大數(shù)據(jù)研究常用軟件工具與應(yīng)用場景

1.傳統(tǒng)分析/商業(yè)統(tǒng)計

Excel、SPSS、SAS 這三者對于研究人員而言并不陌生。

• Excel 作為電子表格軟件,適合簡單統(tǒng)計(分組/求和等)需求,由于其方便好用,功能也能滿足很多場景需要,所以實際成為研究人員最常用的軟件工具。其缺點在于功能單一,且可處理數(shù)據(jù)規(guī)模小(這一點讓很多研究人員尤為頭疼)。這兩年Excel在大數(shù)據(jù)方面(如地理可視化和網(wǎng)絡(luò)關(guān)系分析)上也作出了一些增強,但應(yīng)用能力有限。

SPSS(SPSS Statistics)和SAS作為商業(yè)統(tǒng)計軟件,提供研究常用的經(jīng)典統(tǒng)計分析(如回歸、方差、因子、多變量分析等)處理。

• SPSS 輕量、易于使用,但功能相對較少,適合常規(guī)基本統(tǒng)計分析
• SAS 功能豐富而強大(包括繪圖能力),且支持編程擴展其分析能力,適合復雜與高要求的統(tǒng)計性分析。

上述三個軟件在面對大數(shù)據(jù)環(huán)境出現(xiàn)了各種不適,具體不再贅述。但這并不代表其沒有使用價值。如果使用傳統(tǒng)研究方法論分析大數(shù)據(jù)時,海量原始數(shù)據(jù)資源經(jīng)過前期處理(如降維和統(tǒng)計匯總等)得到的中間研究結(jié)果,就很適合使用它們進行進一步研究。

2.數(shù)據(jù)挖掘

數(shù)據(jù)挖掘作為大數(shù)據(jù)應(yīng)用的重要領(lǐng)域,在傳統(tǒng)統(tǒng)計分析基礎(chǔ)上,更強調(diào)提供機器學習的方法,關(guān)注高維空間下復雜數(shù)據(jù)關(guān)聯(lián)關(guān)系和推演能力。代表是SPSS Modeler(注意不是SPSS Statistics,其前身為Clementine)

SPSS Modeler 的統(tǒng)計功能相對有限, 主要是提供面向商業(yè)挖掘的機器學習算法(決策樹、神經(jīng)元網(wǎng)絡(luò)、分類、聚類和預測等)的實現(xiàn)。同時,其數(shù)據(jù)預處理和結(jié)果輔助分析方面也相當方便,這一點尤其適合商業(yè)環(huán)境下的快速挖掘。不過就處理能力而言,實際感覺難以應(yīng)對億級以上的數(shù)據(jù)規(guī)模。

另一個商業(yè)軟件 Matlab 也能提供大量數(shù)據(jù)挖掘的算法,但其特性更關(guān)注科學與工程計算領(lǐng)域。而著名的開源數(shù)據(jù)挖掘軟件Weka,功能較少,且數(shù)據(jù)預處理和結(jié)果分析也比較麻煩,更適合學術(shù)界或有數(shù)據(jù)預處理能力的使用者。

1.通用大數(shù)據(jù)可視化分析

近兩年來出現(xiàn)了許多面向大數(shù)據(jù)、具備可視化能力的分析工具,在商業(yè)研究領(lǐng)域,TableAU無疑是卓越代表。

TableAU 的優(yōu)勢主要在于支持多種大數(shù)據(jù)源/格式,眾多的可視化圖表類型,加上拖拽式的使用方式,上手快,非常適合研究員使用,能夠涵蓋大部分分析研究的場景。不過要注意,其并不能提供經(jīng)典統(tǒng)計和機器學習算法支持, 因此其可以替代Excel, 但不能代替統(tǒng)計和數(shù)據(jù)挖掘軟件。另外,就實際處理速度而言,感覺面對較大數(shù)據(jù)(實例超過3000萬記錄)時,并沒有官方介紹的那么迅速。

2.關(guān)系分析

關(guān)系分析是大數(shù)據(jù)環(huán)境下的一個新的分析熱點(比如信息傳播圖、社交關(guān)系網(wǎng)等),其本質(zhì)計算的是點之間的關(guān)聯(lián)關(guān)系。相關(guān)工具中,適合數(shù)據(jù)研究人員的是一些可視化的輕量桌面型工具,最常用的是Gephi。

Gephi 是免費軟件,擅長解決圖網(wǎng)絡(luò)分析的很多需求,其插件眾多,功能強且易用。我們經(jīng)?？吹降母鞣N社交關(guān)系/傳播譜圖, 很多都是基于其力導向圖(Force directed graph)功能生成。但由于其由java編寫,限制了處理性能(感覺處理超過10萬節(jié)點/邊時常陷入假死),如分析百萬級節(jié)點(如微博熱點傳播路徑)關(guān)系時,需先做平滑和剪枝處理。 而要處理更大規(guī)模(如億級以上)的關(guān)系網(wǎng)絡(luò)(如社交網(wǎng)絡(luò)關(guān)系)數(shù)據(jù),則需要專門的圖關(guān)系數(shù)據(jù)庫(如GraphLab/GraphX)來支撐了,其技術(shù)要求較高,此處不再介紹。

3.時空數(shù)據(jù)分析

當前很多軟件(包括TableAU)都提供了時空數(shù)據(jù)的可視化分析功能。但就使用感受來看,其大都只適合較小規(guī)模(萬級)的可視化展示分析,很少支持不同粒度的快速聚合探索。

如果要分析千萬級以上的時空數(shù)據(jù),比如新浪微博上億用戶發(fā)文的時間與地理分布(從省到街道多級粒度的探索)時,推薦使用 NanoCubes(http://www.nanocubes.net/)。該開源軟件可在日常的辦公電腦上提供對億級時空數(shù)據(jù)的快速展示和多級實時鉆取探索分析。下圖是對芝加哥犯罪時間地點的分析,網(wǎng)站有更多的實時分析的演示例子。

4.文本/非結(jié)構(gòu)化分析

基于自然語言處理(NLP)的文本分析,在非結(jié)構(gòu)化內(nèi)容(如互聯(lián)網(wǎng)/社交媒體/電商評論)大數(shù)據(jù)的分析方面(甚至調(diào)研開放題結(jié)果分析)有重要用途。其應(yīng)用處理涉及分詞、特征抽取、情感分析、多主題模型等眾多內(nèi)容。

由于實現(xiàn)難度與領(lǐng)域差異,當前市面上只有一些開源函數(shù)包或者云API(如BosonNLP)提供一些基礎(chǔ)處理功能,尚未看到適合商業(yè)研究分析中文文本的集成化工具軟件(如果有誰知道煩請通知我)。在這種情況下,各商業(yè)公司(如HCR)主要依靠內(nèi)部技術(shù)實力自主研發(fā)適合業(yè)務(wù)所需的分析功能。

前面介紹的各種大數(shù)據(jù)分析工具,可應(yīng)對的數(shù)據(jù)都在億級以下,也以結(jié)構(gòu)化數(shù)據(jù)為主。當實際面臨以下要求: 億級以上/半實時性處理/非標準化復雜需求 ,通常就需要借助編程(甚至借助于Hadoop/Spark等分布式計算框架)來完成相關(guān)的分析。 如果能掌握相關(guān)的編程語言能力,那研究員的分析能力將如虎添翼。

當前適合大數(shù)據(jù)處理的編程語言,包括:

• R語言——最適合統(tǒng)計研究背景的人員學習,具有豐富的統(tǒng)計分析功能庫以及可視化繪圖函數(shù)可以直接調(diào)用。通過Hadoop-R更可支持處理百億級別的數(shù)據(jù)。 相比SAS,其計算能力更強,可解決更復雜更大數(shù)據(jù)規(guī)模的問題。
• Python語言——最大的優(yōu)勢是在文本處理以及大數(shù)據(jù)量處理場景,且易于開發(fā)。在相關(guān)分析領(lǐng)域,Python代替R的勢頭越來越明顯。
• Java語言——通用性編程語言,能力最全面,擁有最多的開源大數(shù)據(jù)處理資源(統(tǒng)計、機器學習、NLP等等)直接使用。也得到所有分布式計算框架(Hadoop/Spark)的支持。