你們理順大數據的處理有所幫助。整個處理流程能夠歸納爲四步，分別是採集、導入和預處理、統計和分析，以及挖掘。

採集

大數據的採集是指利用多個數據庫來接收發自客戶端（Web、App或者傳感器形式等）的數據，而且用戶能夠經過這些數據庫來進行簡單的查詢和處理工做。好比，電商會使用傳統的關係型數據庫MySQL和Oracle等來存儲每一筆事務數據，除此以外，Redis和MongoDB這樣的NoSQL數據庫也經常使用於數據的採集。

在大數據的採集過程當中，其主要特色和挑戰是併發數高，由於同時有可能會有成千上萬的用戶來進行訪問和操做，好比火車票售票網站和淘寶，它們併發的訪問量在峯值時達到上百萬，因此須要在採集端部署大量數據庫才能支撐。而且如何在這些數據庫之間進行負載均衡和分片的確是須要深刻的思考和設計。

導入/預處理

雖然採集端自己會有不少數據庫，可是若是要對這些海量數據進行有效的分析，仍是應該將這些來自前端的數據導入到一個集中的大型分佈式數據庫，或者分佈式存儲集羣，而且能夠在導入基礎上作一些簡單的清洗和預處理工做。也有一些用戶會在導入時使用來自Twitter的Storm來對數據進行流式計算，來知足部分業務的實時計算需求。

導入與預處理過程的特色和挑戰主要是導入的數據量大，每秒鐘的導入量常常會達到百兆，甚至千兆級別。

統計/分析

統計與分析主要利用分佈式數據庫，或者分佈式計算集羣來對存儲於其內的海量數據進行普通的分析和分類彙總等，以知足大多數常見的分析需求，在這方面，一些實時性需求會用到EMC 的GreenPlum、Oracle的Exadata，以及基於MySQL的列式存儲Infobright等，而一些批處理，或者基於半結構化數據的需求可使用Hadoop。

統計與分析這部分的主要特色和挑戰是分析涉及的數據量大，其對系統資源，特別是I/O會有極大的佔用。

挖掘

與前面統計和分析過程不一樣的是，數據挖掘通常沒有什麼預先設定好的主題，主要是在現有數據上面進行基於各類算法的計算，從而起到預測（Predict）的效果，從而實現一些高級別數據分析的需求。比較典型算法有用於聚類的K-Means、用於統計學習的SVM和用於分類的Naive Bayes，主要使用的工具備Hadoop的Mahout等。

該過程的特色和挑戰主要是用於挖掘的算法很複雜，而且計算涉及的數據量和計算量都很大，還有，經常使用數據挖掘算法都以單線程爲主。