甜橘子，专注成都网站制作网站设计与营销型网站建设与优化
QQ :532337155
电话：028-86922220
数据挖掘现在用的比较多的是python。
创新互联是一家专注于成都网站制作、成都做网站、外贸营销网站建设与策划设计,尤溪网站建设哪家好?创新互联做网站,专注于网站建设10多年,网设计领域的专业建站公司;建站业务涵盖:尤溪等地区。尤溪做网站价格咨询:18980820575
数据分析这块现在用的比较多的是scala。
php不适合做大数据分析
php数据分析不是前端。
因为php数据分析一般指的是用php编写的数据分析的框架的，这种是属于后端的，本身php开发编程语言就是属于后端编程开发语言的一种的，针对的是服务器方面的研究的，所以他是属于后端而不是前端的，前端一般针对的是js语言的开发
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 ----其实本质上就是【分而治之】的思想，重在“分”的技巧上！
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 of
each different word in a set of documents:
void map(String name, String document):
// name: document name
// document: document contents
for each word w in document:
EmitIntermediate(w, 1);
void reduce(String word, Iterator partialCounts):
// key: a word
// values: a list of aggregated partial counts
int 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 by
the Map function, using the word as the result key. The framework puts together all the pairs
with the same key and feeds them to the same call to Reduce, thus this function just needs to
sum 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。
3).一共有N个机器，每个机器上有N个数。每个机器最多存O(N)个数并对它们操作。如何找到N^2个数的中数(median)？
经典问题分析
上千万or亿数据（有重复），统计其中出现次数最多的前N个数据,分两种情况：可一次读入内存，不可一次读入。
可用思路：trie树+堆，数据库索引，划分子集分别统计，hash，分布式计算，近似统计，外排序
所谓的是否能一次读入内存，实际上应该指去除重复后的数据量。如果去重后数据可以放入内存，我们可以为数据建立字典，比如通过 map，hashmap，trie，然后直接进行统计即可。当然在更新每条数据的出现次数的时候，我们可以利用一个堆来维护出现次数最多的前N个数据，当然这样导致维护次数增加，不如完全统计后在求前N大效率高。
如果数据无法放入内存。一方面我们可以考虑上面的字典方法能否被改进以适应这种情形，可以做的改变就是将字典存放到硬盘上，而不是内存，这可以参考数据库的存储方法。
当然还有更好的方法，就是可以采用分布式计算，基本上就是map-reduce过程，首先可以根据数据值或者把数据hash(md5)后的值，将数据按照范围划分到不同的机子，最好可以让数据划分后可以一次读入内存，这样不同的机子负责处理各种的数值范围，实际上就是map。得到结果后，各个机子只需拿出各自的出现次数最多的前N个数据，然后汇总，选出所有的数据中出现次数最多的前N个数据，这实际上就是reduce过程。
实际上可能想直接将数据均分到不同的机子上进行处理，这样是无法得到正确的解的。因为一个数据可能被均分到不同的机子上，而另一个则可能完全聚集到一个机子上，同时还可能存在具有相同数目的数据。比如我们要找出现次数最多的前100个，我们将1000万的数据分布到10台机器上，找到每台出现次数最多的前 100个，归并之后这样不能保证找到真正的第100个，因为比如出现次数最多的第100个可能有1万个，但是它被分到了10台机子，这样在每台上只有1千个，假设这些机子排名在1000个之前的那些都是单独分布在一台机子上的，比如有1001个，这样本来具有1万个的这个就会被淘汰，即使我们让每台机子选出出现次数最多的1000个再归并，仍然会出错，因为可能存在大量个数为1001个的发生聚集。因此不能将数据随便均分到不同机子上，而是要根据hash 后的值将它们映射到不同的机子上处理，让不同的机器处理一个数值范围。
而外排序的方法会消耗大量的IO，效率不会很高。而上面的分布式方法，也可以用于单机版本，也就是将总的数据根据值的范围，划分成多个不同的子文件，然后逐个处理。处理完毕之后再对这些单词的及其出现频率进行一个归并。实际上就可以利用一个外排序的归并过程。
另外还可以考虑近似计算，也就是我们可以通过结合自然语言属性，只将那些真正实际中出现最多的那些词作为一个字典，使得这个规模可以放入内存。
PHP和Python哪个好？
看个人的兴趣，如果喜欢做网站的话，就学php，现在好多网站都是用php编写的，并且php是后来兴起的语言，外面的Php程序员还挺缺的！！
如果喜欢做系统脚本编程的，就学python，现在好多系统都支持python编写的脚本，python学起来也挺容易的，发展前途来蛮不错的！
不过现在php容易找工作一点，发展势头比phthon高，，不过以后就不好说了！这两门学精了，都好有前途！
下面是Python和PHP的一些简单对比：
Python、PHP和其他编程语言一样，都有各自的优缺点，受欢迎程度取决于其是否迎合了时代的发展，不同的编程语言有其不同的特
点，适应不同的场景，以下是Python和PHP的对比！
1. 从开发的角度来看，PHP是面向web的语言，而Python是多用途语言，也可以用于web开发。
2. 虽然Python没有PHP那么多引以为豪的框架，但个别情况很快会改变(目前最好用的是Django和Flask)。
3. 在简单易学方面，Python继续吊打PHP，想要完全掌握PHP需要花费较多的时间和精力。对于新手来说，如果想学一项更容易、更灵
活的技术，那么Python是好选择。
4. 在就业前景方面，Python可应用于人工智能、数据分析、云计算等朝阳产业，未来前景广阔！
5. 从就业薪资方面，Python人才紧缺，又属朝阳产业，薪资较PHP高出许多，据数据显示，Python全国月均薪资可达19K。
对于犹豫学习PHP和Python的人员，推荐学习Python，Python目前正处于起步阶段，目前学习Python是一次很好的机会！
Python学习网- 专业的python自学、交流公益平台！
随着科技的发展，拥有高容量、高速度和多样性的大数据已经成为当今时代的主题词。移动互联网、云计算、大数据的快速发展，使Python给开发者带来巨大的机会。Python 不仅仅是一个设计优秀的程序语言，它能够完成现实中的各种任务，包括开发者们日复一日所做的事情。
Python这门语言它是面向对象编程语言，有封装强大的类库，Python目前已经超过了Java成为人们最喜欢的编程语言。相比Java，Python更加的容易理解、免费开源的代码、Python的移植性非常强等等非常多优势，尤其是Python3出来之后更是让Python压过其他语言一头。
Python之所以近些年在国内也被发掘与追捧，主要也与互联网发展到此阶段有着重要关系。Python的开放、简洁、黏合正符合了现发展阶段对大数据分析、可视化、各种平台程序协作产生了快速的促进作用。自Python3的发布到现在已有五六年的时间，从刚发布的反对声音到慢慢被接受与喜欢经过了太漫长的时间，然而可能也与国情与发展需求有着相当的关系。总之，越来越多人开始使用Python。
Python的未来前景如下：
Python语言有一个特点就是没有什么特别强势的，但是它可以应用都非常的多领域，而且效率高的可怕，Python的应用领域非常多，目前据了解国内应该是没有太多人学习Python，而Python的招聘和工资确实非常的高，现在有很多大型企业如腾讯，阿里，百度，搜狐，微软，谷歌，华为这些大型互联网公司都是用高薪聘请Python开发人员。
Python的工资
目前，Python开发者的工资基本都是在15K以上，而且它的涨幅不知道为什么高的离谱，可以达到50%的涨幅，而Java的工资封顶也就是30000左右，而Python却可以涨到最好50K，因为Python这个语言以后的发展前景非常可观，尤其是稀缺人才，类似于之前的IOS开发。
Python工作方向
一、Linux运维
Linux运维是必须而且一定要掌握Python语言，Python是一门非常厉害的编程语言，它可以满足Linux运维工程师的工作需求提升效率，总而提升自己的能力，运维工程师需要自己独立开发一个完整的自动化系统时，这个时候才是真正价值的体现，才能证明自身的能力，让老板重视。
二、Python Web网站工程师
我们都知道Web前端一直都是不可忽视的存在，我们离不开网络，离不开Web，利用Python的框架可以做网站，而且都是一些精美的前端界面，还有我们需要掌握一些数据的应用。
三、数据分析、爬虫
做数据分析的现在都需要学习Python，Python可以更快的提升对于数据抓取的精准程度和速度，这对于做数据分析的人来说是再好不过的，还在用表格的同学应该提升自己了。
四、人工智能
为什么把这个方向留在最后，因为这是我们即将到来的时代“人工智能时代”机器人扫地，机器人洗碗，这样的时代不会太远，最多五年，而Python正是这个方向首选的语言。
Python语言无所不包，能做非常多的事情，适合各类企业的开发工作，结合Python的优势来看，如果决定加入Python开发，前景还是十分看好的。
一、PHP的发展现状。
1、全球5000万互联网网站中，有60%以上使用着PHP技术;
2、2015年PHP从业人数将增加42%，远超JAVA的13%和.NET的24%;
3、PHP是全球五大最受欢迎的编程语言之一，并且是唯一入选的脚本语言;
4、国内80%以上的动态网站使用PHP开发;
5、AlexaTOP500中国网站排名，有394家使用了PHP技术，比例为78.8%。
PHP、C++、java这三种语言都是相当优秀的脚本语言，为什么PHP能大行其道，位居榜首呢?从表面上来看，这是就业环境使然。越来越多的新公司或者新项目使用PHP，这使得PHP相关社区越来越活跃，而这又反过来影响到很多项目或公司的选择，形成一个良性的循环。就小编目前了解到的情况，PHP是国内大部分web项目的首选，而且有很多公司从其它语言(如ASP，JAVA)转到了PHP。合适的就是最好的，PHP的快速，开发成本低，周期短，后期维护费用低，开源产品丰富，这些都是另外两种语言无法比拟的。
二、PHP的就业前景。
随着Web2.0的升温互联网的发展迎来新一轮的热潮，由于互联网本身的快速发展、不断创新的特点，决定了只有以最快开发速度和最低成本，才能取胜，才能始终保持一个网站的领先性和吸引更多的网民。互联网的企业生存和竞争的核心在于技术，技术、研发人才永远是这些企业不可或缺的关键人物，只有拥有资深的人才和领先的技术，才能在最短的时间内创造出优秀的网络应用。
PHP技术和相关的人才，正是迎合目前的互联网的发展趋势，PHP作为非常优秀的、简便的Web开发语言，和Linux，Apache，MySQL紧密结合，形成LAMP的开源黄金组合，不仅降低使用成本，还提升了开发速度，满足最新的互动式网络开发的应用。
在与其他同类编程语言的比较中，PHP具有开发速度快、运行效率高、安全性好、可扩展性强、开源自由等特点;而回顾PHP近10年来的发展过程、展望未来互联网行业的发展趋势，我们可以得出结论：PHP的发展势头不可阻挡，必将成为未来WEB开发领域的主流技术体系。
因此，在IT业和互联网的超速发展的时代，企业对PHP程序员的需求也大量增加，PHP程序员和招聘岗位的供求比例是1：40，很多公司半年都招不到一个合适的PHP程序员。这个岗位是程序员中最火的，这种严重供不应求的局面在未来几年中也将愈演愈烈。
在这样一个大趋势下，优就业IT培训也开设了PHP工程师培训课程，为一些想向IT行业转行的人才提供系统化培训。