數(shù)據(jù)被譽為新時代的石油，隨著大數(shù)據(jù)市場的發(fā)展，數(shù)據(jù)開始流通，越來越多人也開始挖掘數(shù)據(jù)的價值。本文盡可能全面地介紹國內(nèi)的數(shù)據(jù)源、搜索數(shù)據(jù)的方法以及數(shù)據(jù)交易的平臺，幫助數(shù)據(jù)工作者們快速全面地找數(shù)據(jù)。文中涉及的數(shù)據(jù)交易方式包括API數(shù)據(jù)接口、數(shù)據(jù)包下載、數(shù)據(jù)定制等，涵蓋免費的公開源數(shù)據(jù)以及付費數(shù)據(jù)。以下是小編為你整理的大數(shù)據(jù)學習步驟 ?

統(tǒng)計數(shù)據(jù) ?

*統(tǒng)計局/*數(shù)據(jù) ?

最正統(tǒng)、最官方的數(shù)據(jù)，數(shù)據(jù)范圍涵蓋各行各業(yè)，時間跨度也較大，可下載為各種常見格式 ?

*網(wǎng)站通常有統(tǒng)計數(shù)據(jù)，但不同*數(shù)據(jù)量有多有少，目前為止數(shù)據(jù)并不算深入，但隨著數(shù)據(jù)開放政策的深入，相信*網(wǎng)站會成為很好的數(shù)據(jù)源 ?

*列表可以在**網(wǎng)找，下文中的各行業(yè)數(shù)據(jù)都可以在相關(guān)的*網(wǎng)站找到數(shù)據(jù)，就不一一列舉了

數(shù)據(jù)需要申請或購買，公開的并不多，但不失為一個選擇 ?

咨詢、金融、市場調(diào)研公司，尤其是業(yè)內(nèi)頂尖的，通常有自己的數(shù)據(jù)，但同樣并不免費公開，部分數(shù)據(jù)可購買 ?

大部分主要行業(yè)都有自己的年鑒，數(shù)據(jù)比較寶貴，只是給機器用之前還需要處理;價值高的年鑒通常需要付費獲取;這里推薦一下人大經(jīng)濟論壇，氛圍較好 ?

如何統(tǒng)計數(shù)據(jù) ?

公開信息及整理比如統(tǒng)計局的數(shù)據(jù)、公司自己發(fā)布的年報、其他市場機構(gòu)的研究報告、或者根據(jù)公開的零散信息整理; ?

購買的數(shù)據(jù)庫市場上有很多產(chǎn)品化的數(shù)據(jù)庫，比如Bloomberg、OneSource、Wind等等，這個一般是以公司的名義買入口，不光咨詢公司還有很多高等院校及研究機構(gòu)也買了; ?

自己的數(shù)據(jù)庫自己維護的數(shù)據(jù)庫有，但是比較少，一是專業(yè)的數(shù)據(jù)公司差不多能想到的都做了，二是自己做數(shù)據(jù)庫其實是一件很麻煩的事情。在有些數(shù)據(jù)是外界無法得到的情況下有可能自己維護一個小型的數(shù)據(jù)庫; ?

咨詢行業(yè)專家當然是有償?shù)?，這個在項目中應該蠻常見的。有些行業(yè)專家會專門收集和銷售數(shù)據(jù)，想要的基本能買到。 ?

發(fā)問卷有時候為了單獨的項目也會收集很特別的數(shù)據(jù)，如果外界實在沒有但是項目上沒有不行就只有自己做了，比如自己發(fā)發(fā)問卷之類的，但是這類數(shù)據(jù)需求要控制工作量，因為除非數(shù)據(jù)本身是交付內(nèi)容之一，要不然不能為了個中間件花費太多時間和精力; ?

客戶有些數(shù)據(jù)就是來源于客戶，甚至是咨詢公司的產(chǎn)品。舉個例子，比如HR咨詢公司的行業(yè)工資數(shù)據(jù)、四大的一些數(shù)據(jù)庫等等，這些數(shù)據(jù)的采集需要比較強的專業(yè)性或者時間積累，很大一部分是通過調(diào)查客戶的HR收集來的數(shù)據(jù)進行統(tǒng)計的。 ?

HBase集群及其管理 ?

1、集群的搭建過程 2、集群的監(jiān)控 3、集群的管理 ?

Pig基礎知識 ?

Pig是進行Hadoop計算的另一種框架，是一個高級過程語言，適合于使用 Hadoop 和 MapReduce 平臺來查詢大型半結(jié)構(gòu)化數(shù)據(jù)集。通過允許對分布式數(shù)據(jù)集進行類似 SQL 的查詢，Pig 可以簡化 Hadoop 的使用。 ?

1、Pig概述 2、安裝Pig 3、使用Pig完成手機流量統(tǒng)計業(yè)務

?

Hive ?

hive是基于Hadoop的一個數(shù)據(jù)倉庫工具，可以將結(jié)構(gòu)化的數(shù)據(jù)文件映射為一張數(shù)據(jù)庫表，并提供簡單的sql查詢功能，可以將sql語句轉(zhuǎn)換為MapReduce任務進行運行。 其優(yōu)點是學習成本低，可以通過類SQL語句快速實現(xiàn)簡單的MapReduce統(tǒng)計，不必開發(fā)專門的MapReduce應用。 ?

1、數(shù)據(jù)倉庫基礎知識 2、Hive定義 3、Hive體系結(jié)構(gòu)簡介 4、Hive集群 5、客戶端簡介 6、HiveQL定義 7、HiveQL與SQL的比較 8、數(shù)據(jù)類型 9、表與表分區(qū)概念 10、表的操作與CLI客戶端 11、數(shù)據(jù)導入與CLI客戶端 12、查詢數(shù)據(jù)與CLI客戶端 13、數(shù)據(jù)的連接與CLI客戶端 14、用戶自定義函數(shù)(UDF) ?

Scala ?

Scala是另一種基于Java的語言，并且和Java相同的是，它正日益成為大規(guī)模機器學習，或構(gòu)建高層次算法的工具。它富有表現(xiàn)力，并且還能夠構(gòu)建健壯的系統(tǒng)。 ?

“Java就像是建造時的鋼鐵，而Scala則像黏土，因為你之后可以將之放入窯內(nèi)轉(zhuǎn)變成鋼鐵，”Driscoll說。 ?

數(shù)據(jù)結(jié)構(gòu)化對企業(yè)的增益

將對非結(jié)構(gòu)化的內(nèi)容的管理納入到您企業(yè)的數(shù)據(jù)管理能力。非結(jié)構(gòu)化數(shù)據(jù)一直是企業(yè)業(yè)務運營的一部分，但既然現(xiàn)在我們已經(jīng)有了更好的技術(shù)來探索，分析和這些非結(jié)構(gòu)化的內(nèi)容，進而幫助改善業(yè)務流程和工業(yè)務洞察，所以我們最終將其正式納入我們的數(shù)據(jù)管理是非常重要的。大多數(shù)企業(yè)目前都被困在了這一步驟。數(shù)據(jù)庫中基本的、非結(jié)構(gòu)化的數(shù)據(jù)是以評論的形式或者自由的形式存在的，其至少是數(shù)據(jù)庫的一部分，應該被納入到數(shù)據(jù)管理。但挖掘這些數(shù)據(jù)信息則是非常難的。 ?

數(shù)字數(shù)據(jù)存儲在傳統(tǒng)的結(jié)構(gòu)化數(shù)據(jù)庫和業(yè)務流程外，很少有許多的治理范圍分組和數(shù)據(jù)管理的實現(xiàn)，除了當其被看作是一個技術(shù)問題時。一般來說，除了嚴格遵守相關(guān)的安全政策，今天的企業(yè)尚未對其進行真正有效的管理。當您的企業(yè)開始大跨步實現(xiàn)了大數(shù)據(jù)項目之后，您會發(fā)現(xiàn)這一類型的數(shù)據(jù)信息迅速進入了您需要管理的范疇，其輸出會影響您企業(yè)的商業(yè)智能解決方案或者甚至是您企業(yè)的業(yè)務活動。積極的考慮將這些數(shù)據(jù)納入到您企業(yè)的數(shù)據(jù)管理功能的范圍，并明確企業(yè)的所有權(quán)，并記錄好這些數(shù)據(jù)信息的諸如如何使用、信息來源等等資料。不要采取“容易的輕松路線”，單純依靠大數(shù)據(jù)技術(shù)是您企業(yè)*正式的非結(jié)構(gòu)化數(shù)據(jù)管理的過程。 ?

隨著時間的推移，企業(yè)將收集越來越多的非結(jié)構(gòu)化數(shù)據(jù)，請務必搞清楚哪些數(shù)據(jù)是好的，哪些是壞的，他們分別來自何處，以及其使用是否一致，將變得越來越重要，甚至在其生命周期使用這個數(shù)據(jù)都是至關(guān)重要的。要保持這種清晰，您可以使用大數(shù)據(jù)和其他工具，以了解您企業(yè)所收集的數(shù)據(jù)信息，確定其有怎樣的價值，需要怎樣的管理，這是至關(guān)重要的。 ?

大多數(shù)進入您企業(yè)的大數(shù)據(jù)系統(tǒng)的非結(jié)構(gòu)化數(shù)據(jù)都已經(jīng)經(jīng)過一些監(jiān)控了，但通常是作為一個BLOB(binarylargeobject)二進制大對象和非結(jié)構(gòu)化的形式進行的。隨著您的企業(yè)不斷的在您的業(yè)務流程中“發(fā)掘”出這一類型的數(shù)據(jù)，其變得更加精確和有價值。其可能還具有額外的特點，符合安全，隱私或法律和法規(guī)的元素要求。最終，這些數(shù)據(jù)塊可以成為新的數(shù)據(jù)元素或添加到現(xiàn)有的數(shù)據(jù)，但您必須有元數(shù)據(jù)對其進行描述和管理，以便盡可能最有效地利用這些數(shù)據(jù)。 ?

正式在生產(chǎn)環(huán)境運行之前進行測試。如果您的企業(yè)做的是一次性的分析或完整的一次性的試點，這可能并不適用于您的企業(yè)，但對大多數(shù)企業(yè)來說，他們最初的大數(shù)據(jù)工作將迅速發(fā)展，他們找到一個可持續(xù)利用他們已經(jīng)挖掘出的極具價值的信息的需求。這意味著需要在您的沙箱環(huán)境中進行測試，然后才正式的在您的生產(chǎn)環(huán)境運行。