⑴ 怎样查找自己想用的大数据
vlookup函数：vlookup(lookup_value,table_array,col_index_num,[range_lookup]) 第一个参数：lookup_value表示你想要根据哪个值来查找到你想要的数据，比如：可以根据值a可以找到b，那么lookup_value就填写成"a"; 第二个参数：table_value表示你想要在哪个表区域中进行数据查找； 第三个参数：[range_lookup]，表示是精确查找还是模糊匹配；如果为false或0 ，则返回精确匹配，如果找不到，则返回错误值 #N/A；如果 range_lookup 为TRUE或1，函数 VLOOKUP 将查找近似匹配值，也就是说，如果找不到精确匹配值，则返回小于 lookup_value 的最大数值。默认为模糊匹配。 下边举例说明： 1.现要将表1中的学生的总分进行填充，笨的方法是一个个根据表1中的学生姓名到表2中找到对应的名字的总分，这样效率太低，可利用vlookup函数轻松完成。 2.切换到“表一”页签，在单元格B2输入：=vlookup(A2, 3.接着切换到“表二”页签，选中要查找数据的区域，这时表一”页签单元格B2的值自动变为：=vlookup(A2,表二!A2:B17。 说明：表二!A2:B17的意思是：系统将在表二”页签的A2：B17形成的表格区域中进行数据查找。 4.再切换回“表一”页签，将单元格B2的值“=vlookup(A2,表二!A2:B17”修改为"=vlookup(A2,表二!$A$2:$B$17",有童鞋就会问为什么要将表二!A2:B17改为表二!$A$2:$B$17，在这里解释下$表示绝对的意思,$A$2:$B$17表示在下拉填充其他单元格时行列不变，这一点很重要。 5.然后在单元格B2中接着输入：=vlookup(A2,表二!$A$2:$B$17，2，false），并回车 说明：第三个参数“2”代表的是意思是指在“表二!A2:B17”形成的表格的中第2列中返回值,第四个参数"false"表示是按精确。 6.下拉单元格B2将B列的其他单元格进行vlookup公式复制自动填充并计算，结果如图中所示。
⑵ 大数据开发需要学什么基础掌握什么技能
【导读】大家都知道，近几年大数据发展的特别的火，很多人报班学习大数据，做起了大数据工程师，那么你知道大数据开发需要学什么基础?掌握什么技能吗?学习大数据要学习那个方向呢?下面我们就来具体的了解一下吧!
只需要学习Java的标准版JavaSE就可以了，像Servlet、JSP、Tomcat、Struts、Spring、Hibernate，Mybatis都是JavaEE方向的技术在大数据技术里用到的并不多，只需要了解就可以了，当然Java怎么连接数据库还是要知道的，像JDBC一定要掌握一下。
有同学说Hibernate或Mybites也能连接数据库啊，为什么不学习一下，我这里不是说学这些不好，而是说学这些可能会用你很多时间，到最后工作中也不常用，我还没看到谁做大数据处理用到这两个东西的，当然你的精力很充足的话，可以学学Hibernate或Mybites的原理，不要只学API，这样可以增加你对Java操作数据库的理解，因为这两个技术的核心就是Java的反射加上JDBC的各局袭运种使用。
通用的技能：除了具备基础的Sql能力以外，包括会用传统的Mysql、Oracle这种传统桐梁数据库，而禅谈且要会用Hive、Hbase这些基于分布式的数据库;当然Java编程能力是不可少的，其他方面的诸如Maprece和Spark也会就更好了。
会用集群，集群除了问题有一定解决集群问题的能力。数仓开发：要会数仓建模，维表、事实表、主题表、星型模型、雪花模型等等，要对业务非常熟悉，有全局观，才能建好数据仓库。
数据开发：数据开发有离线开发和实时开发，这种更偏向后端开发，类似java有需求就开发，加上平时对程序维护。
数据分析：这个要求sql功底强，如果能用python对数据分析那会更好了。要会用sqoop和kettle等这些常用的ETL工具，会用报表系统。
以上就是小编今天给大家整理发布的关于“大数据开发需要学什么基础?掌握什么技能??”的相关内容，希望对大家有所帮助。更多关于零基础学大数据的相关内容，关注小编，持续更新。
⑶ 大数据如何入门
首先我们要了解Java语言和Linux操作系统，这两个是学习大数据的基础，学习的顺序不分前后。
大数据
Java ：只要了解一些基础即可，做大数据不需要很深的Java 技术，学java SE 就相当于有学习大数据基础。
Linux：因为大数据相关软件都是在Linux上运行的，所以Linux要学习的扎实一些，学好Linux对你快速掌握大数据相关技术会有很大的帮助，能让你更好的理解hadoop、hive、hbase、spark等大数据软件的运行环境和网络环境配置，能少踩很多坑，学会shell就能看懂脚本这样能更容易理解和配置大数据集群。还能让你对以后新出的大数据技术学习起来更快。
Hadoop：这是现在流行的大数据处理平台几乎已经成为大数据的代名词，所以这个是必学的。Hadoop里面包括几个组件HDFS、MapRece和YARN，HDFS是存储数据的地方就像我们电脑的硬盘一样文件都存储在这个上面，MapRece是对数据进行处理计算的，它有个特点就是不管多大的数据只要给它时间它就能把数据跑完，但是时间可能不是很快所以它叫数据的批处理。
Zookeeper：这是个万金油，安装Hadoop的HA的时候就会用到它，以后的Hbase也会用到它。它一般用来存放一些相互协作的信息，这些信息比较小一般不会超过1M，都是使用它的软件对它有依赖，对于我们个人来讲只需要把它安装正确，让它正常的run起来就可以了。
Mysql：我们学习完大数据的处理了，接下来学习学习小数据的处理工具mysql数据库，因为一会装hive的时候要用到，mysql需要掌握到什么层尘瞎度那?你能在Linux上把它安装好，运行起来，会配置简单的权限，修改root的密码，创建数据库。这里主要的是学习SQL的语法，因为hive的语法和这个非常相似。
Sqoop：这个是用于把Mysql里的数据导入到Hadoop里的。当然你也可以不用这个，直接把Mysql数据表导出成文件再放到HDFS上也是一样的，当然生产环境中使用要注意Mysql的压力。
Hive：这个东西对于会SQL语法的来说就是神器，它能让你处理大数据变的很简单，不会再费劲的编写MapRece程序。有的人说Pig那?它和Pig差不多掌握一个就可以了。
Oozie：既然学会Hive了，我相信你一定需首册要这个东西，它可以帮你管理你的Hive或者MapRece、Spark脚本，还能检查你的程序是否执行正确，出错了给你发报警并能帮你重试程序，最重要的是还能帮你配置任务的依赖关系。我相信你一定会喜欢上它的，不然你看着那一大堆脚本，和密密麻麻的crond是不是有种想屎的感觉。
Hbase：这是Hadoop生态体系中的NOSQL数据库，他的数据是按照key和value的形式存储的并且key是唯一的，所以它能用来做数据的排重，它与MYSQL相比能存储的数据量大很多。所以他常被用于大数据处理完成之后的存储目的地。
Kafka：这是个比较好用的队列工具，队列是干吗的?排队买票你知道不?数据多了同样也需要排队处理，这样与你协作的其它同学不会叫起来，你干吗给我这么多的数据(比如好几百G的文件)我怎么处理得过来，你别怪他因为他不是搞大数据的，你可以跟他讲我把数据放在队列里你使用的时候一个个拿，这样他就不在抱怨了马上灰流流的去优化他的程序去了，因为处理不过来就是他的事情。而不是你给的问题。当然我们也可以利用这个工具来做线上实时数据的入库或入HDFS，这时你可以与一个叫Flume的工具配合使用，它是专门用来提供对数据进行简单处理，并写到各种数据接受方(比如Kafka)的。
Spark：它是用来弥补基于MapRece处理数据速度上的缺点，它的特点是把数据装载到内存中计者兄宏算而不是去读慢的要死进化还特别慢的硬盘。特别适合做迭代运算，所以算法流们特别稀饭它。它是用scala编写的。Java语言或者Scala都可以操作它，因为它们都是用JVM的。
⑷ 小白怎么入门大数据行业数据要学哪些知识
【导读】在大数据学习当中，关于打基础的部分，一直以来都是大家非常重视的，基础打好了，才能真正在后续的发展当中受益，更快地成长起来。那么，小白怎么入门大数据行业?数据要学哪些知识呢?今天就跟随小编一起来了解下吧!
学大数据，在前期主要是打基础，包括java基础和Linux基础，而后才会正式进入大数据技术的阶段性学习。
Linux学习主要是为了搭建大数据集群环境做准备，所以以Linux系统命令和shell编程为主要需要掌握的内容。
而Java，主要是Java
SE，涉及到比较多需要掌握的内容，包括掌握java语言中变量，控制结构，循环，面向对象封装等内容;掌握面向对象，IO流，数据结构等内容;掌握反射，xml解析，socket，线程以及数据库等内容。
Java EE，需要掌握的内容不多，掌握html，css，js，http协议，Servlet等内容;掌握Maven，spring，spring
mvc，mybatis等内容基本上就够用了。
具备以上的基础之后，进入大数据技术框架的学习，利用Linux系统搭建Hadoop分布式集群、使用Hadoop开发分布式程序、利用Zookeeper搭建Hadoop
HA高可用、Shell脚本调用等对大数据技术框架有初步的了解。
对于Hadoop，涉及到相关系统组件，都需要逐步学习掌握，包括理解和掌握Maprece框架原理，使用Maprece对离线数据分析，使用Hive对海量数据存储和分析，使用MySQL数据库存储元数据信息使用正则表达式，使用Shell脚本，使用Maprece和Hive完成微博项目部分功能开发，学会使用flume等。
要能够对hbase数据库不同场景进行数据的crud、kafka的安装和集群常用命令及java
api的使用、能够用scala语言为之后spark项目开发奠定基础，学会使用sqoop;
要掌握spark核心编程进行离线批处理，sparkSQL做交互式查询，sparkStreaming做实时流式运算，spark原理的深入理解，spark参数调优与运维相关的知识。
以上就是小编今天给大家整理发送的关于“小白怎么入门大数据行业?数据要学哪些知识?”的全部内容，希望对大家有所帮助。所谓不做不打无准备之仗，总的来说随着大数据在众多行业中的应用，大数据技术工作能力的工程师和开发人员是很吃香的。希望各位大家在学习之前做好准备，下足功夫不要凭空想象的想要取得优异的成绩。
⑸ 学习大数据需要哪些数学知识
我们都知道编程技术是需要一定的逻辑能力的，不管哪种语言，都绕不过“规律”这一说，那么大家知道对于大数据技术，我们需要了解哪些数学知识吗？北京电脑培训带你了解一下吧。
（1）概率论与数理统计
这部分与大数据技术开发的关系非常密切，条件概率、独立性等基本概念、随机变量及其分布、多维随机变量及其分布、方差分析及回归分析、随机过程（特别是Markov）、参数估计、Bayes理论等在大数据建模、挖掘中就很重要。
大数据具有天然的高维特征，在高维空间中进行数据模型的设计分析就需要一定的多维随机变量及其分布方面的基础。Bayes定理更是分类器构建的基础之一。除了这些这些基础知识外，条件随机场CRF、隐Markov模型、n-gram等在大数据分析中可用于对词汇、文本的分析，可以用于构建预测分类模型。
当然以概率论为基础的信息论在大数据分析中也有一定作用，比如信息增益、互信息等用于特征分析的方法都是信息论里面的概念。
（2）线性代数
这部分的配猜数学知识与大数据技术开发的关系也很密切，培察型矩阵、转置、秩分块矩阵、向量、正交矩阵、向量空间、特征值与特征向量等在大数据建模、分析中也是常用的技术手段。
在互联网大数据中，许多应用场景的分析对象都可以抽象成为矩阵表示，大量Web页面及其关系、微博用户及其关系、文本集中文本与词汇的关系等等都可以用矩阵表示。比如对于Web页面及其关系用矩阵表示时，矩阵元素就代表了页面a与另一个页面b的关系，这种关系可以是指向关系，1表示a和b之间有超链接，0表示a,b之间没有超链接。着名的PageRank算法就是基于这种矩阵进行页面重要性的量化，并证明其收敛性。
以矩阵为基础的各种运算，如矩阵分解则是分析对象特征提取的途径，因为矩阵代表了某种变换或映射，因此分解后得到的矩阵就代表了分析对象在新空间中的一些新特征。所以，奇异值分解SVD、PCA、NMF、MF等在大数据分析中的应用是很广泛的。
（3）最优化方法
模型学习训练是很多分析挖掘模型用于求解参数的途径，基本问题是：给定一个函数f:A→R，寻找一个元素a0∈A，使得对于所有A中的a，f(a0)≤f(a)（最小化）；或者f(a0)≥f(a)（最大化）。优化方法取决于函数的形式，从目前看，最优化方法通常是基于微分、导数的方法，例如梯度下降、爬山法、没搜最小二乘法、共轭分布法等。
（4）离散数学
离散数学的重要性就不言而喻了，它是所有计算机科学分支的基础，自然也是大数据技术的重要基础。
⑹ 如何迅速学懂大数据专业
第一阶段：Java核心技术
本阶段主要学习的知识点包括：Java基本语法，面向对象，API，Eclipse开发工具的使用， 集合的底层原理，基本算法，jvm 参数，JDK8 的部分特性，IO、 线程、套接字、反射使用。
第二阶段：数据库关键技术阶段
本阶段主要学习的知识点包括：XML、HTML/CSS、JavaScript、Jquery、JDBC、Servlet、Tomcat/HTTPCookie/Session、JSP/EL表达式/JSTL标签 库、MVC设计模式/三层架构、JavaWeb高级开发技术、数据库高 级开发技术。
第三阶段：互联网核心框架
主要知识点：Spring、SpringMVC、MyBatis、SpringBoot、Maven、 Git工具。
适合岗位：初级Java开发工程师、Java后台开发工程师。
第四阶段：互联网流行技术
Redis&SpringBoot整合、RabbitMQ&SpringBoot整合、 Mycat&SpringBoot整合、solr原理讲解及使用、IDEA开发工具 的使用、ES&SpringBoot整合、Jsoup爬虫、SpringCloud微服 务整合。
适合岗位：中高级Java开发工程师、数据库开发工程师、 Java互联网开发工程师、Java微服务开发工程师、爬虫工程师。
第五阶段：大数据框架阶段
Hadoop/Hive、Hbase/Redis、Strom、Spark、Kafka、 SCALA、Zebra 项目、Linux云平台。
适合岗位：Spark大数据开发工程师、Hadoop大数据开发工 程师、Strom大数据开发工程师、Hive工程师、数据可视化工程 师、大数据平台运维工程师、数据仓库开发工程师、ETL开发工程师。
关于如何迅速学懂大数据专业，青藤小编就和您分享到这里了。如果您对大数据工程有浓厚的兴趣，希望这篇文章可以为您提供帮助。如果您还想了解更多关于数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。
⑺ 大数据处理_大数据处理技术
大数据技术，就是从各种类型的数据中快速获得有价值信息的技术。大数据领域已经涌现出了大量新的技术，它们成为大数据采集、存储、处理和呈现的有力武器。
大数据处理关键技术一般包括：大数据采集、大数据预处理、大数据存储及管理、大数据分析及挖掘、大数据展现和应用(大数据检索、大数据可视化、大数据应用、大数据安全等)。
一、大数据采集技术
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(或称之为弱结构化)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;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。
互联网是个神奇的大网，大数据开发和软件定制也是一种模式，这里提供最详细的报价，如果你真的想做，可以来这里，这个手技的开始数字是一八七中间的是三儿零最后的是一四二五零，按照顺序组合起来就可以找到，我想说的是，除非你想做或者了解这方面的内容，如果只是凑热闹的话，就不要来了。
大数据采集一般分为大数据智能感知层：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。基础支撑层：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、存储滚掘、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。
二、大数据预处理技术
主要完成对已接收数据的辨析、抽取、清洗等操作。1)抽取：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。2)清洗：对于大数据，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“去噪”从而提取出有效数据。
三、大数据存储及管理技术
大数据存储与管理要用存储器把采集到的数据存储起来，建立相应的数据库，并进行管理和调用。重点解决复杂结构化、半结构化和非结构化大数据管理与处理技术。主要解决大数据的可存储、可表示、可处理、可靠性及有效传输等几个关键问题。开发可靠的分布式文件系统(DFS)、能效优化的存储、计算融入存储、大数据的去冗余及高效低成本的大数据存储技术;突破分布式非关系型大数据管理与处理技术，异构数据的数据融合技术，数据组织技术，研究大数据建模技术;突破大数据索引技术;突破大数据移动、备份、复制等技术;开发大数据可视化技术。
开发新型数据库技术，数据库分为关系型数据库、非关系型数据库以及数据库缓存系统。其中，非关系型数据库主要指的是NoSQL数据库，分为历备吵：键值数据库、列存数据库、图存数据库以及文档数据库等类型。关系型数据库包含了传统关系数据库系统以及NewSQL数据库。
开发大数据安全技术。改进数据销毁、透明加解密、分布式访问控制、数据审计等技术;突破隐私保护和推理控制、数据真伪识别和取证、数据持有完整性验证等技术。
四、大数据分析及挖掘技术
大数据分析技术。改进已有数据挖掘和机器学习技术;开发数据网络挖掘、特异群组挖掘、图挖掘等新型数据挖掘技术;突破基于对象的数据连接、相似性连接等大数据融合技术;突破用户兴趣分析、网络行为分析、情感语义分析等面向领域的大数据挖掘技术。
数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据肢侍挖掘涉及的技术方法很多，有多种分类法。根据挖掘任务可分为分类或预测模型发现、数据总结、聚类、关联规则发现、序列模式发现、依赖关系或依赖模型发现、异常和趋势发现等等;根据挖掘对象可分为关系数据库、面向对象数据库、空间数据库、时态数据库、文本数据源、多媒体数据库、异质数据库、遗产数据库以及环球网Web;根据挖掘方法分，可粗分为:机器学习方法、统计方法、神经网络方法和数据库方法。机器学习中，可细分为:归纳学习方法(决策树、规则归纳等)、基于范例学习、遗传算法等。统计方法中，可细分为:回归分析(多元回归、自回归等)、判别分析(贝叶斯判别、费歇尔判别、非参数判别等)、聚类分析
(系统聚类、动态聚类等)、探索性分析(主元分析法、相关分析法等)等。神经网络方法中，可细分为:前向神经网络(BP算法等)、自组织神经网络(自组织特征映射、竞争学习等)等。数据库方法主要是多维数据分析或OLAP方法，另外还有面向属性的归纳方法。
从挖掘任务和挖掘方法的角度，着重突破：
1.可视化分析。数据可视化无论对于普通用户或是数据分析专家，都是最基本的功能。数据图像化可以让数据自己说话，让用户直观的感受到结果。
2.数据挖掘算法。图像化是将机器语言翻译给人看，而数据挖掘就是机器的母语。分割、集群、孤立点分析还有各种各样五花八门的算法让我们精炼数据，挖掘价值。这些算法一定要能够应付大数据的量，同时还具有很高的处理速度。
3.预测性分析。预测性分析可以让分析师根据图像化分析和数据挖掘的结果做出一些前瞻性判断。
4.语义引擎。语义引擎需要设计到有足够的人工智能以足以从数据中主动地提取信息。语言处理技术包括机器翻译、情感分析、舆情分析、智能输入、问答系统等。
5.数据质量和数据管理。数据质量与管理是管理的最佳实践，透过标准化流程和机器对数据进行处理可以确保获得一个预设质量的分析结果。
六、大数据展现与应用技术
大数据技术能够将隐藏于海量数据中的信息和知识挖掘出来，为人类的社会经济活动提供依据，从而提高各个领域的运行效率，大大提高整个社会经济的集约化程度。在我国，大数据将重点应用于以下三大领域：商业智能、政府决策、公共服务。例如：商业智能技术，政府决策技术，电信数据信息处理与挖掘技术，电网数据信息处理与挖掘技术，气象信息分析技术，环境监测技术，警务云应用系统(道路监控、视频监控、网络监控、智能交通、反电信诈骗、指挥调度等公安信息系统)，大规模基因序列分析比对技术，Web信息挖掘技术，多媒体数据并行化处理技术，影视制作渲染技术，其他各种行业的云计算和海量数据处理应用技术等。
⑻ 大数据需要什么基础
学习大数据需要以下几个方面的基键亮歼础： 新手学大数据，首先要具备的是编程语言基础，如Java、C++等，要初稿冲步掌握面向对象、抽象类、接口、继承、多态和数据流及对象流等基础，编程语言在大数据中占据了不可逾越的地位，掌握一门编程语言再学习大数据会轻松很键悉多，甚至编程语言要比大数据学习的时间更长。 Linux系统的基本操作是大数据不可分割的一部分，大数据的组件都是在这个系统中跑的
⑼ 什么是大数据开发
个人认为大体分为两种，举例如下：
软件系统开发，信息系统开发、应用软件系统开发等等，这类是以编写代码进行开发。软件系统是指由系统软件、支撑软件和应用软件组成的计算机软件系统，它是计算机系统中由软件组成的部分。操作系统是管理软硬件资源、控制程序执行，改善人机界面，合理组织计算机工作流程和为用户使用计算机提供良好运行环境的一种系统软件。操作系统是位于硬件层之上，所有软件层之下的一个必不可少的、最基本又是最重要的一种系统软件。它对计算机系统的全部软、硬件和数据资源进行统一控指念制、调度和管理。如汇新云，专业系统开发软件订制的平台。
硬件系统开发，硬件系统，是指构成计算机的物理设备，即由机械、光、电、磁器件构成的具有计算、控制、存储、输入和输出功能的实体部件。如CPU、存储器、软盘驱动器、硬盘驱动器、光盘驱动器、主机板、各种卡及整机中的主机、显示器、打印机、绘图仪、调制解调器等等，整机硬件也称“硬设亩岁备”。
随着电子系统的复杂化，系统设计已经成为一门重要的学科，传统的反复试验法已经越来越不适应时代的发展。发展迅速的软硬件协同设计技术越来越受到人们的重视。它是在系统目标要求的指导下，通过综合分析系统软硬件功能及现有资源，最大限度地挖掘系统软硬件之间的并发性，协调设计软硬件体系结构，以使系统工作在最佳工作状态。也就是智能硬件，智迅逗睁能硬件是一个科技概念，指通过将硬件和软件相结合对传统设备进行智能化改造。
本答案参考于网上资料，汇新云，专业软件协同产业生态链平台网页链接，可以实现IT软件在线研发、软件在线交易、IT软件供应链服务，解决软件工程化设计、软件研发、软件测试等需求。
回答若有不足，轻喷，感谢采纳！
⑽ 大数据开发常见的9种数据分析
数据分析是从数据中提取有价值信息的过程，过则缺程中需要对数据进行各种处理和归类，只有掌握了正确的数据分类方法和数据处理模式，才能起到事半功倍的效果，以下是天通苑北大青鸟介绍的数据分析员必备的9种数据分析思维模式：
1.分类
分类是一种基本的数胡斗据分析方式，数据根据其特点，可将数据对象划分为不同孙做辩的部分和类型，再进一步分析，能够进一步挖掘事物的本质。
2.回归
回归是一种运用广泛的统计分析方法，可以通过规定因变量和自变量来确定变量之间的因果关系，建立回归模型，并根据实测数据来求解模型的各参数，然后评价回归模型是否能够很好的拟合实测数据，如果能够很好的拟合，则可以根据自变量作进一步预测。
3.聚类
聚类是根据数据的内在性质将数据分成一些聚合类，每一聚合类中的元素尽可能具有相同的特性，不同聚合类之间的特性差别尽可能大的一种分类方式，其与分类分析不同，所划分的类是未知的，因此，聚类分析也称为无指导或无监督的学习。
数据聚类是对于静态数据分析的一门技术，在许多领域受到广泛应用，包括机器学习，数据挖掘，模式识别，图像分析以及生物信息。
4.相似匹配
相似匹配是通过一定的方法，来计算两个数据的相似程度，相似程度通常会用一个是百分比来衡量。相似匹配算法被用在很多不同的计算场景，如数据清洗、用户输入纠错、推荐统计、剽窃检测系统、自动评分系统、网页搜索和DNA序列匹配等领域。
5.频繁项集
频繁项集是指事例中频繁出现的项的集合，如啤酒和尿不湿，Apriori算法是一种挖掘关联规则的频繁项集算法，其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集，目前已被广泛的应用在商业、网络安全等领域。
6.统计描述
统计描述是根据数据的特点，用一定的统计指标和指标体系，表明数据所反馈的信息，是对数据分析的基础处理工作，主要方法包括：平均指标和变异指标的计算、资料分布形态的图形表现等。
7.链接预测
链接预测是一种预测数据之间本应存有的关系的一种方法，链接预测可分为基于节点属性的预测和基于网络结构的预测，基于节点之间属性的链接预测包括分析节点资审的属性和节点之间属性的关系等信息，利用节点信息知识集和节点相似度等方法得到节点之间隐藏的关系。与基于节点属性的链接预测相比，网络结构数据更容易获得。复杂网络领域一个主要的观点表明，网络中的个体的特质没有个体间的关系重要。因此基于网络结构的链接预测受到越来越多的关注。
8.数据压缩
数据压缩是指在不丢失有用信息的前提下，缩减数据量以减少存储空间，提高其传输、存储和处理效率，或按照一定的算法对数据进行重新组织，减少数据的冗余和存储的空间的一种技术方法。数据压缩分为有损压缩和无损压缩。
9.因果分析
因果分析法是利用事物发展变化的因果关系来进行预测的方法，运用因果分析法进行市场预测，主要是采用回归分析方法，除此之外，计算经济模型和投人产出分析等方法也较为常用。