第1章 初識(shí)大數(shù)據(jù) 1
1.1　大數(shù)據(jù)的概述 1
1.1.1 大數(shù)據(jù)時(shí)代的背景及定義 1
1.1.2 大數(shù)據(jù)的特征 3
1.1.3 大數(shù)據(jù)的數(shù)據(jù)類型 4
1.2　大數(shù)據(jù)的發(fā)展 6
1.2.1 大數(shù)據(jù)概念的發(fā)展 6
1.2.2 大數(shù)據(jù)技術(shù)的發(fā)展 8
1.3　大數(shù)據(jù)的關(guān)鍵技術(shù) 9
1.3.1 大數(shù)據(jù)采集 9
1.3.2 大數(shù)據(jù)預(yù)處理 10
1.3.3 大數(shù)據(jù)存儲(chǔ) 10
1.3.4 大數(shù)據(jù)計(jì)算 12
1.3.5 大數(shù)據(jù)挖掘 13
1.3.6 大數(shù)據(jù)安全 14
1.3.7 大數(shù)據(jù)可視化 16
1.4　大數(shù)據(jù)的應(yīng)用案例 17
1.4.1 大數(shù)據(jù)在金融領(lǐng)域中的應(yīng)用 17
1.4.2 大數(shù)據(jù)在醫(yī)療領(lǐng)域中的應(yīng)用 17
1.4.3 大數(shù)據(jù)在交通領(lǐng)域中的應(yīng)用 18
1.4.4 大數(shù)據(jù)在土地資源領(lǐng)域中的應(yīng)用 19
1.4.5 大數(shù)據(jù)的其他應(yīng)用 19
1.5　大數(shù)據(jù)面臨的挑戰(zhàn) 20
1.5.1 數(shù)據(jù)隱私和安全 20
1.5.2 數(shù)據(jù)存儲(chǔ)和處理 20
1.5.3 數(shù)據(jù)共享機(jī)制 20
1.5.4 價(jià)值挖掘問(wèn)題 21
1.5.5 其他挑戰(zhàn) 21
1.6　大數(shù)據(jù)的發(fā)展趨勢(shì) 22
思考題 24
第2章 大數(shù)據(jù)采集 25
2.1　大數(shù)據(jù)采集的基礎(chǔ) 25
2.1.1 傳統(tǒng)數(shù)據(jù)采集 25
2.1.2 大數(shù)據(jù)采集的概述 26
2.2　大數(shù)據(jù)采集的架構(gòu) 27
2.2.1 Scribe 28
2.2.2 Chukwa 29
2.2.3 Kafka 30
2.2.4 Flume 35
2.3　互聯(lián)網(wǎng)數(shù)據(jù)抓取與處理技術(shù) 37
2.3.1 App端數(shù)據(jù)采集 38
2.3.2 網(wǎng)絡(luò)爬蟲 39
2.3.3 常用的網(wǎng)絡(luò)爬蟲方法 43
2.3.4 文本數(shù)據(jù)處理 48
思考題 56
第3章 大數(shù)據(jù)預(yù)處理 57
3.1　數(shù)據(jù)基礎(chǔ)的概念 57
3.1.1 數(shù)據(jù)對(duì)象與屬性類型 57
3.1.2 數(shù)據(jù)的統(tǒng)計(jì)描述 58
3.1.3 數(shù)據(jù)相似性和相異性的度量方法 62
3.2　數(shù)據(jù)預(yù)處理的概述 65
3.2.1 數(shù)據(jù)質(zhì)量 66
3.2.2 主要任務(wù) 66
3.3　數(shù)據(jù)清洗 67
3.3.1 缺失值處理 67
3.3.2 光滑噪聲數(shù)據(jù)處理 68
3.3.3 檢測(cè)偏差與糾正偏差 70
3.4　數(shù)據(jù)集成 70
3.4.1 模式識(shí)別和對(duì)象匹配 71
3.4.2 冗余問(wèn)題 71
3.4.3 元組重復(fù) 73
3.4.4 數(shù)據(jù)值沖突的檢測(cè)與處理 73
3.5　數(shù)據(jù)規(guī)約 74
3.5.1 離散小波變換 74
3.5.2 主成分分析 75
3.5.3 屬性子集選擇 75
3.5.4 回歸和對(duì)數(shù)線性模型 76
3.5.5 直方圖 77
3.5.6 聚類 78
3.5.7 抽樣 78
3.5.8 數(shù)據(jù)立方體聚集 79
3.6　數(shù)據(jù)轉(zhuǎn)換 80
3.6.1 通過(guò)規(guī)范化變換數(shù)據(jù) 81
3.6.2 通過(guò)離散化變換數(shù)據(jù) 82
3.6.3 標(biāo)稱數(shù)據(jù)的概念分層變換 83
思考題 84
第4章 大數(shù)據(jù)存儲(chǔ) 85
4.1　HDFS 85
4.1.1 HDFS的概述 85
4.1.2 HDFS的相關(guān)概念 88
4.1.3 HDFS的體系結(jié)構(gòu) 91
4.1.4 HDFS的存儲(chǔ)原理 93
4.1.5 HDFS的數(shù)據(jù)讀/寫過(guò)程 96
4.2　分布式數(shù)據(jù)庫(kù)HBase 98
4.2.1 概述 98
4.2.2 HBase訪問(wèn)接口 100
4.2.3 HBase列族數(shù)據(jù)模型 101
4.2.4 HBase的實(shí)現(xiàn) 106
4.2.5 HBase的運(yùn)行機(jī)制 110
4.3　NoSQL 114
4.3.1 NoSQL的簡(jiǎn)介 114
4.3.2 NoSQL的三大基石 118
思考題 122
第5章 大數(shù)據(jù)計(jì)算 123
5.1　批處理計(jì)算 123
5.1.1 MapReduce的概述 124
5.1.2 Map和Reduce 124
5.1.3 MapReduce的工作流程 125
5.1.4 MapReduce實(shí)例 129
5.2　流計(jì)算 133
5.2.1 流計(jì)算的概述 133
5.2.2 Storm 134
5.2.3 增量算法 136
5.3　圖計(jì)算 137
5.3.1 圖計(jì)算的概述 137
5.3.2 Pregel 138
5.4　查詢分析計(jì)算 141
5.5　云計(jì)算 143
5.5.1 云計(jì)算的概述 143
5.5.2 云計(jì)算的關(guān)鍵技術(shù) 144
5.5.3 云計(jì)算與大數(shù)據(jù) 145
5.6　大數(shù)據(jù)計(jì)算平臺(tái) 146
5.6.1 Hadoop 146
5.6.2 Spark 154
思考題 160
第6章 大數(shù)據(jù)挖掘 162
6.1　數(shù)據(jù)挖掘的基礎(chǔ) 162
6.1.1 數(shù)據(jù)挖掘的概述 162
6.1.2 數(shù)據(jù)挖掘的主要任務(wù) 164
6.1.3 數(shù)據(jù)挖掘的對(duì)象 168
6.1.4 數(shù)據(jù)挖掘的工具 168
6.2　聚類分析 171
6.2.1 聚類分析的概述 171
6.2.2 基于劃分的聚類算法 174
6.2.3 基于層次的聚類算法 183
6.2.4 基于密度的聚類算法 190
6.2.5 基于模型的聚類算法 194
6.3　分類分析 195
6.3.1 分類的基礎(chǔ)知識(shí) 195
6.3.2 決策樹分類 197
6.3.3 最近鄰分類器 202
6.3.4 貝葉斯分類器 204
6.3.5 支持向量機(jī)預(yù)測(cè) 205
6.3.6 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè) 214
6.4 回歸分析 220
6.4.1 回歸分析的概述 220
6.4.2 線性回歸模型 221
6.4.3 支持向量回歸模型 223
6.4.4 邏輯回歸模型 225
6.5　關(guān)聯(lián)分析 227
6.5.1 關(guān)聯(lián)分析的概述 228
6.5.2 Apriori算法 230
6.5.3 FP增長(zhǎng)算法 235