数据科学基础复习(简)

可视化、数据可视化

在狭义上,数据可视化是与信息可视化,科学可视化和可视分析学平行的概念,而在广义上数据可视化可以包含这3类可视化技术。

数据科学的主要任务

数据科学研究目的与任务

  • 大数据及其运动规律的揭示
  • 从数据到智慧的转化
  • 数据洞见(Data Insights)
  • 数据业务化
  • 数据分析
  • 数据驱动型决策(支持)
  • 数据产品的研发
  • 数据生态系统的建设

EDA探索性数据分析

探索性数据分析(Exploratory Data Analysis,EDA)

• 对已有的数据(特别是调查或观察得来的原始数据)

• 在尽量少的先验假定 下进行探索

• 并通过作图、制表、方程拟合、计算特征量等手段探索数据的结构和规律的一种数据分析方法。

EDA方法与验证性分析的主要区别

• EDA不需要事先假设,而验证性分析需要事先提出假设;

• EDA中采用的方法往往比验证性分析简单

• 在一般数据科学项目中,探索分析在先,而验证性分析在后。

对原始数据的预处理,包括集成、变换、规约怎么做的

数据集成基本类型

  • 内容集成
  • 结构集成

数据集成的3个基本问题

  • 模式集成
  • 数据冗余
  • 冲突检测与消除

数据规约

维规约(Dimensionality reduction)

• 主成分分析(Principal Component Analysis,PCA)

• 奇异值分解(Singular Value Decomposition,SVD)

• 离散小波转换(Discrete Wavelet Transform,DWT)

值规约(NumerosityReduction)

• 参数模型(如简单线性回归模型和对数线性模型等)

• 非参数模型(如抽样、聚类、直方图等)

数据仓库

Hive是基于Hadoop的一个数据仓库工具,可以将结构化的数据文件映射为一张数据库表,并提供简单的HiveQL

查询功能,可以将HiveQL语句转换为MapReduce任务进行运行。

最初,Hive是由Facebook开源,主要用于解决海量结构化的日志数据统计问题。

主要特色在于定义了一种类似SQL的查询语言(HiveQL,HQL),将其转化为MapReduce任务在Hadoop上执行,通常用于离线分析。

其优点是学习成本低,可以通过类似SQL语句快速实现简单的MapReduce统计,不需发专门的MapReduce应用,适合基于数据仓库的统计分析需要。

时间序列,时间序列的数据是用来做什么的

时间序列分析

  • 时间序列是按时间顺序的一组数字序列
  • 时间序列分析就是利用这组数列,应用数理统计方法加以处理,以预测未来事物的发展
  • 时间序列预测一般反映3种实际变化规律
    • 趋势变化
    • 周期性变化
    • 随机性变化

通常,一个时间序列由4种要素组成:

➢ 趋势

➢ 季节变动

➢ 循环波动

➢ 不规则波动

时间序列建模包括以下3个主要阶段:

➢ 第一阶段、用观测、调查、统计、抽样等方法取得被观测系统时间序列动态数据

➢ 第二阶段、根据动态数据作相关图,进行相关分析,求自相关函数。相关图能显示出变化的趋势和周期,并发现动态数据中的跳点与拐点。

➢ 第三阶段、辨识合适的随机模型,进行曲线拟合,即用通用随机模型去拟合时间序列的观测数据

云计算的一些特点

什么是云计算(cloud computing)?

云计算是一种按使用计费的计算模型,提供对可配置的计算资源(例如网络,服务器,存储,应用程序和服务)进行按需存取。

云计算具有以下6个基本特点

  • 按需自助服务
  • 泛在接入
  • 资源池化
  • 快速弹性
  • 计费服务
  • 高可靠性

云计算服务可以分为三类

¢ 基础设施即服务

¢ 平台即服务

¢ 软件即服务

云计算服务的部署方式有四大类

公有云、社区云、私有云和混合云。

云计算与其他计算模式的区别

  • 并行计算是相对于串行计算来讲的,可分为时间上的并行、和空间上的并行。
  • 分布式计算通过把整个计算任务,分解成一系列的小任务,分布到各个节点上分别执行,最后把结果合并,获得最终结果,侧重点在于任务的划分。
  • 集群计算通过网络把一组松散的计算机节点紧密地连接在一起,协同完成计算工作,在许多方面它们可以被视为单个系统。
  • 网格计算将虚拟化的异构计算资源作为一个虚拟的计算机集群,节点分布更广泛,支持更多不同类型的计算机。
  • 云计算底层的核心技术是虚拟化,把计算、存储、网络等硬件予以抽象、转换后呈现出来。云计算是上述技术发展的新阶段,或者说是这些概念的商业实现。

MapReduce是怎么工作的

MapReduce计算框架源自一种分布式计算模型,其输入和输出值均为<key, value>键/值对,其计算过程分为两个阶段------map阶段和reduce阶段,并分别以两个函数map()和reduce()进行抽象。MapReduce程序员需要通过自定义map()和reduce()函数表达此计算过程。

➢ map()函数

➢ reduce()函数

实现过程

首先,当用户程序调用MapReduce框架时,将输入文件分成M个数据块,每个数据块的大小一般为16MB~64MB。接着,在计算机集群中启动大量的复制程序,主要步骤如图6-6所示 用户可以通过可选的参数来控制数据块的大小。

主要特征

(1)以主从结构的形式运行

(2)map()函数与reduce()函数之间的数据处理。

➢ Shuffle处理

➢ Combiner()函数

➢ Partition()函数/分区函数

(3)<key, value>类型的输入/输出

map(K1, V1) --> list (K2, V2)

combine(K2, list(V2)) --> list(K2, V2)

partition(K2, V2) --> integer

reduce(K2, list(V2)) --> list(K3, V3)

(4)容错机制的复杂性

➢ Worker故障

➢ Master故障

(5)数据存储位置的多样性

➢ 源文件:GFS

➢ Map处理结果:本地存储

➢ Reduce处理结果:GFS

➢ 日志:GFS

(6)任务粒度大小的重要性

在MapReduce中,通常把Map拆分成了M个片段、把Reduce拆分成R个片段执行。

(7)任务备份机制的必要性

➢ 有一些慢的节点("落伍者")会限制剩下程序的执行速度

➢ "推测性的执行(Speculative execution)"的任务备份机制------当作业中大多数的任务都已经完成时,系统在几个空闲的节点上调度执行剩余任务的拷贝,并在多个Worker同时进行相同的剩余任务。

关键技术

(1)分区函数

(2)Combiner()函数

(3)跳过损坏记录

(4)本地执行

(5)状态信息

(6)计数器

机器学习的聚类、分类算法的特点

分类分析

分类分析

➢ 一种将复杂问题简单化之后,再进行分析和处理的一种数据分析方法,即将大量数据若干个类别之后,分析类别的统计特征,通过类别的特征概括具体数据。

【注意】从统计分析角度看,分类和预测是两个相互关联和转化的概念。

➢ 当目标值的类型为分类型时,称之为分类;

➢ 当目标值的类型为连续型时,称之为预测。

分类分析的算法

• 决策树

• 决策表

• 贝叶斯网络

• 神经网络

• 支持向量机

• KNN算法

【注意】不同算法对分类和预测的支持不同,例如贝叶斯网络和决策表只能处理分类型目标值的分类分析。

聚类分析

与分类分析不同的是,聚类分析所要求划分的类别是未知。
聚类分析中的"聚类要求"有两条:

➢ 每个分组内部的数据具有比较大的相似性;

➢ 组间的数据具有较大不同。
聚类分析方法

➢ 分层聚类

➢ K-means 聚类

➢ Kohonen Network聚类等

怎么描述数据的质量

数据质量

基本属性

• 数据正确性(Correctness)

• 数据完整性(Integrity)

• 一致性(Consistency)

扩展属性

• 形式化程度(Formalization)

• 时效性(Timeliness)

• 精确性(Accuracy)

• 自描述性(SelfDescription)

数据库的类型

数据库的类型

关系数据库

层次数据库

⽹状数据库

⾯向对象数据库

XML数据库

关系数据库

关系数据技术不断趋于成熟

➢ 事务处理能力

➢ 两段封锁协议

➢ 两段提交协议

➢ 坚实的理论基础

➢ 标准化程度高

➢ 产品的成熟度高

  • ➢ Oracle公司的Oracle
  • ➢ IBM公司的DB2
  • ➢ Sybase公司的Sybase
  • ➢ 微软公司的SQL Server
  • ➢ MySQL AB 公司开发的MySQL

NoSQL

NoSQL 是指那些非关系型的、分布式的、不保证遵循ACID 原则的数据存储系统。相对于关系数据库,NoSQL数据库的主要优势体现在:

➢ 易于数据的分散存储与处理

➢ 数据的频繁操作代价低以及数据的简单处理效率高

➢ 适用于数据模型不断变化的应用场景

CouchDB、Redis、MongoDB、Riak、Membase、Neo4j、Cassandra、HBase(配合 ghshephard使用)

关系云

关系云是在云计算环境中部署和虚拟化的关系数据库,进而使传统关系数据库具备云计算的弹性计算、虚拟化、按需服务和高经济性等特征。关系云代表了数据管理的一个重要发展方向,其关键在于实现:

➢ 事务处理

➢ 弹性计算

➢ 负载均衡等

数据审计,数据审计是干什么的

数据审计是指按照数据质量的一般规律与评价方法 ,对数据内容及其元数据进行审计发现 其中存在的"问题",例如:

  • 缺失值(缺少数据)
  • 噪声值(异常数据)
  • 不一致值(相互矛盾的数据)
  • 不完整值(被篡改或无法溯源的数据)

数据清洗,去除噪声数据,怎么去处理的

去除噪声数据有哪些方法?分箱怎么操作的,分箱的方式等深、等宽时候怎么处理,边界值处理还是均值处理,怎么计算

缺失数据处理

冗余数据处理

噪声数据处理

噪声数据的存在形式

  • 错误数据
  • 虚假数据
  • 异常数据
    • 离群数据或孤立数据

噪声数据的处理方法

  • 分箱(Binning)
  • 聚类(Clustering)
  • 回归(Regression)
分箱处理的步骤与类型
均值平滑与边界值平滑

标准化,标准化怎么计算的,标准化的方式

数据标准化处理(Data Normalization)

  • 0-1标准化(0-1 normalization)
  • z-score 标准化(zeromean normalization)

大数据的特征特点,怎么去理解这些特点

如何理解大数据的4V特征

常见的数据库,成熟的关系型?数据库有哪些,优缺点(关系型?)应该怎么发展?怎么去用

关系数据库的优缺点

关系数据库的优势

  • 数据一致性高。由于关系数据库具有较为严格的事务处理要求,它能够保持较高的数据一致性。
  • 数据存储的冗余度低。 由于关系数据库是以规范化理论为前提,通常,相同字段只能保存一处,数据冗余性较低,数据更新的开销较小。
  • 处理复杂查询的能力强。关系数据库中可以进行 join等复杂查询。
  • 成熟度高。关系数据库技术及其产品已经较为成熟,稳定性高,系统缺陷少

关系数据库的不足之处

  • 不善于处理大量数据的读写操作。在关系数据库中,为了提高读写效率,一般采用主从模式,即数据的写入由主数据库负责,而数据的读入由从数据库负责。因此,主数据库上的写入操作往往成为瓶颈。
  • 不适用于数据模型不断变化的应用场景。在关系数据库及其应用系统中,数据模型和应用程序之间的偶合高。当数据模型发生变化(如新增或减少一个字段等)时,需要对应用程序代码进行修改。
  • 数据的频繁操作代价大。为了确保关系数据库的事务处理和数据一致性,对关系数据库进行修改操作时往往需要采用共享锁(又称读锁)和排他锁(又称读/写锁)的方式放弃多个进程同时对同一个数据进行更新操作。
  • 数据的简单处理效率较低。在关系数据库中,SQL 语言编写的查询语句需要完成解析处理才能进行。因此,当数据操作非常简单时,也需要进行解析、加锁、解锁等操作,导致关系数据库对数据的简单处理效率较低。

NoSQL

术语NoSQL可以理解为"Not Only SQL"的缩写,也就是说NoSQL为数据处理提供了一种补充方案。

NoSQL 是指那些非关系型的、分布式的、不保证遵循ACID 原则的数据存储系统。相对于关系数据库,NoSQL数据库的主要优势体现在:

➢ 易于数据的分散存储与处理

➢ 数据的频繁操作代价低以及数据的简单处理效率高

➢ 适用于数据模型不断变化的应用场景

需要注意的是,提出NoSQL技术的目的并不是替代关系数据库技术,而是对其提供一种补充方案。

➢ 如果需要处理关系数据库擅长的问题,那么仍然首选关系数据库技术;

➢ 如果需要处理关系数据库不擅长的问题,那么不再仅仅依赖于关系数据库技术,可以考虑更加适合的数据存储技术,如NoSQL技术等。

相关推荐
CXDNW1 分钟前
【网络面试篇】HTTP(2)(笔记)——http、https、http1.1、http2.0
网络·笔记·http·面试·https·http2.0
使者大牙2 分钟前
【大语言模型学习笔记】第一篇:LLM大规模语言模型介绍
笔记·学习·语言模型
ssf-yasuo15 分钟前
SPIRE: Semantic Prompt-Driven Image Restoration 论文阅读笔记
论文阅读·笔记·prompt
As977_24 分钟前
前端学习Day12 CSS盒子的定位(相对定位篇“附练习”)
前端·css·学习
ajsbxi27 分钟前
苍穹外卖学习记录
java·笔记·后端·学习·nginx·spring·servlet
Rattenking28 分钟前
React 源码学习01 ---- React.Children.map 的实现与应用
javascript·学习·react.js
TeYiToKu1 小时前
笔记整理—linux驱动开发部分(9)framebuffer驱动框架
linux·c语言·arm开发·驱动开发·笔记·嵌入式硬件·arm
dsywws1 小时前
Linux学习笔记之时间日期和查找和解压缩指令
linux·笔记·学习
道法自然04021 小时前
Ethernet 系列(8)-- 基础学习::ARP
网络·学习·智能路由器
爱吃生蚝的于勒1 小时前
深入学习指针(5)!!!!!!!!!!!!!!!
c语言·开发语言·数据结构·学习·计算机网络·算法