‘壹’ 大数据的分类方法有几种,其中数据处理时常用哪一种
大数据的类型大致可分为三类：
传统企业数据(Traditional enterprise data)：包括 CRM
systems的消费者数据，传统的ERP数据，库存数据以及账目数据等。
机器和传感器数据(Machine-generated /sensor data)：包括呼叫记录(Call Detail
Records)，智能仪表，工业设备传感器，设备日志(通常是Digital exhaust)，交易数据等。
社交数据(Social data)：包括用户行为记录，反馈数据等。如Twitter，Facebook这样的社交媒体平台。
‘贰’ 数据处理的基本方法有哪些
典型的计算方法有：1、列表法2、作图法3、逐差法4、最小二乘法等等
‘叁’ 数据处理方式
什么是大数据：大数据（big data），指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，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。
大数据的5V特点：Volume（大量）、Velocity（高速）、Variety（多样）、Value（低价值密度）、Veracity（真实性），网络随便找找都有。
大数据处理流程：
1.是数据采集,搭建数据仓库，数据采集就是把数据通过前端埋点，接口日志调用流数据，数据库抓取，客户自己上传数据，把这些信息基础数据把各种维度保存起来，感觉有些数据没用（刚开始做只想着功能，有些数据没采集， 后来被老大训了一顿）。
2.数据清洗/预处理：就是把收到数据简单处理，比如把ip转换成地址，过滤掉脏数据等。
3.有了数据之后就可以对数据进行加工处理，数据处理的方式很多，总体分为离线处理，实时处理，离线处理就是每天定时处理，常用的有阿里的maxComputer,hive,MapRece,离线处理主要用storm,spark,hadoop,通过一些数据处理框架，可以吧数据计算成各种KPI,在这里需要注意一下，不要只想着功能，主要是把各种数据维度建起来，基本数据做全，还要可复用，后期就可以把各种kpi随意组合展示出来。
4.数据展现，数据做出来没用，要可视化，做到MVP，就是快速做出来一个效果，不合适及时调整，这点有点类似于Scrum敏捷开发，数据展示的可以用datav，神策等，前端好的可以忽略，自己来画页面。
数据采集：
1.批数据采集，就是每天定时去数据库抓取数据快照，我们用的maxComputer，可以根据需求，设置每天去数据库备份一次快照，如何备份，如何设置数据源，如何设置出错，在maxComputer都有文档介绍，使用maxComputer需要注册阿里云服务
2.实时接口调用数据采集，可以用logHub,dataHub,流数据处理技术,DataHub具有高可用，低延迟，高可扩展，高吞吐的特点。
高吞吐：最高支持单主题（Topic）每日T级别的数据量写入，每个分片（Shard）支持最高每日8000万Record级别的写入量。
实时性：通过DataHub ，您可以实时的收集各种方式生成的数据并进行实时的处理，
设计思路：首先写一个sdk把公司所有后台服务调用接口调用情况记录下来，开辟线程池，把记录下来的数据不停的往dataHub,logHub存储，前提是设置好接收数据的dataHub表结构
3.前台数据埋点，这些就要根据业务需求来设置了，也是通过流数据传输到数据仓库，如上述第二步。
数据处理：
数据采集完成就可以对数据进行加工处理，可分为离线批处理，实时处理。
1.离线批处理maxComputer，这是阿里提供的一项大数据处理服务，是一种快速，完全托管的TB/PB级数据仓库解决方案，编写数据处理脚本，设置任务执行时间，任务执行条件，就可以按照你的要求，每天产生你需要数据
2.实时处理：采用storm/spark,目前接触的只有storm,strom基本概念网上一大把，在这里讲一下大概处理过程，首先设置要读取得数据源，只要启动storm就会不停息的读取数据源。Spout，用来读取数据。Tuple：一次消息传递的基本单元，理解为一组消息就是一个Tuple。stream,用来传输流，Tuple的集合。Bolt：接受数据然后执行处理的组件,用户可以在其中执行自己想要的操作。可以在里边写业务逻辑，storm不会保存结果，需要自己写代码保存，把这些合并起来就是一个拓扑，总体来说就是把拓扑提交到服务器启动后，他会不停读取数据源，然后通过stream把数据流动，通过自己写的Bolt代码进行数据处理，然后保存到任意地方，关于如何安装部署storm，如何设置数据源，网上都有教程，这里不多说。
数据展现：做了上述那么多，终于可以直观的展示了，由于前端技术不行，借用了第三方展示平台datav,datav支持两种数据读取模式，第一种，直接读取数据库，把你计算好的数据，通过sql查出，需要配置数据源，读取数据之后按照给定的格式，进行格式化就可以展现出来
@jiaoready @jiaoready 第二种采用接口的形式，可以直接采用api，在数据区域配置为api，填写接口地址，需要的参数即可，这里就不多说了。
‘肆’ 物理实验数据处理的方法有哪些
实验数据的处理方法
实验结果的表示，首先取决于实验的物理模式，通过被测量之间的相互关系，考虑实验结果的表示方法。常见的实验结果的表示方法是有图解法和方程表示法。在处理数据时可根据需要和方便选择任何一种方法表示实验的最后结果。
（1）实验结果的图形表示法。把实验结果用函数图形表示出来，在实验工作中也有普遍的实用价值。它有明显的直观性，能清楚的反映出实验过程中变量之间的变化进程和连续变化的趋势。精确地描制图线，在具体数学关系式为未知的情况下还可进行图解，并可借助图形来选择经验公式的数学模型。因此用图形来表示实验的结果是每个中学生必须掌握的。
图解法主要问题是拟合面线，一般可分五步来进行。
①整理数据，即取合理的有效数字表示测得值，剔除可疑数据，给出相应的测量误差。
②选择坐标纸，坐标纸的选择应为便于作图或更能方使地反映变量之间的相互关系为原则。可根据需要和方便选择不同的坐标纸，原来为曲线关系的两个变量经过坐标变换利用对数坐标就要能变成直线关系。常用的有直角坐标纸、单对数坐标纸和双对数坐标纸。
③坐标分度，在坐标纸选定以后，就要合理的确定图纸上每一小格的距离所代表的数值，但起码应注意下面两个原则：
a.格值的大小应当与测量得值所表达的精确度相适应。
b.为便于制图和利用图形查找数据每个格值代表的有效数字尽量采用1、2、4、5避免使用3、6、7、9等数字。
④作散点图，根据确定的坐标分度值将数据作为点的坐标在坐标纸中标出，考虑到数据的分类及测量的数据组先后顺序等，应采用不同符号标出点的坐标。常用的符号有：×○●△■等，规定标记的中心为数据的坐标。
⑤拟合曲线，拟合曲线是用图形表示实验结果的主要目的，也是培养学生作图方法和技巧的关键一环，拟合曲线时应注意以下几点：
a.转折点尽量要少，更不能出现人为折曲。
b.曲线走向应尽量靠近各坐标点，而不是通过所有点。
c.除曲线通过的点以外，处于曲线两侧的点数应当相近。
⑥注解说明，规范的作图法表示实验结果要对得到的图形作必要的说明，其内容包括图形所代表的物理定义、查阅和使用图形的方法，制图时间、地点、条件，制图数据的来源等。
（2）实验结果的方程表示法。方程式是中学生应用较多的一种数学形式，利用方程式表示实验结果。不仅在形式上紧凑，并且也便于作数学上的进一步处理。实验结果的方程表示法一般可分以下四步进行。
①确立数学模型，对于只研究两个变量相互关系的实验，其数学模型可借助于图解法来确定，首先根据实验数据在直角坐标系中作出相应图线，看其图线是否是直线，反比关系曲线，幂函数曲线，指数曲线等，就可确定出经验方程的数学模型分别为：
Y=a+bx，Y=a+b/x，Y=a\b，Y=aexp（bx）
②改直，为方便的求出曲线关系方程的未定系数，在精度要求不太高的情况下，在确定的数学模型的基础上，通过对数学模型求对数方法，变换成为直线方程，并根据实验数据用单对数（或双对数）坐标系作出对应的直线图形。
③求出直线方程未定系数，根据改直后直线图形，通过学生已经掌握的解析几何的原理，就可根据坐标系内的直线找出其斜率和截距，确定出直线方程的两个未定系数。
④求出经验方程，将确定的两个未定系数代入数学模型，即得到中学生比较习惯的直角坐标系的经验方程。
中学物理实验有它一套实验知识、方法、习惯和技能，要学好这套系统的实验知识、方法、习惯和技能，需要教师在教学过程中作科学的安排，由浅入深，由简到繁加以培养和锻炼。逐步掌握探索未知物理规律的基本方法。
‘伍’ 信息技术的内容和数据处理常用的方法包括哪些
电脑 手机 电视 音响 光盘 手表 网络
‘陆’ 数据处理的常用方式
数据分析与处理方法：
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大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，但是如果要对这些大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，来满足部分业务的实时计算需求。导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。
挖掘
与前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数据上面进行基于各种算法的计算，从而起到预测的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的K-Means、用于统计学习的SVM和用于分类的NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并且计算涉及的数据量和计算量都很大，还有，常用数据挖掘算法都以单线程为主。
‘柒’ 常用数据分析与处理方法
一、漏斗分析法：漏斗分析法能够科学反映用户行为状态，以及从起点到终点各阶段用户转化率情况，是一种重要的分析模型。漏斗分析模型已经广泛应用于网站和APP的用户行为分析中，例如流量监控、CRM系统、SEO优化、产品营销和销售等日常数据运营与数据分析工作中
二、留存分析法：留存分析法是一种用来分析用户参与情况和活跃程度的分析模型，考察进行初始行为的用户中，有多少人会进行后续行为。从用户的角度来说，留存率越高就说明这个产品对用户的核心需求也把握的越好，转化成产品的活跃用户也会更多，最终能帮助公司更好的盈利。
三、分组分析法：分组分析法是根据数据分析对象的特征，按照一定的标志（指标），把数据分析对象划分为不同的部分和类型来进行研究，以揭示其内在的联系和规律性。
四、矩阵分析法：矩阵分析法是指根据事物（如产品、服务等）的两个重要属性（指标）作为分析的依据，进行分类关联分析，找出解决问题的一种分析方法，也称为矩阵关联分析法，简称矩阵分析法。