数据思维的十个方法
学习大数据需要什么基础？
学习大数据需要什么基础？
大数据需要开发功底，比如python语言，通过编程需要抓取数据。当然会前端需要比如Html，javascript，将抓取的数据整合后通过前端去展示。所以个人觉得学习一门开发语言是必须的。
什么是大数据?要简单通俗点的解释？
什么是大数据及应用？大数据即为海量数据。人类生活在三维空间中，一草一木，一山一水，人类活动的行为轨迹，都能用数据来表达。如企业的生产运营，商品标准。政府的管理决策，消费者的消费水平，消费习惯。地理环境的一条公路，一条河流等等。每方面都有每方面的大数据。每个行业都有每个行业的大数据。通过各企业，行业，社会主体等等数据的集成。形成了概念更大，更有价值的大数据流。通过宇宙万物是互联的原理。以及逻辑关系的分析。能够得到。关于社会治理，企业运营，个人服务的便捷可靠，真实的服务方案。一件事物的组成并非由单一因素组成。由多方组合或者协同完成的。一件衣服的完成，要有生产布料的厂家，制衣厂家，制扣厂家，制线厂家，设计方，工人加工等等环节组合而成。大数据也是如此。大数据应用也是如此。人类刚刚迈入数字经济时代。既为以数据为生产资料的时代。谁能掌握大数据以及大数据的应用？更好地服务于人类社会。谁就占据了未来财富以及地位的制高点。中国战略性新兴产业联盟河北唐冠众兴科技有限公司毕绍鹏回答
数据分析需要用什么技术？java还python好一点？
我猜楼主问这个问题，主要还是对数据分析技术不太了解
先说结论：
如果你是想搭建完整的数据分析解决方案，从存储，数据处理和清洗，分析，可视化，那就用java，毕竟java这块解决方案和框架较多，比如hadoop,spark,flink等
如果你只是纯数据分析，数据集比较单一，比如想快速在excel或数据库中，检索，查询，提炼自己想要的数据，就用python
我们来看看目前企业对数据分析的需求吧：
20%的数据发挥着80%的业务价值；
80%的数据请求只针对20%的数据。
目前来看，不管是数据存储处理、分析还是挖掘，最完整和成熟的生态圈还是基于关系型数据库，比如报表、联机分析等工具；另外就是数据分析人员更偏重于查询分析语言如SQL、R、Python数据分析包而不是编程语言。
企业大数据平台建设的二八原则是，将20%最有价值的数据——以结构化的形式存储在关系型数据库中供业务人员进行查询和分析；而将80%的数据——以非结构化、原始形式存储在相对廉价的Hadoop等平台上，供有一定数据挖掘技术的数据分析师或数据工程师进行下一步数据处理。经过加工的数据可以以数据集市或数据模型的形式存储在NoSQL数据库中，这也是后面要讲到的“离线”与“在线”数据。
数据库到数据仓库，是事务型数据到分析型数据的转变，分析型数据需要包括的是：分析的主题、数据的维度和层次，以及数据的历史变化等等。而对大数据平台来说，对分析的需求会更细，包括：
查询：快速响应组合条件查询、模糊查询、标签
搜索：包括对非结构化文档的搜索、返回结果的排序
统计：实时反映变化，如电商平台的在线销售订单与发货计算出的库存显示
挖掘：支持挖掘算法、机器学习的训练集
针对不同的数据处理需求，可能需要设计不同的数据存储，还需要考虑如何快速地将数据复制到对应的存储点并进行合适的结构转换，以供分析人员快速响应业务的需求。
JAVA技术栈：
Hadoop一个分布式系统基础架构。
解决了大数据（大到一台计算机无法进行存储，一台计算机无法在要求的时间内进行处理）的可靠存储(HDFS)和处理(MapReduce)。
Hive是建立在Hadoop之上的，使用Hadoop作为底层存储的批处理系统。（可以理解为MapReduce的一层壳）
Hive是为了减少MapReduce jobs的编写工作。
HBaseHBase是一种Key/Value系统，它运行在HDFS之上。
Hbase是为了解决Hadoop的实时性需求。
Spark和StormSpark和Storm都是通用的并行计算框架。
解决Hadoop只适用于离线数据处理，而不能提供实时数据处理能力的问题。
区别：
1. Spark基于这样的理念，当数据庞大时，把计算过程传递给数据要比把数据传递给计算过程要更富效率。而Storm是把数据传递给计算过程。
2. 基于设计理念的不同，其应用领域也不同。Spark工作于现有的数据全集（如Hadoop数据）已经被导入Spark集群，Spark基于in-memory管理可以进行快讯扫描，并最小化迭代算法的全局I/O操作。Storm在动态处理大量生成的“小数据块”上要更好（比如在Twitter数据流上实时计算一些汇聚功能或分析）。
Python技术栈
一张图搞定
python技术栈