大数据Hadoop入门教程 | (一)概论

数据是什么

• 数据是指对客观事件进行记录并可以鉴别的符号，是对客观事物的性质、状态以及相互关系等进行记载的物理符号或这些物理符号的组合，它是可识别的、抽象的符号。
• 它不仅指狭义上的数字，还可以是具有一定意义的文字、字母、数字符号的组合、图形、图像、视频、音频等，也是客观事物的属性、数量、位置及其相互关系的抽象表示。例如，"0、1、2”、“阴、雨、下降”、"学生的档案记录、货物的运输情况”等都是数据。

数据如何产生

对客观事物的计量和记录产生数据

企业数据分析方向

• 现状分析（分析当下的数据)：现阶段的整体情况，各个部分的构成占比、发展、变动；
• 原因分析（分析过去的数据)：某一现状为什么发生，确定原因，做出调整优化；
  • 离线分析(Batch Processing):面向过去，面向历史，分析已有的数据；
    
    在时间维度明显成批次性变化。一周一分析(T+7),一天一分析（T+1),所以也叫做批处理。
  • 实时分析(Real Time Processing | Streaming)：面向当下，分析实时产生的数据；所谓的实时是指从数据产生到数据分析到数据应用的时间间隔很短，可细分秒级、毫秒级。
• 预测分析（结合数据预测未来）：结合已有数据预测未来发展趋势。
  • 机器学习(Machine Learning)：基于历史数据和当下产生的实时数据预测未来发生的事情；侧重于数学算法的运用，如分类、聚类、关联、预测。

数据分析六步曲

数据分析步骤（流程）的重要性体现在：对如何开展数据分析提供了强有力的逻辑支撑

张文霖在《数据分析六步曲》说，典型的数据分析应该包含以下几个步骤：

Step1：明确分析目的和思路

• 目的是整个分析流程的起点，为数据的收集、处理及分析提供清晰的指引方向；

• 思路是使分析框架体系化，比如先分析什么，后分析什么，使各分析点之间具有逻辑联系，保证分析维度的完整性,分析结果的有效性以及正确性，需要数据分析方法论进行支撑；

• 数据分析方法论是一些营销管理类相关理论，比如用户行为理论、PEST分析法、5W2H分析法等。

Step2：数据收集

• 数据从无到有的过程：比如传感器收集气象数据、埋点收集用户行为数据
• 数据传输搬运的过程：比如采集数据库数据到数据分析平台

Step3：数据处理

• 准确来说，应该称之为数据预处理。
• 数据预处理需要对收集到的数据进行加工整理，形成适合数据分析的样式，主要包括数据清洗、数据转化、数据提取、数据计算；
• 数据预处理可以保证数据的一致性和有效性，让数据变成干净规整的结构化数据。

Step4：数据分析

• 用适当的分析方法及分析工具，对处理过的数据进行分析，提取有价值的信息，形成有效结论的过程；
• 需要掌握各种数据分析方法，还要熟悉数据分析软件的操作；

Step5：数据展现

• 数据展现又称之为数据可视化，指的是分析结果图表展示，因为人类是视觉动物；
• 数据可视化(Data Visualization)属于数据应用的一种；
• 注意，数据分析的结果不是只有可视化展示，还可以继续数据挖掘(Data Mining)、即席查询(Ad Hoc)等。

step6：报告撰写

• 数据分析报告是对整个数据分析过程的一个总结与呈现
• 把数据分析的起因、过程、结果及建议完整地呈现出来，供决策者参考
• 需要有明确的结论，最好有建议或解决方案

总结

一切围绕着数据

通俗描述：数据从哪里来、数据到哪里去

核心步骤：采集、处理、分析、应用

大数据概念

大数据定义

• 大数据(big data)是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合；
• 是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

大数据5V特征

• Volume：数据体量大
• Variety：种类、来源多样化
• Value：低价值密度
• Velocity：速度快
• Veracity：数据的质量

应用场景

• 电商领域：精准广告位、个性化推荐、大数据杀熟
• 传媒领域：精准营销、猜你喜欢、交互推荐
• 金融方面：理财投资，通过对个人的信用评估，风险承担能力评估，集合众多理财产品、推荐响应的投资理财产品。
• 安防领域：犯罪预防、天网监控
• 医疗领域：智慧医疗、疾病预防、病源追踪

分布式与集群

概念

分布式、集群是两个不同的概念，但口语中经常混淆二者。

• 分布式：多台机器每台机器上部署不同组件
• 集群：多台机器每台机器上部署相同组件

混淆点

• 分布式、集群的共同点是：都是多台机器(服务器)组成的；
• 因此口语中混淆两者概念的
• 时候都是：相对于单机来说的。

应用

数据大爆炸，海量数据处理场景面临问题

• 如何存储？

  • 单机存储有瓶颈多台机器分布式存储

• 如何计算？

  • 单机计算能力有限多台机器分布式计算

操作系统

概念

• 操作系统(operating system,简称OS)是管理计算机硬件与软件资源的程序，需要处理如：管理与配置内存、决定系统资源供需的优先次序、控制输入设备与输出设备、操作网络与管理文件系统等基本事务；
• 没有操作系统的机器称之为裸机，不管是开发还是使用都十分不便。
• 操作系统也提供一个让用户与系统交互的操作界面。

操作系统分类

操作系统发展至今，种类繁多，可以根据应用的不同领域进行划分：

• 桌面操作系统：所谓的桌面指的是图形化操作页面。
  • Mac os(Apple)、Windows(Microsoft)、Linux:三足鼎立
• 服务器操作系统：般指的是安装在大型计算机上的操作系统。比如Wb服务器、应用服务器和数据库服务器等，是企业IT系统的基础架构平台。
  • 主要分为四大流派：Unix、Linux、Windows Server和Netware。
• 系统嵌入式操作系统：是一种完全嵌入受控器件内部，为特定应用而设计的专用计算机系统。
  • 如μClinux（嵌入式Linux)、WinCE(微软嵌入式、移动计算平台)、RTOS（嵌入式实时操作系统，军事航空领域)等。
  • 在工业、军事、航空等领域使用较多。（车机系统）
• 移动设备操作系统：主要应用在智能手机、平板等智能设备上。
  • 主要有Android(谷歌)、iOS(苹果)、Symbian(诺基亚)、BlackBerry 0S(黑莓)、windows mobile（微软)、Harmony(华为鸿蒙)等。

Linux起源与发展

• Unix系统是较早被广泛使用的计算机操作系统之一，由Ken Thompson在AT&T贝尔实验室实现，后续发展中，因开源、版权等问题陷入不断纠纷，延伸出不同Unix版本；
• 1991年芬兰学生Linus Torvalds发布Linux:系统第一个版本，遵循GPL协议（通用公共许可证)，开源免费；
• Linux是一个类似Unix的操作系统，Linux的初衷就是要替代Unix,并在功能和用户体验上进行优化，所以Linux模仿了Unix（但并没有抄袭Unix的源码)，使得Linux在外观和交互上与Unix非常类似。

Linux内核(Kernel)

• 操作系统的核心部分简称内核，Linux?第一版本独立内核由Linus Torvalds开发实现，约10000行代码；
• 后续Linus Torvalds公开了Linux内核代码，并邀请他人一起完善Linux;现在只有2%的Linux核心代码是由Linus Torvalds自己编写，但是仍然拥有Linux内核且保留了选择新代码和需要合并的新方法的最终裁定权；
• Linux操作系统=1 inux Kerne1+GNU软件及系统软件+必要的应用程序
• Linuxi选择企鹅图案作为Logo,其含义是：开放源代码的Linux像企鹅一样为全人类共同所有。

Linux发行版本

• Linux发行版就是由Linux内核与各种常用软件的集合产品，如今全球大约有数百款的Linux发行版本。
• 从大的方面来说，Linux2发行版可大致分为个人桌面版和企业服务器版。
• 个人桌面版中，Ubuntu成熟度颇高较受欢迎，而Redhat(红帽系列)及其延伸版本(Centos)凭借稳定的性能在企业服务器中占比很大。

视频链接：https://www.bilibili.com/video/BV1CU4y1N7Sh?p=7&share_source=copy_pc

原创作者：孤飞-博客园