下载文档原格式
大数据常用的算法简介：随着大数据时代的到来，大数据分析成为了各行各业的重要工具。
为了处理海量的数据，各种算法被开辟出来，以匡助我们从数据中提取有价值的信息。
本文将介绍一些大数据常用的算法，包括数据挖掘、机器学习和深度学习等领域的算法。
一、数据挖掘算法1. 关联规则算法：关联规则算法用于发现数据集中的频繁项集和关联规则。
通过分析数据集中的项集之间的关联关系，可以发现隐藏在数据中的有价值的信息。
常用的关联规则算法有Apriori算法和FP-growth算法。
2. 聚类算法：聚类算法用于将数据集中的对象分成不同的组或者簇，使得同一组内的对象相似度较高，不同组之间的相似度较低。
常用的聚类算法有K-means算法和DBSCAN算法。
3. 分类算法：分类算法用于将数据集中的对象分成不同的类别。
通过学习已知类别的样本，分类算法可以对未知类别的样本进行分类预测。
常用的分类算法有决策树算法、朴素贝叶斯算法和支持向量机算法。
二、机器学习算法1. 线性回归算法：线性回归算法用于建立输入变量和输出变量之间的线性关系模型。
通过拟合数据点，线性回归算法可以预测未知数据的输出值。
常用的线性回归算法有普通最小二乘法和岭回归法。
2. 决策树算法：决策树算法通过对数据集进行划分，构建一棵树形结构，用于分类和回归问题。
通过逐步判断特征属性的取值，决策树算法可以对未知数据进行分类或者预测。
常用的决策树算法有ID3算法和CART算法。
3. 支持向量机算法：支持向量机算法用于解决二分类和多分类问题。
通过在特征空间中找到一个最优的超平面，支持向量机算法可以将不同类别的样本分开。
常用的支持向量机算法有线性支持向量机和非线性支持向量机。
三、深度学习算法1. 神经网络算法：神经网络算法摹拟人脑的神经元网络结构，通过多层神经元之间的连接和权重调整，实现对复杂模式的学习和识别。
常用的神经网络算法有多层感知机和卷积神经网络。
2. 循环神经网络算法：循环神经网络算法是一种具有记忆功能的神经网络模型，适合于处理序列数据和时间序列数据。
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。
大数据常用的算法简介：大数据算法是处理和分析大规模数据集的关键工具。
这些算法能够帮助我们从海量的数据中提取有价值的信息和洞察力，以支持决策制定和业务发展。
本文将介绍几种常用的大数据算法及其应用领域。
一、关联规则算法关联规则算法是一种用于发现数据集中项目之间关联关系的方法。
它通过分析数据集中的交易记录，找到频繁出现在一起的项集，并生成关联规则。
这些规则可以用于市场篮子分析、推荐系统、销售预测等领域。
例如，在一个超市的销售数据中，我们可以使用关联规则算法找到经常一起购买的商品组合，如啤酒和尿布。
这样，超市可以根据这些规则进行商品的搭配销售，提高销售额和客户满意度。
二、聚类算法聚类算法是将数据集中的对象划分为不同的组或簇的方法。
它通过计算数据点之间的相似度或距离，将相似的数据点归为一类。
聚类算法常用于市场细分、社交网络分析、图像分析等领域。
例如，在社交网络分析中，我们可以使用聚类算法将用户划分为不同的群体，以便更好地了解用户的兴趣和行为习惯，从而为他们提供个性化的服务和推荐。
三、分类算法分类算法是将数据集中的对象分为不同的类别的方法。
它通过学习已经标记好的数据样本，建立分类模型，然后用该模型对新的数据进行分类。
分类算法常用于文本分类、垃圾邮件过滤、欺诈检测等领域。
例如，在垃圾邮件过滤中，我们可以使用分类算法对收件箱中的邮件进行分类，将垃圾邮件自动过滤出去，提高用户的邮件使用体验。
四、回归分析回归分析是一种用于建立变量之间关系模型的方法。
它通过分析自变量与因变量之间的关系，预测因变量的值。
回归分析常用于销售预测、用户行为分析、风险评估等领域。
例如，在销售预测中，我们可以使用回归分析来预测未来某个产品的销售量，从而帮助企业制定合理的生产计划和销售策略。
五、推荐算法推荐算法是一种根据用户的历史行为和兴趣，为其推荐相关内容的方法。
它通过分析用户的行为数据和兴趣偏好，找到与之相似的用户或物品，然后推荐相似的内容给用户。
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。
大数据常用的算法一、介绍在大数据时代，海量的数据对我们来说是一项巨大的财富，但如何从这些数据中提取有价值的信息却是一项挑战。
大数据算法是用于处理和分析大规模数据集的数学和统计方法。
它们帮助我们从海量数据中发现模式、提取特征、进行预测和优化等。
本文将介绍几种常用的大数据算法及其应用。
二、常用的大数据算法1. K均值聚类算法K均值聚类算法是一种常用的无监督学习算法，用于将数据集分成K个不相交的簇。
该算法通过计算数据点与聚类中心之间的距离来确定数据点所属的簇。
它在大数据分析中被广泛用于图像分割、文本聚类和推荐系统等领域。
2. 决策树算法决策树算法是一种基于树结构的分类和回归方法。
它通过对数据集进行递归划分，构建一个树形模型来进行预测。
决策树算法具有可解释性强、易于理解和实现的特点，在金融风险评估、医疗诊断和客户分类等领域有广泛应用。
3. 支持向量机算法支持向量机算法是一种二分类模型，通过在高维空间中构建超平面来实现分类。
它通过最大化分类边界的间隔来提高模型的鲁棒性和泛化能力。
支持向量机算法在文本分类、图像识别和网络入侵检测等领域具有良好的效果。
4. 随机森林算法随机森林算法是一种集成学习方法，它结合了多个决策树模型来进行分类和回归。
随机森林算法通过随机选择特征和样本来减少模型的方差，提高模型的泛化能力。
它在金融风控、信用评分和销售预测等领域有广泛应用。
5. 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学习和预测。
神经网络算法具有强大的拟合能力和非线性建模能力，在图像识别、自然语言处理和语音识别等领域取得了重要突破。
三、大数据算法的应用案例1. 电商推荐系统电商推荐系统利用大数据算法分析用户的历史购买记录、浏览行为和个人偏好，为用户推荐个性化的商品。
通过使用K均值聚类算法和协同过滤算法，电商平台可以更好地理解用户需求，提高销售量和用户满意度。
2. 智能交通管理智能交通管理利用大数据算法分析交通流量、车辆位置和道路状况，优化交通信号灯控制和路线规划。
大数据常用的算法一、介绍在大数据时代，海量的数据需要被高效地处理和分析，而大数据算法就是为了解决这个问题而诞生的。
大数据算法可以帮助我们从海量数据中提取有用的信息和知识，以支持决策和预测。
本文将介绍几种常用的大数据算法，包括关联规则挖掘、聚类分析、分类算法和推荐系统算法。
二、关联规则挖掘关联规则挖掘是一种用于发现数据集中的频繁项集和关联规则的算法。
它可以帮助我们发现数据集中的潜在关联关系，以便做出相应的决策。
常用的关联规则挖掘算法包括Apriori算法和FP-Growth算法。
Apriori算法通过迭代的方式生成候选项集，并使用支持度和置信度进行剪枝，最终得到频繁项集和关联规则。
FP-Growth算法则通过构建FP树来高效地发现频繁项集和关联规则。
三、聚类分析聚类分析是一种将数据集中的对象划分为不同的组或类别的算法。
聚类分析可以帮助我们发现数据集中的内在结构和模式，以便进行更深入的分析。
常用的聚类分析算法包括K-means算法和层次聚类算法。
K-means算法通过迭代的方式将数据点划分为K个簇，使得簇内的数据点相似度最大化，簇间的数据点相似度最小化。
层次聚类算法则通过不断合并最相似的簇来构建聚类树，最终得到聚类结果。
四、分类算法分类算法是一种将数据点分配到不同类别的算法。
分类算法可以帮助我们对未知数据进行预测和分类。
常用的分类算法包括决策树算法、朴素贝叶斯算法和支持向量机算法。
决策树算法通过构建一棵树来进行分类，每个节点表示一个特征，每个分支表示一个特征值，叶子节点表示一个类别。
朴素贝叶斯算法则基于贝叶斯定理进行分类，假设特征之间相互独立。
支持向量机算法则通过构建超平面来进行分类，使得不同类别的数据点之间的间隔最大化。
五、推荐系统算法推荐系统算法是一种根据用户的历史行为和偏好来推荐个性化内容的算法。
推荐系统算法可以帮助我们提供个性化的推荐，提高用户的满意度和体验。
常用的推荐系统算法包括基于内容的推荐算法、协同过滤算法和深度学习算法。
大数据常用的算法一、介绍在大数据时代，处理海量数据的能力对于企业和组织来说变得至关重要。
大数据算法是一种数学和统计方法的应用，用于从大规模数据集中提取有用的信息和洞察力。
本文将详细介绍几种常用的大数据算法。
二、K均值聚类算法K均值聚类算法是一种无监督学习算法，用于将数据集划分为K个不同的簇。
该算法的基本原理是通过计算数据点之间的距离来确定簇的中心，并将每个数据点分配到最近的中心。
K均值聚类算法在大数据分析和图像处理等领域得到了广泛应用。
三、决策树算法决策树算法是一种基于树状结构的分类和回归方法。
它通过对数据集进行递归划分来构建一棵决策树，每个节点代表一个属性，每个分支代表一个属性值，叶子节点代表一个类别或数值。
决策树算法在大数据分析和数据挖掘中常用于预测和分类任务。
四、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并对其结果进行集成来提高预测准确性。
随机森林算法在每棵决策树的构建过程中引入了随机性，以减少过拟合的风险。
它在大数据分类和回归问题中具有较高的准确性和鲁棒性。
五、支持向量机算法支持向量机算法是一种二分类方法，通过在特征空间中找到一个最优超平面来分离两个不同类别的数据点。
支持向量机算法在大数据分类和回归问题中具有良好的泛化能力和鲁棒性。
它在文本分类、图像识别和生物信息学等领域得到了广泛应用。
六、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方法，假设特征之间相互独立。
该算法通过计算给定类别的条件概率来进行分类。
朴素贝叶斯算法在大数据文本分类和垃圾邮件过滤等任务中表现出色。
七、神经网络算法神经网络算法是一种模拟人脑神经元之间相互连接的计算模型。
它通过多个神经元的层次化组织来学习和处理数据。
神经网络算法在大数据模式识别、语音识别和自然语言处理等领域具有强大的学习和适应能力。
八、聚类算法聚类算法是一种将数据集中的对象划分为相似组或簇的方法。
聚类算法通过计算数据点之间的相似度或距离来确定簇的划分。
大数据处理管理和分析海量数据的方法随着信息技术的快速发展和互联网的普及，大数据已经成为现代社会中重要的数据资源。
海量的数据源涉及到数据的获取、存储、处理和分析等诸多方面，本文将探讨大数据处理管理和分析海量数据的方法。
一、数据的获取和存储大数据的处理管理和分析首先需要从各种数据源中获取数据，并将其存储在适合的数据仓库中。
数据的获取方式包括传感器、数据库、互联网等多种途径，可以通过数据抓取、数据爬虫等技术手段进行实现。
而数据的存储可以选择关系型数据库、非关系型数据库、分布式文件系统等存储方式，以满足数据的快速检索和高效管理。
二、数据的清洗和预处理获取到的原始数据往往存在着各种问题，例如数据的缺失、错误、重复等，因此需要进行数据的清洗和预处理工作。
数据清洗主要包括对数据进行去重、填补缺失值、处理异常值等操作，以提高数据的质量和准确性。
数据预处理则包括数据的归一化、特征选择、降维等操作，以便更好地进行后续的数据分析工作。
三、数据的处理和分析在完成数据的清洗和预处理之后，便可以进行数据的处理和分析工作。
数据的处理可以采用分布式计算、并行计算等技术手段，以提高计算效率和处理速度。
常用的大数据处理框架有Hadoop、Spark等，它们可以实现数据的分布式存储和分布式处理，满足大规模数据的处理需求。
数据的分析则可以采用机器学习、数据挖掘、统计分析等方法，以发现数据背后的规律、趋势和模式。
四、数据的可视化和快速查询大数据处理和管理的最终目标是能够将数据转化为有用的信息，并通过可视化手段展示出来，以帮助决策者更好地理解和分析数据。
数据可视化可以采用图表、地图、仪表盘等方式，直观地展示数据的分布、关系和趋势，使得决策者能够更加快速地洞察数据背后的价值。
同时，对于大数据的快速查询和检索也是十分重要的，可以借助搜索引擎、索引技术等手段，提高数据的查询效率和用户体验。
综上所述，大数据处理管理和分析海量数据的方法包括数据的获取和存储、数据的清洗和预处理、数据的处理和分析、数据的可视化和快速查询等环节。
大数据常用的算法一、概述在大数据时代，随着数据量的快速增长，人们需要更高效、准确地处理和分析海量数据。
大数据算法是指为了解决大数据量、高维度、高速度的数据处理和分析问题而设计的算法。
本文将介绍几种常用的大数据算法，包括聚类算法、分类算法、关联规则算法和推荐算法。
二、聚类算法1. K-means算法K-means算法是一种常用的聚类算法，它将数据集分成K个不同的簇，每一个簇中的数据点与该簇的质心最为相似。
K-means算法的步骤如下：a. 随机选择K个初始质心。
b. 将每一个数据点分配到最近的质心。
c. 更新质心位置，计算每一个簇的平均值。
d. 重复步骤b和c，直到质心再也不改变或者达到最大迭代次数。
2. DBSCAN算法DBSCAN算法是一种基于密度的聚类算法，它将数据点分为核心点、边界点和噪声点。
DBSCAN算法的步骤如下：a. 随机选择一个未访问的数据点。
b. 如果该点的邻域内有足够数量的数据点，则形成一个新的簇，将该点及其邻域内的点加入簇中。
c. 重复步骤b，直到所有数据点都被访问。
三、分类算法1. 决策树算法决策树算法是一种常用的分类算法，它通过构建树形结构来对数据进行分类。
决策树算法的步骤如下：a. 选择一个属性作为根节点。
b. 根据该属性的取值将数据集划分为不同的子集。
c. 对每一个子集递归地应用步骤a和b，直到满足住手条件。
d. 为每一个叶节点分配一个类别。
2. 支持向量机算法支持向量机算法是一种常用的二分类算法，它通过找到一个最优超平面来将数据点分开。
支持向量机算法的步骤如下：a. 将数据映射到高维空间。
b. 在高维空间中找到一个最优超平面，使得两个类别的数据点距离超平面最远。
c. 根据超平面将数据点分为不同的类别。
四、关联规则算法1. Apriori算法Apriori算法是一种常用的关联规则挖掘算法，它通过计算频繁项集和关联规则来发现数据集中的关联关系。
Apriori算法的步骤如下：a. 找出数据集中的所有频繁项集。
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。
