大數(shù)據(jù)領域之75個核心術語講解（上）

Ramesh Dontha 曾在 DataConomy 上連發(fā)兩篇文章，扼要而全面地介紹了關于大數(shù)據(jù)的 75 個核心術語，這不僅是大數(shù)據(jù)初學者很好的入門資料，對于高階從業(yè)人員也可以起到查漏補缺的作用。本文為上篇（25 個術語）。

如果你剛接觸大數(shù)據(jù)，你可能會覺得這個領域很難以理解，無從下手。不過，你可以從下面這份包含了 25 個大數(shù)據(jù)術語的清單入手，那么我們開始吧。

算法（Algorithm）：

算法可以理解成一種數(shù)學公式或用于進行數(shù)據(jù)分析的統(tǒng)計學過程。那么，「算法」又是何以與大數(shù)據(jù)扯上關系的呢？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。

分析（Analytics）：

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行梳理。

描述性分析法（Descriptive Analytics）：

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。當然，你也可以找出更多細節(jié)。

預測性分析法（Predictive Analytics）：

如果你對過去 5 年信用卡消費的歷史進行了分析，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測出：來年的消費狀態(tài)應該和以往是類似的。這不是說我們在預測未來，而是應該理解為，我們在「用概率預測」可能發(fā)生什么事情。在大數(shù)據(jù)的預測分析中，數(shù)據(jù)科學家可能會使用先進的技術，如機器學習，和先進的統(tǒng)計學處理方法（這部分后面我們會談到）來預測天氣情況、經(jīng)濟變化等等。

規(guī)范性分析（Prescriptive Analytics）：

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，那么基于預測性分析（Predictive Analytics）的規(guī)范性分析法通過引入「動態(tài)指標（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)領域，并想象一個負責人是如何通過觀察他面前多種動態(tài)指標的影響，進而作出所謂由「數(shù)據(jù)驅(qū)動」的決策的。

批處理（Batch processing）：

盡管批量數(shù)據(jù)處理從大型機（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。

Cassandra：

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)并運營。Apache 掌握了很多大數(shù)據(jù)處理技術，Cassandra 就是他們專門設計用于在分布式服務器之間處理大量數(shù)據(jù)的系統(tǒng)。

云計算（Cloud computing）：

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)在遠程服務器上進行處理，并且這些資源可以在網(wǎng)絡上任何地方被訪問，那么它就可被稱為云計算。

集群計算（Cluster computing）：

這是一個來描述使用多個服務器豐富資源的一個集群（cluster）的計算的形象化術語。更技術層面的理解是，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）、負載平衡（load balancing）和并行處理（parallel processing）等等。

暗數(shù)據(jù)（Dark data）：

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)絡中的信息，電話中心的記錄，會議記錄等等。很多估計認為所有公司的數(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。

數(shù)據(jù)湖（Data lake）：

當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（Data mining）：

數(shù)據(jù)挖掘關乎如下過程，從一大群數(shù)據(jù)中以復雜的模式識別技巧找出有意義的模式，并且得到相關洞見。它與前文所述的「分析」息息相關，在數(shù)據(jù)挖掘中，你將會先對數(shù)據(jù)進行挖掘，然后對這些得到的結(jié)果進行分析。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（一種經(jīng)典的舊方法）、機器學習算法和人工智能。

數(shù)據(jù)科學家：

數(shù)據(jù)科學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）進而理解、處理并得出洞見的這樣一批人。部分數(shù)據(jù)科學家必備的技能可以說只有超人才有：分析能力、統(tǒng)計學、計算機科學、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。

分布式文件系統(tǒng)（Distributed File System）：

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)的成本和復雜度。

ETL：

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)。

Hadoop：

當人們思考大數(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，還負責 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？

內(nèi)存計算（In-memory computing）：

通常認為，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，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。

物聯(lián)網(wǎng)（IoT）：

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、可穿戴設備、車、冰箱等等）的計算設備通過英特網(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)分析的機遇。

機器學習（Machine Learning）：

機器學習是基于喂入的數(shù)據(jù)去設計能夠?qū)W習、調(diào)整和提升的系統(tǒng)的一種方法。使用設定的預測和統(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)，它們能夠進一步提升。

MapReduce：

MapReduce 可能有點難以理解，我試著解釋一下吧。MapReduceMapReduce 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（這些小塊拿技術術語來講叫做「元組」，但是我描述的時候會盡量避免晦澀的技術術語），然后這些小塊會被分發(fā)給不同位置上的不同計算機（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。

非關系型數(shù)據(jù)庫（NoSQL）：

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。

R 語言：

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)科學家。因為 R 語言是數(shù)據(jù)科學中最流行的編程語言之一。

Spark（Apache Spark）：

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、機器學習以及 SQL 負載。Spark 通常會比我們前面討論過的 MapReduce 快好多。

流處理（Stream processing）：

流處理被設計來用于持續(xù)地進行流數(shù)據(jù)的處理。與流分析技術（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。

結(jié)構(gòu)化 vs 非結(jié)構(gòu)化數(shù)據(jù)（Structured v Unstructured Data）：

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)通過表格來關聯(lián)。非結(jié)構(gòu)化數(shù)據(jù)是指任何不能夠被放在關系型數(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。

責任編輯：lq6