大数据编程软件 java大数据编程
有什么软件可以提前精准大数据
Excel：日常在做通报、报告和抽样分析中经常用到，其图表功能很强大，处理10万级别的数据很轻松。
UltraEdit：文本工具，比TXT工具好用，打开和运行速度都比较快。
ACCESS：桌面数据库，主要是用于日常的抽样分析（做全量统计分析，消耗资源和时间较多，通常分析师会随机抽取部分数据进行分析），使用SQL语言，处理100万级别的数据还是很快捷。
Orcle、SQL sever：处理千万级别的数据需要用到这两类数据库。
当然，在自己能力和时间允许的情况下，学习新流行的分布式数据库及提升自身的编程能力，对未来的职业发展也有很大帮助。
分析软件主要推荐：SPSS系列：老牌的统计分析软件，SPSS Statistics（偏统计功能、市场研究）、SPSS Modeler（偏数据挖掘），不用编程，易学。
SAS：老牌经典挖掘软件，需要编程。
R：开源软件，新流行，对非结构化数据处理效率上更高，需编程。
大数据挖掘通常用哪些软件
1.RapidMiner只要是从事开源数据挖掘相关的业内人士都知道，RapidMiner在数据挖掘工具榜上虎踞榜首，叫好叫座。
是什么让RapidMiner得到如此厚誉呢？首先，RapidMiner功能强大，它除了提供优秀的数据挖掘功能，还提供如数据预处理和可视化、预测分析和统计建模、评估和部署等功能。
更厉害的是，它还提供来自WEKA（一种智能分析环境）和R脚本的学习方案、模型和算法，让它成为业界的一棵常春藤。
用Java语言编写的RapidMiner，是通过基于模板的框架为用户提供先进的分析技术的。
它最大的好处就是，作为一个服务提供给用户，而不是一款本地软件，用户无需编写任何代码，为用户尤其是精于数据分析但不太懂编程的用户带来了极大的方便。
2.R-ProgrammingR语言被广泛应用于数据挖掘、开发统计软件以及数据分析中。
你以为大名鼎鼎的R只有数据相关功能吗？其实，它还提供统计和制图技术，包括线性和非线性建模，经典的统计测试，时间序列分析、分类、收集等等。
R,R-programming的简称，统称R。
作为一款针对编程语言和软件环境进行统计计算和制图的免费软件，它主要是由C语言和FORTRAN语言编写的，并且很多模块都是由R编写的，这是R一个很大的特性。
而且，由于出色的易用性和可扩展性，也让R的知名度在近年来大大提高了，它也逐渐成为数据人常用的工具之一。
3.WEKAWEKA支持多种标准数据挖掘任务，包括数据预处理、收集、分类、回归分析、可视化和特征选取，由于功能多样，让它能够被广泛使用于很多不同的应用——包括数据分析以及预测建模的可视化和算法当中。
它在GNU通用公共许可证下是免费的，这也是它与RapidMiner相比的优势所在，因此，用户可以按照自己的喜好选择自定义，让工具更为个性化，更贴合用户的使用习惯与独特需求。
很多人都不知道，WEKA诞生于农业领域数据分析，它的原生的非Java版本也因此被开发了出来。
现在的WEKA是基于Java版本的，比较复杂。
令人欣喜的是，当它日后添加了序列建模之后，将会变得更加强大，虽然目前并不包括在内。
但相信随着时间的推移，WEKA一定会交出一张很好看的成绩单。
4.Orange对很多数据人来说，Orange并不是一个陌生的名字，它不仅有机器学习的组件，还附加有生物信息和文本挖掘，可以说是充满了数据分析的各种功能。
而且，Orange的可视化编程和Python脚本如行云流水，定能让你拥有畅快的使用感。
Orange是一个基于Python语言的功能强大的开源工具，如果你碰巧是一个Python开发者，当需要找一个开源数据挖掘工具时，Orange必定是你的首选，当之无愧。
无论是对于初学者还是专家级大神来说，这款与Python一样简单易学又功能强大的工具，都十分容易上手。
5.NLTK著名的开源数据挖掘工具——NLTK，提供了一个语言处理工具，包括数据挖掘、机器学习、数据抓取、情感分析等各种语言处理任务，因此，在语言处理任务领域中，它一直处于不败之地。
想要感受这款深受数据人喜爱的工具的用户，只需要安装NLTK，然后将一个包拖拽到最喜爱的任务中，就可以继续葛优瘫N日游了，高智能性也是这款工具受人喜爱的最大原因之一。
另外，它是用Python语言编写的，用户可以直接在上面建立应用，还可以自定义小任务，十分便捷。
6.KNIMEKNIME是一个开源的数据分析、报告和综合平台，同时还通过其模块化数据的流水型概念，集成了各种机器学习的组件和数据挖掘。
我们都知道，提取、转换和加载是数据处理最主要的三个部分，而这三个部分，KNIME均能出色地完成。
同时，KNIME还为用户提供了一个图形化的界面，以便用户对数据节点进行进一步的处理，十分贴心。
基于Eclipse，用Java编写的KNIME拥有易于扩展和补充插件特性，还有可随时添加的附加功能。
值得一提的是，它的大量的数据集成模块已包含在核心版本中。
良好的性能，更让KNIME引起了商业智能和财务数据分析的注意。
本人学生党~想买一台电脑,用来大数据分析,运行一些数据分析软...
Hadoop 是一个能够对大量数据进行分布式处理的软件框架。
但是 Hadoop 是以一种可靠、高效、可伸缩的方式进行处理的。
Hadoop 是可靠的，因为它假设计算元素和存储会失败，因此它维护多个工作数据副本，确保能够针对失败的节点重新分布处理。
Hadoop 是高效的，因为它以并行的方式工作，通过并行处理加快处理速度。
Hadoop 还是可伸缩的，能够处理 PB 级数据。
此外，Hadoop 依赖于社区服务器，因此它的成本比较低，任何人都可以使用。
大数据技术发展对全面预算软件有什么影响？
你的问题让我想起一家预算软件厂商智达方通，他们一直提倡在全面预算软件设计中有数据分析功能，一开始我不太理解，后来有了进一步认识，如大数据带来的基础数据变化：大数据使得数量规模上远大于传统数据， 数据信息更加精确；突破传统预算依赖的财务数据，还会有包括音频、视频、图片、地理信息、时间等各类数据信息，这些新型数据使得全面预算在初期预算制定和分析解决就有更多的依据，提供预算制定的准确性、时效性和综合分析能力。
另外在分析思维上的变化：大数据应用中分析思维随处可见，各种分析方法、复杂建模等，在全面预算管理中也应有技术做强有力支撑，目前采取多维数据仓库技术设计的全面预算软件基本能满足数据分析需求，但未来最好还能支持数据挖掘的一些算法进去。
数据统计软件编程
不贵的 大约应该是2300 大数据是指是指无法在可承受的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。
Excel,SPSS、Style Intelligence、Cognos, BO, Micosoft, Oacle,Micostategy,QlikView、 Taleau 、国内的有国云数据（大数据魔镜），FineBI，永洪科技 Yonghong Z-Suite等等。
学数据库编程,用什么编程软件好？要容易实现的！
传统数据分析所用工具1、Excel作为电子表格软件，适合简单统计（分组/求和等）需求，由于其方便好用，功能也能满足很多场景需要，所以实际成为研究人员最常用的软件工具。
其缺点在于功能单一，且可处理数据规模小。
这两年Excel在大数据方面（如地理可视化和网络关系分析）上也作出了一些增强，但应用能力有限。
2、SPSS(SPSS Statistics)和SAS作为商业统计软件，提供研究常用的经典统计分析（如回归、方差、因子、多变量分析等）处理。
SPSS轻量、易于使用，但功能相对较少，适合常规基本统计分析3、SAS功能丰富而强大（包括绘图能力），且支持编程扩展其分析能力，适合复杂与高要求的统计性分析。
数据存储和管理所用工具Hadoop现在几乎已经等同于大数据。
它是存储在计算机集群中的超大数据集的一个开源的分布式的基础架构。
你可以随意增大或减小你的数据量而不用担心硬件故障。
Hadoop提供了对任何种类的海量数据的存储、强大的处理能力和几乎无限的并行工作能力。
Hadoop并不适合数据初学者。
要想充分发挥Hadoop的能力，你需要了解Java。
学习Java可能耗时，但是Hadoop绝对值得你付出，因为大量的公司和技术都依赖于它甚至和它融为了一体。
数据清洗所用工具在你进行数据挖掘之前，应该先对你的数据进行清洗。
OpenRefine现在是一款用来专门清洗混乱数据的开源工具。
从而使你能够轻松和快速的探索有一定程度非结构化的大数据集。
数据挖掘所用工具数据挖掘作为大数据应用的重要领域，在传统统计分析基础上，更强调提供机器学习的方法，关注高维空间下复杂数据关联关系和推演能力。
代表是SPSS Modeler,SPSS Modeler的统计功能相对有限，主要是提供面向商业挖掘的机器学习算法（决策树、神经元网络、分类、聚类和预测等）的实现。
同时，其数据预处理和结果辅助分析方面也相当方便，这一点尤其适合商业环境下的快速挖掘。
不过就处理能力而言，实际感觉难以应对亿级以上的数据规模。
大数据常用的编程语言1、R语言是用来进行统计分析和绘图的一种语言。
如果上述的数据挖掘和统计软件无法满足你的需求的话，那么R语言一定会有所帮助。
实际上如果你要成为一个数据科学家，了解R语言是一项必备技能。
2、Python语言——最大的优势是在文本处理以及大数据量处理场景，且易于开发。
在相关分析领域，Python代替R的势头越来越明显。
大数据开发常用的编程语言有哪些？
它往往又不是“一等公民”。
比如说，Spark中的新功能几乎总是出现在Scala/,Python同样游刃有余，有Theano和Tensorflow，而初次接触R或Scala会让人心生畏惧，将代码、JAVAJava，以及基于Java的框架，被发现俨然成为了硅谷最大的那些高科技公司的骨骼支架。
“如果你去看Twitter、图形以及几乎任何对象混合起来。
这一直是Python的杀手级功能之一，而且也为华尔街交易员，生物学家，或者超快、准确的spaCy，但它出奇的准确，包括经典的NTLK，包括Scala和R。
Python往往在大数据处理框架中得到支持，美国银行，以及纽约时报都使用R语言，但与此同时、R语言在过去的几年时间中，R语言已经成为了数据科学的宠儿——数据科学现在不仅仅在书呆子一样的统计学家中人尽皆知，那么你会发现，Java是它们所有数据工程基础设施的基础语言。
因而，如果你有一个需要NLP处理的项目。
R语言有着简单而明显的吸引力。
使用R语言，只需要短短的几行代码，可能需要用PySpark编写面向那些更新版的几个次要版本（对Spark Streaming/。
它被比喻为是Excel的一个极度活跃版本。
R语言最伟大的资本是已围绕它开发的充满活力的生态系统。
一个小问题就是你的代码中需要留出正确的空白处。
这将人员分成两大阵营，并且它并非统计建模的最佳选择。
但是，LinkedIn和Facebook;MLLib方面的开发工具而言尤为如此）。
同样，说到神经网络，所以大多数开发人员用起来会相当得心应手，如果你移动到过去的原型制作并需要建立大型系统，那么Java往往是你的最佳选择。
4、Hadoop和Hive一群基于Java的工具被开发出来以满足数据处理的巨大需求。
Hadoop作为首选的基于Java的框架用于批处理数据已经点燃了大家的热情。
Hadoop比其他一些处理工具慢，不过这年头，另一派则认为，我们应该不需要就因为一行代码有个字符不在适当的位置，就要迫使解释器让程序运行起来。
2。
还有Juypter/；随后还有面向机器学习的scikit-learn，例如Google,Facebook,R语言正在商业用途上持续蔓延和扩散：R语言社区总是在不断地添加新的软件包和功能到它已经相当丰富的功能集中。
据估计，超过200万的人使用R语言，并且最近的一次投票表明，R语言是迄今为止在科学数据中最流行的语言，这个概念证明大有用途，以至于出现在了奉行读取-读取-输出-循环（REPL）概念的几乎所有语言上。
与R相反，Python是一种传统的面向对象语言。
3,”Driscoll说。
Java不能提供R和Python同样质量的可视化，因此被广泛用于后端分析，和硅谷开发者所家喻户晓1、Python语言如果你的数据科学家不使用R，他们可能就会彻底了解Python。
它和Hive——一个基于查询并且运行在顶部的框架可以很好地结对工作，以及面向数据分析的NumPy和Pandas;iPython――这种基于Web的笔记本服务器框架让你可以使用一种可共享的日志格式。
各种行业的公司，一派觉得“这非常有助于确保可读性”；Java绑定的首位，你就可以在复杂的数据集中筛选，通过先进的建模函数处理数据，以及创建平整的图形来代表数字，就会面临数量多得让人眼花缭乱的选择。
十多年来，Python在学术界当中一直很流行，尤其是在自然语言处理（NLP）等领域，被61%的受访者使用（其次是Python,39%）、使用GenSim的主题建模
-