大数据中数据采集与预处理技术的应用研究
发表时间：2018-08-16T16:04:13.623Z 来源：《基层建设》2018年第21期作者：张弛[导读] 摘要：数据采集是大数据建立的基础，对海量数据的采集必须全面、真实、适用与准确，才能使数据分析的结果具备使用价值；而数据的预选加工技术则是在采集数据后，存储数据库前，去伪存真、提炼符合统计规律的数据样本，以期望降低应用成本的有效过程。
身份证号码：61012119681114xxxx
摘要：数据采集是大数据建立的基础，对海量数据的采集必须全面、真实、适用与准确，才能使数据分析的结果具备使用价值；而数据的预选加工技术则是在采集数据后，存储数据库前，去伪存真、提炼符合统计规律的数据样本，以期望降低应用成本的有效过程。本文结合作者实际工作经验，针对大数据采集环节中的采集技术与预处理技术进行分析研究，提出观点与解决思路，以供探讨。
关键词：“大数据；数据采集技术；预处理技术；应用与研究”
0引言
当前国内大数据市场纷繁众多，目前很多数据运营商所提供的数据服务范围，既有数据采集系统又有数据分析系统，涉及层面大而散，采集技术手段较为粗糙，数据整合局限于表层结构，定位方向不精准。现实中大数据所涉及的层面远远较之广泛，所以难以提供有针对性的数据和分析结果，无法满足顾客的决策需求。特别是针对地区、行业、政策、人文等基本信息采集深度不够，不够全面的情况下，分析结果达不到为顾客提供风险评估所需的依据，最终使投资产生偏差的情况屡见不鲜。因此数据产品服务的价值就在于为顾客提供结构性预测，以规避顾客风险，将数据产品的精准有效性作为技术处理的依据，才可将数据有偿服务纳入顾客项目投资预算的常规需求中。
根据目前情况，首先要解决的关键环节就是数据采集过程，同时在数据采集时，通过预加工处理技术和自动审核环节，使数据流的分类筛选符合目标数据的有效类别，正是文中要探讨的问题。
1数据采集
数据采集与预加工中心构建的目的是为数据产品营销机构和高级分析机构提供真实、准确、全面、海量的基础数据，包括符合统计规律的足量数据样本。该服务内容宜按各领域、各区域、不同行业的需求，有针对性的通过多种渠道、采用先进技术及行业数据共享交换等方式获得原始数据，并经过数据有效性过滤，去伪判真的初步加工后，形成可用的数据对象和代表样本，最终由高级决策分析与产品营销后服务于商业客户，为客户提供从项目可行性研究、投资、建设、竣工、经营的寿命周期全过程，提供项目决策、风险评估、投资预算、收益分析等数据预测与支持服务。
本文所述的构建是基于一较为成熟的数据仓库系统，以及已有的数据整合与高级分析系统。不再对高级分析系统重复讨论，只对配套接口和成果延用。主要方向是数据采集、筛选过滤、分类存储和定向分发等数据预加工。在保证数据可用性同时，可纵深细化数据结构，采用区块触发，将关联数据实现分布存储和导入再造，产生多维度关系型数据仓库。为中心数据分析提供多向映射的基础数据支持。采集方式分为以下几类
①开放型数据：政府行政机构、公共事业机构、行业协会机构、社会团体组织发布的具备权威性的公用型数据。电子信息主要通过表格间的提取、格式转换和再加载实现数据采集，针对图片、音频和视频等媒体信息宜采用DSP识别技术收集，过程中增加人工抽检识别，通过调整识别阈值与特征自适应参数以提高识别准确率。
②节点型数据：应用服务器、网站、终端（固定、移动、查询、交易、支付、摄像等）。该类信息格式基本固定，采集时可根据数据特征，编制嵌入式节点程序、存储过程、应用类APP等，以探针、爬虫技术抓取[1]。收集时宜加入有效性审核环节。
③有偿类数据：商业数据、付费类数据。数据结构相对标准，采集时基本不加处理，但要对数据来源与使用进行审核，使其达到法律层面的合法性。
④共享型数据：合作机构，顾客共享，二次数据等。这类数据多用于指定行业数据服务时的采集，数据共享交换时应增加信息安全审核，特别是数据出口环节应有选择性的数据输出。
⑤内部调研采集数据：以人工采集填表方式收集，成本高、数据量较少，但数据特征明显，采集目标单一，适合特定客户采集 2数据预加工
由于数据服务涉及面广，外围环境变化大，采集到的每条信息既有可能形成有效数据，也可能是大量冗余的、错误的，甚至是无效垃圾数据，部分数据存在时效性短或一次性数据，因此对于采集的数据必须通过一些技术手段进行预先处理，使进入数据库的数据从数量上和准确性上是经过优化后的半成品。构建时宜采用模块化结构，有利于时间和空间发生变化时，通过对各模块适用性的调整以延长功能寿命期，但其代价是增加存储容量、运算能力和设计复杂性。具体处理技术主要包括以下几点：
①数据结构及数据字典、词条库的模块化。开发及维护均应适应静态结构、动态结构和开源结构。
②制定多标准数据采集接口，结合客户需求，将预处理模块分布嵌入相关宿主机，减小传输流量。
③重点构建数据智能化过滤机制，采用自适应、自学习技术提高数据的符合相关性，动态设置条件去重阈值，增加加工流水过程探视窗，减少人工干预，达到智能判别筛选。
④经过过滤后的原始数据，按客户需求进行预加工，形成符合统计规律的有效基础数据，提供给核心高级分析系统深加工，以减轻巨量数据传输和高级分析系统的负荷。同时与历史数据的关联映射，形成多维度数据[2]，扩大数据使用价值。
⑤质量管理与控制处理：针对数据加工中的数据异常、高频预警、探针触发、统计偏离等可能影响数据质量的事件，自动产生质量偏差与统计事件日志，以便于组织人工分析讨论，编制有效解决方案，以提高数据产品质量。
⑥数据安全生产控制：数据的特殊性要求在数据生产过程中必须有严格的安全与保密环节，必须符合相关地区法律法规与风俗隐私要求，因此安全管理是系统不可或缺的一个环节，除了要具备严格的分级权限外，还应通过分布存储、异地镜像、区块迁移、接口止逆等技术手段提高数据安全性
⑦分区节拍协同：系统运行规模扩大后，数据跨区域采集和加工成为必然，各区域需求不同，数据的加工条件也在变化，通过节拍协调，可同步和优化整个数据仓库的数据丰富程度和一致性。
⑧顾客反馈调控技术，能够根据使用效果调整数据加工条件参数，提高数据质量。 3系统结构与流程
大数据处理常用技术简介 storm,Hbase,hive,sqoop, spark,flume,zookeeper如下 ?Apache Hadoop:是Apache开源组织的一个分布式计算开源框架，提供了一个分布式文件系统子项目(HDFS)和支持MapReduce分布式计算的软件架构。 ?Apache Hive:是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，通过类SQL语句快速实现简单的MapReduce 统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。 ?Apache Pig:是一个基于Hadoop的大规模数据分析工具，它提供的SQL-LIKE语言叫Pig Latin，该语言的编译器会把类SQL的数据分析请求转换为一系列经过优化处理的MapReduce运算。 ?Apache HBase:是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，利用HBase技术可在廉价PC Server上搭建起大规模结构化存储集群。 ?Apache Sqoop:是一个用来将Hadoop和关系型数据库中的数据相互转移的工具，可以将一个关系型数据库（MySQL ,Oracle ,Postgres等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。 ?Apache Zookeeper:是一个为分布式应用所设计的分布的、开源的协调服务，它主要是用来解决分布式应用中经常遇到的一些数据管理问题，简化分布式应用协调及其管理的难度，提供高性能的分布式服务?Apache Mahout:是基于Hadoop的机器学习和数据挖掘的一个分布式框架。Mahout用MapReduce实现了部分数据挖掘算法，解决了并行挖掘的问题。 ?Apache Cassandra:是一套开源分布式NoSQL数据库系统。它最初由Facebook开发，用于储存简单格式数据，集Google BigTable的数据模型与Amazon Dynamo的完全分布式的架构于一身 ?Apache Avro:是一个数据序列化系统，设计用于支持数据密集型，大批量数据交换的应用。Avro是新的数据序列化格式与传输工具，将逐步取代Hadoop原有的IPC机制 ?Apache Ambari:是一种基于Web的工具，支持Hadoop集群的供应、管理和监控。 ?Apache Chukwa:是一个开源的用于监控大型分布式系统的数据收集系统，它可以将各种各样类型的数据收集成适合Hadoop 处理的文件保存在HDFS 中供Hadoop 进行各种MapReduce 操作。 ?Apache Hama:是一个基于HDFS的BSP（Bulk Synchronous Parallel)并行计算框架, Hama可用于包括图、矩阵和网络算法在内的大规模、大数据计算。
1数据的采集与处理 1.1数据的采集 施工监控中需对影响施工及控制精度的数据进行收集，主要包括环境参数和结构参数，前者又主要是指风速风向数据；后者主要指结构容重、弹模等数据。施工监控需进行收集的数据如表1-1所示。 1.1.2数据采集方法 基于港珠澳大桥特殊的地理位置，采用远程数据采集系统，与传统的数据采集系统相比，具有不受地理环境、气候、时间的影响等优势。而借助无线传输手段的远程数据采集系统，更具有工程造价和人力资源成本低，传输数据不受地域的影响，可靠性高，免维护等优点。远程无线数据采集系统的整体结构如图1-2所示。 1-2 远程无线数据采集系统组成结构图
1.2数据的处理与评估 在数据分析之前, 数据处理要能有效地从监测数据中寻找出异常值, 必须对监测数据进行可靠性检验, 剔除粗差的影响, 以保证监测数据的准确、可靠。我们拟采用的是最常用的μ检验法来判别系统误差; 用“3σ准则”剔除粗差; 采用了“五点二次中心平滑”法对观测数据进行平滑修正。同时, 在数据处理之后, 采用关联分析技术寻找某一测点的最佳关联点, (为保证系统评判的可靠性, 某一测点的关联点宜选用2 个以上)。我们选用3 个关联测点, 如果异常测值的关联测点有2 个以上发生异常, 且异常方向一致, 则认为测值异常是由结构变化引起, 否则, 认为异常是由监测系统异常引起。出现异常时, 经过判定, 自动提醒用户检查监测系统或者相应的结构(根据测点所在位置), 及时查明情况, 并采取一些必要的应急措施, 同时对测值做标注, 形成报表, 进行评估。 1.2.1系统误差的判别 判别原则: 异常值检验方法是建立在随机样本观测值遵从正态分布和小概率原理的基础之上的。根据观测值的正态分布特征性, 出现大偏差观测值的概率是很小的。当测值较少时, 在正常情况下, 根据小概率原理, 它们是不会出现的, 一旦出现则表明有异常值。依统计学原理: 偏差处于2 倍标准差或3 倍标准差范围内的数据为正常值, 之外的则判定为异常。事实上标准差σ多数情况下是求知的, 通常用样本值计算的标准差S 来替代。桥梁健康监测资料的数据量特别大, 一般都为大样本, 所以我们用μ检验。在分析中, 我们将所得的数据分成两组Y1 、Y2,并设()1211,1Y N u δ, ()2222,2Y N u δ择统计量为 : 'y y U -= (1) 式中12y y 、—两组样本的平均值: 21n 、n —两组样本的子样数: 21S S 、 —两组样本的方差。若 '2 a U U ≥ (2) 则存在系统误差。否则, 不存在系统误差。 1.2.2 粗差点的剔除 在观测次数充分多的前提下, 其测值的跳动特征描述如下式: ()112j j j j d y y y +-=-+ (3) 式中j y (j=1,2,3,4,……,n- 1)是一系列观测值。
数据信息采集与处理
基本内容：基于FFT的功率谱分析程序设计与应用 1.基本要求 1)对一个人为产生的信号进行采用FFT变换方法进行功率谱分析。 已知信号x(n)=80.0*COS(2*3.14*SF*n/FS) 式中： n=0,1,2 ……N-1 SF---信号频率 FS---采样频率 其FFT变换结果X(k)可用下面提供的FFT子程序求出，计算功率谱的公式为： W（k）=2(XR(k)2 +XI(k)2)/N 式中：k=0,1,2 ……N/2-1 XR(k)--- X(k)的实部 XI(k)--- X(k)的虚部 请用VB，VC或C++Builder编译器编程，或采用MATLAB计算，或采用高级语言调用MATLAB计算。处理结果为采用窗口显示时域波形和频域波形。 此信号的时域谱、频域谱、功率谱如下面图1~图3所示： 图1
图2 图3 其MATLAB代码为： FS=200; SF=10;
N=1024; n=0:N-1; t=n/FS; x=80.0*cos(2*3.14*SF*t); figure; plot(t，x); xlabel('t'); ylabel('y'); title('x=80.0*cos(2*3.14*SF*t)时域波形'); grid; y=fft(x,N); mag=abs(y); f=(0:length(y)-1)*FS/length(y);%进行对应的频率转换 figure; plot(f(1:N/2),mag(1:N/2));%做频谱图 xlabel('频率(Hz)'); ylabel('幅值'); title('x=80.0*cos(2*3.14*SF*t)幅频谱图N=1024'); grid; Py =2*(y.*conj(y))/N; %计算功率谱密度Py figure; plot(f(1:N/2),Py(1:N/2)); xlabel('频率(Hz)'); ylabel('功率谱密度'); title('x=80.0*cos(2*3.14*sf*t)功率谱密度'); grid; 2)对实验所采集的转子振动信号进行频谱分析
1)Volume(大体量):即可从数百TB到数十数百PB、 甚至EB的规模。 2)Variety(多样性):即大数据包括各种格式和形态的数据。 3)Velocity(时效性):即很多大数据需要在一定的时间限度下得到及时处理。 4)Veracity(准确性):即处理的结果要保证一定的准确性。 5)Value(大价值):即大数据包含很多深度的价值,大数据分析挖掘和利用将带来巨大的商业价值。 传统的数据库系统主要面向结构化数据的存储和处理,但现实世界中的大数据具有各种不同的格式和形态,据统计现实世界中80%以上的数据都是文本和媒体等非结构化数据;同时,大数据还具有很多不同的计算特征。我们可以从多个角度分类大数据的类型和计算特征。 1)从数据结构特征角度看,大数据可分为结构化与非结构化/半结构化数据。 2)从数据获取处理方式看,大数据可分为批处理与流式计算方式。 3)从数据处理类型看,大数据处理可分为传统的查询分析计算和复杂数据挖掘计算。 4)从大数据处理响应性能看,大数据处理可分为实时/准实时与非实时计算,或者是联机计算与线下计算。前述的流式计算通常属于实时计算,此外查询分析类计算通常也要求具有高响应性能,因而也可以归为实时或准实时计算。而批处理计算和复杂数据挖掘计算通常属于非实时或线下计算。 5)从数据关系角度看,大数据可分为简单关系数据(如Web日志)和复杂关系数据(如社会网络等具有复杂数据关系的图计算)。
6)从迭代计算角度看,现实世界的数据处理中有很多计算问题需要大量的迭代计算,诸如一些机器学习等复杂的计算任务会需要大量的迭代计算,为此需要提供具有高效的迭代计算能力的大数据处理和计算方法。 7)从并行计算体系结构特征角度看,由于需要支持大规模数据的存储和计算,因此目前绝大多数禧金信息大数据处理都使用基于集群的分布式存储与并行计算体系结构和硬件平台。
数据分析处理需求分类 1 事务型处理 在我们实际生活中,事务型数据处理需求非常常见,例如：淘宝网站交易系统、1２306网站火车票交易系统、超市ＰOＳ系统等都属于事务型数据处理系统。这类系统数据处理特点包括以下几点: 一就是事务处理型操作都就是细粒度操作,每次事务处理涉及数据量都很小。 二就是计算相对简单，一般只有少数几步操作组成，比如修改某行得某列; 三就是事务型处理操作涉及数据得增、删、改、查,对事务完整性与数据一致性要求非常高。 四就是事务性操作都就是实时交互式操作,至少能在几秒内执行完成； 五就是基于以上特点,索引就是支撑事务型处理一个非常重要得技术. 在数据量与并发交易量不大情况下,一般依托单机版关系型数据库,例如OＲＡＣLＥ、MＹSQL、SQＬSERVER,再加数据复制（DataGurａd、RＭAＮ、ＭｙSQＬ数据复制等)等高可用措施即可满足业务需求。 在数据量与并发交易量增加情况下，一般可以采用ORＡLＣＥRAC集群方式或者就是通过硬件升级（采用小型机、大型机等，如银行系统、运营商计费系统、证卷系统)来支撑. 事务型操作在淘宝、1230６等互联网企业中,由于数据量大、访问并发量高，必然采用分布式技术来应对,这样就带来了分布式事务处理问题，而分布式事务处理很难做到高效，因此一般采用根据业务应用特点来开发专用得系统来解决本问题。
２数据统计分析 数据统计主要就是被各类企业通过分析自己得销售记录等企业日常得运营数据,以辅助企业管理层来进行运营决策。典型得使用场景有:周报表、月报表等固定时间提供给领导得各类统计报表;市场营销部门,通过各种维度组合进行统计分析,以制定相应得营销策略等． 数据统计分析特点包括以下几点: 一就是数据统计一般涉及大量数据得聚合运算，每次统计涉及数据量会比较大。二就是数据统计分析计算相对复杂，例如会涉及大量goｕpbｙ、子查询、嵌套查询、窗口函数、聚合函数、排序等；有些复杂统计可能需要编写ＳQＬ脚本才能实现． 三就是数据统计分析实时性相对没有事务型操作要求高。但除固定报表外,目前越来越多得用户希望能做做到交互式实时统计； 传统得数据统计分析主要采用基于ＭＰP并行数据库得数据仓库技术.主要采用维度模型,通过预计算等方法，把数据整理成适合统计分析得结构来实现高性能得数据统计分析，以支持可以通过下钻与上卷操作,实现各种维度组合以及各种粒度得统计分析。 另外目前在数据统计分析领域,为了满足交互式统计分析需求，基于内存计算得数据库仓库系统也成为一个发展趋势,例如SAP得HANA平台。 3 数据挖掘 数据挖掘主要就是根据商业目标，采用数据挖掘算法自动从海量数据中发现隐含在海量数据中得规律与知识。
大数据处理流程的主要环节 大数据处理流程主要包括数据收集、数据预处理、数据存储、数据处理与分析、数据展示/数据可视化、数据应用等环节，其中数据质量贯穿于整个大数据流程，每一个数据处理环节都会对大数据质量产生影响作用。通常，一个好的大数据产品要有大量的数据规模、快速的数据处理、精确的数据分析与预测、优秀的可视化图表以及简练易懂的结果解释，本节将基于以上环节分别分析不同阶段对大数据质量的影响及其关键影响因素。 一、数据收集 在数据收集过程中，数据源会影响大数据质量的真实性、完整性数据收集、一致性、准确性和安全性。对于Web数据，多采用网络爬虫方式进行收集，这需要对爬虫软件进行时间设置以保障收集到的数据时效性质量。比如可以利用八爪鱼爬虫软件的增值API设置，灵活控制采集任务的启动和停止。 二、数据预处理 大数据采集过程中通常有一个或多个数据源，这些数据源包括同构或异构的数据库、文件系统、服务接口等，易受到噪声数据、数据值缺失、数据冲突等影响，因此需首先对收集到的大数据集合进行预处理，以保证大数据分析与预测结果的准确性与价值性。
大数据的预处理环节主要包括数据清理、数据集成、数据归约与数据转换等内容，可以大大提高大数据的总体质量，是大数据过程质量的体现。数据清理技术包括对数据的不一致检测、噪声数据的识别、数据过滤与修正等方面，有利于提高大数据的一致性、准确性、真实性和可用性等方面的质量; 数据集成则是将多个数据源的数据进行集成，从而形成集中、统一的数据库、数据立方体等，这一过程有利于提高大数据的完整性、一致性、安全性和可用性等方面质量; 数据归约是在不损害分析结果准确性的前提下降低数据集规模，使之简化，包括维归约、数据归约、数据抽样等技术，这一过程有利于提高大数据的价值密度，即提高大数据存储的价值性。 数据转换处理包括基于规则或元数据的转换、基于模型与学习的转换等技术，可通过转换实现数据统一，这一过程有利于提高大数据的一致性和可用性。 总之，数据预处理环节有利于提高大数据的一致性、准确性、真实性、可用性、完整性、安全性和价值性等方面质量，而大数据预处理中的相关技术是影响大数据过程质量的关键因素 三、数据处理与分析 1、数据处理 大数据的分布式处理技术与存储形式、业务数据类型等相关，针对大数据处理的主要计算模型有MapReduce分布式计算框架、分布式内存计算系统、分布式流计算系统等。
现如今，很多人都听说过大数据，这是一个新兴的技术，渐渐地改变了我们的生活，正是由 于这个原因，越来越多的人都开始关注大数据。在这篇文章中我们将会为大家介绍两种大数 据技术，分别是大数据采集技术和大数据预处理技术，有兴趣的小伙伴快快学起来吧。 首先我们给大家介绍一下大数据的采集技术，一般来说，数据是指通过RFID射频数据、传 感器数据、社交网络交互数据及移动互联网数据等方式获得的各种类型的结构化、半结构化 及非结构化的海量数据，是大数据知识服务模型的根本。重点突破高速数据解析、转换与装 载等大数据整合技术设计质量评估模型，开发数据质量技术。当然，还需要突破分布式高速 高可靠数据爬取或采集、高速数据全映像等大数据收集技术。这就是大数据采集的来源。 通常来说，大数据的采集一般分为两种，第一就是大数据智能感知层，在这一层中，主要包 括数据传感体系、网络通信体系、传感适配体系、智能识别体系及软硬件资源接入系统，实 现对结构化、半结构化、非结构化的海量数据的智能化识别、定位、跟踪、接入、传输、信 号转换、监控、初步处理和管理等。必须着重攻克针对大数据源的智能识别、感知、适配、 传输、接入等技术。第二就是基础支撑层。在这一层中提供大数据服务平台所需的虚拟服务器，结构化、半结构化及非结构化数据的数据库及物联网络资源等基础支撑环境。重点攻克 分布式虚拟存储技术，大数据获取、存储、组织、分析和决策操作的可视化接口技术，大数 据的网络传输与压缩技术，大数据隐私保护技术等。 下面我们给大家介绍一下大数据预处理技术。大数据预处理技术就是完成对已接收数据的辨析、抽取、清洗等操作。其中抽取就是因获取的数据可能具有多种结构和类型，数据抽取过 程可以帮助我们将这些复杂的数据转化为单一的或者便于处理的构型，以达到快速分析处理 的目的。而清洗则是由于对于大数并不全是有价值的，有些数据并不是我们所关心的内容， 而另一些数据则是完全错误的干扰项，因此要对数据通过过滤去除噪声从而提取出有效数据。在这篇文章中我们给大家介绍了关于大数据的采集技术和预处理技术，相信大家看了这篇文 章以后已经知道了大数据的相关知识，希望这篇文章能够更好地帮助大家。
012. 数据预处理（1）——剔除异常值及平滑处理 测量数据在其采集与传输过程中，由于环境干扰或人为因素有可能造成个别数据不切合实际或丢失，这种数据称为异常值。为了恢复数据的客观真实性以便将来得到更好的分析结果，有必要先对原始数据（1）剔除异常值； 另外，无论是人工观测的数据还是由数据采集系统获取的数据，都不可避免叠加上“噪声”干扰（反映在曲线图形上就是一些“毛刺和尖峰”）。为了提高数据的质量，必须对数据进行（2）平滑处理（去噪声干扰）； （一）剔除异常值。 注：若是有空缺值，或导入Matlab数据显示为“NaN”（非数），需要①忽略整条空缺值数据，或者②填上空缺值。 填空缺值的方法，通常有两种：A. 使用样本平均值填充；B. 使用判定树或贝叶斯分类等方法推导最可能的值填充（略）。 一、基本思想： 规定一个置信水平，确定一个置信限度，凡是超过该限度的误差，
就认为它是异常值，从而予以剔除。 二、常用方法：拉依达方法、肖维勒方法、一阶差分法。 注意：这些方法都是假设数据依正态分布为前提的。 1. 拉依达方法（非等置信概率） 如果某测量值与平均值之差大于标准偏差的三倍，则予以剔除。 3x i x x S -> 其中，11 n i i x x n ==∑为样本均值，1 2 211()1n x i i S x x n =?? ??? =--∑为样本的标准偏差。 注：适合大样本数据，建议测量次数≥50次。 代码实例（略）。 2. 肖维勒方法（等置信概率） 在 n 次测量结果中，如果某误差可能出现的次数小于半次时，就予以剔除。 这实质上是规定了置信概率为1-1/2n ，根据这一置信概率，可计算出肖维勒系数，也可从表中查出，当要求不很严格时，还可按下
数据采集与处理技术 参考书目： 1．数据采集与处理技术马明建周长城西安交通大学出版社 2．数据采集技术沈兰荪中国科学技术大学出版社 3．高速数据采集系统的原理与应用沈兰荪人民邮电出版社 第一章绪论 数据采集技术(Data Acquisition)是信息科学的一个重要分支,它研究信息数据的采集、存贮、处理以及控制等作业。在智能仪器、信号处理以及工业自动控制等领域，都存在着数据的测量与控制问题。将外部世界存在的温度、压力、流量、位移以及角度等模拟量（Analog Signal）转换为数字信号（Digital Signal）, 在收集到计算机并进一步予以显示、处理、传输与记录这一过程，即称为“数据采集”。相应的系统即为数据采集系统（Data Acquisition System,简称DAS）数据采集技术以在雷达、通信、水声、遥感、地质勘探、震动工程、无损检测、语声处理、智能仪器、工业自动控制以及生物医学工程等领域有着广泛的应用。 1．1 数据采集的意义和任务 数据采集是指将温度、压力、流量、位移等模拟量采集、转换为数字量后，再由计算机进行存储、处理、显示或打印的过程。相应的系统称为数据采集系统。 数据采集系统的任务：采集传感器输出的模拟信号并转换成计算机能识别的数字信号，然后送入计算机，根据不同的需要由计算机进行相应的计算和处理，得出所需的数据。与此同时，将计算得到的数据进行显示或打印，以便实现对某些物理量的监视，其中一部分数据还将被生产过程中的计算机控制系统用来控制某些物理量。 数据采集系统的好坏，主要取决于精度和速度。 1．2 数据采集系统的基本功能 1.数据采集：采样周期
大数据处理常用技术有哪些? storm,hbase,hive,sqoop.spark,flume,zookeeper如下 ?Apache Hadoop:是Apache开源组织的一个分布式计算开源框架，提供了一个分布式文件系统子项目(HDFS)和支持MapReduce分布式计算的软件架构。 ?Apache Hive:是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，通过类SQL语句快速实现简单的MapReduce 统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。 ?Apache Pig:是一个基于Hadoop的大规模数据分析工具，它提供的SQL-LIKE语言叫Pig Latin，该语言的编译器会把类SQL的数据分析请求转换为一系列经过优化处理的MapReduce运算。 ?Apache HBase:是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，利用HBase技术可在廉价PC Server上搭建起大规模结构化存储集群。 ?Apache Sqoop:是一个用来将Hadoop和关系型数据库中的数据相互转移的工具，可以将一个关系型数据库（MySQL ,Oracle ,Postgres等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。 ?Apache Zookeeper:是一个为分布式应用所设计的分布的、开源的协调服务，它主要是用来解决分布式应用中经常遇到的一些数据管理问题，简化分布式应用协调及其管理的难度，提供高性能的分布式服务?Apache Mahout:是基于Hadoop的机器学习和数据挖掘的一个分布式框架。Mahout用MapReduce实现了部分数据挖掘算法，解决了并行挖掘的问题。 ?Apache Cassandra:是一套开源分布式NoSQL数据库系统。它最初由Facebook开发，用于储存简单格式数据，集Google BigTable的数据模型与Amazon Dynamo的完全分布式的架构于一身 ?Apache Avro:是一个数据序列化系统，设计用于支持数据密集型，大批量数据交换的应用。Avro是新的数据序列化格式与传输工具，将逐步取代Hadoop原有的IPC机制 ?Apache Ambari:是一种基于Web的工具，支持Hadoop集群的供应、管理和监控。 ?Apache Chukwa:是一个开源的用于监控大型分布式系统的数据收集系统，它可以将各种各样类型的数据收集成适合Hadoop 处理的文件保存在HDFS 中供Hadoop 进行各种MapReduce 操作。 ?Apache Hama:是一个基于HDFS的BSP（Bulk Synchronous Parallel)并行计算框架, Hama可用于包括图、矩阵和网络算法在内的大规模、大数据计算。
一、绪论 （一）、1、“数据采集”是指什么? 将温度、压力、流量、位移等模拟量经测量转换电路输出电量后再采集转换成数字量后，再由PC 机进行存储、处理、显示或打印的过程。 2、数据采集系统的组成? 由数据输入通道，数据存储与管理，数据处理，数据输出及显示这五个部分组成。 3、数据采集系统性能的好坏的参数? 取决于它的精度和速度。 4、数据采集系统具有的功能是什么? （1）、数据采集，（2）、信号调理，（3）、二次数据计算，（4）、屏幕显示，（5）、数据存储，（6）、打印输出，（7）、人机联系。 5、数据处理系统的分类? 分为预处理和二次处理两种；即为实时（在线）处理和事后（脱机）处理。 6、集散式控制系统的典型的三级结构? 一种是一般的微型计算机数据采集系统，一种是直接数字控制型计算机数据采集系统，还有一种是集散型数据采集系统。 7、控制网络与数据网络的结合的优点? 实现信号的远程传送与异地远程自动控制。 （二）、问答题： 1、数据采集的任务是什么？ 数据采集系统的任务：就是传感器输出信号转换为数字信号，送入工业控制机机处理，得出所需的数据。同时显示、储存或打印，以便实现对某些物理量的监视，还将被生产过程中的PC机控制系统用来控制某些物理量。 2、微型计算机数据采集系统的特点是 （1）、系统结构简单；（2）、微型计算机对环境要求不高；（3）、微型计算机的价格低廉，降低了数据采集系统的成本；（4）、微型计算机数据采集系统可作为集散型数据采集系统的一个基本组成部分；（5）、微型计算机的各种I/O模板及软件齐全，易构成系统，便于使用和维修； 3、简述数据采集系统的基本结构形式，并比较其特点？ （1）、一般微型计算机数据采集与处理系统是由传感器、模拟多路开关、程控放大器、采样/保持器、A/D转换器、计算机及外设等部分组成。 （2）、直接数字控制型数据采集与处理系统（DDC）是既可对生产过程中的各个参数进行巡回检测，还可根据检测结果，按照一定的算法，计算出执行器应该的状态（继电器的通断、阀门的位置、电机的转速等），完成自动控制的任务。系统的I/O通道除了AI和DI外，还有模拟量输出（AO）通道和开关量输出（FDO）通道。 （3）、集散式控制系统也称为分布式控制系统，总体思想是分散控制，集中管理，即用几台计算机分别控制若干个回路，再用监督控制计算机进行集中管理。 （三）、分析题： 1、如图所示，分析集散型数据采集与处理系统的组成原理，系统有那些特点？
振动信号的采集与预处理 几乎所有的物理现象都可看作是信号，但这里我们特指动态振动信号。 振动信号采集与一般性模拟信号采集虽有共同之处，但存在的差异更多，因此，在采集振动信号时应注意以下几点： 1. 振动信号采集模式取决于机组当时的工作状态，如稳态、瞬态等； 2. 变转速运行设备的振动信号采集在有条件时应采取同步整周期采集； 3. 所有工作状态下振动信号采集均应符合采样定理。 对信号预处理具有特定要求是振动信号本身的特性所致。信号预处理的功能在一定程度上说是影响后续信号分析的重要因素。预处理方法的选择也要注意以下条件： 1. 在涉及相位计算或显示时尽量不采用抗混滤波； 2. 在计算频谱时采用低通抗混滤波； 3. 在处理瞬态过程中1X矢量、2X矢量的快速处理时采用矢量滤波。 上述第3条是保障瞬态过程符合采样定理的基本条件。在瞬态振动信号采集时，机组转速变化率较高，若依靠采集动态信号（一般需要若干周期）通过后处理获得1X和2X矢量数据，除了效率低下以外，计算机（服务器）资源利用率也不高，且无法做到高分辨分析数据。机组瞬态特征（以波德图、极坐标图和三维频谱图等型式表示）是固有的，当组成这些图谱的数据间隔过大（分辨率过低）时，除许多微小的变化无法表达出来，也会得出误差很大的分析结论，影响故障诊断的准确度。一般来说，三维频谱图要求数据的组数（△rpm分辨率）较少，太多了反而影响对图形的正确识别；但对前面两种分析图谱，则要求较高的分辨率。目前公认的方式是每采集10组静态数据采集1组动态数据，可很好地解决不同图谱对数据分辨率的要求差异。 影响振动信号采集精度的因素包括采集方式、采样频率、量化精度三个因素，采样方式不同，采集信号的精度不同，其中以同步整周期采集为最佳方式；采样频率受制于信号最高频率；量化精度取决于A/D转换的位数，一般采用12位，部分系统采用16位甚至24位。 振动信号的采样过程，严格来说应包含几个方面： 1. 信号适调 由于目前采用的数据采集系统是一种数字化系统，所采用的A/D芯片对信号输入量程有严格限制，为了保证信号转换具有较高的信噪比，信号进入A/D以前，均需进行信号适调。适调包括大信号的衰减处理和弱信号的放大处理，或者对一些直流信号进行偏置处理，使其满足A/D输入量程要求。 2. A/D转换
在代谢组学研究中，我们通过一系列的提取和上机实验，可以获得各种代谢物在样本中的定量信息。 在广靶和非靶模式下，更是一次性收获大量代谢物数据，满足感爆棚有木有？ 然而，我们拿到的原始数据（Raw data），必须经过一系列的处理，变成Clean Data，才能用于后续的数据挖掘。这里的处理过程，我们统称为数据预处理（Data Pretreatment）。 今天我们就来唠唠数据预处理中的Normalization。 太长不看版本 1.数据Normalization非常重要，能有效降低数据集 噪音，改善生物学解释性； 2.常见的数据Normalization包括有中心化 （Centering），缩放（Scaling）和转换 （Transformation），多种方法可以联合使用； 3.不同类型的统计方法，需要不同的Normalization 操作； 4.Log转换，Power转换，Autoscaling方法对广靶/ 非靶定量结果和大部分基于线性模型/正态分布的方法 都比较适用；
什么是数据Normalization？ 数据Normalization，在我们代谢组学中，指的是通过对多个样本，多个代谢物的定量数据进行一系列的中心化，缩放，以及转换操作，减少数据集的噪声干扰，强调其生物学信息，使其适用后续的统计分析方法，并改善其生物学解释性。 简单来说，就是对代谢数据集进行一些变化，把数据拉到一个特定范围里，变得更有统计意义。 为什么要进行Normalization？ 来康康实际数据的一个缩影：
注：该数据来自我司实际项目数据的子集，数据已做了脱敏处理，代谢物ID，样本名均进行了替换。 很明显，代谢数据有着典型的高维度、高噪声等特性，并且不同代谢物或者样本间，存在数量级的差异。 例如：表格中标记出来的代谢物Met0009，在6 个样本中，就存在1000 多倍的差异，与Met0009 的生物学相关性并不成比例。
大数据处理：技术与流程 文章来源：ECP大数据时间：2013/5/22 11:28:34发布者：ECP大数据（关注：848） 标签： “大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。特点是：数据量大(Volume)、数据种类多样(Variety)、要求实时性强(Velocity)。对它关注也是因为它蕴藏的商业价值大(Value)。也是大数据的4V特性。符合这些特性的，叫大数据。 大数据会更多的体现数据的价值。各行业的数据都越来越多，在大数据情况下，如何保障业务的顺畅，有效的管理分析数据，能让领导层做出最有利的决策。这是关注大数据的原因。也是大数据处理技术要解决的问题。 大数据处理技术 大数据时代的超大数据体量和占相当比例的半结构化和非结构化数据的存在，已经超越了传统数据库的管理能力，大数据技术将是IT领域新一代的技术与架构，它将帮助人们存储管理好大数据并从大体量、高复杂的数据中提取价值，相关的技术、产品将不断涌现，将有可能给IT行业开拓一个新的黄金时代。 大数据本质也是数据，其关键的技术依然逃不脱：1）大数据存储和管理；2）大数据检索使用（包括数据挖掘和智能分析）。围绕大数据，一批新兴的数据挖掘、数据存储、数据处理与分析技术将不断涌现，让我们处理海量数据更加容易、更加便宜和迅速，成为企业业务经营的好助手，甚至可以改变许多行业的经营方式。 大数据的商业模式与架构----云计算及其分布式结构是重要途径 1）大数据处理技术正在改变目前计算机的运行模式，正在改变着这个世界：它能处理几乎各种类型的海量数据，无论是微博、文章、电子邮件、文档、音频、视频，还是其它形态的数据；它工作的速度非常快速：实际上几乎实时；它具有普及性：因为它所用的都是最普通低成本的硬件，而云计算它将计算任务分布在大量计算机构成的资源池上，使用户能够按需获取计算力、存储空间和信息服务。云计算及其技术给了人们廉价获取巨量计算和存储的能力，云计算分布式架构能够很好地支持大数据存储和处理需求。这样的低成本硬件+低成本软件+低成本运维，更加经济和实用，使得大数据处理和利用成为可能。
大数据处理技术ppt讲课稿 科信办刘伟 第一节Mapreduce编程模型： 1.技术背景: 分布式并行计算是大数据（pb）处理的有效方法，编写正确高效的大规模并行分布式程序是计算机工程领域的难题：分布式并行计算是大数据（pb）处理的有效方法，编写正确高效的大规模并行分布式程序是计算机工程领域的难题。并行计算的模型、计算任务分发、计算机结果合并、计算节点的通讯、计算节点的负载均衡、计算机节点容错处理、节点文件的管理等方面都要考虑。 谷歌的关于mapreduce论文里这么形容他们遇到的难题：由于输入的数据量巨大，因此要想在可接受的时间内完成运算，只有将这些计算分布在成百上千的主机上。如何处理并行计算、如何分发数据、如何处理错误？所有这些问题综合在一起，需要大量的代码处理，因此也使得原本简单的运算变得难以处理，普通程序员无法进行大数据处理。 为了解决上述复杂的问题，谷歌设计一个新的抽象模型，使用这个抽象模型，普通程序员只要表述他们想要执行的简单运算即可，而不必关心并行计算、容错、数据分布、负载均衡等复杂的细节，这些问题都被封装了，交个了后台程序来处理。这个模型就是mapreduce。 谷歌2004年公布的mapreduce编程模型，在工业、学术界产生巨大影响，以至于谈大数据必谈mapreduce。 学术界和工业界就此开始了漫漫的追赶之路。这期间，工业界试图做的事情就是要实现一个能够媲美或者比Google mapreduce更好的系统，多年的努力下来，Hadoop（开源）脱颖而出，成为外界实现MapReduce计算模型事实上的标准，围绕着Hadoop，已经形成了一个庞大的生态系统 2. mapreduce的概念： MapReduce是一个编程模型，一个处理和生成超大数据集的算法模型的相关实现。简单的一句话解释MapReduce就是“任务的分解与结果的汇总”。MapReduce从它名字上来看就大致可以看出个缘由，两个动词Map和Reduce，“Map（展开）”就是将一个任务分解成为多个任务，“Reduce”就是将分解后多任务处理的结果汇总起来，得出最后的分析结果。 mapreduce成功的最大因素是它简单的编程模型。程序员只要按照这个框架的要求，设计map和reduce函数，剩下的工作，如分布式存储、节点调度、负载均衡、节点通讯、容错处理和故障恢复都由mapreduce框架（比如hadoop）自动完成，设计的程序有很高的扩展性。所以，站在计算的两端来看，与我们通常熟悉的串行计算没有任何差别，所有的复杂性都在中间隐藏了。它让那些没有多少并行计算和分布式处理经验的开发人员也可以开发并行应用，开发人员只需要实现map 和reduce 两个接口函数，即可完成TB级数据的计算，这也就是MapReduce的价值所在，通过简化编程模型，降低了开发并行应用的入门门槛，并行计算就可以得到更广泛的应用。 3.mapreduce的编程模型原理 开发人员用两个函数表达这个计算：Map和Reduce，首先创建一个Map函数处理一个基于key/value pair的数据集合，输出中间的基于key/value pair的数据集合，然后再创建一个Reduce函数用来合并所有的具有相同中间key值的中间value值，就完成了大数据的处理，剩下的工作由计算机集群自动完成。 即：(input)
大数据处理数据时代理念的三大转变：要全体不要抽样，要效率不要绝对精确，要相关不要因果。具体的大数据处理方法其实有很多，但是根据长时间的实践，天互数据总结了一个基本的大数据处理流程，并且这个流程应该能够对大家理顺大数据的处理有所帮助。整个处理流程可以概括为四步，分别是采集、导入和预处理、统计和分析，以及挖掘。 采集 大数据的采集是指利用多个数据库来接收发自客户端的数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除此之外，Redis和MongoDB 这样的NoSQL数据库也常用于数据的采集。 在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时有可能会有成千上万的用户来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间进行负载均衡和分片的确是需要深入的思考和设计。 统计/分析 统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于MySQL 的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。 导入/预处理 虽然采集端本身会有很多数据库，但是如果要对这些海量数据进行有效的分析，还是应该将这些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使用来自Twitter的Storm来对数据进行流式计算，来满足
数据采集和数据预处理 3.2.1 数据采集 数据采集功能主要用于实现对DSM分析研究中所需的电力供需、相关政策法规等原始数据、信息的多种途径采集。数据采集为使用者提供定时数据采集、随机采集、终端主动上报数据等多种数据采集模式，支持手工输入、电子表格自动导入等多种导入方式，且能够对所采集的数据进行维护，包括添加、修改、删除等，并能进行自动定期备份。在需求侧管理专业化采集中，` 采集的数据根据结构特点，可以分为结构化数据和非结构化数据，其中，结构化数据包括生产报表、经营报表等具有关系特征的数据；非结构化数据，主要包括互联网网页（ HTML）、格式文档（ Word、PDF）、文本文件（Text）等文字性资料。这些数据目前可以通过关系数据库和专用的数据挖掘软件进行挖掘采集。特别是非结构化数据，如DSM相关的经济动态、政策法规、行业动态、企业动态等信息对DSM分析研究十分重要，综合运用定点采集、元搜索、主题搜索等搜索技术，对互联网和企业内网等数据源中符合要求的信息资料进行搜集，保证有价值信息发现和提供的及时性和有效性。DSM信息数据采集系统中数据采集类型如图２所示。在数据采集模块中，针对不同的数据源，设计针对性的采集模块，分别进行采集工作，主要有网络信息采集模块、关系数据库信息采集模块、文件系统资源采集模块和其他信息源数据的采集模块。 （1）网络信息采集模块。网络信息采集模块的主要功能是实时监控和采集目标网站的内容，对采集到的信息进行过滤和自动分类处理，对目标网站的信息进行实时监控，并把最新的网页及时采集到本地，形成目标站点网页的全部信息集合，完整记录每个网页的详细信息，包括网页名称、大小、日期、标题、文字内容及网页中的图片和表格信息等。 （2）关系数据库采集模块。该模块可以实现搜索引擎数据库与关系型数据库（包括Oracle、Sybase、DB2、SQL Server、MySQL等）之间的数据迁移、数据共享以及两者之间的双向数据迁移。可按照预设任务进行自动化的信息采集处理。 （ 3）文件系统资源采集模块。该模块可以实现对文件系统中各种文件资源（包括网页、XML文件、电子邮件、Office文件、PDF文件、图片、音视频多媒体文件、图表、公文、研究报告等）进行批量处理和信息抽取。 （ 4）其他信息源数据的采集。根据数据源接入方式，利用相应的采集工具进行信息获取、过滤等。 3.2.2 数据预处理 数据预处理的本质属于数据的“深度采集”，是信息数据的智能分析处理。利用网页内容分析、自动分类、自动聚类、自动排重、自动摘要/主题词抽取等智能化处理技术，对采集到的海量数据信息进行挖掘整合，最终按照统一规范的组织形式存储到DSM数据仓库，供图1 系统体系结构分析研究使用。数据预处理的工作质量很大程度上决定最终服务数据的质量，是DSM类项目（如，DSM项目全过程管理、有序用电方案评价等）深度分析的重要基础。在数据智能分析处理中，主要包括：1）自动分类，用于对采集内容的自动分类；2）自动摘要，用于对采集内容的自动摘要；3）自动排重，用于对采集内容的重复性判定。 ************************************** 电力数据采集与传输是电力系统分析和处理的一个重要环节。从采集被测点的各种信息，如母线电压，线路电压、电流、有功、无功，变压器的分接头位置，线路上的断路器、隔离开关及其它设备状态、报警、总有功功率、事件顺序等，对电力系统运行管理具有重要作用[ 1]。********************************** 电力信息的数据采集与集成 电力作为传统[业，其下属分系统众多，因而数据的种类也相当繁杂。数据类型包括工程
数据预处理（data preprocessing）是指在主要的处理以前对数据进行的一些处理。如对大部分地球物理面积性观测数据在进行转换或增强处理之前，首先将不规则分布的测网经过插值转换为规则网的处理，以利于计算机的运算。另外，对于一些剖面测量数据，如地震资料预处理有垂直叠加、重排、加道头、编辑、重新取样、多路编辑等 数据挖掘中的数据预处理 现实世界中数据大体上都是不完整，不一致的脏数据，无法直接进行数据挖掘，或挖掘结果差强人意。为了提前数据挖掘的质量产生了数据预处理技术。数据预处理有多种方法：数据清理，数据集成，数据变换，数据归约等。这些数据处理技术在数据挖掘之前使用，大大提高了数据挖掘模式的质量，降低实际挖掘所需要的时间。 数据清理 用来自多个联机事务处理 (OLTP) 系统的数据生成数据仓库的进程的 一部分。该进程必须解决不正确的拼写、两个系统之间冲突的拼写规则和冲突的数据（如对于相同的部分具有两个编号）之类的错误。 编码或把资料录入时的错误，会威胁到测量的效度。数据清理主要解决数据文件建立中的人为误差，以及数据文件中一些对统计分析结果影响较大的特殊数值。常用的数据清理方法包括可编码式清理和联列式清理。 数据清理例程通过填写缺失的值、光滑噪声数据、识别或删除离群点并解决不一致性来“清理”数据。主要是达到如下目标：格式标准化，异常数据清除，错误纠正，重复数据的清除。 数据集成 数据集成是把不同来源、格式、特点性质的数据在逻辑上或物理上有机地集中，从而为企业提供全面的数据共享。在企业数据集成领域，已经有了很多成熟的框架可以利用。目前通常采用联邦式、基于中间件模型和数据仓库等方法来构造集成的系统，这些技术在不同的着重点和应用上解决数据共享和为企业提供决策支持。 数据集成例程将多个数据源中的数据结合起来并统一存储，建立数据仓库的过程实际上就是数据集成。 数据变换 通过平滑聚集，数据概化，规范化等方式将数据转换成适用于数据挖掘的形式。 数据归约 数据挖掘时往往数据量非常大，在少量数据上进行挖掘分析需要很长的时间，数据归约技术可以用来得到数据集的归约表示，它小得多，但仍然接近于保持原数据的完整性，并结果与归约前结果相同或几乎相同。目前，数据预处理是目前数据挖掘一个热门的研究方面，毕竟这是由数据预处理的产生背景所决定的－－现实世界中的数据几乎都脏数据。 一、数据归约基本知识：