數(shù)據(jù)分析常用術語（下）

三、數(shù)據(jù)分析名詞解釋

A

聚合(Aggregation)：搜索、合并、顯示數(shù)據(jù)的過程。

算法(Algorithms)：可以完成某種數(shù)據(jù)分析的數(shù)學公式。

分析法(Analytics)：用于發(fā)現(xiàn)數(shù)據(jù)的內在涵義。

異常檢測(Anomaly detection)：在數(shù)據(jù)集中搜索與預期模式或行為不匹配的數(shù)據(jù)項。除了“Anomalies”,用來表示異常的詞有以下幾種：outliers,exceptions,surprises,contaminants.他們通?？商峁╆P鍵的可執(zhí)行信息。

匿名化(Anonymization)：使數(shù)據(jù)匿名，即移除所有與個人隱私相關的數(shù)據(jù)。

分析型客戶關系管理（Analytical CRM/aCRM）：用于支持決策，改善公司跟顧客的互動或提高互動的價值。針對有關顧客的知識，和如何與顧客有效接觸的知識，進行收集、分析、應用。

B

行為分析法(Behavioural Analytics)：這種分析法是根據(jù)用戶的行為如“怎么做”，“為什么這么做”，以及“做了什么”來得出結論，而不是僅僅針對人物和時間的一門分析學科，它著眼于數(shù)據(jù)中的人性化模式。

批量處理（Batch processing）：盡管從大型計算機時代開始，批量處理就已經(jīng)出現(xiàn)了。由于處理大型數(shù)據(jù)集，批量處理對大數(shù)據(jù)具有額外的意義。批量數(shù)據(jù)處理是處理一段時間內收集的大量數(shù)據(jù)的有效方式。

商業(yè)智能（Business Intelligence）: 分析數(shù)據(jù)、展示信息以幫助企業(yè)的執(zhí)行者、管理層、其他人員進行更有根據(jù)的商業(yè)決策的應用、設施、工具、過程。

C

分類分析(Classification analysis)：從數(shù)據(jù)中獲得重要的相關性信息的系統(tǒng)化過程;這類數(shù)據(jù)也被稱為元數(shù)據(jù)(meta data),是描述數(shù)據(jù)的數(shù)據(jù)。

云計算(Cloud computing)：構建在網(wǎng)絡上的分布式計算系統(tǒng)，數(shù)據(jù)是存儲于機房外的（即云端）。

集群計算（Cluster computing）：這是一個使用多個服務器集合資源的“集群”的計算術語。要想更技術性的話，就會涉及到節(jié)點，集群管理層，負載平衡和并行處理等概念。

聚類分析(Clustering analysis)：它是將相似的對象聚合在一起，每類相似的對象組合成一個聚類(也叫作簇)的過程。這種分析方法的目的在于分析數(shù)據(jù)間的差異和相似性。

冷數(shù)據(jù)存儲(Cold data storage)：在低功耗服務器上存儲那些幾乎不被使用的舊數(shù)據(jù)。但這些數(shù)據(jù)檢索起來將會很耗時。

對比分析(Comparative analysis)：在非常大的數(shù)據(jù)集中進行模式匹配時，進行一步步的對比和計算過程得到分析結果。

相關性分析(Correlation analysis)：是一種數(shù)據(jù)分析方法，用于分析變量之間是否存在正相關，或者負相關。

D

儀表板(Dashboard)：使用算法分析數(shù)據(jù)，并將結果用圖表方式顯示于儀表板中。

數(shù)據(jù)聚合工具(Data aggregation tools)：將分散于眾多數(shù)據(jù)源的數(shù)據(jù)轉化成一個全新數(shù)據(jù)源的過程。

數(shù)據(jù)分析師(Data analyst)：從事數(shù)據(jù)分析、建模、清理、處理的專業(yè)人員。

數(shù)據(jù)庫(Database)：一個以某種特定的技術來存儲數(shù)據(jù)集合的倉庫。

數(shù)據(jù)湖（Data lake）：數(shù)據(jù)湖是原始格式的企業(yè)級數(shù)據(jù)的大型存儲庫。與此同時我們可以涉及數(shù)據(jù)倉庫，它在概念上是相似的，也是企業(yè)級數(shù)據(jù)的存儲庫，但在清理、與其他來源集成之后是以結構化格式。數(shù)據(jù)倉庫通常用于常規(guī)數(shù)據(jù)（但不是專有的）。數(shù)據(jù)湖使得訪問企業(yè)級數(shù)據(jù)更加容易，你需要明確你要尋找什么，以及如何處理它并明智地試用它。

暗數(shù)據(jù)（Dark Data）：基本上指的是，由企業(yè)收集和處理的，但并不用于任何意義性目的的數(shù)據(jù)，因此它是“暗”的，可能永遠不會被分析。它可以是社交網(wǎng)絡反饋，呼叫中心日志，會議筆記等等。有很多人估計，所有企業(yè)數(shù)據(jù)中的 60-90％ 可能是“暗數(shù)據(jù)”，但誰又真正知道呢？

數(shù)據(jù)挖掘（Data mining)：數(shù)據(jù)挖掘是通過使用復雜的模式識別技術，從而找到有意義的模式，并得出大量數(shù)據(jù)的見解。

數(shù)據(jù)中心(Data centre)：一個實體地點，放置了用來存儲數(shù)據(jù)的服務器。

數(shù)據(jù)清洗(Data cleansing)：對數(shù)據(jù)進行重新審查和校驗的過程，目的在于刪除重復信息、糾正存在的錯誤，并提供數(shù)據(jù)一致性。

數(shù)據(jù)質量（Data Quality）：有關確保數(shù)據(jù)可靠性和實用價值的過程和技術。高質量的數(shù)據(jù)應該忠實體現(xiàn)其背后的事務進程，并能滿足在運營、決策、規(guī)劃中的預期用途。

數(shù)據(jù)訂閱(Data feed)：一種數(shù)據(jù)流，例如Twitter訂閱和RSS。

數(shù)據(jù)集市(Data Mart)：進行數(shù)據(jù)集買賣的在線交易場所。

數(shù)據(jù)建模(Data modelling)：使用數(shù)據(jù)建模技術來分析數(shù)據(jù)對象，以此洞悉數(shù)據(jù)的內在涵義。

數(shù)據(jù)集(Data set)：大量數(shù)據(jù)的集合。

數(shù)據(jù)虛擬化(Data virtualization)：數(shù)據(jù)整合的過程，以此獲得更多的數(shù)據(jù)信息，這個過程通常會引入其他技術，例如數(shù)據(jù)庫，應用程序，文件系統(tǒng)，網(wǎng)頁技術，大數(shù)據(jù)技術等等。

判別分析(Discriminant analysis)：將數(shù)據(jù)分類，按不同的分類方式，可將數(shù)據(jù)分配到不同的群組，類別或者目錄。是一種統(tǒng)計分析法，可以對數(shù)據(jù)中某些群組或集群的已知信息進行分析，并從中獲取分類規(guī)則。

分布式文件系統(tǒng)(Distributed File System)：提供簡化的，高可用的方式來存儲、分析、處理數(shù)據(jù)的系統(tǒng)。

文件存貯數(shù)據(jù)庫(Document Store Databases)：又稱為文檔數(shù)據(jù)庫，為存儲、管理、恢復文檔數(shù)據(jù)而專門設計的數(shù)據(jù)庫，這類文檔數(shù)據(jù)也稱為半結構化數(shù)據(jù)。

E

探索性分析(Exploratory analysis)：在沒有標準的流程或方法的情況下從數(shù)據(jù)中發(fā)掘模式。是一種發(fā)掘數(shù)據(jù)和數(shù)據(jù)集主要特性的一種方法。

提取-轉換-加載(ETL:Extract,Transform and Load)：是一種用于數(shù)據(jù)庫或者數(shù)據(jù)倉庫的處理過程，天善學院有國內唯一的最全的ETL學習課程。即從各種不同的數(shù)據(jù)源提取(E)數(shù)據(jù)，并轉換(T)成能滿足業(yè)務需要的數(shù)據(jù)，最后將其加載(L)到數(shù)據(jù)庫。

G

游戲化(Gamification)：在其他非游戲領域中運用游戲的思維和機制，這種方法可以以一種十分友好的方式進行數(shù)據(jù)的創(chuàng)建和偵測，非常有效。

圖形數(shù)據(jù)庫(Graph Databases)：運用圖形結構(例如，一組有限的有序對，或者某種實體)來存儲數(shù)據(jù)，這種圖形存儲結構包括邊緣、屬性和節(jié)點。它提供了相鄰節(jié)點間的自由索引功能，也就是說，數(shù)據(jù)庫中每個元素間都與其他相鄰元素直接關聯(lián)。

網(wǎng)格計算(Grid computing)：將許多分布在不同地點的計算機連接在一起，用以處理某個特定問題，通常是通過云將計算機相連在一起。

H

Hadoop：一個開源的分布式系統(tǒng)基礎框架，可用于開發(fā)分布式程序，進行大數(shù)據(jù)的運算與存儲。

Hadoop數(shù)據(jù)庫(HBase)：一個開源的、非關系型、分布式數(shù)據(jù)庫，與Hadoop框架共同使用。

HDFS：Hadoop分布式文件系統(tǒng)(Hadoop Distributed File System)；是一個被設計成適合運行在通用硬件(commodity hardware)上的分布式文件系統(tǒng)。

高性能計算(HPC:High-Performance-Computing)：使用超級計算機來解決極其復雜的計算問題。

I

內存數(shù)據(jù)庫(IMDB:In-memory)：一種數(shù)據(jù)庫管理系統(tǒng)，與普通數(shù)據(jù)庫管理系統(tǒng)不同之處在于，它用主存來存儲數(shù)據(jù)，而非硬盤。其特點在于能高速地進行數(shù)據(jù)的處理和存取。

物聯(lián)網(wǎng)（IoT）：最新的流行語是物聯(lián)網(wǎng)（IOT）。IOT通過互聯(lián)網(wǎng)將嵌入式對象（傳感器，可穿戴設備，汽車，冰箱等）中的計算設備進行互連，并且能夠發(fā)送以及接收數(shù)據(jù)。IOT生成大量數(shù)據(jù)，提供了大量大數(shù)據(jù)分析的機會。

K

鍵值數(shù)據(jù)庫(Key-Value Databases)：數(shù)據(jù)的存儲方式是使用一個特定的鍵，指向一個特定的數(shù)據(jù)記錄，這種方式使得數(shù)據(jù)的查找更加方便快捷。鍵值數(shù)據(jù)庫中所存的數(shù)據(jù)通常為編程語言中基本數(shù)據(jù)類型的數(shù)據(jù)。

L

負載均衡(Load balancing)：將工作量分配到多臺電腦或服務器上，以獲得最優(yōu)結果和最大的系統(tǒng)利用率。

位置信息(Location data)：GPS信息，即地理位置信息。

日志文件(Log file)：由計算機系統(tǒng)自動生成的文件，記錄系統(tǒng)的運行過程。

M

M2M數(shù)據(jù)(Machine 2 Machine data)：兩臺或多臺機器間交流與傳輸?shù)膬热荨?/p>

機器數(shù)據(jù)(Machine data)：由傳感器或算法在機器上產(chǎn)生的數(shù)據(jù)。

機器學習(Machine learning)：人工智能的一部分，指的是機器能夠從它們所完成的任務中進行自我學習，通過長期的累積實現(xiàn)自我改進。

Map Reduce：是處理大規(guī)模數(shù)據(jù)的一種軟件框架(Map:映射，Reduce:歸納)。

大規(guī)模并行處理(MPP:Massivel yParallel Processing)：同時使用多個處理器(或多臺計算機)處理同一個計算任務。

元數(shù)據(jù)(Meta data)：被稱為描述數(shù)據(jù)的數(shù)據(jù)，即描述數(shù)據(jù)數(shù)據(jù)屬性(數(shù)據(jù)是什么)的信息。

多維數(shù)據(jù)庫(Multi-Dimensional Databases)：用于優(yōu)化數(shù)據(jù)聯(lián)機分析處理(OLAP)程序，優(yōu)化數(shù)據(jù)倉庫的一種數(shù)據(jù)庫。

多值數(shù)據(jù)庫(MultiValue Databases)：是一種非關系型數(shù)據(jù)庫(NoSQL),一種特殊的多維數(shù)據(jù)庫：能處理3個維度的數(shù)據(jù)。主要針對非常長的字符串，能夠完美地處理HTML和XML中的字串。

N

自然語言處理(Natural Language Processing)：是計算機科學的一個分支領域，它研究如何實現(xiàn)計算機與人類語言之間的交互。

網(wǎng)絡分析(Network analysis)：分析網(wǎng)絡或圖論中節(jié)點間的關系，即分析網(wǎng)絡中節(jié)點間的連接和強度關系。

NewSQL：一個優(yōu)雅的、定義良好的數(shù)據(jù)庫系統(tǒng)，比SQL更易學習和使用，比NoSQL更晚提出的新型數(shù)據(jù)庫。

NoSQL：顧名思義，就是“不使用SQL”的數(shù)據(jù)庫。這類數(shù)據(jù)庫泛指傳統(tǒng)關系型數(shù)據(jù)庫以外的其他類型的數(shù)據(jù)庫。這類數(shù)據(jù)庫有更強的一致性，能處理超大規(guī)模和高并發(fā)的數(shù)據(jù)。

O

對象數(shù)據(jù)庫(Object Databases)：(也稱為面象對象數(shù)據(jù)庫)以對象的形式存儲數(shù)據(jù)，用于面向對象編程。它不同于關系型數(shù)據(jù)庫和圖形數(shù)據(jù)庫，大部分對象數(shù)據(jù)庫都提供一種查詢語言，允許使用聲明式編程(declarative programming)訪問對象。

基于對象圖像分析(Object-based Image Analysis)：數(shù)字圖像分析方法是對每一個像素的數(shù)據(jù)進行分析，而基于對象的圖像分析方法則只分析相關像素的數(shù)據(jù)，這些相關像素被稱為對象或圖像對象。

操作型數(shù)據(jù)庫(Operational Databases)：這類數(shù)據(jù)庫可以完成一個組織機構的常規(guī)操作，對商業(yè)運營非常重要，一般使用在線事務處理，允許用戶訪問、收集、檢索公司內部的具體信息。

優(yōu)化分析(Optimization analysis)：在產(chǎn)品設計周期依靠算法來實現(xiàn)的優(yōu)化過程，在這一過程中，公司可以設計各種各樣的產(chǎn)品并測試這些產(chǎn)品是否滿足預設值。

本體論(Ontology）：表示知識本體，用于定義一個領域中的概念集及概念之間的關系的一種哲學思想。(譯者注:數(shù)據(jù)被提高到哲學的高度，被賦予了世界本體的意義，成為一個獨立的客觀數(shù)據(jù)世界)

異常值檢測(Outlier detection)：異常值是指嚴重偏離一個數(shù)據(jù)集或一個數(shù)據(jù)組合總平均值的對象，該對象與數(shù)據(jù)集中的其他它相去甚遠，因此，異常值的出現(xiàn)意味著系統(tǒng)發(fā)生問題，需要對此另加分析。

聯(lián)機分析處理（On-Line Analytical Processing，OLAP）：能讓用戶輕松制作、瀏覽報告的工具，這些報告總結相關數(shù)據(jù)，并從多角度分析。

P

模式識別(Pattern Recognition)：通過算法來識別數(shù)據(jù)中的模式，并對同一數(shù)據(jù)源中的新數(shù)據(jù)作出預測

平臺即服務(PaaS:Platform-as-a-Service)：為云計算解決方案提供所有必需的基礎平臺的一種服務。

預測分析(Predictive analysis)：大數(shù)據(jù)分析方法中最有價值的一種分析方法，這種方法有助于預測個人未來(近期)的行為，例如某人很可能會買某些商品，可能會訪問某些網(wǎng)站，做某些事情或者產(chǎn)生某種行為。通過使用各種不同的數(shù)據(jù)集，例如歷史數(shù)據(jù)，事務數(shù)據(jù)，社交數(shù)據(jù)，或者客戶的個人信息數(shù)據(jù)，來識別風險和機遇。

 

公共數(shù)據(jù)(Public data)：由公共基金創(chuàng)建的公共信息或公共數(shù)據(jù)集。

Q

數(shù)字化自我(Quantified Self)：使用應用程序跟蹤用戶一天的一舉一動，從而更好地理解其相關的行為。

R

R：是一種編程語言，在統(tǒng)計計算方面很出色。如果你不知道 R，你就稱不上是數(shù)據(jù)科學家。R 是數(shù)據(jù)科學中最受歡迎的語言之一。

再識別(Re-identification)：將多個數(shù)據(jù)集合并在一起，從匿名化的數(shù)據(jù)中識別出個人信息。

回歸分析(Regression analysis)：確定兩個變量間的依賴關系。這種方法假設兩個變量之間存在單向的因果關系(譯者注：自變量，因變量，二者不可互換)。

實時數(shù)據(jù)(Real-time data)：指在幾毫秒內被創(chuàng)建、處理、存儲、分析并顯示的數(shù)據(jù)。

推薦引擎(Recommendation engine)：推薦引擎算法根據(jù)用戶之前的購買行為或其他購買行為向用戶推薦某種產(chǎn)品。

路徑分析(Routing analysis)：–針對某種運輸方法通過使用多種不同的變量分析從而找到一條最優(yōu)路徑，以達到降低燃料費用，提高效率的目的。

S

半結構化數(shù)據(jù)(Semi-structured data)：半結構化數(shù)據(jù)并不具有結構化數(shù)據(jù)嚴格的存儲結構，但它可以使用標簽或其他形式的標記方式以保證數(shù)據(jù)的層次結構。

結構化數(shù)據(jù)(Structured data)：可以組織成行列結構，可識別的數(shù)據(jù)。這類數(shù)據(jù)通常是一條記錄，或者一個文件，或者是被正確標記過的數(shù)據(jù)中的某一個字段，并且可以被精確地定位到。

情感分析(Sentiment Analysis)：通過算法分析出人們是如何看待某些話題。

信號分析(Signal analysis)：指通過度量隨時間或空間變化的物理量來分析產(chǎn)品的性能。特別是使用傳感器數(shù)據(jù)。

 

相似性搜索(Similarity searches)：在數(shù)據(jù)庫中查詢最相似的對象，這里所說的數(shù)據(jù)對象可以是任意類型的數(shù)據(jù)。

仿真分析(Simulation analysis)：仿真是指模擬真實環(huán)境中進程或系統(tǒng)的操作。仿真分析可以在仿真時考慮多種不同的變量，確保產(chǎn)品性能達到最優(yōu)。

軟件即服務(SaaS:Software-as-a-Service)：基于Web的通過瀏覽器使用的一種應用軟件。

空間分析(Spatial analysis)：空間分析法分析地理信息或拓撲信息這類空間數(shù)據(jù)，從中得出分布在地理空間中的數(shù)據(jù)的模式和規(guī)律。

SQL：在關系型數(shù)據(jù)庫中，用于檢索數(shù)據(jù)的一種編程語言。

流處理（Stream processing）：流處理旨在對有“連續(xù)”要求的實時和流數(shù)據(jù)進行處理。結合流分析，即在流內不間斷地計算數(shù)學或統(tǒng)計分析的能力。流處理解決方案旨在對高流量進行實時處理。

T

時序分析(Time series analysis)：分析在重復測量時間里獲得的定義良好的數(shù)據(jù)。分析的數(shù)據(jù)必須是良好定義的，并且要取自相同時間間隔的連續(xù)時間點。

拓撲數(shù)據(jù)分析(Topological Data Analysis)：拓撲數(shù)據(jù)分析主要關注三點：復合數(shù)據(jù)模型、集群的識別、以及數(shù)據(jù)的統(tǒng)計學意義。

交易數(shù)據(jù)(Transactional data)：隨時間變化的動態(tài)數(shù)據(jù)

透明性(Transparency)：–消費者想要知道他們的數(shù)據(jù)有什么作用、被作何處理，而組織機構則把這些信息都透明化了。

文本挖掘（Text Mining）：對包含自然語言的數(shù)據(jù)的分析。對源數(shù)據(jù)中詞語和短語進行統(tǒng)計計算，以便用數(shù)學術語表達文本結構，之后用傳統(tǒng)數(shù)據(jù)挖掘技術分析文本結構。

U

非結構化數(shù)據(jù)(Un-structured data)：非結構化數(shù)據(jù)一般被認為是大量純文本數(shù)據(jù)，其中還可能包含日期，數(shù)字和實例。

 

V

價值(Value)：(譯者注：大數(shù)據(jù)4V特點之一)所有可用的數(shù)據(jù)，能為組織機構、社會、消費者創(chuàng)造出巨大的價值。這意味著各大企業(yè)及整個產(chǎn)業(yè)都將從大數(shù)據(jù)中獲益。

可變性(Variability)：也就是說，數(shù)據(jù)的含義總是在（快速）變化的。例如，一個詞在相同的推文中可以有完全不同的意思。

多樣(Variety)：(譯者注：大數(shù)據(jù)4V特點之一)數(shù)據(jù)總是以各種不同的形式呈現(xiàn)，如結構化數(shù)據(jù)，半結構化數(shù)據(jù)，非結構化數(shù)據(jù)，甚至還有復雜結構化數(shù)據(jù)

高速(Velocity)：(譯者注：大數(shù)據(jù)4V特點之一)在大數(shù)據(jù)時代，數(shù)據(jù)的創(chuàng)建、存儲、分析、虛擬化都要求被高速處理。

真實性(Veracity)：組織機構需要確保數(shù)據(jù)的真實性，才能保證數(shù)據(jù)分析的正確性。因此，真實性(Veracity)是指數(shù)據(jù)的正確性。

可視化(Visualization)：只有正確的可視化，原始數(shù)據(jù)才可被投入使用。這里的“可視化”并非普通的圖型或餅圖，可視化指是的復雜的圖表，圖表中包含大量的數(shù)據(jù)信息，但可以被很容易地理解和閱讀。

大量(Volume)：(譯者注：大數(shù)據(jù)4V特點之一)指數(shù)據(jù)量，范圍從Megabytes至Brontobytes。

W

天氣數(shù)據(jù)(Weather data)：是一種重要的開放公共數(shù)據(jù)來源，如果與其他數(shù)據(jù)來源合成在一起，可以為相關組織機構提供深入分析的依據(jù)。

網(wǎng)絡挖掘/網(wǎng)絡數(shù)據(jù)挖掘（Web Mining / Web Data Mining)：使用數(shù)據(jù)挖掘技術從互聯(lián)網(wǎng)站點、文檔或服務中自動發(fā)現(xiàn)和提取信息。

X

XML數(shù)據(jù)庫(XML Databases)：XML數(shù)據(jù)庫是一種以XML格式存儲數(shù)據(jù)的數(shù)據(jù)庫。XML數(shù)據(jù)庫通常與面向文檔型數(shù)據(jù)庫相關聯(lián)，開發(fā)人員可以對XML數(shù)據(jù)庫的數(shù)據(jù)進行查詢，導出以及按指定的格式序列化。

以上就是數(shù)據(jù)分析相關術語的盤點，看完別忘點好看