shuffle是一个能产生奇迹的地方，不管是在 Spark 还是Hadoop中，它们的作用都是至关重要的。 在Spark中，一般在执行reduceByKey、groupByKey、sortByKey、countByKey、join、cogroup等操作时，会发生shuff ...
2020-05-13
HDFS集群有两类节点，并以管理者-工作者模式运行，即一个NameNode（管理者）和多个DataNode（工作者）。 NameNode是Master节点，有点类似Linux里的根目录，是管理文件系统的命名空间。管理数据块映射 ...
2020-05-12
桑基是何许图也 据小z不严谨的抽样提问统计，90%想学习桑基图的旁友，都是被她妖艳炫酷的外表所吸引。 而桑基图真正代表了什么？和类似图表相比的独特性是什么？ ...
2020-05-12
Series数据结构 Series是一种类似于一位数组的对象，由一组数据及一组与之相关的数据标签（即索引）组成。 上面这样的数据结构就是Series，第一列数字是数据标签，第二列是具体的数据 ...
2020-05-12
Python在数据分析领域受到社会大众的欢迎，一般而言，在windows上也是能运行Python程序的，不过前提是需要安装python解释器。但是绝大多数的python程序都是跑在Linux机器上的，所以我们需要配置一台linu ...
2020-05-12
Kudu是一个列式存储的用于快速分析的NoSQL数据库，提供了类似SQL的查询语句，与RDBMS十分类似，有**PRIMARY KEY **，基于主键查询而不是HBase的RowKey。 kudu拥有毫秒级延迟 与其他大数据数据库不同，Kud ...
2020-05-12
什么是卡方分布呢？ 卡方分布（chi-square distribution），又名西格玛分布，统计学领域的应用学科，是统计学中的一个非常有用的著名分布。 当n个相互独立的随机变量ξ₁，ξ₂，...,ξn ，均服从标 ...
2020-05-12
俗话说的好，工欲善其事，必先利其器。很多从事数据统计分析工作的朋友应该会深有感触，苦于自己80%的时间在做数据清洗，而仅仅只有20%的时间在优化模型、分析统计结果等，今天我们就来介绍下SQL数据清洗。 因此， ...
2020-05-12
（1）Excel实现 缺失值填充前后的对比如下图所示： 在数据中年龄用数字填充合适，但是性别用数字填充就不太合适，那么可不可以分开填充呢？答案是可以的，选中想要被填充的那一列，按照填充全部数据的方式进行填充 ...
2020-05-11
从菜市场买来的菜，总有一些是坏掉的不太好的，所以把菜买回来之后要做一遍预处理，也就是把那些坏掉的不太好的部分扔掉。现实中大部分的数据都类似于菜市场的菜品，拿到手以后会有一些不好的数据，所以都要先做 ...
2020-05-11
《python统计分析》以基础的统计学知识和假设检验为重点，简明扼要地讲述了Python在数据分析、可视化和统计建模中的应用。 主要包括Python的简单介绍、研究设计、数据管理、概率分布、不同数据类型的假设检 ...
2020-05-11
最近，看到一道有关T分布的试题《T分布是一条以0为中心左右对称的曲线吗？》确实，T分布是以0为中心，左右对称的一簇单峰曲线。不过，当其自由度越小，曲线的峰度越低，尾部越高，当自由度趋于无穷大时，t分布就是标 ...
2020-05-11
混淆矩阵(Confusion Matrix)，也成为误差矩阵，是用n行n列矩阵形式来表示的表，这张表通过对比已知分类结果的测试数据的预测值和真实值表来描述衡量分类器的性能。 在二分类的情况下，混淆矩阵是展示预测 ...
2020-05-11
统计分析中的长尾分布理论认为，由于成本和效率的因素，过去人们只会关注重要的人或事，如果用需求曲线来描述，受精力与成本等客观因素的限制，人们通常只会关注曲线的“头部”，而选择忽略曲线的“尾部 ...
2020-05-11
现在大数据成为一个热门话题， 然而无论是网页、产品信息、车辆的功能、文本、病例，还是气象等数据， 对数据的理解的第一步就是要理解数据之间的关联。认同这一点的话， 就能够理解为什么图论在将来能够为人们的 ...
2020-05-11
最近在接触kaggle的竞赛示例，练习了一下，感觉受益匪浅。同时，心中也有个问题。拿到数据之后第一件事是什么？分析数据的情况？怎么分析？分析之后如何去处理数据呢？等等一些数据分析的工作。其中，大家都可能非 ...
2020-05-11
python数据挖掘，指用python对数据进行处理，从大型数据库的分析中，发现预测信息的过程。 什么是数据挖掘？ 数据挖掘（英文全称Data Mining，简称DM），指从大量的数据中挖掘出未知且有价值的信息和只 ...
2020-05-11
一提到深度学习，大部分人会觉得一定非常难，其实不然，深度学习背后的主要原因是人工智能应该从人脑中汲取灵感，而python深度学习，指的是使用编程语言Python来进行深度学习。 众所周知，Python是一门 ...
2020-05-11
说道SQL难不难学的问题，应该是见仁见智吧！对于有目标的人而言，学习SQL就会变得简单，大家一定相信这点。当然，千里之行始于足下，学习并没有什么捷径，只能靠努力。 SQLServer是一个可扩展的、高性能的、为分布 ...
2020-05-09
随着科技的日新月异，人们对数据的依赖稳步上升中，尤其在商业等领域，对于企业而言正确且连贯的数据流，是他们做出快速、精准的决策的重要依据之一。因此，建立正确的数据流和数据结构才能保证最好的结果，这个过程 ...
2020-05-09在数据库设计与业务数据维护中，自增ID是数据表最常用的主键字段，用于唯一标识每一条业务数据，正常状态下ID应保持连续递增。但 ...
2026-08-31在数理统计、数据分析、经济测算与日常量化评估中，平均值是刻画数据集中趋势、反映整体水平的基础核心指标。在实际应用中，最常 ...
2026-08-31在数据驱动的时代，数据分析早已不是“凭经验、靠感觉”的零散操作，而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-08-31在大数据时代背景下，海量行业数据亟需通过专业化工具挖掘潜在价值，辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具，承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习，实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标，而是陷入“指标失控”：仪表盘上堆满实时跳动的数据，却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及，零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中，JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式，适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表，但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中，时间序列是最常见的数据类型之一，订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中，原始数据普遍存在录入错误、系统故障、偶然极值等问题，极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表，但当被问到“数据是从哪里来的？经过哪些加工才进入数据仓库？ETL具体做了什么？”时 ...
2026-08-26在数理统计与数据分析领域，多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作，而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计，但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量，核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中，InnoDB存储引擎作为主流事务型引擎，默认事务隔离级别为可重复读（Repeatable Read，RR），这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模，但当被问到“这批数据属于什么类型——结构化还是非结构化？分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测，但当被问到“这个月销售额增长20%，到底是长期趋势自然增长，还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中，直方图是展示数据分布特征、离散程度、集中区间的核心图表，能够直观呈现数值数据的频次分布规律 ...
2026-08-20
