大数据量,海量数据 处理方法总结
如何进行大数据分析及处理
如何进行大数据分析及处理大数据已经成为当今社会中的重要资源和工具，在各个领域都扮演着重要角色。
然而，大数据的价值只有通过分析和处理才能发挥出来。
本文将介绍如何进行大数据分析及处理的一般步骤和方法。
首先，对于大数据的分析，我们需要明确分析的目标。
无论是市场调研、用户行为分析、风险评估等，我们都需要通过明确的目标来指导分析的过程。
确立目标可以帮助我们选择合适的数据采集方式，以及设计有效的分析模型。
其次，我们需要选择适当的工具和技术来处理大数据。
目前，有许多大数据分析平台和工具可供选择，例如Hadoop、Spark等。
这些工具能够帮助我们处理和分析海量数据，并提供高效的计算和存储能力。
在选择工具时，我们需要考虑具体的业务需求、数据规模和预算等因素。
第三，数据清洗是大数据分析的重要步骤之一。
由于大数据的来源多样化，数据质量也会存在不确定性和不完整性。
因此，我们需要进行数据清洗，去除重复值、缺失值和异常值等。
在数据清洗的过程中，我们还可以对数据进行格式化和标准化，以便更好地进行后续的分析。
接着，我们需要进行数据探索性分析。
通过数据可视化和统计分析，我们可以发现数据中的规律和趋势，揭示潜在的信息和关联性。
数据探索性分析可以通过绘制直方图、散点图和热力图等图表来实现。
此外，我们还可以利用统计分析方法，如相关性分析和回归分析，来深入挖掘数据背后的内在关系。
然后，我们可以进行数据建模和预测分析。
通过建立合适的模型，我们可以利用历史数据来预测未来的趋势和结果。
常用的数据建模方法包括回归分析、决策树、聚类等。
这些模型可以帮助我们发现数据中的潜在规律，并用于未来决策和预测。
最后，我们需要对数据分析结果进行解释和呈现。
无论是向管理层做报告，还是将结果呈现给大众，我们都需要选择合适的方式来解释分析结果。
可视化是最常用的一种方式，通过绘制图表和图形，我们可以更直观地传达分析结果。
此外，我们还可以借助报表、演示文稿和数据故事等方式来对分析结果进行描述和说明。
数据分析师如何有效处理海量数据
数据分析师如何有效处理海量数据在数字时代的今天，数据已经成为企业和组织发展的重要驱动力。
因此，数据分析师的职业需求和人才短缺情况也越来越受到关注。
数据分析师需要收集、处理和分析大量的数据，从中提取出有价值的信息，并建立有效的数据模型，为企业决策提供依据。
在面对海量数据的时候，数据分析师需要采取一系列有效的方法和工具，来处理和分析庞大的数据量。
下面将从几个方面来探索，数据分析师如何有效处理海量数据。
一、数据预处理数据处理是数据分析工作的首要步骤，它包括数据采集、数据清洗和数据转换等环节，也是数据分析的关键环节之一。
数据分析师需要通过数据预处理来剔除无用和冗余的数据，从而提高后面数据分析的准确性和精度。
在进行数据预处理的时候，数据分析师需要了解数据的来源、数据的质量、数据的缺失情况等，并进行合理的处理和转换。
数据清洗是非常重要的一环，它可以帮助数据分析师快速高效地建立数据模型，从而获取关键的信息。
数据清洗包括去重、剔除异常值、缺失值填充等处理，通过数据清洗可以达到准确、完整和一致的数据，为后面的数据分析奠定基础。
二、数据可视化数据可视化是数据分析师的又一个重要工作环节，通常采用直观的视觉图表和仪表盘等帮助人们快速了解数据的关系和趋势。
数据可视化可以帮助数据分析师更加直观、精准和有趣的呈现数据，便于对庞大的数据量进行有效的理解和分析。
但是，数据可视化的目的不仅限于传达数据本身，更重要的是要保证信息量、简洁性和易读性，并且关注受众的使用体验。
三、机器学习和人工智能技术随着数据量的快速增长，机器学习和人工智能技术正日益成为数据分析师的得力助手，例如自然语言处理、深度学习、神经网络等等。
这些技术可以帮助分析师更快速和准确地处理、分析、甚至预测大量数据，并为企业和组织提供高质量的决策支持。
同时，机器学习和人工智能技术可以大大减轻数据分析员的工作负担，提升数据分析的效率和准确性。
四、团队合作和交流数据分析工作通常是一个团队协作的过程，数据分析师需要及时和团队成员进行沟通和交流，以确保分析过程和分析结果的准确性和一致性。
大数据时代的数据加工和分析方法总结
大数据时代的数据加工和分析方法总结随着信息技术的飞速发展，数据已经成为当今世界最为宝贵的资源之一。
在大数据时代，海量的数据已经成为了各种企业和机构的重要资产和基础。
为了更好地利用这些数据，各种数据加工和分析方法也应运而生。
本文将介绍一些常见的数据加工和分析方法，以及其在大数据时代中的应用。
一、数据采集和清洗在大数据时代，数据采集和清洗工作是非常重要的，因为数据的质量直接影响到后续分析和决策的准确性和可靠性。
数据采集可以通过多种方式实现，例如爬虫、API等，而数据清洗则涉及到去重、缺失值处理、异常值处理等工作。
这些工作的目的是去除重复、不完整或不准确的数据，从而提升数据的质量，为后续分析做好准备。
二、数据分析和挖掘数据分析和挖掘是大数据时代中的重要环节，这是通过各种算法和模型来寻找数据中的关联和隐含的规律。
例如，数据挖掘可以使用聚类、分类、关联规则等算法，来对各种数据集进行分析和挖掘。
这些方法可以用于数据挖掘、预测和决策等不同领域。
数据分析和挖掘方法在大数据时代中的应用范围非常广泛，例如人工智能、社交媒体分析、金融分析等。
三、数据可视化数据可视化可以帮助人们更好地理解和解读数据。
在大数据时代中，数据可视化可以用于展示各种数据图表、图形等，使数据更加直观和易于理解。
同时，数据可视化也可以帮助我们发现数据中的特征和规律。
例如，通过数据可视化可以发现数据中存在的异常值，或者可以发现数据中的趋势和结构等。
四、机器学习机器学习是大数据时代中的核心技术之一，它可以通过各种算法和模型来自动化分析和预测数据。
例如，机器学习可以通过训练数据集来编写预测模型，从而实现自动化的数据预测和分析。
机器学习在大数据时代中的应用非常广泛，例如人工智能、自然语言处理、图像识别等。
五、数据安全和隐私在大数据时代中，数据安全和隐私问题也越来越重要。
数据安全问题主要涉及到数据的存储和传输安全，这需要各种加密和保护措施来确保数据的安全性。
如何进行大数据分析及处理
如何进行大数据分析及处理随着科技的发展和互联网的普及，大数据的产生和积累日益剧增。
对这些海量数据进行分析和处理，成为了如今许多行业和企业面临的重要课题。
本文将为您介绍如何进行大数据分析及处理的一些基本方法和步骤。
1. 数据收集与清洗在进行大数据分析之前，第一步需要收集和整理数据。
数据可以来自于不同的渠道，如传感器、社交媒体、在线交易等。
在收集数据时，需要注意确保数据的准确性和完整性。
然后对数据进行清洗，排除掉重复、错误或不完整的数据，以确保分析的准确性和可靠性。
2. 数据存储与管理随着数据量的增加，合理的数据存储与管理变得尤为重要。
一种常见的做法是使用分布式存储系统，如Hadoop和Spark。
这些系统可以将数据分割成小块，并存储在不同的节点上，从而提高数据的读写效率和可扩展性。
此外，还可以使用数据库和数据仓库等工具来进行数据的存储和管理。
3. 数据预处理在进行大数据分析之前，需要对数据进行预处理。
数据预处理包括数据清洗、数据变换和数据规约等步骤。
数据清洗用于处理数据中的噪声、异常值和缺失值等问题。
数据变换可以将数据进行归一化、标准化和离散化等处理，以便于后续分析。
数据规约则是将数据进行降维或压缩，以提高计算效率和降低存储成本。
4. 数据分析与建模在数据预处理完成后，可以进行数据分析和建模。
数据分析旨在揭示数据背后的模式、趋势和关联性等信息。
常用的数据分析方法包括统计分析、数据挖掘、机器学习和深度学习等。
在进行数据分析时，需要根据具体问题选择适合的算法和模型，并进行数据训练和验证。
5. 数据可视化与报告。
常用大数据量、海量数据处理方法 总结
大数据量的问题是很多面试笔试中经常出现的问题，比如baidu goog le腾讯这样的一些涉及到海量数据的公司经常会问到。
下面的方法是我对海量数据的处理方法进行了一个一般性的总结，当然这些方法可能并不能完全覆盖所有的问题，但是这样的一些方法也基本可以处理绝大多数遇到的问题。
下面的一些问题基本直接来源于公司的面试笔试题目，方法不一定最优，如果你有更好的处理方法，欢迎与我讨论。
l.Bloom filter适用范围：可以用来实现数据字典，进行数据的判重，或者集合求交集基本原理及要点：对于原理来说很简单，位数组+k个独立hash函数。
将hash函数对应的值的位数组置1，查找时如果发现所有hash函数对应位都是1说明存在，很明显这个过程并不保证查找的结果是100%正确的。
同时也不支持删除一个已经插入的关键字，因为该关键字对应的位会牵动到其他的关键字。
所以一个简单的改进就是counting Bloom filter，用一个counter数组代替位数组，就可以支持删除了。
还有一个比较重要的问题，如何根据输入元素个数n，确定位数组m的大小及hash函数个数。
当hash函数个数k=(ln2)*(m/n)时错误率最小。
在错误率不大于E的情况下，m至少要等于n*lg(1/E)才能表示任意n 个元素的集合。
但m还应该更大些，因为还要保证bit数组里至少一半为0,则m应该＞=nlg（1/E）*lge大概就是nlg（1/E）1.44倍（lg 表示以2为底的对数）。
举个例子我们假设错误率为0.01，则此时m应大概是n的13倍。
这样k 大概是8个。
注意这里m与n的单位不同，m是bit为单位，而n则是以元素个数为单位（准确的说是不同元素的个数）。
通常单个元素的长度都是有很多bit 的。
所以使用bloom filter内存上通常都是节省的。
扩展：Bloom filter将集合中的元素映射到位数组中，用k（k为哈希函数个数）个映射位是否全1表示元素在不在这个集合中。
海量数据问题的处理-六种解决思路
海量数据问题的处理-六种解决思路1. 处理海量数据问题的四板斧分治基本上处理海量数据的问题，分治思想都是能够解决的，只不过⼀般情况下不会是最优⽅案，但可以作为⼀个baseline，可以逐渐优化⼦问题来达到⼀个较优解。
传统的归并排序就是分治思想，涉及到⼤量⽆法加载到内存的⽂件、排序等问题都可以⽤这个⽅法解决。
适⽤场景:数据量⼤⽆法加载到内存技能链接:归并排序哈希(Hash)个⼈感觉Hash是最为粗暴的⼀种⽅式，但粗暴却⾼效，唯⼀的缺点是耗内存，需要将数据全部载⼊内存。
适⽤场景:快速查找，需要总数据量可以放⼊内存bit(位集或BitMap)位集这种思想其实简约⽽不简单，有很多扩展和技巧。
⽐如多位表⽰⼀个数据(能够表⽰存在和数量问题)，BloomFilter(布隆过滤器就是⼀个典型的扩展)，在实际⼯作中应⽤场景很多，⽐如消息过滤等，读者需要掌握，但对于布隆过滤器使⽤有⼀些误区和不清楚的地⽅，读者可以看下⾯这篇博客避免这些性能上的误区。
适⽤场景：可进⾏数据的快速查找，判重技能链接:布隆过滤器使⽤的性能误区堆(Heap)堆排序是⼀种⽐较通⽤的TopN问题解决⽅案，能够满⾜绝⼤部分的求最值的问题，读者需要掌握堆的基本操作和思想。
适⽤场景:处理海量数据中TopN的问题(最⼤或最⼩)，要求N不⼤，使得堆可以放⼊内存技能链接:排序算法-Heap排序2. 常见场景题：谈⼀谈，分布式集群中如何保证线程安全？请你设计⼀种⽅案，给每个组分配不同的IP段，并且可以快速得知某个IP是哪个组的?如何将⼀个⽂件快速下发到100万个服务器这⾥有1000个任务，分给10个⼈做，你会怎样分配，先在纸上写个最简单的版本，然后优化。
全局队列，把1000任务放在⼀个队列⾥⾯，然后每个⼈都是取，完成任务。
分为10个队列，每个⼈分别到⾃⼰对应的队列中去取务。
如果让你来开发微信抢红包，说说你的思路是怎么样的？可能遇到什么问题，你会怎么解决悲观锁，乐观锁，存储过程放在mysql数据库中。
PowerBI与大数据如何处理海量数据
PowerBI与大数据如何处理海量数据Power BI与大数据如何处理海量数据在当今信息化的时代，大数据已经成为了企业和组织管理的重要资源。
然而，随着数据量的不断增长，处理海量数据成为了一个巨大的挑战。
为了解决这一问题，很多企业开始采用Power BI来处理和分析海量数据，以获取更深入的洞察和业务价值。
一、PowerBI简介Power BI是由微软公司开发的一套商业智能工具，用于将数据变为清晰、易于理解的可视化报表和仪表盘。
它提供了丰富的数据连接和整合能力，可以从各种数据源中提取和转换数据。
此外，Power BI还支持大规模数据的处理和分析，为企业提供了处理海量数据的解决方案。
二、数据清洗与预处理在处理海量数据之前，首先需要对数据进行清洗和预处理。
Power BI提供了一系列的数据清洗和转换工具，可以帮助用户轻松地清洗和转换数据。
例如，可以使用Power Query将数据从不同的数据源中提取出来，并进行清洗、变换和合并操作。
通过这些功能，用户可以在数据导入过程中，对数据进行必要的预处理，从而提高后续分析的准确性和效率。
三、数据模型与建模在处理海量数据时，合理的数据建模是至关重要的。
Power BI支持多种数据建模技术，例如关系模型、多维模型和混合模型等。
用户可以根据具体需求选择合适的模型，并利用Power BI提供的建模工具进行模型的创建和优化。
此外，Power BI还支持数据的关联和连接，可以将多个数据源的数据进行整合，以支持更全面、准确的分析。
四、数据存储和查询优化在处理海量数据时，存储和查询性能是需要特别关注的问题。
Power BI支持多种数据存储方式，例如基于云的存储和本地存储等。
用户可以根据数据量的大小和存储的要求选择合适的存储方式，并通过Power BI提供的性能优化工具对查询进行优化。
这些工具可以帮助用户优化查询计划、缓存数据、调整索引等，以提高查询效率和响应速度。
五、数据可视化和报表展示Power BI提供了丰富的数据可视化和报表展示功能，可以将海量数据转化为直观、易于理解的图表和报表。
海量数据处理的技术与应用
海量数据处理的技术与应用一、引言随着互联网的发展，人们产生和积累的数据量越来越大，这些数据需要进行有效地存储和处理，才能发挥其价值。
海量数据处理成为计算机科学中最重要的问题之一。
本文将介绍海量数据处理的技术和应用。
二、海量数据处理技术1.分布式计算分布式计算是一种利用多台计算机协同工作来完成计算任务的方式。
在海量数据处理中，分布式计算可以将数据分散到多个计算节点上进行计算，避免了单台计算机性能瓶颈的问题，提高了数据处理的速度和效率。
2.并行计算并行计算是指同时使用多个处理器处理同一任务的计算方法。
在海量数据处理中，通过将任务细分成多个子任务，并行计算可以实现数据的快速处理，提高计算速度和效率。
3.数据库技术数据库技术可以对数据进行优化和管理。
在海量数据处理中，数据库技术可以通过分布式架构、索引技术和数据分片等技术来优化和管理海量数据，提高数据查询和处理的速度和效率。
4.机器学习机器学习是一种基于数据的自动学习方法，可以通过数据分析和模式识别来发现数据中的规律和趋势。
在海量数据处理中，机器学习可以实现数据挖掘、信息提取和智能分析等功能，帮助用户更好地理解和利用海量数据。
三、海量数据处理应用1.搜索引擎搜索引擎是一种基于信息检索技术的工具，可以帮助用户快速找到所需的信息。
在海量数据处理中，搜索引擎可以通过对海量数据的索引和检索，帮助用户快速、准确地找到所需的信息。
2.大数据分析大数据分析是一种将大规模数据处理技术和机器学习技术相结合的方法，可以实现数据挖掘、情报分析和智能决策等功能。
在企业和政府机构中，大数据分析已经成为了决策的重要工具。
3.社交媒体分析社交媒体分析是一种通过分析社交媒体上的数据，了解用户的偏好和需求，提高营销效果的方法。
在海量数据处理中，社交媒体分析可以通过分析用户行为和话题趋势，帮助企业更好地了解用户需求，优化产品和服务。
四、结论海量数据处理是计算机科学中的重要问题，需要使用分布式计算、并行计算、数据库技术和机器学习等技术来实现。
如何进行大数据分析和处理
如何进行大数据分析和处理随着信息技术的快速发展和互联网的普及，大数据已成为当今社会的热门话题。
大数据分析和处理能够帮助我们挖掘隐藏在海量数据中的有价值信息，为决策和创新提供科学依据。
本文将介绍如何进行大数据分析和处理，包括数据采集、清洗、存储、分析和可视化等环节。
一、数据采集在进行大数据分析和处理之前，首先需要进行数据采集。
数据采集是获取原始数据的过程，可以通过各种渠道和手段进行。
常见的数据采集方法包括网络爬虫、传感器数据采集、社交媒体数据抓取等。
在进行数据采集时，需要注意数据的准确性和可靠性，保证采集到的数据具有一定的价值和可用性。
二、数据清洗采集到的原始数据通常包含大量的冗余、噪声和错误。
为了保证数据分析和处理的准确性和有效性，需要对数据进行清洗。
数据清洗主要包括去除重复数据、处理缺失数据、修正错误数据等操作。
通过数据清洗可以使数据更加规整和一致，减少对后续处理过程的干扰。
三、数据存储在进行大数据分析和处理之前，需要将清洗后的数据进行存储。
数据存储可以选择使用关系型数据库、非关系型数据库或者分布式文件系统等。
根据数据的容量和处理需求，选择合适的存储方案。
同时，为了提高数据的访问效率和保护数据的安全性，可以对数据进行分区、备份和加密等操作。
四、数据分析数据分析是大数据处理的核心环节之一。
在数据分析过程中，可以运用统计学、机器学习和人工智能等方法，从数据中挖掘出隐含的规律和模式。
常见的数据分析方法包括聚类分析、关联规则挖掘、分类预测等。
通过数据分析，可以快速获取有价值的信息，为决策提供科学支持。
五、数据可视化数据可视化是将分析结果以图形化的形式展示出来，帮助用户更好地理解和分析数据。
通过数据可视化，可以将复杂的数据转化为直观的图表、图像或地图等形式，使人们可以通过视觉感知更好地发现数据中的规律和趋势。
常见的数据可视化工具包括Tableau、PowerBI、D3.js等。
在进行大数据分析和处理时，需要注意以下几点：1. 数据安全与隐私：在处理大数据时，要注重数据安全和隐私保护，采取必要的措施确保数据的机密性和完整性。
大数据处理方法总结
大数据处理方法总结第一章介绍大数据时代的到来使得数据处理成为当代的一项重要任务。
随着互联网、社交媒体、物联网等技术的快速发展，数据量呈指数级增长，传统的数据处理方法已经无法满足对大数据的高效处理需求。
因此，本文将总结大数据处理的各种方法，包括数据采集、存储、处理和分析等方面。
第二章数据采集数据采集是大数据处理的第一步，它涉及到如何从多个来源获取数据并将其整合成结构化或非结构化的格式。
常见的数据采集方法包括爬虫技术、数据抓取和API接口等。
爬虫技术通过模拟浏览器行为来抓取网页数据，数据抓取是通过特定软件或脚本从数据库或文件中提取数据，API接口是通过调用开放的数据接口来获取数据。
数据采集的关键在于选择合适的方法和技术，并能够处理各种可能的异常情况。
第三章数据存储数据存储是大数据处理中的重要环节，为了能够高效地存储和管理大规模的数据，需要采用适当的数据存储技术。
传统的关系型数据库在面对大数据处理时性能较差，因此，出现了许多新型的数据存储技术。
例如，分布式文件系统（如Hadoop的HDFS）能够将数据分散存储在多个节点上，分布式数据库（如Cassandra）能够将数据分布在不同的服务器上，列式数据库（如Vertica）则将数据以列的方式进行存储，提高了读取和查询的效率。
选择合适的数据存储技术需要综合考虑数据的特点、处理需求和成本等因素。
第四章数据处理数据处理是大数据处理过程中的核心环节，它包括数据清洗、数据转换和数据集成等步骤。
数据清洗是指在原始数据中去除重复、错误或不完整的数据，以确保数据的质量和准确性。
数据转换是将原始数据转换为目标格式，常见的转换操作包括数据筛选、聚合和计算等。
数据集成是将来自不同数据源的数据整合在一起，以便进行后续的分析和挖掘。
数据处理的关键在于选取合适的工具和算法，并能够高效地处理大规模的数据。
第五章数据分析数据分析是大数据处理的最终目标，通过对海量数据的分析和挖掘，可以发现隐藏在数据中的规律和信息。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
大数据量，海量数据处理方法总结从目前大公司用的比较多的数据处理系统角度，你可以去看看关于Hadoop，Hbase，Hive的书，纯粹讲海量数据处理的没见过，/~ullman/mmds.html，这个是关于海量数据挖掘的大数据量的问题是很多面试笔试中经常出现的问题，比如baidu google 腾讯这样的一些涉及到海量数据的公司经常会问到。
下面的方法是我对海量数据的处理方法进行了一个一般性的总结，当然这些方法可能并不能完全覆盖所有的问题，但是这样的一些方法也基本可以处理绝大多数遇到的问题。
下面的一些问题基本直接来源于公司的面试笔试题目，方法不一定最优，如果你有更好的处理方法，欢迎与我讨论。
1.Bloom filter适用范围：可以用来实现数据字典，进行数据的判重，或者集合求交集基本原理及要点：对于原理来说很简单，位数组+k个独立hash函数。
将hash函数对应的值的位数组置1，查找时如果发现所有hash函数对应位都是1说明存在，很明显这个过程并不保证查找的结果是100%正确的。
同时也不支持删除一个已经插入的关键字，因为该关键字对应的位会牵动到其他的关键字。
所以一个简单的改进就是counting Bloom filter，用一个counter 数组代替位数组，就可以支持删除了。
还有一个比较重要的问题，如何根据输入元素个数n，确定位数组m的大小及hash函数个数。
当hash函数个数k=(ln2)*(m/n)时错误率最小。
在错误率不大于E的情况下，m 至少要等于n*lg(1/E)才能表示任意n个元素的集合。
但m还应该更大些，因为还要保证bit数组里至少一半为0，则m应该>=nlg(1/E)*lge 大概就是nlg(1/E)1.44倍(lg表示以2为底的对数)。
举个例子我们假设错误率为0.01，则此时m应大概是n的13倍。
这样k大概是8个。
注意这里m与n的单位不同，m是bit为单位，而n则是以元素个数为单位(准确的说是不同元素的个数)。
通常单个元素的长度都是有很多bit的。
所以使用bloom filter内存上通常都是节省的。
扩展：Bloom filter将集合中的元素映射到位数组中，用k（k为哈希函数个数）个映射位是否全1表示元素在不在这个集合中。
Counting bloom filter（CBF）将位数组中的每一位扩展为一个counter，从而支持了元素的删除操作。
Spectral Bloom Filter（SBF）将其与集合元素的出现次数关联。
SBF采用counter中的最小值来近似表示元素的出现频率。
问题实例：给你A,B两个文件，各存放50亿条URL，每条URL占用64字节，内存限制是4G，让你找出A,B文件共同的URL。
如果是三个乃至n个文件呢？根据这个问题我们来计算下内存的占用，4G=2^32大概是40亿*8大概是340亿，n=50亿，如果按出错率0.01算需要的大概是650亿个bit。
现在可用的是340亿，相差并不多，这样可能会使出错率上升些。
另外如果这些urlip是一一对应的，就可以转换成ip，则大大简单了。
2.Hashing适用范围：快速查找，删除的基本数据结构，通常需要总数据量可以放入内存基本原理及要点：hash函数选择，针对字符串，整数，排列，具体相应的hash方法。
碰撞处理，一种是open hashing，也称为拉链法；另一种就是closed hashing，也称开地址法，opened addressing。
扩展：d-left hashing中的d是多个的意思，我们先简化这个问题，看一看2-left hashing。
2-left hashing指的是将一个哈希表分成长度相等的两半，分别叫做T1和T2，给T1和T2分别配备一个哈希函数，h1和h2。
在存储一个新的key时，同时用两个哈希函数进行计算，得出两个地址h1[key]和h2[key]。
这时需要检查T1中的h1[key]位置和T2中的h2[key]位置，哪一个位置已经存储的（有碰撞的）key比较多，然后将新key存储在负载少的位置。
如果两边一样多，比如两个位置都为空或者都存储了一个key，就把新key 存储在左边的T1子表中，2-left也由此而来。
在查找一个key时，必须进行两次hash，同时查找两个位置。
问题实例：1).海量日志数据，提取出某日访问百度次数最多的那个IP。
IP的数目还是有限的，最多2^32个，所以可以考虑使用hash将ip直接存入内存，然后进行统计。
3.bit-map适用范围：可进行数据的快速查找，判重，删除，一般来说数据范围是int的10倍以下基本原理及要点：使用bit数组来表示某些元素是否存在，比如8位电话号码扩展：bloom filter可以看做是对bit-map的扩展问题实例：1)已知某个文件内包含一些电话号码，每个号码为8位数字，统计不同号码的个数。
8位最多99 999 999，大概需要99m个bit，大概10几m字节的内存即可。
2)2.5亿个整数中找出不重复的整数的个数，内存空间不足以容纳这2.5亿个整数。
将bit-map扩展一下，用2bit表示一个数即可，0表示未出现，1表示出现一次，2表示出现2次及以上。
或者我们不用2bit来进行表示，我们用两个bit-map即可模拟实现这个2bit-map。
4.堆适用范围：海量数据前n大，并且n比较小，堆可以放入内存基本原理及要点：最大堆求前n小，最小堆求前n大。
方法，比如求前n小，我们比较当前元素与最大堆里的最大元素，如果它小于最大元素，则应该替换那个最大元素。
这样最后得到的n个元素就是最小的n个。
适合大数据量，求前n小，n的大小比较小的情况，这样可以扫描一遍即可得到所有的前n元素，效率很高。
扩展：双堆，一个最大堆与一个最小堆结合，可以用来维护中位数。
问题实例：1)100w个数中找最大的前100个数。
用一个100个元素大小的最小堆即可。
5.双层桶划分适用范围：第k大，中位数，不重复或重复的数字基本原理及要点：因为元素范围很大，不能利用直接寻址表，所以通过多次划分，逐步确定范围，然后最后在一个可以接受的范围内进行。
可以通过多次缩小，双层只是一个例子。
扩展：问题实例：1).2.5亿个整数中找出不重复的整数的个数，内存空间不足以容纳这2.5亿个整数。
有点像鸽巢原理，整数个数为2^32,也就是，我们可以将这2^32个数，划分为2^8个区域(比如用单个文件代表一个区域)，然后将数据分离到不同的区域，然后不同的区域在利用bitmap就可以直接解决了。
也就是说只要有足够的磁盘空间，就可以很方便的解决。
2).5亿个int找它们的中位数。
这个例子比上面那个更明显。
首先我们将int划分为2^16个区域，然后读取数据统计落到各个区域里的数的个数，之后我们根据统计结果就可以判断中位数落到那个区域，同时知道这个区域中的第几大数刚好是中位数。
然后第二次扫描我们只统计落在这个区域中的那些数就可以了。
实际上，如果不是int是int64，我们可以经过3次这样的划分即可降低到可以接受的程度。
即可以先将int64分成2^24个区域，然后确定区域的第几大数，在将该区域分成2^20个子区域，然后确定是子区域的第几大数，然后子区域里的数的个数只有2^20，就可以直接利用direct addr table进行统计了。
6.数据库索引适用范围：大数据量的增删改查基本原理及要点：利用数据的设计实现方法，对海量数据的增删改查进行处理。
扩展：问题实例：7.倒排索引(Inverted index)适用范围：搜索引擎，关键字查询基本原理及要点：为何叫倒排索引？一种索引方法，被用来存储在全文搜索下某个单词在一个文档或者一组文档中的存储位置的映射。
以英文为例，下面是要被索引的文本：T0 = "it is what it is"T1 = "what is it"T2 = "it is a banana"我们就能得到下面的反向文件索引："a": {2}"banana": {2}"is": {0, 1, 2}"it": {0, 1, 2}"what": {0, 1}检索的条件"what", "is" 和"it" 将对应集合的交集。
正向索引开发出来用来存储每个文档的单词的列表。
正向索引的查询往往满足每个文档有序频繁的全文查询和每个单词在校验文档中的验证这样的查询。
在正向索引中，文档占据了中心的位置，每个文档指向了一个它所包含的索引项的序列。
也就是说文档指向了它包含的那些单词，而反向索引则是单词指向了包含它的文档，很容易看到这个反向的关系。
扩展：问题实例：文档检索系统，查询那些文件包含了某单词，比如常见的学术论文的关键字搜索。
8.外排序适用范围：大数据的排序，去重基本原理及要点：外排序的归并方法，置换选择败者树原理，最优归并树扩展：问题实例：1).有一个1G大小的一个文件，里面每一行是一个词，词的大小不超过16个字节，内存限制大小是1M。
返回频数最高的100个词。
这个数据具有很明显的特点，词的大小为16个字节，但是内存只有1m做hash有些不够，所以可以用来排序。
内存可以当输入缓冲区使用。
9.trie树适用范围：数据量大，重复多，但是数据种类小可以放入内存基本原理及要点：实现方式，节点孩子的表示方式扩展：压缩实现。
问题实例：1).有10个文件，每个文件1G，每个文件的每一行都存放的是用户的query，每个文件的query都可能重复。
要你按照query的频度排序。
2).1000万字符串，其中有些是相同的(重复),需要把重复的全部去掉，保留没有重复的字符串。
请问怎么设计和实现？3).寻找热门查询：查询串的重复度比较高，虽然总数是1千万，但如果除去重复后，不超过3百万个，每个不超过255字节。
10.分布式处理mapreduce适用范围：数据量大，但是数据种类小可以放入内存基本原理及要点：将数据交给不同的机器去处理，数据划分，结果归约。
扩展：问题实例：1).The canonical example application of MapReduce is a process to count the appearances ofeach different word in a set of documents:void map(String name, String document):// name: document name// document: document contentsfor each word w in document:EmitIntermediate(w, 1);void reduce(String word, Iterator partialCounts):// key: a word// values: a list of aggregated partial countsint result = 0;for each v in partialCounts:result += ParseInt(v);Emit(result);Here, each document is split in words, and each word is counted initially with a "1" value bythe Map function, using the word as the result key. The framework puts together all the pairswith the same key and feeds them to the same call to Reduce, thus this function just needs tosum all of its input values to find the total appearances of that word.2).海量数据分布在100台电脑中，想个办法高效统计出这批数据的TOP10。