大數(shù)據(jù)基本概念及技術(shù)_數(shù)據(jù)分析師考試

大數(shù)據(jù)是當(dāng)前很熱的一個詞。這幾年來，云計(jì)算、繼而大數(shù)據(jù)，成了整個社會的熱點(diǎn)，不管什么，都要帶上“大數(shù)據(jù)”三個字才顯得時(shí)髦。大數(shù)據(jù)究竟是什么東西?有哪些相關(guān)技術(shù)?對普通人的生活會有怎樣的影響?我們來一步步弄清這些問題。

一、基本概念

在講什么是大數(shù)據(jù)之前，我們首先需要厘清幾個基本概念。

1.數(shù)據(jù)

關(guān)于數(shù)據(jù)的定義，大概沒有一個權(quán)威版本。為方便，此處使用一個簡單的工作定義：數(shù)據(jù)是可以獲取和存儲的信息。

直觀而言，表達(dá)某種客觀事實(shí)的數(shù)值是最容易被人們識別的數(shù)據(jù)(因?yàn)槟鞘恰皵?shù)”)。但實(shí)際上，人類的一切語言文字、圖形圖畫、音像記錄，所有感官可以察覺的事物，只要能被記下來，能夠查詢到，就都是數(shù)據(jù)(data)。

不過數(shù)值是所有數(shù)據(jù)中最容易被處理的一種，許多和數(shù)據(jù)相關(guān)的概念，例如下面的數(shù)據(jù)可視化和數(shù)據(jù)分析，最早是立足于數(shù)值數(shù)據(jù)的。

傳統(tǒng)意義上的數(shù)據(jù)一詞，尤其是相對于今天的“大數(shù)據(jù)”的“小數(shù)據(jù)”,主要指的就是數(shù)值數(shù)據(jù)，甚至在很多情況下專指統(tǒng)計(jì)數(shù)值數(shù)據(jù)。這些數(shù)值數(shù)據(jù)用來描述某種客觀事物的屬性。

2.數(shù)據(jù)可視化

對應(yīng)英語的data visulization(或可譯為數(shù)據(jù)展示)，指通過圖表將若干數(shù)字以直觀的方式呈現(xiàn)給讀者。比如非常常見的餅圖、柱狀圖、走勢圖、熱點(diǎn)圖、K線等等，目前以二維展示為主，不過越來越多的三維圖像和動態(tài)圖也被用來展示數(shù)據(jù)。

3.數(shù)據(jù)分析

這一概念狹義上，指統(tǒng)計(jì)分析，即通過統(tǒng)計(jì)學(xué)手段，從數(shù)據(jù)中精煉對現(xiàn)實(shí)的描述。例如：針對以關(guān)系型數(shù)據(jù)庫中以table形式存儲的數(shù)據(jù)，按照某些指定的列進(jìn)行分組，然后計(jì)算不同組的均值、方差、分布等。再以可視化的方式講這些計(jì)算結(jié)果呈現(xiàn)出來。目前很多文章中提及的數(shù)據(jù)分析，其實(shí)是包括數(shù)據(jù)可視化的。

4.數(shù)據(jù)挖掘

這個概念的定義也是眾說紛紜，落到實(shí)際，主要是在傳統(tǒng)統(tǒng)計(jì)學(xué)的基礎(chǔ)上，結(jié)合機(jī)器學(xué)習(xí)的算法，對數(shù)據(jù)進(jìn)行更深層次的分析，并從中獲取一些傳統(tǒng)統(tǒng)計(jì)學(xué)方法無法提供的Insights(比如預(yù)測)。

簡單而言：針對某個特定問題構(gòu)建一個數(shù)學(xué)模型(可以把這個模型想象成一個或多個公式)，其中包含一些具體取值未知的參數(shù)。我們將收集到的相關(guān)領(lǐng)域的若干數(shù)據(jù)(這些數(shù)據(jù)稱為訓(xùn)練數(shù)據(jù))代入模型，通過運(yùn)算(運(yùn)算過程稱為訓(xùn)練)，得出那些參數(shù)的值。然后再用這個已經(jīng)確定了參數(shù)的模型，去計(jì)算一些全新的數(shù)據(jù)，得出相應(yīng)結(jié)果。這一過程叫做機(jī)器學(xué)習(xí)。

機(jī)器學(xué)習(xí)的算法紛繁復(fù)雜，最常用的主要有回歸分析、關(guān)聯(lián)規(guī)則、分類、聚類、神經(jīng)網(wǎng)絡(luò)、決策樹等。

二、大數(shù)據(jù)和大數(shù)據(jù)分析

大數(shù)據(jù)首先是數(shù)據(jù)，其次，它是具備了某些特征的數(shù)據(jù)。目前公認(rèn)的特征有四個：Volumne,Velocity,Variety,和Value,簡稱4V.

1.Volume:大量。就目前技術(shù)而言，至少TB級別以下不能成大數(shù)據(jù)。

2.Velocity:高速。1TB的數(shù)據(jù)，十分鐘處理完，叫大數(shù)據(jù)，一年處理完，就不能算“大”了。

3.Variety:多樣。就內(nèi)容而言，大數(shù)據(jù)已經(jīng)遠(yuǎn)遠(yuǎn)不局限數(shù)值，文字、圖片、語音、圖像，一切在網(wǎng)絡(luò)上可以傳輸顯示的信息，都屬于此列。從結(jié)構(gòu)而言，和存儲在數(shù)據(jù)庫中的結(jié)構(gòu)化數(shù)據(jù)不同，當(dāng)前的大數(shù)據(jù)主要指半結(jié)構(gòu)化和非結(jié)構(gòu)化的信息，比如機(jī)器生成信息(各種日志)、自然語言等。

4. Value:價(jià)值。如果不能從中提取出價(jià)值，不能通過挖掘、分析，得到指導(dǎo)業(yè)務(wù)的insights,那這些數(shù)據(jù)也就沒什么用。不過現(xiàn)在還有另外一種提法：只要是數(shù)據(jù)就都有用，能不能獲得價(jià)值，是分析人員的能力問題。

大數(shù)據(jù)分析，顧名思義，就是將前述的數(shù)據(jù)可視化、數(shù)據(jù)分析、數(shù)據(jù)挖掘等方法作用到大數(shù)據(jù)之上。

從某種意義上講，大數(shù)據(jù)可謂機(jī)器學(xué)習(xí)的福音，很多原有的簡單粗糙的機(jī)器學(xué)習(xí)模型，僅僅因?yàn)橛?xùn)練數(shù)據(jù)量級的增加就大幅提高了準(zhǔn)確性。還有一些模型則因?yàn)闇?zhǔn)確性隨著數(shù)據(jù)量增加而增加的勢頭尤其明顯，得以脫離默默無聞而被廣泛使用。

另一方面，大數(shù)據(jù)分析對于運(yùn)算量的需求激增，原有的基于單機(jī)的運(yùn)算技術(shù)顯然已經(jīng)不能滿足需求，這就催生了一些列新技術(shù)。