河南大学软件学院大数据实验汇总（实验1-5）； 实验截图无学号水印，方便直接压缩上交；

商业银行 基于 大数据 的 精准营销 解决方案

大数据在医疗行业的应用，医疗大数据，数据挖掘

echarts大数据可视化新能源车联网综合大数据平台，通过echarts开发

PostgreSQL 30天 培训视频(SQL基础,备份恢复,HA,服务端编程,大数据,内核,应用案例)-附件资源

Excel是当前使用最普遍、入门极快的电子表格软件，它能轻易地完成大量数据的统计分析、处理与制图，不仅功能强大，还操作简单。最新版本Microsoft Office Excel 2013是Excel发展历程中一个里程碑级的产品，对比Excel 2010，它非常适应于“大数据”和“互联网+”时代下的数据挖掘工作。它提供了数项让人眼前一亮的新功能，包括Power Query，Power View，Power Map和PowerPivot。

⼤数据分析之分类算法 数据分析之决策树ID3算法 什么是分类算法？ 分类算法跟之前的聚类都是让不同对象个体划分到不同的组中的。但是分类不同之处在于类别在运算之前就已经是确定的。 分类是根据训练数据集合，结合某种分类算法，⽐如这篇讲的ID3算法来⽣成最终的分类规则，这样当提供⼀个对象的时候我们可以根据它 们的特征将其划分到某个分组中。 决策树ID3算法是分类中的经典算法，决策树的每⼀层节点依照某⼀确定程度⽐较⾼的属性向下分⼦节点，每个⼦节点在根据其他确定程度 相对较⾼的属性进⾏划分，直到 ⽣成⼀个能完美分类训练样例的决策树或者满⾜某个分类终⽌条件为⽌。 术语定义： ⾃信息量：设信源X发出a的概率p(a),在收到符号a之前，收信者对a的不确定性定义为a的⾃信息量I(a)=-logp(a)。 信息熵：⾃信息量只能反映符号的不确定性，⽽信息熵⽤来度量整个信源整体的不确定性，定义为：H(X)= 求和(p(ai) I(ai)) 条件熵：设信源为X，收信者收到信息Y，⽤条件熵H(X"Y)来描述收信者收到Y后X的不确定性的估计。 平均互信息量：⽤平均互信息量来表⽰信息Y所能提供的关于X的信息量的⼤⼩。 互信息量I(X"Y)=H(X)-H(X"Y) 下边的ID3算法就是⽤到了每⼀个属性对分类的信息增益⼤⼩来决定属性所在的层次，信息增益越⼤，则越 应该先作为分类依据。 ID3算法步骤 a.对当前例⼦集合，计算属性的信息增益； b.选择信息增益最⼤的属性Ai(关于信息增益后⾯会有详细叙述) c.把在Ai处取值相同的例⼦归于同于⼦集，Ai取⼏个值就得⼏个⼦集 d.对依次对每种取值情况下的⼦集,递归调⽤建树算法，即返回a， e.若⼦集只含有单个属性，则分⽀为叶⼦节点，判断其属性值并标上相应的符号，然后返回调⽤处，或者树达到规定的深度，或者⼦集所有 元素都属于⼀个分类都结束。 举例分析 世界杯期间我和同学⼀起去吃了⼏回⼤排档，对那种边凑热闹边看球的氛围感觉很不错，但虽然每个夏天我都会凑⼏回这种热闹，但肯定并 不是所有⼈都喜欢凑这种热闹的，⽽应⽤决策树算法则能有效发现哪些⼈愿意去，哪些⼈偶尔会去，哪些⼈从不愿意去； 变量如表1所⽰，⾃变量为年龄、职业、性别；因变量为结果（吃⼤排档的频率）。 年龄A 职业B 性别C 结果 20-30 学⽣ 男 偶尔 30-40 ⼯⼈ 男 经常 40-50 教师 ⼥ 从不 20-30 ⼯⼈ ⼥ 偶尔 60-70 教师 男 从不 40-50 ⼯⼈ ⼥ 从不 30-40 教师 男 偶尔 20-30 学⽣ ⼥ 从不 20以下 学⽣ 男 偶尔 20以下 ⼯⼈ ⼥ 偶尔 20-30 ⼯⼈ 男 经常 20以下 学⽣ 男 偶尔 20-30 教师 男 偶尔 60-70 教师 ⼥ 从不 30-40 ⼯⼈ ⼥ 偶尔 60-70 ⼯⼈ 男 从不 计算过程： 1、⾸先计算结果选项出现的频率： 表2 结果频率表 从不p1 经常p2 偶尔p3 0.375 0.125 0.5 2、计算因变量的期望信息： E(结果)=-(p1*log2(p1)+p2*log2(p2)+p3*log2(p3) ) =-(0.375*log2(0.375)+0.125*log2(0.125)+0.5*log2(0.5) ) =1.406 注：这⾥Pi对应上⾯的频率 3、计算⾃变量的期望信息(以年龄A为例)： E(A)= count(Aj)/count(A)* (-(p1j*log2(p1j)+p2j*log2(p2j)+p3j*log2(p3j) )) 3.1公式说明： Count(Aj):年龄A第j个选项个数； j是下⾯表3五个选项任⼀ 表3 年龄记录数量表 选项 20-30 20以下 30-40 40-50 60-70 数量 5 3 3 2 3 Count(A):年龄总记录数 p1j =count(A1j)/count(Aj) :年龄A第j个选项在结果中选择了"从不"的个数占年龄A第j个选项个数的⽐例； p2j =count(A2j)/count(Aj) :年龄A第j个选项在结果中选择了"偶尔"的个数占年龄A第j个选项个数的⽐例； p3j =count(A3j)/count(Aj) :年龄A第j个选项在结果中选择了"经常"的个数占年龄A第j个选项个数的⽐例； 3.2公式分析 在决策树中⾃变量是否显著影响因变量的判定标准由⾃变量选项的不同能否导致因变量结果的不同决定，举例来说如果⽼年⼈都从不去⼤排 档，中年⼈都经常去，⽽少年都偶尔去，那么年龄因素肯定是决定是否吃⼤排档的主要因素； 按照假设，即不同年龄段会对结果产⽣确定的影响，以表3年龄在20以下的3个⼈为例，假设他们都在结果中选择了"偶尔"选项，此时: p2j =count(A2j)/count(Aj)=1， p1j =co

⼤数据处理与并⾏计算 ⼤数据处理与并⾏计算 随着对地观测技术的发展，获取到的地理数据越来越精细，⽽数据量也越来越⼤，地理数据数据处理与分析的时间耗费就越⼤。因此，传统 的数据处理技术和串⾏计算技术难以满⾜⾼精细地理⼤数据处理的需求。SuperMap ⽀持并⾏计算，有效的提⾼了⼤数据处理的效率。 并⾏计算原理 并⾏计算是将⼀个任务分解成若⼲个⼩任务并协同执⾏以完成求解的过程，是增强复杂问题解决能⼒和提升性能的有效途径。并⾏计算可以 通过多种途径实现，包括多进程、多线程以及其他多种⽅式，SuperMap是通过多线程⽅式实现并⾏计算的，可充分和更加⾼效地利⽤多核 计算资源，从⽽降低单个问题的求解时间，节省成本，也能够满⾜更⼤规模或更⾼精度要求的问题求解需求。 下图对⽐了串⾏与并⾏两种计算⽅式。当⼀个任务被划分为 A、B、C 三个⼦任务时，串⾏需要依次执⾏三个⼦任务，⽽多线程并⾏则可以 通过三个线程同时执⾏三个⼦任务。 图1：并⾏计算⽰意图 下图是在并⾏计算⽀持下，⼀台普通的四核计算机上某次执⾏"提取等值线"分析时 CPU 的使⽤情况。当使⽤ 1 个线程分析时，CPU 利 ⽤率较低，只有⼀个 CPU 参与运算，当设置并⾏线程数为 4 时，所有四个 CPU 核⼼都参与运算，CPU 利⽤率最⾼可达 100%。 图2：CUP使⽤率 下⾯通过⼀个⽣成三维晕渲图的实例，对⽐多线程并⾏计算和单线程计算的操作时间。本实例应⽤的数据为某地区的DEM数据数据⾏列数 为15000*20000，数据量⼤⼩为884M，分别对其进⾏三维晕渲图操作，使⽤单线程的SuperMap iDesktop8C进⾏分析需要80秒（如 下图3所⽰），⽽通过并⾏计算只需15秒即可完成同样的操作（如下图4所⽰）： 图3：单线程分析 图4：并⾏计算 通过上述实例可知，同样的数据处理通过并⾏计算可节省3-5倍的时间，⼤⼤的节省了时间成本，提⾼了分析的性能及⼯作效率。 图5：并⾏计算与单线程耗时对⽐图 ⽀持并⾏计算的功能 ⽬前，SuperMap ⽀持并⾏计算的功能有：栅格分析、⽔⽂分析、⽹络分析、拓扑预处理、叠加分析、空间查询等。 栅格分析：栅格分析功能模块中⽀持并⾏计算的功能有：插值分析、提取等值线、提取等值⾯、坡度分析、坡向分析、栅格填挖⽅、⾯填挖 ⽅、反算填挖⽅、表⾯⾯积量算、表⾯体积量算、查找极值、⽣成三维晕渲图、⽣成正射三维影像、单点可视域分析、多点可视域分析、栅 格重采样、栅格重分级、栅格聚合等。 ⽔⽂分析：⽔⽂分析功能模块中的所有功能都⽀持并⾏计算，即填充洼地、流向分析、计算累积汇⽔量、计算流长、计算流域盆地、⽣成汇 ⽔点栅格、流域分割、河流分级、连接⽔系、提取⽮量⽔系都⽀持并⾏计算。 ⽹络分析：⽬前，⽹络分析模块中最佳路径分析、最近设施查找、旅⾏商分析和物流配送等四个交通⽹络分析功能⽀持并⾏计算。 拓扑：拓扑功能模块中的拓扑预处理⽀持并⾏计算。但是，拓扑预处理中的"调整多边形⾛向"处理不⽀持并⾏计算。如果只进⾏该项预处 理，修改线程数不会降低分析时间。 叠加分析：对线⾯叠加分析都⽀持并⾏计算，包括线⾯的裁剪、擦除、合并、相交、同⼀、对称差、更新。 空间查询：⾯对象的包含和求交查询⽀持并⾏计算。 设置线程数⽬ 线程数⽬的设置有两种⽅式，⼀种是直接在"环境"对话框中设置；另⼀种是修改配置⽂件。具体设置⽅式如下： l. 单击"⽂件"按钮，在菜单中选择"选项"，在弹出的"SuperMap iDesktop 8C选项"对话框的"环境"设置页⾯中，直接设置"并⾏ 计算线程数"即可； 2. 系统配置⽂件 SuperMap.xml 中的节点⽤于指定线程数⽬，初始值为 2。SuperMap.xml 位于组件产品安装⽬录\Bin ⽂件夹下。例 如，设置线程数⽬为 4，则配置⽂件应修改为： 4。 应⽤程序启动时会优先读取配置⽂件中的线程数，若在"并⾏计算线程数"处修改了线程数，则会⽴即⽣效，同时会⾃动修改配置⽂件中的 值；⽽配置⽂件中的线程数⽬只在应⽤程序启动时被读取⼀次，⼿动修改配置⽂件后，需要重新启动应⽤程序才能⽣效。线程数⽬的有效范 围为 1-16。如果配置⽂件中的线程数⽬超出范围，则设置⽆效，使⽤默认值 2；如果在"并⾏计算线程数"处设置的值⼤于16，则设置的 值会⾃动调整为16。 那么如何设置合理的线程数呢？您可参考⼀下两条建议进⾏设置： 1. 指定的多个线程将在计算机处理器所有核之间分配，当线程数⽬等于处理器总核数时，所有核都参与计算，可以充分利⽤计算机的计 算资源。 2. 线程数⽬多于计算机核数时，线程调度与负载均衡问题可能会导致占⽤更多时间，即使分析计算的时间进⼀步降低，也可能导致整体 性能提升不明显。因此不建议这样做。 地理空间分析具有算法逻辑复杂、数据规模⼤等普遍特点，是

QTableWidget大数据文件显示 文件映射mmap  如果文件很大，读取全部的数据会占用很大内存，推荐文件映射的方法，每次交互只读需要显示的文件数据。文件映射1G左右的文件，大概在1.2s左右可以完成文件映射；再进行分页显示，表格固定的是一百行，每次操作对这一百行数据进行刷新，虚拟出完整表格的效果。 测试：QTableWidge分页显示1千万行数据，建立mmap文件映射，只读取需要显示的部分文件内容，此种方式速度快，占用内存小，内存占用149MB左右，每次只读取显示部分的数据，推荐此种方式。

先给大家介绍下python pickle存储、读取大数据量列表、字典的数据 针对于数据量比较大的列表、字典，可以采用将其加工为数据包来调用，减小文件大小 #列表 #存储 list1 = [123,'xiaopingguo',54,[90,78]] list_file = open('list1.pickle','wb') pickle.dump(list1,list_file) list_file.close() #读取 list_file = open('list1.pickle','rb') list2 = pickle.load(list_file)