如何入门大数据

Posted 2023-04-28

大数据
数据科学并没有一个独立的学科体系，统计学，机器学习，数据挖掘，数据库，分布式计算，云计算，信息可视化等技术或方法来对付数据。
但从狭义上来看，我认为数据科学就是解决三个问题：
1. data pre-processing;(数据预处理）
2. data interpretation；（数据解读）
3.data modeling and analysis.（数据建模与分析）
这也就是我们做数据工作的三个大步骤：
1、原始数据要经过一连串收集、提取、清洗、整理等等的预处理过程，才能形成高质量的数据；
2、我们想看看数据“长什么样”，有什么特点和规律；
3、按照自己的需要，比如要对数据贴标签分类，或者预测，或者想要从大量复杂的数据中提取有价值的且不易发现的信息，都要对数据建模，得到output。
这三个步骤未必严谨，每个大步骤下面可能依问题的不同也会有不同的小步骤，但按我这几年的经验来看，按照这个大思路走，数据一般不会做跑偏。
这样看来，数据科学其实就是门复合型的技术，既然是技术就从编程语言谈起吧，为了简练，只说说R和Python。但既然是荐数据科学方面的书，我这里就不提R/Python编程基础之类的书了，直接上跟数据科学相关的。
R programming
如果只是想初步了解一下R语言已经R在数据分析方面的应用，那不妨就看看这两本：
R in action：我的R语言大数据101。其实对于一个没有任何编程基础的人来说，一开始就学这本书，学习曲线可能会比较陡峭。但如果配合上一些辅助材料，如官方发布的R basics（http://cran.r-project.org/doc/contrib/usingR.pdf），stackoverflow上有tag-R的问题集（Newest ‘r’ Questions），遇到复杂的问题可在上面搜索，总会找到解决方案的。这样一来，用这本书拿来入门学习也问题不大。而且这本书作者写得也比较轻松，紧贴实战。
Data analysis and graphics using R：使用R语言做数据分析的入门书。这本书的特点也是紧贴实战，没有过多地讲解统计学理论，所以喜欢通过情境应用来学习的人应该会喜欢这本入门书。而且这本书可读性比较强，也就是说哪怕你手头没电脑写不了代码，有事没事拿出这本书翻一翻，也能读得进去。
但如果你先用R来从事实实在在的数据工作，那么上面两本恐怕不够，还需要这些：
Modern applied statistics with S：这本书里统计学的理论就讲得比较多了，好处就是你可以用一本书既复习了统计学，又学了R语言。（S/Splus和R的关系就类似于Unix和Linux，所以用S教程学习R，一点问题都没有）
Data manipulation with R：这本书实务性很强，它教给你怎么从不同格式的原始数据文件里读取、清洗、转换、整合成高质量的数据。当然和任何一本注重实战的书一样，本书也有丰富的真实数据或模拟数据供你练习。对于真正从事数据处理工作的人来说，这本书的内容非常重要，因为对于任何研究，一项熟练的数据预处理技能可以帮你节省大量的时间和精力。否则，你的研究总是要等待你的数据。
R Graphics Cookbook：想用R做可视化，就用这本书吧。150多个recipes，足以帮你应付绝大多数类型的数据。以我现在极业余的可视化操作水平来看，R是最容易做出最漂亮的图表的工具了。
An introduction to statistical learning with application in R：这本书算是著名的the element of statistical learning的姊妹篇，后者更注重统计（机器）学习的模型和算法，而前者所涉及的模型和算法原没有后者全面或深入，但却是用R来学习和应用机器学习的很好的入口。
A handbook of statistical analysis using R：这本书内容同样非常扎实，很多统计学的学生就是用这本书来学习用R来进行统计建模的。
Python
Think Python，Think Stats，Think Bayes：这是Allen B. Downey写的著名的Think X series三大卷。其实是三本精致的小册子，如果想快速地掌握Python在统计方面的操作，好好阅读这三本书，认真做习题，答案链接在书里有。这三本书学通了，就可以上手用Python进行基本的统计建模了。
Python For Data Analysis： 作者是pandas的主要开发者，也正是Pandas使Python能够像R一样拥有dataframe的功能，能够处理结构比较复杂的数据。这本书其实analysis讲得不多，说成数据处理应该更合适。掌握了这本书，处理各种糟心的数据就问题不大了。
Introduction to Python for Econometrics, Statistics and Data Analysis：这本书第一章就告诉你要安装Numpy, Scipy, Matplotlib, Pandas, IPython等等。然后接下来的十好几章就是逐一介绍这几个库该怎么用。很全面，但读起来比较枯燥，可以用来当工具书。
Practical Data Analysis： 这本书挺奇葩，貌似很畅销，但作者把内容安排得东一榔头西一棒子，什么都讲一点，但一个都没讲透。这本书可以作为我们学习数据分析的一个索引，看到哪块内容有意思，就顺着它这个藤去摸更多的瓜。
Python Data Visualization Cookbook： 用Python做可视化的教材肯定不少，我看过的也就这一本，觉得还不错。其实这类书差别都不会很大，咬住一本啃下来就是王道。
Exploratory Data Analysis 和 Data Visualization
Exploratory Data Analysis：John Tukey写于1977年的经典老教材，是这一领域的开山之作。如今EDA已经是统计学里的重要一支，但当时还是有很多人对他的工作不屑一顾。可他爱数据，坚信数据可以以一种出人意料的方式呈现出来。正是他的努力，让数据可视化成为一门无比迷人的技术。但这本书不推荐阅读了，内容略过时。要想完整地了解EDA，推荐下一本：
Exploratory Data Analysis with MATLAB：这本书虽然标题带了个MATLAB，但实际上内容几乎没怎么讲MATLAB，只是每讲一个方法的时候就列出对应的MATALB函数。这本书的重要之处在于，这是我读过的讲EDA最系统的一本书，除了对visualization有不输于John Tucky的讲解外，对于高维的数据集，通过怎样的方法才能让我们从中找到潜在的pattern，这本书也做了详尽的讲解。全书所以案例都有对应的MATALB代码，而且还提供了GUI（图形用户界面）。所以这本书学起来还是相当轻松愉悦的。
Visualize This：中译本叫“鲜活的数据”，作者是个“超级数据迷”，建立了一个叫http://flowingdata.com的网页展示他的数据可视化作品，这本书告诉你该选择什么样的可视化工具，然后告诉你怎样visualize关系型数据、时间序列、空间数据等，最后你就可以用数据讲故事了。如果你只想感受一下数据可视化是个什么，可以直接点开下面这个链接感受下吧！A tour through the visualization zoo（A Tour Through the Visualization Zoo）
Machine Learning & Data Mining
这一块就不多说了，不是因为它不重要，而是因为它太太太重要。所以这一部分就推两本书，都是”世界名著“，都比较难读，需要一点点地啃。这两本书拿下，基本就算是登堂入室了。其实作为机器学习的延伸和深化，概率图模型（PGM）和深度学习（deep learning）同样值得研究，特别是后者现在简直火得不得了。但PGM偏难，啃K.Daphne那本大作实在太烧脑，也没必要，而且在数据领域的应用也不算很广。deep learning目前工业界的步子迈得比学术界的大，各个domain的应用如火如荼，但要有公认的好教材问世则还需时日，所以PGM和deep learning这两块就不荐书了。
The Element of Statistical Learning：要学机器学习，如果让我只推荐一本书，我就推荐这本巨著。Hastie、Tibshirani、Friedman这三位大牛写书写得太用心了，大厦建得够高够大，结构也非常严谨，而且很有前瞻性，纳入了很多前沿的内容，而不仅仅是一部综述性的教材。（图表也做得非常漂亮，应该是用R语言的ggplot2做的。）这本书注重讲解模型和算法本身，所以需要具备比较扎实的数理基础，啃起这本书来才不会太吃力。事实上掌握模型和算法的原理非常重要。机器学习（统计学习）的库现在已经非常丰富，即使你没有完全搞懂某个模型或算法的原理和过程，只要会用那几个库，机器学习也能做得下去。但你会发现你把数据代进去，效果永远都不好。但是，当你透彻地理解了模型和算法本身，你再调用那几个库的时候，心情是完全不一样的，效果也不一样。
Data Mining: Concepts and Techniques, by Jiawei Han and Micheline Kamber 数据挖掘的教材汗牛充栋，之所以推荐这本韩家炜爷爷的，是因为虽然他这本书的出发点是应用，但原理上的内容也一点没有落下，内容非常完整。而且紧跟时代，更新的很快，我看过的是第二版，就已经加进去了social network analysis这种当时的前沿内容。现在已经有第三版了，我还没看过，但应该也加入了不少新内容。其实这本书并不难读，只是篇幅较长，啃起来比较耗时。
其实这两本书里单拎出来一块内容可能又是几本书的节奏，比如bayesian方法，再拿出两三本书来讲也不为过，我个人用到的比较多，而且也确实有不少好书。但并非是所有data scientist都要用到，所以这一块就不再细说。
还有一些印象比较深刻的书：
Big Data Glossary： 主要讲解大数据处理技术及工具，内容涵盖了NoSQL，MapReduce，Storage，Servers，NLP库与工具包，机器学习工具包，数据可视化工具包，数据清洗，序列化指南等等。总之，是一本辞典式的大数据入门指导。
Mining of Massive Datasets：这本书是斯坦福大学Web Mining的讲义，里面很多内容与韩家炜的Data Mining那本书重合，但这本书里详细地讲了MapReduce的设计原理，PageRank（Google创业时期的核心排序算法，现在也在不断优化更新）讲解得也比较详细。
Developing Analytic Talent： 作者是个从事了十几年数据工作的geek，技术博客写得很有个人风格，写的内容都比较偏门，通常只有具备相关数据处理经验的人能体会出来，丝毫不照顾初学者的感受。比如他会谈到当数据流更新太快时该怎么办，或者MapReduce在什么时候不好用的问题，才不管你懂不懂相关基础原理。所以这本书不太适合初学者阅读。这本书其实是作者的博客文章的集结，用how to become a data scientist的逻辑把他近几年的博客文章串联了起来。
Past, Present and Future of Statistical Science：这本书是由COPSS（统计学社主席委员会，由国际各大统计学会的带头人组成）在50周年出版的一本纪念册，里面有50位统计学家每人分别贡献出的一两篇文章，有的回忆了自己当年如何走上统计学这条路，有的探讨了一些统计学的根本问题，有的谈了谈自己在从事的前沿研究，有的则给年轻一代写下了寄语。非常有爱的一本书。
其它资料
Harvard Data Science：这是H大的Data science在线课，我没有修过，但口碑很好。这门课需要费用8千刀左右，比起华盛顿大学的4千刀的Data science在线课虽贵一倍，但比斯坦福的14千刀要便宜将近一半（而且斯坦福的更偏计算机）。如果想自学，早有好心人分享了slides: （https://drive.google.com/folderview?id=0BxYkKyLxfsNVd0xicUVDS1dIS0k&usp=sharing）和homeworks and solutions: （https://github.com/cs109/content）
PyData：PyData是来自各个domain的用Python做数据的人每年举行一次的聚会，期间会有各路牛人举行一些规模不大的seminar或workshop，有好心人已经把video上传到github，有兴趣的去认领吧（DataTau/datascience-anthology-pydata · GitHub）
工具
R/Python/MATLAB（必备）：如果是做数据分析和模型开发，以我的观察来看，使用这三种工具的最多。R生来就是一个统计学家开发的软件，所做的事也自然围绕统计学展开。MATLAB虽然算不上是个专业的数据分析工具，但因为很多人不是专业做数据的，做数据还是为了自己的domain expertise（特别是科学计算、信号处理等），而MATLAB又是个强大无比的Domain expertise工具，所以很多人也就顺带让MATLAB也承担了数据处理的工作，虽然它有时候显得效率不高。Python虽然不是做数据分析的专业软件，但作为一个面向对象的高级动态语言，其开源的生态使Python拥有无比丰富的库，Numpy, Scipy 实现了矩阵运算/科学计算，相当于实现了MATLAB的功能，Pandas又使Python能够像R一样处理dataframe，scikit-learn又实现了机器学习。
SQL（必备）：虽然现在人们都说传统的关系型数据库如Oracle、mysql越来越无法适应大数据的发展，但对于很多人来说，他们每天都有处理数据的需要，但可能一辈子都没机会接触TB级的数据。不管怎么说，不论是用关系型还是非关系型数据库，SQL语言是必须要掌握的技能，用什么数据库视具体情况而定。
MongoDB（可选）：目前最受欢迎的非关系型数据库NoSQL之一，不少人认为MongoDB完全可以取代mySQL。确实MongoDB方便易用，扩展性强，Web2.0时代的必需品。
Hadoop/Spark/Storm（可选）: MapReduce是当前最著名也是运用最广泛的分布式计算框架，由Google建立。Hadoop/Spark/storm都是基于MapReduce的框架建立起来的分布式计算系统，要说他们之间的区别就是，Hadoop用硬盘存储数据，Spark用内存存储数据，Storm只接受实时数据流而不存储数据。一言以蔽之，如果数据是离线的，如果数据比较复杂且对处理速度要求一般，就Hadoop，如果要速度，就Spark，如果数据是在线的实时的流数据，就Storm。
OpenRefine（可选）：Google开发的一个易于操作的数据清洗工具，可以实现一些基本的清洗功能。
Tableau（可选）：一个可交互的数据可视化工具，操作简单，开箱即用。而且图表都设计得非常漂亮。专业版1999美刀，终身使用。媒体和公关方面用得比较多。
Gephi（可选）：跟Tableau类似，都是那种可交互的可视化工具，不需要编程基础，生成的图表在美学和设计上也是花了心血的。更擅长复杂网络的可视化。 参考技术A

如何学习大数据？如何学习才更加高效呢？

    首先好入门的自然是大数据开发，对于Linux的操作系统和编程语言的部分没什么过多说明的，不要觉得有些东西没用就跳过，有些时候编程思想和解决问题的方法同样很重要，课本上有的一定要扎实。对于和大数据相关的组件，看上去十分的繁杂，很多小伙伴可能都是钻研于每个组件的用法、算子、函数、API，这当然没有错，但是同时一定不要忘记埋在其中的主线，那就是：完整的数据分析流程。在学习的过程中一定要了解各组件的特点、区别和应用的数据场景。

离线计算

    在离线计算场景下，使用的都是历史数据，也就是不会再发生改变的数据。在数据源确定以后，这些数据不会再增加、也不会再更新，比较适合对实时性要求不高的场景。大多数情况下是周期性的计算某一个指标或执行一个Job，运算耗时基本上可以控制在分钟级。

数据源：数据文件、数据库中的数据等

数据采集：Sqoop、HDFS数据上传、Hive数据导入等

数据存储：HDFS

数据分析：MapReduce、Hive QL

计算结果：Hive结果表（HiveJDBC查询）、导出至关系型数据库

实时计算

    实时计算所面对的数据是不断的流入的，要能够使用合适的组件处理实时流入的数据。有些时候单位时间内的数据流入会比较多，消费的比较慢。有些时候单位时间内的数据流入会比较少，消费的会比较快。所以在采集数据时一方面要保证数据不丢失，同时还需要有中间件来管理好数据。在进行实时计算时可以使用微批次的方式也可以使用其他方式，同时要处理好计算结果合并的问题，实时展示最新的结果。

数据源：日志文件增量监听等

数据采集：Flume

中间件：Kafka

数据分析：Spark-Streaming，Flink等

计算结果：HBase

    以上只是简单的列举了一些实现不同场景数据流程的组件整合方案，诣在告诉大家一定要善于发现和总结不同组件的特点，把合适的组件放在合适的位置，这也是面试官经常喜欢问的场景题目。其实每个组件的使用方法和调用API并没有很复杂，重点还是在于流程化、一体化、把组件之间连接起来，不断的渗透和强化数据分析和处理的思路，能够把一个需求直接翻译成数据分析方案，这才是学习的重点。

参考技术B 我们都知道现在大数据很火，很多小伙伴也在学习大数据的方法，比如说：怎样进行大数据的入门学习？
对于大数据的入门学习，基础不一样，起点就会不一样，今天先来说说，对于零基础的同学想要学习大数据的方式方法吧！很多人可能感到不可思议，零基础怎么可能学习大数据，没有编程基础怎么能入门呢？其实这个观点是很正确的，对于大数据的开发而言，是需要一定的编程基础的，所以我们的大数据入门级课程就落在了编程语言的学习。

现在一般的大数据入门课程，都是从编程语言开始教授的，但请你一定要认清一个问题，编程语言只是大数据课程的一小部分，如果整个大数据的课程一大部分都是编程语言的教授，你就要小心了，这真的不是真正的大数据课程。还有一些“戏精”机构以html5、Java、大数据可视化等擦边知识， 混淆真实大数据授课标准课程，蒙蔽学员，发现时才追悔莫及。我们总结以下假课，避免学员入坑。
不靠谱的大数据学习课程总结如下：
1、大数据偏HTML5
课程偏重HTML5、css、HTMl、AJAX、jQuery、AngleJs、Js等内容讲解。
2、大数据偏Java
课程偏重Java、JavaWeb、Spring、SpringMVC、MyBatis、HTCargo项目实战。
3、大数据偏大数据可视化
课程偏重Photoshop、javascript及可视化工具，就职大数据运维工程师。薪资低、就业慢，岗位少。
4、大数据偏测试课程
课程偏重数据库管理系统（DBMS）、VBScript脚本语言等。
靠谱的大数据学习课程如下：
靠谱的大数据学习课程，要让学生掌握计算机技术、hadoop 、spark、storm开发、hive 数据库、Linux 操作系统等知识，具备分布式存储、分布式计算框架等技术，熟悉大数据处理和分析技术。
其中，大数据生态体系的各个模块的功能和开发技术，包括 Hadoop 体系中的 HDFS， Hbase 进行数据操作，MapReduce 进行数据开发，YARN 进行资源配置，Hive 完成数据仓库，Pig进行数据分析，以及 Oozie，Zookeeper，Sqoop 和 Flume 等模块。还有Spark 生态体系的学习，及其 Scala 基础和 SparkSQL 开发。
话不多说了，想要学习大数据的，快开始行动吧！

10小时入门大数据

第1章 大数据概述
本章将从几则故事说起，让大家明白大数据是与我们的生活息息相关的，并不是遥不可及的，还会介绍大数据的特性，以及大数据对我们带来的技术变革，大数据处理过程中涉及到的技术

1-1 导学
1-2 章节安排_
1-3 OOTB镜像文件和虚拟机的使用
1-4 说两则故事说起
1-5 大数据与生活息息相关
1-6 大数据基本概念
1-7 大数据带来的挑战
1-8 如何应对大数据带来的挑战
1-9 -如何学好大数据
第2章 初识Hadoop
本章节将带领大家认识Hadoop以及Hadoop生态系统、Hadoop的发展史、Hadoop的优缺点、Hadoop的三个核心组件、Hadoop发行版的选择以及Hadoop在企业中的案例分享，为后续深入讲解Hadoop打下坚实的基础

2-1 章节安排
2-2 Hadoop概述
2-3 2.03-Hadoop核心组件之HDFS
2-4 2.04-Hadoop核心组件之YARN
2-5 2.05-Hadoop核心组件之MapReduce
2-6 2.06-Hadoop优势
2-7 2.07-Hadoop发展史
2-8 2.08-Hadoop生态系统
2-9 2.09-Hadoop常用发行版及选型
2-10 2.10-Hadoop应用案例
第3章 分布式文件系统HDFS
本章将从Hadoop的设计目标、架构及副本的脚本带大家详细剖析，快速搭建单节点伪分布式HDFS的实验环境，并讲解使用hdfs shell以及Java API的方式操作HDFS文件系统，并详细分析HDFS文件的读写流程，使得大家对Hadoop分布式文件系统HDFS有深刻的认识以及使用...

3-1 -课程目录-
3-2 -普通分布式文件系统的设计思路
3-3 HDFS概述及设计目标
3-4 HDFS架构
3-5 HDFS副本机制
3-6 HDFS副本存放策略
3-7 JDK安装&ssh安装&ssh免密码登陆配置
3-8 HDFS伪分布式环境搭建
3-9 HDFS shell操作
3-10 Java操作HDFS开发环境搭建
3-11 Java API操作HDFS文件系统
3-12 HDFS写数据流程
3-13 HDFS读数据流程
3-14 HDFS文件系统的优缺点
第4章 分布式资源调度YARN
本章将从YARN的产生背景、YARN的架构及执行流程的角度带大家认知Hadoop的资源调度框架YARN，快速搭建单节点伪分布式YARN的实验环境并掌握如何提交一个官方自带的MapReduce作业提交到YARN上运行

4-1 -课程目录
4-2 -YARN产生背景
4-3 -YARN架构
4-4 -YARN执行流程
4-5 -YARN环境搭建
4-6 -初识提交PI的MapReduce作业到YARN上执行
第5章 分布式计算框架MapReduce
本章将从架构、优缺点、编程模型等角度带大家认识Hadoop的分布式计算框架MapReduce，掌握MapReduce应用程序的开发，学会配置JobHistory Server

5-1 -课程目录
5-2 -MapReduce概述
5-3 -从WordCount案例说起MapReduce编程模型
5-4 -MapReduce执行流程
5-5 -MapReduce核心概念
5-6 -MapReduce1.x架构
5-7 -MapReduce2.x架构
5-8 -Java版本wordcount功能实现
5-9 -Java版本wordcount功能重构
5-10 -Combiner应用程序开发
5-11 -Partitioner应用程序开发
5-12 JobHistory使用
第6章 Hadoop项目实战
本章将通过对慕课网主站的访问日志进行分析的项目实战，来将前面几个章节讲解的知识点串联起来，综合使用Hadoop的技术进行离线统计分析

6-1 -课程目录--
6-2 用户行为日志概述
6-3 离线数据处理架构
6-4 项目需求
6-5 功能实现之UserAgent解析类测试
6-6 功能实现之单机本地完成需求统计
6-7 使用MapReduce完成需求统计
6-8 功能扩展思路
第7章 Hadoop分布式集群搭建
本章将带领大家搭建一个三个节点的分布式Hadoop集群环境，让大家对于Hadoop集群的安装有更深入的认识，并将项目实战案例运行在分布式集群环境中

7-1 -课程目录
7-2 -分布式环境搭建之环境介绍
7-3 -分布式环境搭建前置配置之ssh免密码登陆
7-4 -分布式环境搭建前置配置之JDK安装
7-5 -分布式环境搭建集群搭建之Hadoop配置及分发
7-6 -分布式环境搭建Hadoop格式化及启停
7-7 -分布式环境HDFS及YARN的使用
7-8 -将Hadoop项目运行在Hadoop集群之上
第8章 Hadoop集成Spring的使用
本章将带领大家使用Java社区中最流行的Spring框架来整合Hadoop的使用

8-1 -课程目录
8-2 -Spring Hadoop概述
8-3 -Spring Hadoop开发环境搭建及访问HDFS文件系统
8-4 -Spring Hadoop配置文件详解
8-5 -Spring Boot访问HDFS文件系统
8-6 -Spring Hadoop其他
第9章 前沿技术拓展: Spark/Flink/Beam
本章将带领大家认识当前大数据领域中非常火爆的三个框架：Spark、Flink以及Beam，并使用这三个框架完成词频统计分析操作，为大家以后更加深入的学习这几个框架打下坚实的基础

9-1 -课程目录
9-2 -吐槽MapReduce
9-3 -Spark特点
9-4 -Spark与Hadoop深入对比
9-5 -Spark开发语言及运行模式介绍
9-6 -Scala&Maven安装
9-7 -Spark环境搭建及wordcount案例实现
9-8 -Flink概述
9-9 -使用Flink完成wordcount统计
9-10 -Beam概述
9-11 -将WordCount的Beam程序以多种不同Runner运行
9-12 -课程目录
第10章 Hadoop3.x新特性
本章将带来大家学习Hadoop3.x版本的一些新特性，实时跟上Hadoop社区的发展

10-1 -课程目录
10-2 -Hadoop3.x概述
10-3 -Hadoop3.x新特性之Common改进
10-4 -Hadoop3.x新特性之HDFS改进
10-5 -Hadoop3.x新特性之YARN改进
10-6 -Hadoop3.x新特性之MapReduce改进
10-7 -Hadoop3.x新特性之其他

下载地址:10小时入门大数据