十大數據集

❶ 中國十大數據中心

具體內賣猜鏈容如下：
數據中心（DataCenter，簡稱DC），即為集中放置的電子信息兆豎設備提供運行環境的建築場所，包括主機房、輔助區、支持區和行政管理區等。有三大中心分別是中心基地-北中孫京、南方基地-貴州、北方基地-烏蘭察布。
中國十大IDC數據機房有哪些。
這個主要包括三大行業，金融，電信，iidc商:
金融：上海張江卡園幾乎所有金融業（銀行、證券、保險）的全國主數據中心和災備數據中心，嘉定會成為這些主數據中心的同城災備園區。
電信：聯通，移動，電信的IDC業務，位置集中在北京，廣州，上海、四川等地idc服務商：萬網、阿里雲、西部數碼、Hogan(上半年被全球colocation行業第二大公司Equinix收購)，GDS萬國數據，中金數據、天互數據等。
中國四大數據中心都有哪些？電信運營商、移動、網通、鐵通，中國電信:佔50%以上
西部數據中心是裡面最大一個。西部數據中心是中國電信四大IDC數據交換中心(北京、上海、廣州、西安)之一，全面負責中國互聯網數據的存儲、交換和傳輸的國家電信級數據中心。

❷ 大數據處理必備的十大工具！

大數據的日益增長,給企業管理大量的數據帶來了挑戰的同時也帶來了一些機遇。下面是用於信息化管理的大數據工具列表：

1.ApacheHive

Hive是一個建立在hadoop上的開源數據倉庫基礎設施，通過Hive可以很容易的進行數據的ETL,對數據進行結構化處理,並對Hadoop上大數據文件進行查詢和處理等。Hive提供了一種簡單的類似SQL的查詢語言—HiveQL,這為熟悉SQL語言的用戶查詢數據提供了方便。

2JaspersoftBI套件

Jaspersoft包是一個通過資料庫列生成報表的開源軟體。行業領導者發現Jaspersoft軟體是一流的,許多企業已經使用它來將SQL表轉化為pdf,，這使每個人都可以在會議上對其進行審議。另外，JasperReports提供了一個連接配置單元來替代HBase。

3.1010data

1010data創立於2000年，是一個總部設在紐約的分析型雲服務，旨在為華爾街的客戶提供服務，甚至包括NYSEEuronext、 游戲 和電信的客戶。它在設計上支持可伸縮性的大規模並行處理。它也有它自己的查詢語言,支持SQL函數和廣泛的查詢類型，包括圖和時間序列分析。這個私有雲的方法減少了客戶在基礎設施管理和擴展方面的壓力。

4.Actian

Actian之前的名字叫做IngresCorp，它擁有超過一萬客戶而且正在擴增。它通過Vectorwise以及對ParAccel實現了擴展。這些發展分別導致了ActianVector和ActianMatrix的創建。它有Apache，Cloudera，Hortonworks以及其他發行版本可供選擇。

5.PentahoBusinessAnalytics

從某種意義上說,Pentaho與Jaspersoft相比起來,盡管Pentaho開始於報告生成引擎，但它目前通過簡化新來源中獲取信息的過程來支持大數據處理。Pentaho的工具可以連接到NoSQL資料庫，例如MongoDB和Cassandra。PeterWayner指出,PentahoData(一個更有趣的圖形編程界面工具)有很多內置模塊，你可以把它們拖放到一個圖片上,然後將它們連接起來。

6.KarmasphereStudioandAnalyst

KarsmasphereStudio是一組構建在Eclipse上的插件,它是一個更易於創建和運行Hadoop任務的專用IDE。在配置一個Hadoop工作時，Karmasphere工具將引導您完成每個步驟並顯示部分結果。當出現所有數據處於同一個Hadoop集群的情況時，KarmaspehereAnalyst旨在簡化篩選的過程,。

7.Cloudera

Cloudera正在努力為開源Hadoop,提供支持，同時將數據處理框架延伸到一個全面的「企業數據中心」范疇,這個數據中心可以作為首選目標和管理企業所有數據的中心點。Hadoop可以作為目標數據倉庫，高效的數據平台，或現有數據倉庫的ETL來源。企業規模可以用作集成Hadoop與傳統數據倉庫的基礎。Cloudera致力於成為數據管理的「重心」。

8.

HP提供了用於載入Hadoop軟體發行版所需的參考硬體配置,因為它本身並沒有自己的Hadoop版本。計算機行業領袖將其大數據平台架構命名為HAVEn(意為Hadoop,Autonomy,Vertica,EnterpriseSecurityand「n」applications)。惠普在Vertica7版本中增加了一個「FlexZone」，允許用戶在定義資料庫方案以及相關分析、報告之前 探索 大型數據集中的數據。這個版本通過使用HCatalog作為元數據存儲，與Hadoop集成後為用戶提供了一種 探索 HDFS數據表格視圖的方法。

9.TalendOpenStudio

Talend』s工具用於協助進行數據質量、數據集成和數據管理等方面工作。Talend是一個統一的平台，它通過提供一個統一的，跨企業邊界生命周期管理的環境，使數據管理和應用更簡單便捷。這種設計可以幫助企業構建靈活、高性能的企業架構,在次架構下，集成並啟用百分之百開源服務的分布式應用程序變為可能。

10.ApacheSpark

ApacheSpark是Hadoop開源生態系統的新成員。它提供了一個比Hive更快的查詢引擎，因為它依賴於自己的數據處理框架而不是依靠Hadoop的HDFS服務。同時，它還用於事件流處理、實時查詢和機器學習等方面。

❸ 國內做大數據的公司有哪些

1、上海市大數據股份有限公司（簡稱「上海大數據股份」），是經上海市人民政府批准成立的國有控股混合所有制企業。

致力於成為智慧城市建設的主力軍、國內大數據應用領域的領軍企業和全球領先的公共大數據管理和價值挖掘解決方案提供商，滿足政府對公共數據治理和提升城市管理及公共服務水平的要求，構建公共大數據與商業數據服務、以及政企數據融合的橋梁，促進社會經濟發展。

2、輝略(上海)大數據科技有限公司，目前在中國交通（城市智能信號燈優化模型與平台，交通預算決策系統模型等）、環境（PM2.5污染檢測和治理）、醫療（醫院WIFI定位模型，病歷匹配模型等）、汽車（用戶購買轉化率模型）等領域進行大數據項目運營與模型開發。

3、成都市大數據股份有限公司成立於2013年，作為成都市實施國家大數據發展戰略的載體，2018年完成股份制改革並掛牌新三板，成都產業集團全資持股，主要涉及數據運營、投資並購、信息技術三大業務方向。

(3)十大數據集擴展閱讀：

大數據發展的一些趨勢：

趨勢一：數據的資源化

何為資源化，是指大數據成為企業和社會關注的重要戰略資源，並已成為大家爭相搶奪的新焦點。因而，企業必須要提前制定大數據營銷戰略計劃，搶占市場先機。

趨勢二：與雲計算的深度結合

大數據離不開雲處理，雲處理為大數據提供了彈性可拓展的基礎設備，是產生大數據的平台之一。自2013年開始，大數據技術已開始和雲計算技術緊密結合，預計未來兩者關系將更為密切。除此之外，物聯網、移動互聯網等新興計算形態，也將一齊助力大數據革命，讓大數據營銷發揮出更大的影響力。

❹ 高級資料庫有哪些

如Oracle、Sybase、Informix、Microsoft SQL Server、Microsoft Access、Visual FoxPro等。
Oracle 最新版本是Oracle 11g。
Microsoft SQL Server 2008最新，它具有可靠性、可伸縮性、可用性、可管理性等特點，為用戶提供完整的資料庫解決方案。
Microsoft Access，建議不用，但是access相對SQL簡單的多，當然後台的承載能力也小得多。中大型系統不建議用

❺ 十項大數據工程如何\\\"數據強國\\\"

十項大數據工程如何"數據強國"

據了解，《綱要》是我國發布的首個大數據國家行動計劃，旨在全面推進我國大數據發展和應用，加快建設數據強國。該計劃提出從政府大數據、大數據產業、大數據安全保障體系三個方面著手推進大數據領域的十大工程。

其中，包括推進政府數據資源共享開放工程、國家大數據資源統籌發展工程、政府治理大數據工程、公共服務大數據工程等4大「政府大數據」工程；工業和新興產業大數據工程、現代農業大數據工程、萬眾創新大數據工程、大數據關鍵技術及產品研發與產業化工程、大數據產業支撐能力提升工程等5大「大數據產業」工程；以及網路和大數據安全保障工程。

2020年民生保障領域的政府數據向社會開放

與十八大以來發布的諸多國務院文件一樣，《綱要》明確了行動計劃中的部分任務的完成時間：2017年底前跨部門數據資源共享共用格局基本形成；到2018年，開展政府和社會合作開發利用大數據試點，中央層面構建形成統一的互聯網政務數據服務平台，跨部門共享校核的國家人口基礎信息庫、法人單位信息資源庫、自然資源和空間地理基礎信息庫等國家基礎信息資源體系基本建成，2018年底前建成國家政府數據統一開放平台等。

到2020年，形成一批具有國際競爭力的大數據處理、分析、可視化軟體和硬體支撐平台等產品。培育10家國際領先的大數據核心龍頭企業，500家大數據應用、服務和產品製造企業。實現關鍵部門的關鍵設備安全可靠。

2020年底前，逐步實現信用、交通、醫療、衛生、就業、社保、地理、文化、教育、科技、資源、農業、環境、安監、金融、質量、統計、氣象、海洋、企業登記監管等民生保障服務相關領域的政府數據集向社會開放。

建立國家大數據發展應用統籌協調機制

《綱要》提出建立國家大數據發展和應用統籌協調機制，推動形成職責明晰、協同推進的工作格局，強化國家數據資源統籌管理。同時設立大數據專家咨詢委員會，為大數據發展應用及相關工程實施提供決策咨詢。

《綱要》還表示，要修訂政府信息公開條例，制定政府信息資源管理辦法，建立政府部門數據資源統籌管理和共享復用制度；同時研究推動網上個人信息保護立法工作，推動出台相關法律法規，加強對基礎信息網路和關鍵行業領域重要信息系統的安全保護。

另外，《綱要》明確要加快建立大數據市場交易標准體系，同時強化中央財政資金引導，集中力量支持大數據核心關鍵技術攻關、產業鏈構建、重大應用示範和公共服務平台建設等。

延伸

十項大數據工程如何「數據強國」？

1.政府數據資源共享開放工程

推動政府數據資源共享。制定政府數據資源共享管理辦法。

形成政府數據統一共享交換平台。到2018年，中央政府層面實現金稅、金關、金財、金審、金盾、金宏、金保、金土、金農、金水、金質等信息系統通過統一平台進行數據共享和交換。

形成國家政府數據統一開放平台。建立政府部門和事業單位等公共機構數據資源清單，制定實施政府數據開放共享標准，制定數據開放計劃。

2.國家大數據資源統籌發展工程

整合各類政府信息平台和信息系統。在地市級以上（含地市級）政府集中構建統一的互聯網政務數據服務平台和信息惠民服務平台。

整合分散的數據中心資源。構建形成布局合理、規模適度、保障有力、綠色集約的政務數據中心體系。開展區域試點。

加快完善國家基礎信息資源體系。到2018年，跨部門共享校核的國家人口基礎信息庫、法人單位信息資源庫、自然資源和空間地理基礎信息庫等國家基礎信息資源體系基本建成。

加強互聯網信息採集利用。制定完善互聯網信息保存相關法律法規，構建互聯網信息保存和信息服務體系。

3.政府治理大數據工程

推動宏觀調控決策支持、風險預警和執行監督大數據應用。探索建立國家宏觀調控決策支持、風險預警和執行監督大數據應用體系。

推動信用信息共享機制和信用信息系統建設。鼓勵互聯網企業運用大數據技術建立市場化的第三方信用信息共享平台，建設企業信用信息公示系統，初步建成社會信用體系。

建設社會治理大數據應用體系。實時採集並匯總分析政府部門和企事業單位的市場監管、檢驗檢測、違法失信、企業生產經營、銷售物流、投訴舉報、消費維權等數據。

4.公共服務大數據工程

醫療健康服務大數據。建設覆蓋公共衛生、醫療服務、醫療保障、葯品供應、計劃生育和綜合管理業務的醫療健康管理和服務大數據應用體系。

社會保障服務大數據。建設由城市延伸到農村的統一社會救助、社會福利、社會保障大數據平台。

教育文化大數據。建立各階段適齡入學人口基礎資料庫、學生基礎資料庫和終身電子學籍檔案。

交通旅遊服務大數據。建立綜合交通服務大數據平台。建立旅遊投訴及評價全媒體交互中心。

5.工業和新興產業大數據工程

工業大數據應用。研究推動大數據在研發設計、生產製造、經營管理、市場營銷、售後服務等產業鏈各環節的應用。

服務業大數據應用。研發面向服務業的大數據解決方案。

培育數據應用新業態。大力培育互聯網金融、數據服務、數據處理分析、數據影視、數據探礦、數據化學、數據材料、數據制葯等新業態。

電子商務大數據應用。電子商務企業應依法向政府部門報送數據。

6.現代農業大數據工程

農業農村信息綜合服務。建設農產品全球生產、消費、庫存、進出口、價格、成本等數據調查分析系統工程，構建面向農業農村的綜合信息服務平台。

農業資源要素數據共享。建立我國農業耕地、草原、林地、水利設施、水資源、農業設施設備、新型經營主體、農業勞動力、金融資本等資源要素數據監測體系。

農產品質量安全信息服務。建立農產品生產的生態環境、生產資料、生產過程、市場流通、加工儲藏、檢驗檢測等數據共享機制。

7.萬眾創新大數據工程

大數據創新應用。鼓勵企業和公眾發掘利用開放數據資源。

大數據創新服務。研發一批大數據公共服務產品。

發展科學大數據。構建科學大數據國家重大基礎設施。發展科學大數據應用服務中心。

知識服務大數據應用。建立國家知識服務平台與知識資源服務中心。

8.大數據關鍵技術及產品研發與產業化工程

加強大數據基礎研究。探討建立數據科學的學科體系；研究面向大數據計算的新體系和大數據分析理論，探索建立數據科學驅動行業應用的模型。

大數據技術產品研發。加強數據存儲、整理、分析處理、可視化、信息安全與隱私保護等領域技術產品的研發。

提升大數據技術服務能力。以應用帶動大數據技術和產品研發，形成面向各行業的成熟的大數據解決方案。

9.大數據產業支撐能力提升工程

培育骨幹企業。到2020年，培育10家國際領先的大數據核心龍頭企業，500家大數據應用、服務和產品製造企業。

大數據產業公共服務。形成面向大數據相關領域的公共服務平台。

中小微企業公共服務大數據。形成全國統一的中小微企業公共服務大數據平台。

10.網路和大數據安全保障工程

網路和大數據安全支撐體系建設。到2020年，實現關鍵部門的關鍵設備安全可靠。完善網路安全保密防護體系。

大數據安全保障體系建設。建設完善金融、能源、交通、電信、統計、廣電、公共安全、公共事業等重要數據資源和信息系統的安全保密防護體系。

網路安全信息共享和重大風險識別大數據支撐體系建設。建立網路安全信息共享機制，推動政府、行業、企業間的網路風險信息共享。

以上是小編為大家分享的關於十項大數據工程如何\"數據強國\"的相關內容，更多信息可以關注環球青藤分享更多干貨

❻ 中國大數據的十大商業應用

中國大數據的十大商業應用

在未來的幾十年裡，大數據都將會是一個重要都話題。大數據影響著每一個人，並在可以預見的未來繼續影響著。大數據沖擊著許多主要行業，包括零售業、金融行業、醫療行業等，大數據也在徹底地改變著我們的生活。現在我們就來看看大數據給中國帶來的十商業應用場景，未來大數據產業將會是一個萬億市場。

1、智慧城市

如今，世界超過一半的人口生活在城市裡，到2050年這一數字會增長到75%。政府需要利用一些技術手段來管理好城市，使城市裡的資源得到良好配置。既不出現由於資源配置不平衡而導致的效率低下以及騷亂，又要避免不必要的資源浪費而導致的財政支出過大。大數據作為其中的一項技術可以有效幫助政府實現資源科學配置，精細化運營城市，打造智慧城市。

城市的道路交通，完全可以利用GPS數據和攝像頭數據來進行規劃，包括道路紅綠燈時間間隔和關聯控制，包括直行和左右轉彎車道的規劃、單行道的設置。利用大數據技術實施的城市交通智能規劃，至少能夠提高30%左右的道路運輸能力，並能夠降低交通事故率。在美國，政府依據某一路段的交通事故信息來增設信號燈，降低了50%以上的交通事故率。機場的航班起降依靠大數據將會提高航班管理的效率，航空公司利用大數據可以提高上座率，降低運行成本。鐵路利用大數據可以有效安排客運和貨運列車，提高效率、降低成本。

城市公共交通規劃、教育資源配置、醫療資源配置、商業中心建設、房地產規劃、產業規劃、城市建設等都可以藉助於大數據技術進行良好規劃和動態調整。

大數據技術可以了解經濟發展情況，各產業發展情況，消費支出和產品銷售情況，依據分析結果，科學地制定宏觀政策，平衡各產業發展，避免產能過剩，有效利用自然資源和社會資源，提高社會生產效率。大數據技術也能幫助政府進行支出管理，透明合理的財政支出將有利於提高公信力和監督財政支出。大數據及大數據技術帶給政府的不僅僅是效率提升、科學決策、精細管理，更重要的是數據治國、科學管理的意識改變，未來大數據將會從各個方面來幫助政府實施高效和精細化管理，具有極大的想像空間。

2、金融行業

大數據在金融行業應用范圍較廣，典型的案例有花旗銀行利用IBM沃森電腦為財富管理客戶推薦產品，美國銀行利用客戶點擊數據集為客戶提供特色服務。中國金融行業大數據應用開展的較早，但都是以解決大數據效率問題為主，很多金融行業建立了大數據平台，對金融行業的交易數據進行採集和處理。

金融行業過去的大數據應用以分析自身財務數據為主，以提供動態財務報表為主，以風險管理為主。在大數據價值變現方面，開展的不夠深入，這同金融行業每年上萬億的凈利潤相比是不匹配的。現在已經有一些銀行和證券開始和移動互聯網公司合作，一起進行大數據價值變現，其中招商銀行、平安集團、興業銀行、國信證券、海通證券和TalkingData在移動大數據精準營銷、獲客、用戶體驗等方面進行了不少的嘗試，大數據價值變現效果還不錯，大數據正在幫助金融行業進行價值變現。大數據在金融行業的應用可以總結為以下五個方面：

（1）精準營銷：依據客戶消費習慣、地理位置、消費時間進行推薦

（2）風險管控：依據客戶消費和現金流提供信用評級或融資支持，利用客戶社交行為記錄實施信用卡反欺詐

（3）決策支持：利用抉策樹技術進抵押貸款管理，利用數據分析報告實施產業信貸風險控制

（4）效率提升：利用金融行業全局數據了解業務運營薄弱點，利用大數據技術加快內部數據處理速度

（5）產品設計：利用大數據計算技術為財富客戶推薦產品，利用客戶行為數據設計滿足客戶需求的金融產品

3、醫療行業

醫療行業擁有大量病例、病理報告、醫療方案、葯物報告等。如果這些數據進行整理和分析，將會極大地幫助醫生和病人。在未來，藉助於大數據平台我們可以收集疾病的基本特徵、病例和治療方案，建立針對疾病的資料庫，幫助醫生進行疾病診斷。

如果未來基因技術發展成熟，可以根據病人的基因序列特點進行分類，建立醫療行業的病人分類資料庫。在醫生診斷病人時可以參考病人的疾病特徵、化驗報告和檢測報告，參考疾病資料庫來快速幫助病人確診。在制定治療方案時，醫生可以依據病人的基因特點，調取相似基因、年齡、人種、身體情況相同的有效治療方案，制定出適合病人的治療方案，幫助更多人及時進行治療。同時這些數據也有利於醫葯行業開發出更加有效的葯物和醫療器械。

醫療行業的數據應用一直在進行，但是數據沒有打通，都是孤島數據，沒有辦法起大規模應用。未來需要將這些數據統一收集起來，納入統一的大數據平台，為人類健康造福。政府是推動這一趨勢的重要動力，未來市場將會超過幾千億元。

4、農牧業

農產品不容易保存，合理種植和養殖農產品對農民非常重要。藉助於大數據提供的消費能力和趨勢報告，政府將為農牧業生產進行合理引導，依據需求進行生產，避免產能過剩，造成不必要的資源和社會財富浪費。大數據技術可以幫助政府實現農業的精細化管理，實現科學決策。在數據驅動下，結合無人機技術，農民可以採集農產品生長信息，病蟲害信息。

農業生產面臨的危險因素很多，但這些危險因素很大程度上可以通過除草劑、殺菌劑、殺蟲劑等技術產品進行消除。天氣成了影響農業非常大的決定因素。過去的天氣預報僅僅能提供當地的降雨量，但農民更關心有多少水分可以留在他們的土地上，這些是受降雨量和土質來決定的。Climate公司利用政府開放的氣象站的數據和土地數據建立了模型，他們可以告訴農民可以在哪些土地上耕種，哪些土地今天需要噴霧並完成耕種，哪些正處於生長期的土地需要施肥，哪些土地需要5天後才可以耕種，大數據技術可以幫助農業創造巨大的商業價值。

5、零售行業

零售行業比較有名氣的大數據案例就是沃爾瑪的啤酒和尿布的故事，以及Target通過向年輕女孩寄送尿布廣告而告知其父親，女孩懷孕的故事。

零售行業可以通過客戶購買記錄，了解客戶關聯產品購買喜好，將相關的產品放到一起增加來增加產品銷售額，例如將洗衣服相關的化工產品例如洗衣粉、消毒液、衣領凈等放到一起進行銷售。根據客戶相關產品購買記錄而重新擺放的貨物將會給零售企業增加30%以上的產品銷售額。

零售行業還可以記錄客戶購買習慣，將一些日常需要的必備生活用品，在客戶即將用完之前，通過精準廣告的方式提醒客戶進行購買。或者定期通過網上商城進行送貨，既幫助客戶解決了問題，又提高了客戶體驗。

電商行業的巨頭天貓和京東，已經通過客戶的購買習慣，將客戶日常需要的商品例如尿不濕，衛生紙，衣服等商品依據客戶購買習慣事先進行准備。當客戶剛剛下單，商品就會在24小時內或者30分鍾內送到客戶門口，提高了客戶體驗，讓客戶連後悔等時間都沒有。

利用大數據的技術，零售行業將至少會提高30%左右的銷售額，並提高客戶購買體驗。

6、大數據技術產業

進入移動互聯網之後，非結構化數據和結構化數據呈指數方式增長。現在人類社會每兩年產生的數據將超過人類歷史過去所有數據之和。進入到2015年，人類社會所有的數據之和有望突破5澤B（5ZB），這些數據如何存儲和處理將會成為很大的問題。

這些大數據為大數據技術產業提供了巨大的商業機會。據估計全世界在大數據採集、存儲、處理、清晰、分析所產生的商業機會將會超過2000億美金，包括政府和企業在大數據計算和存儲，數據挖掘和處理等方面等投資。中國2014年大數據產業產值已經超過了千億人民幣，本屆貴陽大數據博覽會就吸引了400多家廠商來參展，充分說明大數據產業的未來的商業價值巨大。

未來中國的大數據產業將會呈幾何級數增長，在5年之內，中國的大數據產業將會形成萬億規模的市場。不僅僅是大數據技術產品的市場，也將是大數據商業價值變現的市場。大數據將會在企業的精準營銷、決策分析、風險管理、產品設計、運營優化等領域發揮重大的作用。

大數據技術產業將會解決大數據存儲和處理的問題，大數據服務公司將利用自身的數據將解決大數據價值變現問題，其所帶來的市場規模將會超過千億人民幣。中國目前擁有大數據，並提供大數據價值變現服務的公司除了我們眾所周知的BAT和移動運營商之外，360、小米、京東、TalkingData、九次方等都會成為大數據價值變現市場的有力參與者，市場足夠大，期望他們將市場做大，幫助所有企業實現大數據價值變現。

7、物流行業

中國的物流產業規模大概有5萬億左右，其中公里物流市場大概有3萬億左右。物流行業的整體凈利潤從過去的30%以上降低到了20%左右，並且下降的趨勢明顯。物流行業很多的運力浪費在返程空載、重復運輸、小規模運輸等方面。中國市場最大等物流公司所佔的市場份額不到1%。因此資源需要整合，運送效率需要提高。

物流行業藉助於大數據，可以建立全國物流網路，了解各個節點的運貨需求和運力，合理配置資源，降低貨車的返程空載率，降低超載率，減少重復路線運輸，降低小規模運輸比例。通過大數據技術，及時了解各個路線貨物運送需求，同時建立基於地理位置和產業鏈的物流港口，實現貨物和運力的實時配比，提高物流行業的運輸效率。藉助於大數據技術對物流行業進行的優化資源配置，至少可以增加物流行業10％左右的收入，其市場價值將在5000億左右。

8、房地產業

中國房地產業發展的高峰已經過去，其面臨的挑戰逐漸增加，房地產業正從過去的粗放發展方式轉向精細運營方式，房地產企業在拍賣土地、住房地產開發規劃、商業地產規劃方面也將會謹慎進行。

藉助於大數據，特別是移動大數據技術。房地產業可以了解開發土地所在范圍常駐人口數量、流動人口數量、消費能力、消費特點、年齡階段、人口特徵等重要信息。這些信息將會幫助房地商在商業地產開發、商戶招商、房屋類型、小區規模進行科學規劃。利用大數據技術，房地產行業將會降低房地產開發前的規劃風險，合理制定房價，合理制定開發規模，合理進行商業規劃。大數據技術可以降低土地價格過高，實際購房需求過低的風險。已經有房地產公司將大數據技術應用於用戶畫像、土地規劃、商業地產開發等領域，並取得了良好的效果。

9、製造業

製造業過去面臨生產過剩的壓力，很多產品包括家電、紡織產品、鋼材、水泥、電解鋁等都沒有按照市場實際需要生產，造成了資源的極大浪費。利用電商數據、移動互聯網數據、零售數據，我們可以了解未來產品市場都需求，合理規劃產品生產，避免生產過剩。

例如依據用戶在電商搜索產品的數據以及物流數據，可以推測出家電產品和紡織產品未來的實際需求量，廠家將依據這些數據來進行生產，避免生產過剩。移動互聯網的位置信息可以幫助了解當地人口進出的趨勢，避免生產過多的鋼材和水泥。

大數據技術還可以根據社交數據和購買數據來了解客戶需求，幫助廠商進行產品開發，設計和生產出滿足客戶需要的產品。

10、互聯網廣告業

2014年中國互聯網廣告市場迎來發展高峰，市場規模預計達到1500億元左右，較2013年增長56.5%。數字廣告越來越受到廣告主的重視，其未來市場規模越來越大。2014年美國的互聯網廣告市場規模接近500億美元，參考中國的人口消費能力，其市場規模會很快達到2000億人民幣左右。

過去到廣告投放都是以好的廣告渠道＋廣播式投放為主，廣告主將廣告交給廣告公司，由廣告公司安排投放，其中SEM廣告市場最大，其他的廣告投放方式也是以頁面展示為主，大多是廣播式廣告投放。廣播式投放的弊端是投入資金大，沒有針對目標客戶，面對所有客戶進行展示，廣告的轉化率較低，並存在數字廣告營銷陷阱等問題。

大數據技術可以將客戶在互聯網上的行為記錄下來，對客戶的行為進行分析，打上標簽並進行用戶畫像。特別是進入移動互聯網時代之後，客戶主要的訪問方式轉向了智能手機和平台電腦，移動互聯網的數據包含了個人的位置信息，其360度用戶畫像更加接近真實人群。360度用戶畫像可以幫助廣告主進行精準營銷，廣告公司可以依據用戶畫像的信息，將廣告直接投放到用戶的移動設備，通過用戶經常使用的APP進行廣告投放，其廣告的轉化可以大幅度提高。利用移動互聯網大數據技術進行的精準營銷將會提高十倍以上的客戶轉化率，廣告行業的程序化購買正在逐步替代廣播式廣告投放。大數據技術將幫助廣告主和廣告公司直接將廣告投放給目標用戶，其將會降低廣告投入，提高廣告的轉化率。

目前影響大數據產業發展主要有兩個大問題，一個是大數據應用場景，一個是大數據隱私保護問題。

大數據商業價值的應用場景，大數據公司和企業正在尋找，目前在移動互聯網的精準營銷和獲客、360度用戶畫像、房地產開發和規劃、互聯網金融的風險管理、金融行業的供應鏈金融，個人徵信等方面已經取得了進步，擁有了很多經典案例。

但在有關大數據隱私保護以及大數據應用過程中個人信息保護方面還停滯不前，大家都在摸石頭過河，不知道哪些事情可以做，哪些事情不可以做。國家在大數據隱私保護方面正在進行立法，估計不久的將來，大數據服務公司和企業將會了解大數據隱私保護方面的具體要求。在沒有明確有關大數據隱私保護法規前，我們可以參考國外的隱私法，嚴格遵守國際上通用的個人隱私保護法，在實施大數據價值變現的過程中，充分保護所有相關方的個人利益。

最後縱觀人類歷史，在任何領域，如果我們可以拿到數據進行分析，我們就會取得進步。如果我們拿不到數據，無法進行分析，我們註定要落後。我們過去因數據不足導致的錯誤遠遠好過那些根本不用數據的錯誤，因此我們需要掌握大數據這個武器，利用好它，幫助人類社會加速進化，幫助企業實現大數據的價值變現。

以上是小編為大家分享的關於中國大數據的十大商業應用的相關內容，更多信息可以關注環球青藤分享更多干貨

❼ k-means聚類演算法python實現，導入的數據集有什麼要求

一，K-Means聚類演算法原理
k-means 演算法接受參數 k
；然後將事先輸入的n個數據對象劃分為
k個聚類以便使得所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個「中心對
象」（引力中心）來進行計算的。
K-means演算法是最為經典的基於劃分的聚類方法，是十大經典數據挖掘演算法之一。K-means演算法的基本思想是：以空間中k個點為中心進行聚類，對最靠近他們的對象歸類。通過迭代的方法，逐次更新各聚類中心的值，直至得到最好的聚類結果。

❽ 數據挖掘十大演算法-

整理里一晚上的數據挖掘演算法，其中主要引自wiki和一些論壇。發布到上作為知識共享，但是發現Latex的公式轉碼到網頁的時候出現了丟失，暫時沒找到解決方法，有空再回來填坑了。

——編者按

一、 C4.5

C4.5演算法是由Ross Quinlan開發的用於產生決策樹的演算法[1]，該演算法是對Ross Quinlan之前開發的ID3演算法的一個擴展。C4.5演算法主要應用於統計分類中，主要是通過分析數據的信息熵建立和修剪決策樹。

1.1 決策樹的建立規則

在樹的每個節點處，C4.5選擇最有效地方式對樣本集進行分裂，分裂規則是分析所有屬性的歸一化的信息增益率，選擇其中增益率最高的屬性作為分裂依據，然後在各個分裂出的子集上進行遞歸操作。

依據屬性A對數據集D進行分類的信息熵可以定義如下：

劃分前後的信息增益可以表示為：

那麼，歸一化的信息增益率可以表示為：

1.2 決策樹的修剪方法

C4.5採用的剪枝方法是悲觀剪枝法(Pessimistic Error Pruning，PEP)，根據樣本集計運算元樹與葉子的經驗錯誤率，在滿足替換標准時，使用葉子節點替換子樹。

不妨用K表示訓練數據集D中分類到某一個葉子節點的樣本數，其中其中錯誤分類的個數為J，由於用估計該節點的樣本錯誤率存在一定的樣本誤差，因此用表示修正後的樣本錯誤率。那麼，對於決策樹的一個子樹S而言，設其葉子數目為L(S)，則子樹S的錯誤分類數為：

設數據集的樣本總數為Num，則標准錯誤可以表示為：

那麼，用表示新葉子的錯誤分類數，則選擇使用新葉子節點替換子樹S的判據可以表示為：

二、KNN

最近鄰域演算法(k-nearest neighbor classification, KNN)[2]是一種用於分類和回歸的非參數統計方法。KNN演算法採用向量空間模型來分類，主要思路是相同類別的案例彼此之間的相似度高，從而可以藉由計算未知樣本與已知類別案例之間的相似度，來實現分類目標。KNN是一種基於局部近似和的實例的學習方法，是目前最簡單的機器學習演算法之一。

在分類問題中，KNN的輸出是一個分類族群，它的對象的分類是由其鄰居的「多數表決」確定的，k個最近鄰居（k為正整數，通常較小）中最常見的分類決定了賦予該對象的類別。若k = 1，則該對象的類別直接由最近的一個節點賦予。在回歸問題中，KNN的輸出是其周圍k個鄰居的平均值。無論是分類還是回歸，衡量鄰居的權重都非常重要，目標是要使較近鄰居的權重比較遠鄰居的權重大，例如，一種常見的加權方案是給每個鄰居權重賦值為1/d，其中d是到鄰居的距離。這也就自然地導致了KNN演算法對於數據的局部結構過於敏感。

三、Naive Bayes

在機器學習的眾多分類模型中，應用最為廣泛的兩種分類模型是決策樹模型(Decision Tree Model)和樸素貝葉斯模型(Naive Bayesian Model，NBC)[3]。樸素貝葉斯模型發源於古典數學理論，有著堅實的數學基礎，以及穩定的分類效率。同時，NBC模型所需估計的參數很少，對缺失數據不太敏感，演算法也比較簡單。

在假設各個屬性相互獨立的條件下，NBC模型的分類公式可以簡單地表示為：

但是實際上問題模型的屬性之間往往是非獨立的，這給NBC模型的分類准確度帶來了一定影響。在屬性個數比較多或者屬性之間相關性較大時，NBC模型的分類效率比不上決策樹模型；而在屬性相關性較小時，NBC模型的性能最為良好。

四、CART

CART演算法(Classification And Regression Tree)[4]是一種二分遞歸的決策樹，把當前樣本劃分為兩個子樣本，使得生成的每個非葉子結點都有兩個分支，因此CART演算法生成的決策樹是結構簡潔的二叉樹。由於CART演算法構成的是一個二叉樹，它在每一步的決策時只能是「是」或者「否」，即使一個feature有多個取值，也是把數據分為兩部分。在CART演算法中主要分為兩個步驟：將樣本遞歸劃分進行建樹過程；用驗證數據進行剪枝。

五、K-means

k-平均演算法(k-means clustering)[5]是源於信號處理中的一種向量量化方法，現在則更多地作為一種聚類分析方法流行於數據挖掘領域。k-means的聚類目標是：把n個點（可以是樣本的一次觀察或一個實例）劃分到k個聚類中，使得每個點都屬於離他最近的均值（此即聚類中心）對應的聚類。

5.1 k-means的初始化方法

通常使用的初始化方法有Forgy和隨機劃分(Random Partition)方法。Forgy方法隨機地從數據集中選擇k個觀測作為初始的均值點；而隨機劃分方法則隨機地為每一觀測指定聚類，然後執行「更新」步驟,即計算隨機分配的各聚類的圖心，作為初始的均值點。Forgy方法易於使得初始均值點散開，隨機劃分方法則把均值點都放到靠近數據集中心的地方；隨機劃分方法一般更適用於k-調和均值和模糊k-均值演算法。對於期望-最大化(EM)演算法和標准k-means演算法，Forgy方法作為初始化方法的表現會更好一些。

5.2 k-means的標准演算法

k-means的標准演算法主要包括分配(Assignment)和更新(Update)，在初始化得出k個均值點後，演算法將會在這兩個步驟中交替執行。

分配(Assignment)：將每個觀測分配到聚類中，使得組內平方和達到最小。

更新(Update)：對於上一步得到的每一個聚類，以聚類中觀測值的圖心，作為新的均值點。

六、Apriori

Apriori演算法[6]是一種最有影響的挖掘布爾關聯規則頻繁項集的演算法，其核心是基於兩階段頻集思想的遞推演算法。該關聯規則在分類上屬於單維、單層、布爾關聯規則。Apriori採用自底向上的處理方法，每次只擴展一個對象加入候選集，並且使用數據集對候選集進行檢驗，當不再產生匹配條件的擴展對象時，演算法終止。

Apriori的缺點在於生成候選集的過程中，演算法總是嘗試掃描整個數據集並盡可能多地添加擴展對象，導致計算效率較低；其本質上採用的是寬度優先的遍歷方式，理論上需要遍歷次才可以確定任意的最大子集S。

七、SVM

支持向量機(Support Vector Machine, SVM)[7]是在分類與回歸分析中分析數據的監督式學習模型與相關的學習演算法。給定一組訓練實例，每個訓練實例被標記為屬於兩個類別中的一個或另一個，SVM訓練演算法創建一個將新的實例分配給兩個類別之一的模型，使其成為非概率二元線性分類器。SVM模型是將實例表示為空間中的點，這樣映射就使得單獨類別的實例被盡可能寬的明顯的間隔分開。然後，將新的實例映射到同一空間，並基於它們落在間隔的哪一側來預測所屬類別。

除了進行線性分類之外，SVM還可以使用所謂的核技巧有效地進行非線性分類，將其輸入隱式映射到高維特徵空間中，即支持向量機在高維或無限維空間中構造超平面或超平面集合，用於分類、回歸或其他任務。直觀來說，分類邊界距離最近的訓練數據點越遠越好，因為這樣可以縮小分類器的泛化誤差。

八、EM

最大期望演算法(Expectation–Maximization Algorithm, EM)[7]是從概率模型中尋找參數最大似然估計的一種演算法。其中概率模型依賴於無法觀測的隱性變數。最大期望演算法經常用在機器學習和計算機視覺的數據聚類（Data Clustering）領域。最大期望演算法經過兩個步驟交替進行計算，第一步是計算期望(E)，利用對隱藏變數的現有估計值，計算其最大似然估計值；第二步是最大化(M)，最大化在E步上求得的最大似然值來計算參數的值。M步上找到的參數估計值被用於下一個E步計算中，這個過程不斷交替進行。

九、PageRank

PageRank演算法設計初衷是根據網站的外部鏈接和內部鏈接的數量和質量對網站的價值進行衡量。PageRank將每個到網頁的鏈接作為對該頁面的一次投票，被鏈接的越多，就意味著被其他網站投票越多。

演算法假設上網者將會不斷點網頁上的鏈接，當遇到了一個沒有任何鏈接出頁面的網頁，這時候上網者會隨機轉到另外的網頁開始瀏覽。設置在任意時刻，用戶到達某頁面後並繼續向後瀏覽的概率，該數值是根據上網者使用瀏覽器書簽的平均頻率估算而得。PageRank值可以表示為：

其中，是被研究的頁面集合，N表示頁面總數，是鏈接入頁面的集合，是從頁面鏈接處的集合。

PageRank演算法的主要缺點是的主要缺點是舊的頁面等級會比新頁面高。因為即使是非常好的新頁面也不會有很多外鏈，除非它是某個站點的子站點。

十、AdaBoost

AdaBoost方法[10]是一種迭代演算法，在每一輪中加入一個新的弱分類器，直到達到某個預定的足夠小的錯誤率。每一個訓練樣本都被賦予一個權重，表明它被某個分類器選入訓練集的概率。如果某個樣本點已經被准確地分類，那麼在構造下一個訓練集中，它被選中的概率就被降低；相反，如果某個樣本點沒有被准確地分類，那麼它的權重就得到提高。通過這樣的方式，AdaBoost方法能「聚焦於」那些較難分的樣本上。在具體實現上，最初令每個樣本的權重都相等，對於第k次迭代操作，我們就根據這些權重來選取樣本點，進而訓練分類器Ck。然後就根據這個分類器，來提高被它分錯的的樣本的權重，並降低被正確分類的樣本權重。然後，權重更新過的樣本集被用於訓練下一個分類器Ck[，並且如此迭代地進行下去。

AdaBoost方法的自適應在於：前一個分類器分錯的樣本會被用來訓練下一個分類器。AdaBoost方法對於雜訊數據和異常數據很敏感。但在一些問題中，AdaBoost方法相對於大多數其它學習演算法而言，不會很容易出現過擬合現象。AdaBoost方法中使用的分類器可能很弱（比如出現很大錯誤率），但只要它的分類效果比隨機好一點（比如兩類問題分類錯誤率略小於0.5），就能夠改善最終得到的模型。而錯誤率高於隨機分類器的弱分類器也是有用的，因為在最終得到的多個分類器的線性組合中，可以給它們賦予負系數，同樣也能提升分類效果。

引用

[1] Quinlan, J. R. C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers, 1993.

[2] Altman, N. S. An introction to kernel and nearest-neighbor nonparametric regression. The American Statistician. 1992, 46 (3): 175–185. doi:10.1080/00031305.1992.10475879

[3] Webb, G. I.; Boughton, J.; Wang, Z. Not So Naive Bayes: Aggregating One-Dependence Estimators. Machine Learning (Springer). 2005, 58 (1): 5–24. doi:10.1007/s10994-005-4258-6

[4] decisiontrees.net Interactive Tutorial

[5] Hamerly, G. and Elkan, C. Alternatives to the k-means algorithm that find better clusterings (PDF). Proceedings of the eleventh international conference on Information and knowledge management (CIKM). 2002

[6] Rakesh Agrawal and Ramakrishnan Srikant. Fast algorithms for mining association rules in large databases. Proceedings of the 20th International Conference on Very Large Data Bases, VLDB, pages 487-499, Santiago, Chile, September 1994.

[7] Cortes, C.; Vapnik, V. Support-vector networks. Machine Learning. 1995, 20 (3): 273–297. doi:10.1007/BF00994018

[8] Arthur Dempster, Nan Laird, and Donald Rubin. "Maximum likelihood from incomplete data via the EM algorithm". Journal of the Royal Statistical Society, Series B, 39 (1):1–38, 1977

[9] Susan Moskwa. PageRank Distribution Removed From WMT. [October 16, 2009]

[10] Freund, Yoav; Schapire, Robert E. A Decision-Theoretic Generalization of on-Line Learning and an Application to Boosting. 1995. CiteSeerX: 10.1.1.56.9855

❾ 大數據十大經典演算法之k-means

大數據十大經典演算法之k-means
k均值演算法基本思想：
K均值演算法是基於質心的技術。它以K為輸入參數，把n個對象集合分為k個簇，使得簇內的相似度高，簇間的相似度低。
處理流程：
1、為每個聚類確定一個初始聚類中心，這樣就有k個初始聚類中心；
2、將樣本按照最小距離原則分配到最鄰近聚類
3、使用每個聚類中的樣本均值作為新的聚類中心
4、重復步驟2直到聚類中心不再變化
5、結束，得到K個聚類
劃分聚類方法對數據集進行聚類時的要點：
1、選定某種距離作為數據樣本間的相似性度量，通常選擇歐氏距離。
2、選擇平價聚類性能的准則函數
用誤差平方和准則函數來評價聚類性能。
3、相似度的計算分局一個簇中對象的平均值來進行
K均值演算法的優點：
如果變數很大，K均值比層次聚類的計算速度較快（如果K很小）；
與層次聚類相比，K均值可以得到更緊密的簇，尤其是對於球狀簇；
對於大數據集，是可伸縮和高效率的；
演算法嘗試找出使平方誤差函數值最小的k個劃分。當結果簇是密集的，而簇與簇之間區別明顯的時候，效果較好。
K均值演算法缺點：
最後結果受初始值的影響。解決辦法是多次嘗試取不同的初始值。
可能發生距離簇中心m最近的樣本集為空的情況，因此m得不到更新。這是一個必須處理的問題，但我們忽略該問題。
不適合發現非凸面形狀的簇，並對雜訊和離群點數據較敏感，因為少量的這類數據能夠對均值產生較大的影響。
K均值演算法的改進：
樣本預處理。計算樣本對象量量之間的距離，篩掉與其他所有樣本那的距離和最大的m個對象。
初始聚類中心的選擇。選用簇中位置最靠近中心的對象，這樣可以避免孤立點的影響。
K均值演算法的變種：
K眾數（k-modes）演算法，針對分類屬性的度量和更新質心的問題而改進。
EM（期望最大化）演算法
k-prototype演算法
這種演算法不適合處理離散型屬性，但是對於連續型具有較好的聚類效果。
k均值演算法用途：
圖像分割；
衡量足球隊的水平；
下面給出代碼：
#include <iostream>
#include <vector>
//auther archersc
//JLU
namespace CS_LIB
{
using namespace std;
class Kmean
{
public:
//輸入格式
//數據數量N 維度D
//以下N行，每行D個數據
istream& loadData(istream& in);
//輸出格式
//聚類的數量CN
//中心維度CD
//CN行，每行CD個數據
//數據數量DN
//數據維度DD
//以下DN組，每組的第一行兩個數值DB, DDis
//第二行DD個數值
//DB表示改數據屬於一類，DDis表示距離改類的中心的距離
ostream& saveData(ostream& out);
//設置中心的數量
void setCenterCount(const size_t count);
size_t getCenterCount() const;
//times最大迭代次數， maxE ,E(t)表示第t次迭代後的平方誤差和，當|E(t+1) - E(t)| < maxE時終止
void clustering(size_t times, double maxE);

private:
double calDistance(vector<double>& v1, vector<double>& v2);

private:
vector< vector<double> > m_Data;
vector< vector<double> > m_Center;
vector<double> m_Distance;
vector<size_t> m_DataBelong;
vector<size_t> m_DataBelongCount;
};
}
#include "kmean.h"

#include <ctime>
#include <cmath>
#include <cstdlib>
//auther archersc
//JLU

namespace CS_LIB
{
template<class T>
void swap(T& a, T& b)
{
T c = a;
a = b;
b = c;
}

istream& Kmean::loadData(istream& in)
{
if (!in){
cout << "input error" << endl;
return in;
}
size_t dCount, dDim;
in >> dCount >> dDim;
m_Data.resize(dCount);
m_DataBelong.resize(dCount);
m_Distance.resize(dCount);
for (size_t i = 0; i < dCount; ++i){
m_Data[i].resize(dDim);
for (size_t j = 0; j < dDim; ++j){
in >> m_Data[i][j];
}
}
return in;
}
ostream& Kmean::saveData(ostream& out)
{
if (!out){
cout << "output error" << endl;
return out;
}
out << m_Center.size();
if (m_Center.size() > 0)
out << << m_Center[0].size();
else
out << << 0;
out << endl << endl;
for (size_t i = 0; i < m_Center.size(); ++i){
for (size_t j = 0; j < m_Center[i].size(); ++j){
out << m_Center[i][j] << ;
}
out << endl;
}
out << endl;
out << m_Data.size();
if (m_Data.size() > 0)
out << << m_Data[0].size();
else
out << << 0;
out << endl << endl;
for (size_t i = 0; i < m_Data.size(); ++i){
out << m_DataBelong[i] << << m_Distance[i] << endl;
for (size_t j = 0; j < m_Data[i].size(); ++j){
out << m_Data[i][j] << ;
}
out << endl << endl;
}
return out;
}
void Kmean::setCenterCount(const size_t count)
{
m_Center.resize(count);
m_DataBelongCount.resize(count);
}
size_t Kmean::getCenterCount() const
{
return m_Center.size();
}
void Kmean::clustering(size_t times, double maxE)
{
srand((unsigned int)time(NULL));
//隨機從m_Data中選取m_Center.size()個不同的樣本點作為初始中心。
size_t *pos = new size_t[m_Data.size()];
size_t i, j, t;
for (i = 0; i < m_Data.size(); ++i){
pos[i] = i;
}
for (i = 0; i < (m_Data.size() << 1); ++i){
size_t s1 = rand() % m_Data.size();
size_t s2 = rand() % m_Data.size();
swap(pos[s1], pos[s2]);
}
for (i = 0; i < m_Center.size(); ++i){
m_Center[i].resize(m_Data[pos[i]].size());
for (j = 0; j < m_Data[pos[i]].size(); ++j){
m_Center[i][j] = m_Data[pos[i]][j];
}
}
delete []pos;
double currE, lastE;
for (t = 0; t < times; ++t){
for (i = 0; i < m_Distance.size(); ++i)
m_Distance[i] = LONG_MAX;
for (i = 0; i < m_DataBelongCount.size(); ++i)
m_DataBelongCount[i] = 0;
currE = 0.0;
for (i = 0; i < m_Data.size(); ++i){
for (j = 0; j < m_Center.size(); ++j){
double dis = calDistance(m_Data[i], m_Center[j]);
if (dis < m_Distance[i]){
m_Distance[i] = dis;
m_DataBelong[i] = j;
}
}
currE += m_Distance[i];
m_DataBelongCount[m_DataBelong[i]]++;
}
cout << currE << endl;
if (t == 0 || fabs(currE - lastE) > maxE)
lastE = currE;
else
break;
for (i = 0; i < m_Center.size(); ++i){
for (j = 0; j < m_Center[i].size(); ++j)
m_Center[i][j] = 0.0;

}
for (i = 0; i < m_DataBelong.size(); ++i){
for (j = 0; j < m_Data[i].size(); ++j){
m_Center[m_DataBelong[i]][j] += m_Data[i][j] / m_DataBelongCount[m_DataBelong[i]];
}
}
}
}
double Kmean::calDistance(vector<double>& v1, vector<double>& v2)
{
double result = 0.0;
for (size_t i = 0; i < v1.size(); ++i){
result += (v1[i] - v2[i]) * (v1[i] - v2[i]);
}
return pow(result, 1.0 / v1.size());
//return sqrt(result);
}
}
#include <iostream>
#include <fstream>
#include "kmean.h"
using namespace std;
using namespace CS_LIB;

int main()
{
ifstream in("in.txt");
ofstream out("out.txt");
Kmean kmean;
kmean.loadData(in);
kmean.setCenterCount(4);
kmean.clustering(1000, 0.000001);
kmean.saveData(out);

return 0;
}