[ 大数据分析 ] 大数据分析与处理方法介绍

从所周知，大数据已经不简简单单是数据大的事实了，而最重要的现实是对大数据进行分析，只有经过分析才能获取不少智能的，深刻的，有价值的信息。那么愈来愈多的应用涉及到大数据，而这些大数据的属性，包括数量，速度，多样性等等都是呈现了大数据不断增加的复杂性，因此大数据的分析方法在大数据领域就显得尤其重要，能够说是决定最终信息是否有价值的决定性因素。基于如此的认识，大数据分析广泛存在的方法理论有哪些呢？

在这里仍是要推荐下我本身建的大数据学习交流群:784557197，群里都是学大数据开发的，若是你正在学习大数据 ，小编欢迎你加入,你们都是软件开发党，不按期分享干货（只有大数据软件开发相关的），包括我本身整理的一份2018最新的大数据进阶资料和高级开发教程，欢迎进阶中和进想深刻大数据的小伙伴加入。

1、大数据分析的五个基本方面

1. Analytic Visualizations（可视化分析）

不论是对数据分析专家仍是普通用户，数据可视化是数据分析工具最基本的要求。可视化能够直观的展现数据，让数据本身说话，让观众听到结果。

2. Data Mining Algorithms（数据挖掘算法）

可视化是给人看的，数据挖掘就是给机器看的。集群、分割、孤立点分析还有其余的算法让咱们深刻数据内部，挖掘价值。这些算法不只要处理大数据的量，也要处理大数据的速度。

3. Predictive Analytic Capabilities（预测性分析能力）

数据挖掘可让分析员更好的理解数据，而预测性分析可让分析员根据可视化分析和数据挖掘的结果作出一些预测性的判断。

4. Semantic Engines（语义引擎）

.咱们知道因为非结构化数据的多样性带来了数据分析的新的挑战，咱们须要一系列的工具去解析，提取，分析数据。语义引擎须要被设计成可以从“文档”中智能提取信息。

5. Data Quality and Master Data Management（数据质量和数据管理）

数据质量和数据管理是一些管理方面的最佳实践。经过标准化的流程和工具对数据进行处理能够保证一个预先定义好的高质量的分析结果。

假如大数据真的是下一个重要的技术革新的话，咱们最好把精力关注在大数据能给咱们带来的好处，而不只仅是挑战。

2、大数据处理

周涛博士说：大数据处理数据时代理念的三大转变：要全体不要抽样，要效率不要绝对精确，要相关不要因果。

具体的大数据处理方法其实有不少，可是根据长时间的实践，笔者总结了一个基本的大数据处理流程，而且这个流程应该可以对你们理顺大数据的处理有所帮助。整个处理流程能够归纳为四步，分别是采集、导入和预处理、统计和分析，以及挖掘。

采集

大数据的采集是指利用多个数据库来接收发自客户端（Web、App或者传感器形式等）的数据，而且用户能够经过这些数据库来进行简单的查询和处理工做。好比，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除此以外，Redis和MongoDB这样的NoSQL数据库也经常使用于数据的采集。

在大数据的采集过程当中，其主要特色和挑战是并发数高，由于同时有可能会有成千上万的用户来进行访问和操做，好比火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，因此须要在采集端部署大量数据库才能支撑。而且如何在这些数据库之间进行负载均衡和分片的确是须要深刻的思考和设计。

导入/预处理

虽然采集端自己会有不少数据库，可是若是要对这些海量数据进行有效的分析，仍是应该将这些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，而且能够在导入基础上作一些简单的清洗和预处理工做。也有一些用户会在导入时使用来自Twitter的Storm来对数据进行流式计算，来知足部分业务的实时计算需求。

导入与预处理过程的特色和挑战主要是导入的数据量大，每秒钟的导入量常常会达到百兆，甚至千兆级别。

统计/分析

统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通的分析和分类汇总等，以知足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC 的GreenPlum、Oracle的Exadata，以及基于MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可使用Hadoop。

统计与分析这部分的主要特色和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。

挖掘

与前面统计和分析过程不一样的是，数据挖掘通常没有什么预先设定好的主题，主要是在现有数据上面进行基于各类算法的计算，从而起到预测（Predict）的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的K-Means、用于统计学习的SVM和用于分类的Naive Bayes，主要使用的工具备Hadoop的Mahout等。

该过程的特色和挑战主要是用于挖掘的算法很复杂，而且计算涉及的数据量和计算量都很大，还有，经常使用数据挖掘算法都以单线程为主。