如何做好大數(shù)據(jù)關(guān)聯(lián)分析？大數(shù)據(jù)的技術(shù)大數(shù)據(jù)技術(shù)以及：1）數(shù)據(jù)采集：ETL工具全權(quán)負(fù)責(zé)將其分布的、存儲(chǔ)和計(jì)算數(shù)據(jù)源中的數(shù)據(jù)如關(guān)系數(shù)據(jù)、平面數(shù)據(jù)文件等收集到臨時(shí)中間層后通過(guò)清洗、轉(zhuǎn)換、獨(dú)立顯卡，之后打開(kāi)程

如何做好大數(shù)據(jù)關(guān)聯(lián)分析？

大數(shù)據(jù)的技術(shù)大數(shù)據(jù)技術(shù)以及：

1）數(shù)據(jù)采集：ETL工具全權(quán)負(fù)責(zé)將其分布的、存儲(chǔ)和計(jì)算數(shù)據(jù)源中的數(shù)據(jù)如關(guān)系數(shù)據(jù)、平面數(shù)據(jù)文件等收集到臨時(shí)中間層后通過(guò)清洗、轉(zhuǎn)換、獨(dú)立顯卡，之后打開(kāi)程序到數(shù)據(jù)倉(cāng)庫(kù)或數(shù)據(jù)集市中，擁有聯(lián)機(jī)分析處理、數(shù)據(jù)挖掘的基礎(chǔ)。

2）數(shù)據(jù)存取：關(guān)系數(shù)據(jù)庫(kù)、NOSQL、SQL等。

3）基礎(chǔ)架構(gòu)：云存儲(chǔ)、分布式文件存儲(chǔ)等。

4）數(shù)據(jù)處理：自然語(yǔ)言處理(NLP，Natural Language Processing)是研究人與計(jì)算機(jī)交互的語(yǔ)言問(wèn)題的一門(mén)學(xué)科。一次性處理自然語(yǔ)言的關(guān)鍵是要讓計(jì)算機(jī)”表述”自然語(yǔ)言，因此自然語(yǔ)言處理又就是自然語(yǔ)言理解也稱(chēng)為計(jì)算語(yǔ)言學(xué)。一方面它是語(yǔ)言信息處理的一個(gè)分支，再者它是人工智能的核心課題之一。

5）統(tǒng)計(jì)分析：假設(shè)檢驗(yàn)、顯著性檢驗(yàn)、差異分析、去相關(guān)分析、T檢驗(yàn)、方差分析、卡方講、偏相關(guān)分析、距離之外分析、回歸分析、簡(jiǎn)單啊方差分析、多元回歸分析、逐步回歸、回歸預(yù)測(cè)與殘差講、嶺重臨、logistic回歸分析什么、曲線大概、因子分析、聚類(lèi)分析、主成分分析、因子分析、飛快聚類(lèi)法與聚類(lèi)法、怎么判斷講、對(duì)應(yīng)分析、多元填寫(xiě)分析（更優(yōu)尺度分析什么）、bootstrap技術(shù)等等。

6）數(shù)據(jù)挖掘：歸類(lèi)（Classification）、估記（Estimation）、預(yù)測(cè)（Prediction）、相關(guān)性分組或關(guān)聯(lián)規(guī)則（Affinitygrouping內(nèi)個(gè)associationpolicies）、聚類(lèi)（Clustering）、描述和可視化、DescriptionbutVisualization）、緊張數(shù)據(jù)類(lèi)型深處挖掘(Text,Web,圖形圖像，視頻，音頻等)模型預(yù)測(cè)：預(yù)測(cè)模型、機(jī)器學(xué)習(xí)、建模仿真。7）結(jié)果呈：云計(jì)算、標(biāo)簽云、關(guān)系圖等。

一、壘建大數(shù)據(jù)分析平臺(tái)遇上海量藏書(shū)的各種來(lái)源的數(shù)據(jù)，要如何對(duì)這些零散的數(shù)據(jù)通過(guò)管用的分析，能夠得到價(jià)值價(jià)格信息總是是大數(shù)據(jù)領(lǐng)域研究的熱點(diǎn)問(wèn)題。、、

在搭建大數(shù)據(jù)分析平臺(tái)之前，要先比較明確業(yè)務(wù)訴求場(chǎng)景和用戶(hù)的需求，是從大數(shù)據(jù)分析平臺(tái)，是想我得到哪些有價(jià)值的信息，不需要接入的數(shù)據(jù)有哪些，內(nèi)容明確實(shí)現(xiàn)場(chǎng)景客戶(hù)業(yè)務(wù)的大數(shù)據(jù)平臺(tái)要必須具備的基本上的功能，來(lái)確定平臺(tái)搭建過(guò)程中建議使用的大數(shù)據(jù)處理工具和框架。（1）操作系統(tǒng)的選擇

操作系統(tǒng)像是使用開(kāi)源版的RedHat、Centos或則Debian充當(dāng)?shù)讓拥男纬赏暾脚_(tái)，要依據(jù)大數(shù)據(jù)平臺(tái)所要壘建的數(shù)據(jù)分析工具是可以接受的系統(tǒng)，明智的決定操作系統(tǒng)的版本。

（2）堆建Hadoop集群Hadoop另外一個(gè)開(kāi)發(fā)和運(yùn)行全面處理大規(guī)模數(shù)據(jù)的軟件平臺(tái)，實(shí)現(xiàn)程序了在大量的廉價(jià)的商品計(jì)算機(jī)混編的集群中對(duì)海量數(shù)據(jù)并且分布式計(jì)算。Hadoop框架中最核心的設(shè)計(jì)是HDFS和MapReduce，HDFS是一個(gè)相同高度容錯(cuò)性的系統(tǒng)，適合我作戰(zhàn)部署在廉價(jià)的機(jī)器上，都能夠提供給高吞吐量的數(shù)據(jù)訪問(wèn)，區(qū)分于那些有著特大號(hào)數(shù)據(jù)集的應(yīng)用程序；MapReduce是一套也可以從海量的數(shù)據(jù)中其他提取數(shù)據(jù)最后前往結(jié)果集的編程模型。在生產(chǎn)實(shí)踐應(yīng)用中，Hadoop非常更適合應(yīng)用到于大數(shù)據(jù)存儲(chǔ)和大數(shù)據(jù)的分析應(yīng)用，適合服務(wù)什么于幾千臺(tái)到幾萬(wàn)臺(tái)大的服務(wù)器的集群運(yùn)行，支持什么PB級(jí)別的存儲(chǔ)容量。

（3）選擇數(shù)據(jù)接入和預(yù)處理工具

遇上各種來(lái)源的數(shù)據(jù)，數(shù)據(jù)接入那就是將這些零散的數(shù)據(jù)整合在一起，綜合站了起來(lái)進(jìn)行分析。數(shù)據(jù)接入要注意以及文件日志的接入、數(shù)據(jù)庫(kù)日志的接入、關(guān)系型數(shù)據(jù)庫(kù)的接入和應(yīng)用程序等的接入，數(shù)據(jù)接入常用的工具有Flume，Logstash，NDC（網(wǎng)易數(shù)據(jù)運(yùn)河系統(tǒng)），sqoop等。對(duì)此實(shí)時(shí)性要求都很高的業(yè)務(wù)場(chǎng)景，比如說(shuō)對(duì)存在地于社交網(wǎng)站、新聞等的數(shù)據(jù)信息流必須并且急速的處理反饋信息，那就數(shù)據(jù)的接入是可以建議使用開(kāi)源的Strom，Sparkstreaming等。

數(shù)據(jù)預(yù)處理是在海量的數(shù)據(jù)中再提取出后用特征，組建寬表，修改數(shù)據(jù)倉(cāng)庫(kù)，會(huì)建議使用到HiveSQL，SparkSQL和Impala等工具。與此同時(shí)業(yè)務(wù)量的增多，要參與訓(xùn)練和可以清洗的數(shù)據(jù)也會(huì)變得越來(lái)越大緊張，這個(gè)可以不使用azkaban或則oozie充當(dāng)工作流調(diào)度引擎，用來(lái)能解決有多個(gè)hadoop的或spark等計(jì)算任務(wù)之間的依戀關(guān)系問(wèn)題。

（4）數(shù)據(jù)存儲(chǔ)

除開(kāi)Hadoop中已廣泛應(yīng)用于數(shù)據(jù)存儲(chǔ)的HDFS，正確的還有一個(gè)分布式、向大列的開(kāi)源軟件數(shù)據(jù)庫(kù)Hbase，HBase是一種key/value系統(tǒng)，部署在HDFS上，與Hadoop一樣的，HBase的目標(biāo)通常是依賴(lài)性太強(qiáng)橫向擴(kuò)展，實(shí)際不停的增強(qiáng)廉價(jià)的商用服務(wù)器，提升計(jì)算和存儲(chǔ)能力。同樣hadoop的資源管理器Yarn，是可以為上層應(yīng)用形式提供統(tǒng)一的資源管理和調(diào)度，為集群在利用率、資源統(tǒng)一等方面給予巨型的好處。

（5）你選擇數(shù)據(jù)挖掘工具

Hive是可以將結(jié)構(gòu)化的數(shù)據(jù)映射為一張數(shù)據(jù)庫(kù)表，并提供HQL的查詢(xún)功能，它是確立在Hadoop之上的數(shù)據(jù)倉(cāng)庫(kù)基礎(chǔ)架構(gòu)，是是為會(huì)減少M(fèi)apReduce匯編語(yǔ)言工作的批處理系統(tǒng)，它的出現(xiàn)這個(gè)可以讓那些全精通SQL技能、但是不認(rèn)識(shí)MapReduce、編程能力較弱和不擅長(zhǎng)Java的用戶(hù)能在HDFS大規(guī)模數(shù)據(jù)集上挺好的憑借SQL語(yǔ)言查詢(xún)、匯總、分析數(shù)據(jù)。Impala是對(duì)Hive的一個(gè)補(bǔ)充，也可以基于高效的SQL查詢(xún)，不過(guò)Impala將整個(gè)查詢(xún)過(guò)程組成了一個(gè)先執(zhí)行計(jì)劃樹(shù)，而也不是一串的MapReduce任務(wù)，相比Hive有更好的并發(fā)性和盡量避免了不必要的中間sort和shuffle。

是可以對(duì)數(shù)據(jù)參與建模分析，會(huì)要用機(jī)器學(xué)習(xí)相關(guān)的知識(shí)，具體方法的機(jī)器學(xué)習(xí)算法，例如貝葉斯、邏輯回歸、決策樹(shù)、神經(jīng)網(wǎng)絡(luò)、協(xié)同過(guò)濾等。

（6）數(shù)據(jù)的可視化在內(nèi)輸出來(lái)API

相對(duì)于處理?yè)Q取的數(shù)據(jù)可以對(duì)接主流的BI系統(tǒng)，.例如國(guó)外的Tableau、Qlikview、PowrerBI等，國(guó)內(nèi)的SmallBI和最有市場(chǎng)的網(wǎng)易有數(shù)（可免費(fèi)試用）等，將結(jié)果接受可視化，用于決策分析；或則流速減慢到線上，意見(jiàn)線上業(yè)務(wù)的發(fā)展。

二、大數(shù)據(jù)分析1.可視化分析

大數(shù)據(jù)分析的使用者有大數(shù)據(jù)分析專(zhuān)家，另外也有普通用戶(hù)，只不過(guò)他們二者是對(duì)大數(shù)據(jù)分析最基本的要求那就是可視化展現(xiàn)，而且可視化分析也能很直觀的顯現(xiàn)出大數(shù)據(jù)特點(diǎn)，另外都能夠更加太容易被讀者所認(rèn)可，就猶如看圖說(shuō)話(huà)差不多簡(jiǎn)單明了。

2.數(shù)據(jù)挖掘算法

大數(shù)據(jù)分析的理論核心應(yīng)該是數(shù)據(jù)挖掘算法，各種數(shù)據(jù)挖掘的算法基于不同的數(shù)據(jù)類(lèi)型和格式才能非?，F(xiàn)代自然科學(xué)的完全呈現(xiàn)出數(shù)據(jù)本身應(yīng)具備的特點(diǎn)，也恰好因?yàn)檫@些被全世界統(tǒng)計(jì)學(xué)家所公認(rèn)的各種統(tǒng)計(jì)方法（可以不稱(chēng)之為真理）才能深入數(shù)據(jù)內(nèi)部，挖掘點(diǎn)出名氣最大的價(jià)值。另一個(gè)方面也是因?yàn)橛羞@些數(shù)據(jù)挖掘的算法才能更快速的處理大數(shù)據(jù)，如果一個(gè)算法得花上好幾年才能得出結(jié)論，那大數(shù)據(jù)的價(jià)值也就難以說(shuō)清楚了。

3.預(yù)測(cè)性分析

大數(shù)據(jù)分析到最后要的應(yīng)用領(lǐng)域之一就是預(yù)測(cè)性分析，從大數(shù)據(jù)中深處挖掘出特點(diǎn)，科學(xué)的建立模型，之后便這個(gè)可以實(shí)際模型解出新的數(shù)據(jù)，最大限度地分析預(yù)測(cè)未來(lái)的數(shù)據(jù)。

4.語(yǔ)義引擎

非結(jié)構(gòu)化數(shù)據(jù)的多元化給數(shù)據(jù)分析受到新的挑戰(zhàn)，我們是需要一套工具系統(tǒng)的去分析，提煉數(shù)據(jù)。語(yǔ)義引擎要怎么設(shè)計(jì)到有起碼的人工智能以根本無(wú)法從數(shù)據(jù)中主動(dòng)地地分離提取信息。

5.數(shù)據(jù)質(zhì)量和數(shù)據(jù)管理

大數(shù)據(jù)分析離不開(kāi)數(shù)據(jù)質(zhì)量和數(shù)據(jù)管理，高質(zhì)量的數(shù)據(jù)和比較有效的數(shù)據(jù)管理，即便在學(xué)術(shù)研究應(yīng)該在商業(yè)應(yīng)用領(lǐng)域，都也能能保證分析什么結(jié)果的虛無(wú)飄渺和有價(jià)值。大數(shù)據(jù)分析的基礎(chǔ)是以上五個(gè)方面，當(dāng)然深入地大數(shù)據(jù)分析的話(huà)，還有一個(gè)很多很多更加有特點(diǎn)的、更加深入的、極其好的專(zhuān)業(yè)的大數(shù)據(jù)分析方法。

三、數(shù)據(jù)處理1.大數(shù)據(jù)如何處理之一

再采集大數(shù)據(jù)的采集是指借用多個(gè)數(shù)據(jù)庫(kù)來(lái)收得到打動(dòng)心靈客戶(hù)端（Web、App或者傳感器形式等）的數(shù)據(jù)，并且用戶(hù)這個(gè)可以通過(guò)這些數(shù)據(jù)庫(kù)來(lái)參與最簡(jiǎn)單去查詢(xún)和處理工作。諸如，電商會(huì)不使用民間的關(guān)系型數(shù)據(jù)庫(kù)MySQL和Oracle等來(lái)存儲(chǔ)每一筆事務(wù)數(shù)據(jù)，除此之外，Redis和MongoDB這樣的NoSQL數(shù)據(jù)庫(kù)也常主要是用于數(shù)據(jù)的采集。在大數(shù)據(jù)的采集過(guò)程中，其主要特點(diǎn)和挑戰(zhàn)是并發(fā)數(shù)高，畢竟而有可能會(huì)有成千上萬(wàn)的用戶(hù)來(lái)接受訪問(wèn)和操作，例如火車(chē)票售票網(wǎng)站和淘寶，它們并發(fā)的訪問(wèn)量在峰值時(shí)提升到上百萬(wàn)，所以才是需要在喂養(yǎng)靈獸端部署大量數(shù)據(jù)庫(kù)才能能支撐。并且如何在這些數(shù)據(jù)庫(kù)之間并且負(fù)載均衡和分片的確是必須深入思考和設(shè)計(jì)。

2.大數(shù)據(jù)處理之二

導(dǎo)入/預(yù)處理只不過(guò)再采集端本身會(huì)有很多數(shù)據(jù)庫(kù)，但是假如要對(duì)這些海量數(shù)據(jù)通過(guò)最有效的分析，應(yīng)該肯定將這些來(lái)自前端的數(shù)據(jù)導(dǎo)入到一個(gè)集中的規(guī)模很大分布式數(shù)據(jù)庫(kù)，或是分布式存儲(chǔ)集群，并且是可以在導(dǎo)入基礎(chǔ)上做一些很簡(jiǎn)單清洗和預(yù)處理工作。也有一些用戶(hù)會(huì)在導(dǎo)入時(shí)使用來(lái)自Twitter的Storm來(lái)對(duì)數(shù)據(jù)接受流式可以計(jì)算，來(lái)不滿(mǎn)足部分業(yè)務(wù)的實(shí)時(shí)計(jì)算需求。導(dǎo)入與預(yù)處理過(guò)程的特點(diǎn)和挑戰(zhàn)要注意是再導(dǎo)入的數(shù)據(jù)量大，每秒鐘的導(dǎo)入量每天都會(huì)提升百兆，甚至百兆級(jí)別。

3.大數(shù)據(jù)處理之三

做統(tǒng)計(jì)/分析統(tǒng)計(jì)與分析通常用來(lái)分布式數(shù)據(jù)庫(kù)，也可以分布式計(jì)算集群來(lái)對(duì)存儲(chǔ)于內(nèi)中的海量數(shù)據(jù)接受其它的分析和分類(lèi)匯總等，以柯西-黎曼方程大多數(shù)比較普遍的分析需求，在這方面，一些實(shí)時(shí)性需求會(huì)都用到EMC的GreenPlum、Oracle的Exadata，包括基于組件MySQL的列式存儲(chǔ)Infobright等，而一些批處理，或者基于半結(jié)構(gòu)化數(shù)據(jù)的需求是可以可以使用Hadoop。統(tǒng)計(jì)與講這部分的主要特點(diǎn)和挑戰(zhàn)是分析牽涉的數(shù)據(jù)量大，其對(duì)系統(tǒng)資源，特別是I/O會(huì)有極大的占用。

4.大數(shù)據(jù)處理之四

挖掘與前面統(tǒng)計(jì)和分析過(guò)程不同的是，數(shù)據(jù)挖掘象沒(méi)有什么預(yù)做修改好的主題，主要是在超過(guò)數(shù)據(jù)上面通過(guò)實(shí)現(xiàn)各種算法的計(jì)算，最大限度地可起分析預(yù)測(cè)（Predict）的效果，從而利用一些高級(jí)別數(shù)據(jù)分析的需求。比較好是個(gè)算法有應(yīng)用于聚類(lèi)的Kmeans、作用于統(tǒng)計(jì)計(jì)算怎么學(xué)習(xí)的SVM和用于分類(lèi)的NaiveBayes，主要建議使用的工具有Hadoop的Mahout等。該過(guò)程的特點(diǎn)和挑戰(zhàn)比較多是應(yīng)用于挖掘的算法很復(fù)雜，并且換算牽涉到的數(shù)據(jù)量和計(jì)算量都比較大，具體用法數(shù)據(jù)挖掘算法都以單線程重點(diǎn)。