數據處理

數據處理離不開軟件的支持，數據處理軟件包括：用以書寫處理程序的各種程序設計語言及其編譯程序，管理數據的文件系統和數據庫系統，以及各種數據處理方法的應用軟件包。為了保證數據安全可靠，還有一整套數據安全保密的技術。

根據處理設備的結構方式、工作方式，以及數據的時間空間分佈方式的不同，數據處理有不同的方式。不同的處理方式要求不同的硬件和軟件支持。每種處理方式都有自己的特點，應當根據應用問題的實際環境選擇合適的處理方式。數據處理主要有四種分類方式

①根據處理設備的結構方式區分，有聯機處理方式和脱機處理方式。

②根據數據處理時間的分配方式區分，有批處理方式、分時處理方式和實時處理方式。

③根據數據處理空間的分佈方式區分，有集中式處理方式和分佈處理方式。

④根據計算機中央處理器的工作方式區分，有單道作業處理方式、多道作業處理方式和交互式處理方式。

數據處理對數據（包括數值的和非數值的）進行分析和加工的技術過程。包括對各種原始數據的分析、整理、計算、編輯等的加工和處理。比數據分析含義廣。隨着計算機的日益普及，在計算機應用領域中，數值計算所佔比重很小，通過計算機數據處理進行信息管理已成為主要的應用。如測繪製圖管理、倉庫管理、財會管理、交通運輸管理，技術情報管理、辦公室自動化等。在地理數據方面既有大量自然環境數據（土地、水、氣候、生物等各類資源數據），也有大量社會經濟數據（人口、交通、工農業等），常要求進行綜合性數據處理。故需建立地理數據庫，系統地整理和存儲地理數據減少冗餘，發展數據處理軟件，充分利用數據庫技術進行數據管理和處理。

數據處理

用計算機收集、記錄數據，經加工產生新的信息形式的技術。數據指數字、符號、字母和各種文字的集合。數據處理涉及的加工處理比一般的算術運算要廣泛得多。

計算機數據處理主要包括8個方面。

①數據採集:採集所需的信息。

②數據轉換：把信息轉換成機器能夠接收的形式。

③數據分組：指定編碼，按有關信息進行有效的分組。

④數據組織：整理數據或用某些方法安排數據，以便進行處理。

⑤數據計算：進行各種算術和邏輯運算，以便得到進一步的信息。

⑥數據存儲：將原始數據或計算的結果保存起來,供以後使用。

⑦數據檢索:按用户的要求找出有用的信息。

⑧數據排序：把數據按一定要求排成次序。

數據處理的過程大致分為數據的準備、處理和輸出3個階段。在數據準備階段,將數據脱機輸入到穿孔卡片、穿孔紙帶、磁帶或磁盤。這個階段也可以稱為數據的錄入階段。數據錄入以後，就要由計算機對數據進行處理，為此預先要由用户編制程序並把程序輸入到計算機中，計算機是按程序的指示和要求對數據進行處理的。所謂處理,就是指上述8個方面工作中的一個或若干個的組合。最後輸出的是各種文字和數字的表格和報表。

數據處理系統已廣泛地用於各種企業和事業，內容涉及薪金支付，票據收發、信貸和庫存管理、生產調度、計劃管理、銷售分析等。它能產生操作報告、金融分析報告和統計報告等。數據處理技術涉及到文卷系統、數據庫管理系統、分佈式數據處理系統等方面的技術。

此外，由於數據或信息大量地應用於各種各樣的企業和事業機構，工業化社會中已形成一個獨立的信息處理業。數據和信息，本身已經成為人類社會中極其寶貴的資源。信息處理業對這些資源進行整理和開發，藉以推動信息化社會的發展。

根據數據處理的不同階段，有不同的專業工具來對數據進行不同階段的處理。

在數據轉換部分，有專業的ETL工具來幫助完成數據的提取、轉換和加載，相應的工具有Informatica和開源的Kettle。

在數據存儲和計算部分，指的數據庫和數據倉庫等工具，有Oracle，DB2，MySQL等知名廠商，列式數據庫在大數據的背景下發展也非常快。

在數據可視化部分，需要對數據的計算結果進行分析和展現，有BIEE，Microstrategy，Yonghong的Z-Suite等工具。

數據處理的軟件有EXCEL MATLAB Origin等等，當前流行的圖形可視化和數據分析軟件有Matlab，Mathmatica和Maple等。這些軟件功能強大，可滿足科技工作中的許多需要，但使用這些軟件需要一定的計算機編程知識和矩陣知識，並熟悉其中大量的函數和命令。而使用Origin就像使用Excel和Word那樣簡單，只需點擊鼠標，選擇菜單命令就可以完成大部分工作，獲得滿意的結果。

大數據時代，需要可以解決大量數據、異構數據等多種問題帶來的數據處理難題，Hadoop是一個分佈式系統基礎架構，由Apache基金會開發。用户可以在不瞭解分佈式底層細節的情況下，開發分佈式程序。充分利用集羣的威力高速運算和存儲。Hadoop實現了一個分佈式文件系統 Hadoop Distributed File System,HDFS。HDFS有着高容錯性的特點，並且設計用來部署在低廉的硬件上。而且它提供高傳輸率來訪問應用程序的數據，適合那些有着超大數據集的應用程序。

有關商務網站的數據處理：由於網站的訪問量非常大，在進行一些專業的數據分析時，往往要有針對性的數據清洗，即把無關的數據、不重要的數據等處理掉。接着對數據進行相關分分類，進行分類劃分之後，就可以根據具體的分析需求選擇模式分析的技術，如路徑分析、興趣關聯規則、聚類等。通過模式分析，找到有用的信息，再通過聯機分析（OLAP）的驗證，結合客户登記信息，找出有價值的市場信息，或發現潛在的市場 ^[1]  。

數據處理是從大量的原始數據抽取出有價值的信息，即數據轉換成信息的過程。主要對所輸入的各種形式的數據進行加工整理，其過程包含對數據的收集、存儲、加工、分類、歸併、計算、排序、轉換、檢索和傳播的演變與推導全過程。

數據管理是指數據的收集整理、組織、存儲、維護、檢索、傳送等操作，是數據處理業務的基本環節，而且是所有數據處理過程中必有得共同部分。

數據處理中，通常計算比較簡單，且數據處理業務中的加工計算因業務的不同而不同，需要根據業務的需要來編寫應用程序加以解決。而數據管理則比較複雜，由於可利用的數據呈爆炸性增長，且數據的種類繁雜，從數據管理角度而言，不僅要使用數據，而且要有效地管理數據。因此需要一個通用的、使用方便且高效的管理軟件，把數據有效地管理起來。

數據處理與數據管理是相聯繫的，數據管理技術的優劣將對數據處理的效率產生直接影響。而數據庫技術就是針對該需求目標進行研究並發展和完善起來的計算機應用的一個分支。

大數據處理數據時代理唸的三大轉變：要全體不要抽樣，要效率不要絕對精確，要相關不要因果。具體的大數據處理方法其實有很多，但是根據長時間的實踐，天互數據總結了一個基本的大數據處理流程，並且這個流程應該能夠對大家理順大數據的處理有所幫助。整個處理流程可以概括為四步，分別是採集、導入和預處理、統計和分析，以及挖掘。

在大數據的採集過程中，其主要特點和挑戰是併發數高，因為同時有可能會有成千上萬的用户來進行訪問和操作，比如火車票售票網站和淘寶，它們併發的訪問量在峯值時達到上百萬，所以需要在採集端部署大量數據庫才能支撐。並且如何在這些數據庫之間進行負載均衡和分片的確是需要深入的思考和設計。

統計與分析主要利用分佈式數據庫，或者分佈式計算集羣來對存儲於其內的大量數據進行普通的分析和分類彙總等，以滿足大多數常見的分析需求，在這方面，一些實時性需求會用到EMC的GreenPlum、Oracle的Exadata，以及基於MySQL的列式存儲Infobright等，而一些批處理，或者基於半結構化數據的需求可以使用Hadoop。統計與分析這部分的主要特點和挑戰是分析涉及的數據量大，其對系統資源，特別是I/O會有極大的佔用。

雖然採集端本身會有很多數據庫，但是如果要對這些大量數據進行有效的分析，還是應該將這些來自前端的數據導入到一個集中的大型分佈式數據庫，或者分佈式存儲集羣，並且可以在導入基礎上做一些簡單的清洗和預處理工作。也有一些用户會在導入時使用來自Twitter的Storm來對數據進行流式計算，來滿足部分業務的實時計算需求。導入與預處理過程的特點和挑戰主要是導入的數據量大，每秒鐘的導入量經常會達到百兆，甚至千兆級別。

與前面統計和分析過程不同的是，數據挖掘一般沒有什麼預先設定好的主題，主要是在現有數據上面進行基於各種算法的計算，從而起到預測的效果，從而實現一些高級別數據分析的需求。比較典型算法有用於聚類的K-Means、用於統計學習的SVM和用於分類的NaiveBayes，主要使用的工具有Hadoop的Mahout等。該過程的特點和挑戰主要是用於挖掘的算法很複雜，並且計算涉及的數據量和計算量都很大，還有，常用數據挖掘算法都以單線程為主 ^[2]  。

隨着全球經濟和科學技術的飛速發展，信息技術、互聯網技術的發展也極為快速，其推動了數據走向大數據的時代。當前，我國已經正式邁入了大數據時代，以信息技術為代表的先進技術對人們的生活、工作、學習等方面產生了深刻的影響。 ^[3] 

大數據時代信息處理技術發展的趨勢：數據和網絡的安全性更受重視、雲計算技術得到發展與應用以及物聯網開始應用於多個行業。大數據時代信息處理技術發展的機遇和挑戰：信息處理技術受到重視的程度有所提高、對數據與信息安全性的要求更高以及行業對專業人才的需求更加迫切。 ^[4]