本文先介紹 了25 個基本大數(shù)據(jù)術(shù)語，幫助你溫故知新，那么開始吧~

 

 

算法可以理解成一種數(shù)學(xué)公式或用于進(jìn)行數(shù)據(jù)分析的統(tǒng)計學(xué)過程。那么，「算法」又是何以與大數(shù)據(jù)扯上關(guān)系的呢?要知道，盡管算法這個詞是一個統(tǒng)稱，但是在這個流行大數(shù)據(jù)分析的時代，算法也經(jīng)常被提及且變得越發(fā)流行。

 

 

讓我們試想一個很可能發(fā)生的情況，你的信用卡公司給你發(fā)了封記錄著你全年卡內(nèi)資金轉(zhuǎn)賬情況的郵件，如果這個時候你拿著這張單子，開始認(rèn)真研究你在食品、衣物、娛樂等方面消費情況的百分比會怎樣?你正在進(jìn)行分析工作，你在從你原始的數(shù)據(jù)(這些數(shù)據(jù)可以幫助你為來年自己的消費情況作出決定)中挖掘有用的信息。

 

那么，如果你以類似的方法在推特和臉書上對整個城市人們發(fā)的帖子進(jìn)行處理會如何呢?在這種情況下，我們就可以稱之為大數(shù)據(jù)分析。所謂大數(shù)據(jù)分析，就是對大量數(shù)據(jù)進(jìn)行推理并從中道出有用的信息。以下有三種不同類型的分析方法，現(xiàn)在我們來對它們分別進(jìn)行梳理。

 

 

如果你只說出自己去年信用卡消費情況為：食品方面 25%、衣物方面 35%、娛樂方面 20%、剩下 20% 為雜項開支，那么這種分析方法被稱為描述性分析法。當(dāng)然，你也可以找出更多細(xì)節(jié)。

 

 

如果你對過去 5 年信用卡消費的歷史進(jìn)行了分析，發(fā)現(xiàn)每年的消費情況基本上呈現(xiàn)一個連續(xù)變化的趨勢，那么在這種情況下你就可以高概率預(yù)測出：來年的消費狀態(tài)應(yīng)該和以往是類似的。這不是說我們在預(yù)測未來，而是應(yīng)該理解為，我們在「用概率預(yù)測」可能發(fā)生什么事情。在大數(shù)據(jù)的預(yù)測分析中，數(shù)據(jù)科學(xué)家可能會使用先進(jìn)的技術(shù)，如機(jī)器學(xué)習(xí)，和先進(jìn)的統(tǒng)計學(xué)處理方法(這部分后面我們會談到)來預(yù)測天氣情況、經(jīng)濟(jì)變化等等。

 

 

這里我們還是用信用卡轉(zhuǎn)賬的例子來理解。假如你想找出自己的哪類消費(如食品、娛樂、衣物等等)可以對整體消費產(chǎn)生巨大影響，那么基于預(yù)測性分析(Predictive Analytics)的規(guī)范性分析法通過引入「動態(tài)指標(biāo)(action)」(如減少食品或衣物或娛樂)以及對由此產(chǎn)生的結(jié)果進(jìn)行分析來規(guī)定一個可以降低你整體開銷的最佳消費項。你可以將它延伸到大數(shù)據(jù)領(lǐng)域，并想象一個負(fù)責(zé)人是如何通過觀察他面前多種動態(tài)指標(biāo)的影響，進(jìn)而作出所謂由「數(shù)據(jù)驅(qū)動」的決策的。

 

 

盡管批量數(shù)據(jù)處理從大型機(jī)(mainframe)時代就已經(jīng)存在了，但是在處理大量數(shù)據(jù)的大數(shù)據(jù)時代面前，批處理獲得了更重要的意義。批量數(shù)據(jù)處理是一種處理大量數(shù)據(jù)(如在一段時間內(nèi)收集到的一堆交易數(shù)據(jù))的有效方法。分布式計算(Hadoop)，后面會討論，就是一種專門處理批量數(shù)據(jù)的方法。

 

 

是一個很流行的開源數(shù)據(jù)管理系統(tǒng)，由Apache Software Foundation 開發(fā)并運(yùn)營。Apache掌握了很多大數(shù)據(jù)處理技術(shù)，Cassandra就是他們專門設(shè)計用于在分布式服務(wù)器之間處理大量數(shù)據(jù)的系統(tǒng)。

 

 

雖然云計算這個詞現(xiàn)在已經(jīng)家喻戶曉，這里大可不必贅述，但是為了全篇內(nèi)容完整性的考慮，筆者還是在這里加入了云計算詞條。本質(zhì)上講，軟件或數(shù)據(jù)在遠(yuǎn)程服務(wù)器上進(jìn)行處理，并且這些資源可以在網(wǎng)絡(luò)上任何地方被訪問，那么它就可被稱為云計算。

 

 

這是一個來描述使用多個服務(wù)器豐富資源的一個集群(cluster)的計算的形象化術(shù)語。更技術(shù)層面的理解是，在集群處理的語境下，我們可能會討論節(jié)點(node)、集群管理層(cluster management layer)、負(fù)載平衡(load balancing)和并行處理(parallel processing)等等。

 

 

這是一個生造詞，在筆者看來，它是用來嚇唬人，讓高級管理聽上去晦澀難懂的?；径?，所謂暗數(shù)據(jù)指的是，那些公司積累和處理的實際上完全用不到的所有數(shù)據(jù)，從這個意義上來說我們稱它們?yōu)椤赴怠沟臄?shù)據(jù)，它們有可能根本不會被分析。這些數(shù)據(jù)可以是社交網(wǎng)絡(luò)中的信息，電話中心的記錄，會議記錄等等。很多估計認(rèn)為所有公司的數(shù)據(jù)中有60%到90%不等可能是暗數(shù)據(jù)，但實際上沒人知道。

 

 

 

當(dāng)筆者第一次聽到這個詞時，真的以為這是個愚人節(jié)笑話。但是它真的是一個術(shù)語。所以一個數(shù)據(jù)湖(data lake)即一個以大量原始格式保存了公司級別的數(shù)據(jù)知識庫。這里我們介紹一下數(shù)據(jù)倉庫(Data warehouse)。

數(shù)據(jù)倉庫是一個與這里提到的數(shù)據(jù)湖類似的概念，但不同的是，它保存的是經(jīng)過清理和并且其它資源整合后的結(jié)構(gòu)化數(shù)據(jù)。

 

數(shù)據(jù)倉庫經(jīng)常被用于通用數(shù)據(jù)(但不一定如此)。一般認(rèn)為，一個數(shù)據(jù)湖可以讓人更方便地接觸到那些你真正需要的數(shù)據(jù)，此外，你也可以更方便地處理、有效地使用它們。

 

 

數(shù)據(jù)挖掘關(guān)乎如下過程，從一大群數(shù)據(jù)中以復(fù)雜的模式識別技巧找出有意義的模式，并且得到相關(guān)洞見。它與前文所述的「分析」息息相關(guān)，在數(shù)據(jù)挖掘中，你將會先對數(shù)據(jù)進(jìn)行挖掘，然后對這些得到的結(jié)果進(jìn)行分析。為了得到有意義的模式(pattern)，數(shù)據(jù)挖掘人員會使用到統(tǒng)計學(xué)(一種經(jīng)典的舊方法)、機(jī)器學(xué)習(xí)算法和人工智能。

 

 

數(shù)據(jù)科學(xué)家是時下非常性感的一門行業(yè)。它指那些可以通過提取原始數(shù)據(jù)(這就是我們前面所謂的數(shù)據(jù)湖)進(jìn)而理解、處理并得出洞見的這樣一批人。部分?jǐn)?shù)據(jù)科學(xué)家必備的技能可以說只有超人才有：分析能力、統(tǒng)計學(xué)、計算機(jī)科學(xué)、創(chuàng)造力、講故事能力以及理解商業(yè)背景的能力。難怪這幫人工資很高。

 

 

大數(shù)據(jù)數(shù)量太大，不能存儲在一個單獨的系統(tǒng)中，分布式文件系統(tǒng)是一個能夠把大量數(shù)據(jù)存儲在多個存儲設(shè)備上的文件系統(tǒng)，它能夠減少存儲大量數(shù)據(jù)的成本和復(fù)雜度。

 

 

ETL代表提取、轉(zhuǎn)換和加載。它指的是這一個過程：「提取」原始數(shù)據(jù)，通過清洗/豐富的手段，把數(shù)據(jù)「轉(zhuǎn)換」為「適合使用」的形式，并且將其「加載」到合適的庫中供系統(tǒng)使用。即使ETL源自數(shù)據(jù)倉庫，但是這個過程在獲取數(shù)據(jù)的時候也在被使用，例如，在大數(shù)據(jù)系統(tǒng)中從外部源獲得數(shù)據(jù)。

 

 

當(dāng)人們思考大數(shù)據(jù)的時候，他們會立即想到Hadoop。Hadoop是一個開源軟件架構(gòu)(logo是一頭可愛的大象)，它由 Hadoop分布式文件系統(tǒng)(HDFS)構(gòu)成，它允許使用分布式硬件對大數(shù)據(jù)進(jìn)行存儲、抽象和分析。如果你真的想讓某人對這個東西印象深刻，你可以跟他說 YARN(Yet Another Resource Scheduler)，顧名思義，就是另一個資源調(diào)度器。我確實被提出這些名字的人深深震撼了。提出 Hadoop 的 Apache 基金會，還負(fù)責(zé) Pig、Hive 以及 Spark(這都是一些軟件的名字)。你沒有被這些名字驚艷到嗎?

 

 

通常認(rèn)為，任何不涉及到 I/O訪問的計算都會更快一些。內(nèi)存計算就是這樣的技術(shù)，它把所有的工作數(shù)據(jù)集都移動到集群的集體內(nèi)存中，避免了在計算過程中向磁盤寫入中間結(jié)果。Apache Spark 就是一個內(nèi)存計算的系統(tǒng)，它相對 Mapreduce 這類 I/O 綁定的系統(tǒng)具有很大的優(yōu)勢。

 

 

最新的流行語就是物聯(lián)網(wǎng)(IoT)。IoT 是嵌入式對象中(如傳感器、可穿戴設(shè)備、車、冰箱等等)的計算設(shè)備通過英特網(wǎng)的互聯(lián)，它們能夠收發(fā)數(shù)據(jù)。物聯(lián)網(wǎng)生成了海量的數(shù)據(jù)，帶來了很多大數(shù)據(jù)分析的機(jī)遇。

 

 

機(jī)器學(xué)習(xí)是基于喂入的數(shù)據(jù)去設(shè)計能夠?qū)W習(xí)、調(diào)整和提升的系統(tǒng)的一種方法。使用設(shè)定的預(yù)測和統(tǒng)計算法，它們持續(xù)地逼近「正確的」行為和想法，隨著更多的數(shù)據(jù)被輸入到系統(tǒng)，它們能夠進(jìn)一步提升。

 

 

MapReduce可能有點難以理解，我試著解釋一下吧。MapReduce是一個編程模型，最好的理解就是要注意到Map和Reduce是兩個不同的過程。在 MapReduce中，程序模型首先將大數(shù)據(jù)集分割成一些小塊(這些小塊拿技術(shù)術(shù)語來講叫做「元組」，但是我描述的時候會盡量避免晦澀的技術(shù)術(shù)語)，然后這些小塊會被分發(fā)給不同位置上的不同計算機(jī)(也就是說之前描述過的集群)，這在Map過程是必須的。然后模型會收集每個計算結(jié)果，并且將它們「reduce」成一個部分。MapReduce的數(shù)據(jù)處理模型和Hadoop分布式文件系統(tǒng)是分不開的。

 

 

這個詞聽起來幾乎就是「SQL，結(jié)構(gòu)化查詢語言」的反義詞，SQL 是傳統(tǒng)的關(guān)系型數(shù)據(jù)管理系統(tǒng)(RDBMS)必需的，但是 NOSQL 實際上指的是「不止SQL」。

 

NoSQL實際上指的是那些被設(shè)計來處理沒有結(jié)構(gòu)(或者沒有「schema」，綱要)的大量數(shù)據(jù)的數(shù)據(jù)庫管理系統(tǒng)。

NoSQL 適合大數(shù)據(jù)系統(tǒng)，因為大規(guī)模的非結(jié)構(gòu)化數(shù)據(jù)庫需要 NoSQL的這種靈活性和分布式優(yōu)先的特點。

 

 

這還有人能給一個編程語言起一個更加糟糕的名字嗎?R 語言就是這樣的語言。不過，R 語言是一個在統(tǒng)計工作中工作得很好的語言。如果你不知道 R 語言，別說你是數(shù)據(jù)科學(xué)家。因為 R 語言是數(shù)據(jù)科學(xué)中最流行的編程語言之一。

 

 

Apache Spark 是一個快速的內(nèi)存數(shù)據(jù)處理引擎，它能夠有效地執(zhí)行那些需要迭代訪問數(shù)據(jù)庫的流處理、機(jī)器學(xué)習(xí)以及SQL負(fù)載。Spark通常會比我們前面討論過的MapReduce 快好多。

 

 

流處理被設(shè)計來用于持續(xù)地進(jìn)行流數(shù)據(jù)的處理。與流分析技術(shù)(指的是能夠持續(xù)地計算數(shù)值和統(tǒng)計分析的能力)結(jié)合起來，流處理方法特別能夠針對大規(guī)模數(shù)據(jù)的實時處理。

 

 

這是大數(shù)據(jù)中的對比之一。結(jié)構(gòu)化數(shù)據(jù)基本上是那些能夠被放在關(guān)系型數(shù)據(jù)庫中的任何數(shù)據(jù)，以這種方式組織的數(shù)據(jù)可以與其他數(shù)據(jù)通過表格來關(guān)聯(lián)。非結(jié)構(gòu)化數(shù)據(jù)是指任何不能夠被放在關(guān)系型數(shù)據(jù)庫中的數(shù)據(jù)，例如郵件信息、社交媒體上的狀態(tài)，以及人類語音等等。