常用大数据量、海量数据处理方法__(算法)总结
大数据最常用的算法有哪些
大数据最常用的算法有哪些大数据处理涵盖了各种不同的算法和技术，下面是一些常用的大数据算法：1. 分布式存储与处理算法：用于处理海量数据的分布式存储与处理算法，如Hadoop分布式文件系统（HDFS）和Hadoop MapReduce。
2. 数据挖掘算法：用于发现大规模数据集中的模式和关联规则的算法，如Apriori算法、FP-growth算法、k-means算法、DBSCAN算法等。
3.机器学习算法：用于训练模型并进行数据分类、回归、聚类等任务的算法，如朴素贝叶斯算法、决策树算法、随机森林算法、支持向量机算法、神经网络算法等。
4. 图计算算法：用于分析图数据结构的算法，如PageRank算法、BFS算法、SSSP算法等。
5.文本挖掘与自然语言处理算法：用于处理和分析文本数据的算法，如文本分类、情感分析、命名实体识别、关键词提取等。
6.推荐系统算法：用于根据用户历史行为和兴趣进行商品或内容推荐的算法，如协同过滤算法、内容推荐算法、混合推荐算法等。
7. 关联规则挖掘算法：用于发现频繁项集和关联规则的算法，如Apriori算法、FP-growth算法等。
8.时间序列分析算法：用于分析时间序列数据的算法，如ARIMA模型、GARCH模型等。
9.异常检测算法：用于检测和识别异常数据的算法，如孤立森林算法、LOF算法等。
10.数据压缩与降维算法：用于对大规模数据进行压缩和降维的算法，如PCA算法、LLE算法等。
11.网络分析算法：用于分析和挖掘网络结构和社交网络数据的算法，如图论中的社区发现算法、中心性指标计算算法等。
12.模式识别算法：用于从大规模数据中识别和分类模式的算法，如聚类算法、支持向量机算法等。
这些算法的选择取决于具体的应用场景和问题要求，通常需要综合考虑算法的效率、准确性、可扩展性等因素。
大数据处理方法
大数据处理方法随着信息技术的发展和互联网的普及，各行各业产生的数据量呈爆炸式增长。
而要从这海量的数据中获取有价值的信息，就需要运用大数据处理方法。
本文将介绍几种常见的大数据处理方法，包括数据清洗、数据挖掘、机器学习和分析建模等。
一、数据清洗数据清洗是大数据处理的第一步，意在对原始数据进行预处理和筛选，以去除无用或错误数据，保证数据的质量和准确性。
常见的数据清洗方法包括去重处理、异常值处理和缺失值填充等。
去重处理主要是对数据进行去重，避免重复数据对后续分析产生影响。
异常值处理是通过统计分析方法或机器学习算法，对异常值进行识别和处理。
对于缺失值，可以使用插值法进行填充，或者根据数据的特点进行适当的处理。
二、数据挖掘数据挖掘是指通过自动或半自动的方式，从大量数据中发现隐藏的模式、关联和知识。
常见的数据挖掘方法包括聚类、分类、关联规则和预测等。
聚类是将数据集中的对象划分为若干个子集，使得同一子集中的对象相似度较高，而不同子集中的对象相似度较低。
分类是通过学习已有数据的标记信息，对新数据进行分类预测。
关联规则是通过分析数据集中项之间的关联关系，来发现频繁出现的模式。
预测是通过建立模型，对未来的数据进行预测和分析。
三、机器学习机器学习是一种通过计算机算法自动学习数据模型并进行预测或决策的方法。
它可以根据海量数据中的模式和规律，进行模型的训练和优化。
常见的机器学习方法包括监督学习、无监督学习和强化学习等。
监督学习是指通过有标记的数据来训练机器学习模型，并通过模型对未标记数据进行预测和分类。
无监督学习是指从无标记数据中自动发现数据模式和结构。
强化学习是一种通过与环境的交互来学习最优策略的方法，常用于游戏和智能控制等领域。
四、分析建模分析建模是将大数据处理方法与建模技术相结合，以获取更深入的数据分析结果和洞察力。
常见的分析建模方法包括回归分析、决策树和神经网络等。
回归分析是通过建立变量之间的数学模型，来研究变量之间的关系和对某个特定变量的影响。
十大经典大数据算法
十大经典大数据算法大数据算法是指应用于大规模数据集的算法，旨在从这些数据中提取有价值的信息和洞察力。
下面是十大经典大数据算法的介绍：1. MapReduce算法：MapReduce是一种用于处理大规模数据集的编程模型，它将任务分成多个子任务并在分布式计算环境中并行执行。
这种算法在Google的大数据处理框架Hadoop中得到广泛应用。
2. PageRank算法：PageRank是一种用于评估网页重要性的算法，通过分析网页之间的链接关系来确定网页的排名。
它在谷歌搜索引擎的排名算法中起到了重要作用。
3. Apriori算法：Apriori算法用于挖掘关联规则，通过发现数据集中的频繁项集来识别项目之间的关联。
该算法在市场篮子分析和推荐系统中有广泛应用。
4. k-means算法：k-means算法是一种聚类算法，用于将数据集划分为k个不重叠的簇。
该算法在数据挖掘和图像分析中常用于聚类分析。
5. 随机森林算法：随机森林是一种集成学习算法，通过构建多个决策树并对它们的结果进行投票来进行分类或回归。
该算法在数据挖掘和机器学习中常用于分类和预测问题。
6. SVM算法：支持向量机（SVM）是一种监督学习算法，用于进行分类和回归分析。
它通过构建一个最优的超平面来将不同类别的样本分开。
7. LDA算法：潜在狄利克雷分配（LDA）是一种用于主题建模的生成模型，用于从文本数据中发现隐藏的主题结构。
该算法在自然语言处理和信息检索中有广泛应用。
8. 特征选择算法：特征选择是一种用于从数据集中选择最相关特征的方法。
常用的特征选择算法包括信息增益、卡方检验和互信息等。
9. 随机梯度下降算法：随机梯度下降是一种用于优化模型参数的迭代优化算法。
该算法通过计算损失函数的梯度来更新模型参数，从而最小化损失函数。
10. 奇异值分解算法：奇异值分解（SVD）是一种矩阵分解方法，用于降低数据维度和提取数据的主要特征。
该算法在推荐系统和图像处理中常用于降维和特征提取。
大数据常用的算法
大数据常用的算法标题：大数据常用的算法引言概述：随着大数据时代的到来，大数据算法成为处理海量数据的重要工具。
本文将介绍大数据常用的算法，帮助读者更好地了解大数据处理的方法和技术。
一、聚类算法1.1 K均值算法：是一种常用的聚类算法，通过迭代计算数据点之间的距离，将数据点划分为K个簇。
1.2 DBSCAN算法：基于密度的聚类算法，能够发现任意形状的簇，并对噪声数据点进行过滤。
1.3 层次聚类算法：通过构建树状结构的聚类，将数据点逐层聚合，形成层次化的簇结构。
二、分类算法2.1 决策树算法：通过构建树状结构的决策规则，将数据点划分为不同的类别。
2.2 逻辑回归算法：用于处理二分类问题，通过逻辑函数对数据进行分类。
2.3 随机森林算法：基于多个决策树的集成学习算法，提高了分类准确度和泛化能力。
三、关联规则挖掘算法3.1 Apriori算法：用于发现频繁项集和关联规则，帮助分析数据中的关联性。
3.2 FP-growth算法：基于频繁模式树的挖掘算法，能够高效地挖掘大规模数据集中的频繁项集。
3.3 Eclat算法：基于垂直数据表示的关联规则挖掘算法，适用于稠密数据集。
四、回归算法4.1 线性回归算法：通过线性模型对数据进行拟合，预测连续性变量的取值。
4.2 支持向量机回归算法：基于支持向量机理论的回归算法，能够处理非线性回归问题。
4.3 岭回归算法：通过加入正则化项，解决多重共线性问题，提高回归模型的泛化能力。
五、降维算法5.1 主成分分析算法：通过线性变换将高维数据转化为低维数据，保留数据的主要信息。
5.2 t-SNE算法：用于可视化高维数据，通过保持数据点之间的相对距离，将数据映射到二维或三维空间。
5.3 自编码器算法：通过神经网络模型学习数据的压缩表示，实现高维数据的降维和重构。
结论：大数据算法在数据处理和分析中发挥着重要作用，不同的算法适用于不同的场景和问题。
通过了解和应用这些常用算法，可以更好地处理和利用大数据资源，实现数据驱动的决策和创新。
大数据常用的算法
大数据常用的算法在大数据时代，处理海量数据的需求日益增长。
为了更高效地处理和分析这些数据，大数据算法应运而生。
本文将介绍几种常用的大数据算法，包括朴素贝叶斯算法、K均值算法、随机森林算法和支持向量机算法。
一、朴素贝叶斯算法朴素贝叶斯算法是一种基于贝叶斯定理的分类算法。
它假设样本特征之间相互独立，通过计算给定特征下某个类别的概率来进行分类。
朴素贝叶斯算法在文本分类、垃圾邮件过滤等领域有广泛应用。
例如，我们可以使用朴素贝叶斯算法来判断一封邮件是否为垃圾邮件。
通过对邮件中的词语进行统计，计算出给定某些词语的情况下，该邮件为垃圾邮件的概率。
根据概率大小，我们可以将邮件分类为垃圾邮件或者非垃圾邮件。
二、K均值算法K均值算法是一种聚类算法，用于将数据集划分为K个不同的簇。
它通过计算数据点与簇中心的距离，并将数据点分配给距离最近的簇来实现聚类。
K均值算法在图象分割、客户细分等领域有广泛应用。
例如，我们可以使用K均值算法将一组学生按照成绩划分为不同的等级。
通过计算每一个学生与不同等级的平均成绩之间的距离，将学生分配到最近的等级中。
三、随机森林算法随机森林算法是一种集成学习算法，通过构建多个决策树来进行分类或者回归。
每一个决策树的结果投票决定最终的分类结果。
随机森林算法在图象识别、金融风控等领域有广泛应用。
例如，我们可以使用随机森林算法来预测一辆二手车的价格。
通过构建多个决策树，每一个决策树根据不同的特征对车辆进行分类，最终通过投票得出预测的价格区间。
四、支持向量机算法支持向量机算法是一种二分类算法，通过构建超平面将数据点划分为两个类别。
它通过最大化两个类别之间的间隔来实现分类。
支持向量机算法在文本分类、图象识别等领域有广泛应用。
例如，我们可以使用支持向量机算法来判断一封邮件是否为垃圾邮件。
通过将邮件中的特征转化为向量表示，构建超平面将垃圾邮件和非垃圾邮件分开。
综上所述，朴素贝叶斯算法、K均值算法、随机森林算法和支持向量机算法是大数据处理中常用的算法。
大数据常用的算法
大数据常用的算法1. 简介大数据算法是在处理大规模数据集时使用的一系列数学和统计方法。
这些算法可以帮助我们从海量数据中提取有用的信息和模式，以支持决策制定、预测分析、模式识别等任务。
本文将介绍几种常用的大数据算法及其应用领域。
2. K-均值聚类算法K-均值聚类算法是一种常见的无监督学习算法，用于将数据集划分为K个不同的类别。
算法的基本思想是通过计算数据点之间的距离，将数据点划分到距离最近的聚类中心。
K-均值聚类算法在市场细分、社交网络分析、图像分割等领域有广泛的应用。
3. 决策树算法决策树算法是一种基于树结构的分类算法。
它通过对数据集进行递归分割，构建一棵树来进行分类。
决策树算法的优点是易于理解和解释，并且可以处理具有大量特征的数据集。
它在金融风险评估、医学诊断、客户分类等方面有着广泛的应用。
4. 支持向量机算法支持向量机算法是一种二分类算法，通过构建超平面来最大化不同类别之间的间隔。
它在处理高维数据和非线性数据方面表现出色。
支持向量机算法在文本分类、图像识别、生物信息学等领域有广泛的应用。
5. 随机森林算法随机森林算法是一种集成学习算法，通过构建多个决策树来进行分类或回归。
它通过随机选择特征和数据样本来构建每个决策树，最后通过投票或平均预测结果来进行最终分类。
随机森林算法在金融风险评估、销售预测、医学诊断等方面有广泛的应用。
6. 神经网络算法神经网络算法是一种模拟人脑神经元工作方式的机器学习算法。
它通过构建多层神经元网络来进行模式识别和分类。
神经网络算法在图像识别、语音识别、自然语言处理等领域有广泛的应用。
7. 主成分分析算法主成分分析算法是一种常用的降维算法，用于将高维数据转换为低维数据。
它通过找到数据中的主要特征，将数据投影到新的坐标系中。
主成分分析算法在数据可视化、特征提取等方面有广泛的应用。
8. 关联规则挖掘算法关联规则挖掘算法用于发现数据集中的频繁项集和关联规则。
它可以帮助我们发现数据中的隐藏模式和关联关系。
什么是计算机的大数据技术解析大数据的特点与处理方法
什么是计算机的大数据技术解析大数据的特点与处理方法随着科技的飞速发展，大数据技术在计算机领域成为备受瞩目的焦点之一。
大数据技术是指如何在海量、高维、多类型的数据中，挖掘出有价值的信息和知识，并提供相应的处理方法。
本文将对计算机的大数据技术进行解析，分析大数据的特点与处理方法。
一、大数据的特点大数据有以下三个主要特点：1. 三个V：大数据的特点可以总结为三个V，即Volume（数量）、Velocity（速度）和Variety（种类）。
数量方面，大数据的存储量非常庞大，远远超过了传统数据的存储量。
速度方面，大数据的生成速度非常快，需要快速处理。
种类方面，大数据涉及到多种类型的数据，包括结构化数据、半结构化数据和非结构化数据。
2. 多维度分析：大数据需要进行多维度的分析，以发现其中的规律和价值信息。
传统的数据处理方法无法满足对海量数据的分析需求，因此需要借助大数据技术。
3. 数据质量问题：大数据中存在着大量的噪音和冗余数据，这对数据的质量构成了挑战。
大数据技术需要解决数据质量问题，提高数据的准确性和可靠性。
二、大数据的处理方法为了有效地处理大数据，需要采用一系列的处理方法来进行数据的存储、计算和分析。
以下是几种常用的大数据处理方法：1. 分布式存储与计算：大数据的存储量庞大，传统的数据库存储方式已无法满足需求。
分布式存储技术能够将数据分布到多个节点上进行存储，提高数据的存取速度和容量。
同时，分布式计算技术能够将计算任务分配到多个计算节点上进行并行处理，提高数据的处理效率。
2. 并行计算与分布式计算模型：大数据的处理需要进行大规模的计算，传统的串行计算无法胜任。
并行计算能够将计算任务分解为多个子任务，并发地进行计算，提高计算速度。
分布式计算模型能够将计算任务分配到多台计算机上进行处理，提高计算的效率和可伸缩性。
3. 数据挖掘与机器学习：大数据中蕴含着海量的信息和知识，通过数据挖掘技术和机器学习算法，可以从大数据中发现隐藏的规律和关联，为决策提供支持和指导。
大数据处理方法介绍
大数据处理方法介绍随着数据量的急剧增加，大数据处理已成为当今信息技术的热点。
但是大数据的高维、复杂、多样性，也使得大数据的处理变得非常挑战。
在本文中，我们将介绍大数据的处理方法，以便让读者对大数据领域的进一步发展和研究有更深入的了解。
1. 分布式大数据处理方法在大数据处理的过程中，分布式架构已经成为基本的方法。
在这种方法中，数据被分成若干部分，由不同的计算机处理，最后把结果汇总起来。
这种方法的主要优点是计算速度非常快，能够处理超大规模的数据，并且在一些环境下还具有一定的容错性。
Apache Hadoop就是一个非常典型的分布式大数据处理框架。
它采用MapReduce计算模型来分发数据的处理。
在MapReduce模型中，Map任务被分配给每个数据块，并向计算集群上的其他节点发布中间结果，Reduce任务则对这些中间结果进行聚合。
目前，Hadoop已经成为大数据处理行业的领导者之一。
2. 数据挖掘处理方法数据挖掘技术是大数据处理领域中最具有前瞻性的技术之一。
它允许用户利用机器学习和数据挖掘技术来提取某些规律和预测未来趋势。
这种方法可被用于实现个性化推荐，预测疾病，了解市场趋势等。
最常用的数据挖掘处理方法包括聚类、分类、关联规则挖掘和异常检测等。
这些方法可以被应用于数据集的处理，以便从中找出有用信息，从而更好地理解数据。
此外，数据挖掘也通常被用于社交媒体中，以帮助企业从海量的用户数据中提取出重要的信息。
3. 人工智能处理方法近年来，人工智能技术的快速发展极大地简化了大数据的处理。
在这种方法中，机器学习技术被应用于处理大数据，以帮助计算机自动分析和预测。
目前，深度学习算法是大数据领域中最流行和有效的机器学习技术之一。
人工智能处理方法可以被用于识别大规模文本数据的主题，理解声音和语音信号，以及进行面部识别等。
此外，它还可以被用于人工智能聊天机器人、自动驾驶汽车等智能产品的开发。
总结大数据处理的方法随着技术的不断改进而不断发展。
- 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。
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6 4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h 2。
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1 m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 counte d initially with a "1" value bythe Map function, using the word as the result key. The framew ork 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。