统计和大数据区别

① 大数据与统计学的关系

大数据与统计学的关系：统计学是大数据的三大基础学科之一，所以统计学与大数据之间的关系还是非常密切的，但是这也导致一部分人产生了一定的误解，认为大数据就是统计学，统计学就是大数据。

实际上，虽然在大数据时代背景下，统计学的知识体系产生了一定程度的调整，但是统计学本身的理念与大数据还是具有一定区别的，统计学注重的是方式方法，而大数据则更关注于整个数据价值化的过程，大数据不仅需要统计学知识，还需要具备数学知识和计算机知识。从另一个角度来说，统计学为大数据进行数据价值化奠定了一定的基础。

其实对于很多职场人来说，平时大部分的数据分析任务都是基于统计学理论进行的，包括采用的数据分析工具也都属于统计学领域的范畴。

从未来的发展趋势来看，一方面统计学会进一步向大数据倾斜，包括目前不少统计学专业的研究生课题，都逐渐开始向大数据方向拓展，另一方面大数据会在发展的初期大量采用统计学相关理论和技术，这也能够提升大数据相关技术的落地应用能力。

② 应用统计学与应用统计学（大数据方向）有什么区别哪个好

统计学是一个大类，是通过搜索、整理、分析、描述数据等手段，以达版到推断所测对象的本权质，甚至预测对象未来的一门综合性科学。应用统计学强调的是统计学理论在实际中的应用，比如如何正确使用参数估计、假设检验、方差分析、相关与回归、时间序列分析、指数分析等应用统计方法。而经济统计学是统计学在经济学上的理论发展以及应用。有些人把经济统计学归到应用统计学中，其实是错误的。因为经济统计学除了统计学的经济学应用外，同样也对统计学的理论发展起到指导作用。

③ 统计模型和大数据模型所使用的主要算法有什么异同

以每24小时作为一份时间（而非自然日），根据用户的配置有两种工作模式：带状模式中，用户仅定义开始日期时，从开始日期（含）开始，每份时间1个分片地无限增加下去；环状模式中，用户定义了开始日期和结束日期时，以结束日期（含）和开始日期（含）之间的时间份数作为分片总数（分片数量固定），以类似取模的方式路由到这些分片里。

1. DBLE 启动时，读取用户在 rule.xml 配置的 sBeginDate 来确定起始时间
2. 读取用户在 rule.xml 配置的 sPartionDay 来确定每个 MySQL 分片承载多少天内的数据
3. 读取用户在 rule.xml 配置的 dateFormat 来确定分片索引的日期格式
4. 在 DBLE 的运行过程中，用户访问使用这个算法的表时，WHERE 子句中的分片索引值（字符串），会被提取出来尝试转换成 java 内部的时间类型
5. 然后求分片索引值与起始时间的差，除以 MySQL 分片承载的天数，确定所属分片

1. DBLE 启动时，读取用户在 rule.xml 配置的起始时间 sBeginDate、终止时间 sEndDate 和每个 MySQL 分片承载多少天数据 sPartionDay
2. 根据用户设置，建立起以 sBeginDate 开始，每 sPartionDay 天一个分片，直到 sEndDate 为止的一个环，把分片串联串联起来
3. 读取用户在 rule.xml 配置的 defaultNode
4. 在 DBLE 的运行过程中，用户访问使用这个算法的表时，WHERE 子句中的分片索引值（字符串），会被提取出来尝试转换成 Java 内部的日期类型
5. 然后求分片索引值与起始日期的差：如果分片索引值不早于 sBeginDate（哪怕晚于 sEndDate），就以 MySQL 分片承载的天数为模数，对分片索引值求模得到所属分片；如果分片索引值早于 sBeginDate，就会被放到 defaultNode 分片上

与MyCat的类似分片算法对比

中间件
DBLE
MyCat

分片算法种类 date 分区算法 按日期（天）分片
两种中间件的取模范围分片算法使用上无差别

开发注意点
【分片索引】1. 必须是字符串，而且 java.text.SimpleDateFormat 能基于用户指定的 dateFormat 来转换成 java.util.Date
【分片索引】2. 提供带状模式和环状模式两种模式
【分片索引】3. 带状模式以 sBeginDate（含）起，以 86400000 毫秒（24 小时整）为一份，每 sPartionDay 份为一个分片，理论上分片数量可以无限增长，但是出现 sBeginDate 之前的数据而且没有设定 defaultNode 的话，会路由失败（如果有 defaultNode，则路由至 defaultNode）
【分片索引】4. 环状模式以 86400000 毫秒（24 小时整）为一份，每 sPartionDay 份为一个分片，以 sBeginDate（含）到 sEndDate（含）的时间长度除以单个分片长度得到恒定的分片数量，但是出现 sBeginDate 之前的数据而且没有设定 defaultNode 的话，会路由失败（如果有 defaultNode，则路由至 defaultNode）
【分片索引】5. 无论哪种模式，分片索引字段的格式化字符串 dateFormat 由用户指定
【分片索引】6. 无论哪种模式，划分不是以日历时间为准，无法对应自然月和自然年，且会受闰秒问题影响

运维注意点
【扩容】1. 带状模式中，随着 sBeginDate 之后的数据出现，分片数量的增加无需再平衡
【扩容】2. 带状模式没有自动增添分片的能力，需要运维手工提前增加分片；如果路由策略计算出的分片并不存在时，会导致失败
【扩容】3. 环状模式中，如果新旧 [sBeginDate,sEndDate] 之间有重叠，需要进行部分数据迁移；如果新旧 [sBeginDate,sEndDate] 之间没有重叠，需要数据再平衡

配置注意点
【配置项】1. 在 rule.xml 中，可配置项为 <propertyname="sBeginDate"> 、 <propertyname="sPartionDay"> 、 <propertyname="dateFormat"> 、 <propertyname="sEndDate"> 和 <propertyname="defaultNode">
【配置项】2.在 rule.xml 中配置 <propertyname="dateFormat">，符合 java.text.SimpleDateFormat 规范的字符串，用于告知 DBLE 如何解析sBeginDate和sEndDate

【配置项】3.在 rule.xml 中配置 <propertyname="sBeginDate">，必须是符合 dateFormat 的日期字符串

【配置项】4.在 rule.xml 中配置 <propertyname="sEndDate">，必须是符合 dateFormat 的日期字符串；配置了该项使用的是环状模式，若没有配置该项则使用的是带状模式

【配置项】5.在 rule.xml 中配置 <propertyname="sPartionDay">，非负整数，该分片策略以 86400000 毫秒（24 小时整）作为一份，而 sPartionDay 告诉 DBLE 把每多少份放在同一个分片

【配置项】6.在 rule.xml 中配置 <propertyname="defaultNode"> 标签，非必须配置项，不配置该项的话，用户的分片索引值没落在 mapFile 定义

④ 统计学专业与大数据有哪些不同统计学就业前景怎么样

统计学专业与大数据专业会有一些不同，但总体上是有相同之处都跟网络有关系统计信息数据的。同济学就业前景比较广阔，从事的岗位也比较多，可以从事计算工作，也可以从事销售工作，也可以去银行工作，这些岗位都是能够提供的。

因为市场的发展在不断完善，而且中国传统贸易化的发展越来越快，统计学工作的相关人员需求量越来越多，需要提供准确的消息，现在是大数据时代，如果统计学学的非常扎实。可以从事的工作也有很多，可以当数据分析师也可以从事银行金融类证券公司的工作人员。所以这个专业的毕业生需要有很强的技术能力才能有更好的发展，在校学习的知识也会增多。

⑤ 大数据是统计数吗

理论是认知的必经途径，也是被广泛认同和传播的基线。我会从大数据的特征回定义理解行业对大数据的答整体描绘和定性；从对大数据价值的探讨来深入解析大数据的珍贵所在；从对大数据的现在和未来去洞悉大数据的发展趋势；从大数据隐私这个特别而重要的视角审视人和数据之间的长久博弈。
技术，技术是大数据价值体现的手段和前进的基石。我将分别从云计算、分布式处理技术、存储技术和感知技术的发展来说明大数据从采集、处理、存储到形成结果的整个过程。
实践，实践是大数据的最终价值体现。我将分别从互联网的大数据，政府的大数据，企业的大数据和个人的大数据四个方面来描绘大数据已经展现的美好景象及即将实现的
上面是介绍的大数据，云计算是通过云服务器进行统计运算，和其他各种运算，需要的是服务器打造，和使用与什么计算

⑥ 有关大数据的误区:数据统计≠大数据

有关大数据的误区:数据统计≠大数据

关于大数据的误区：数据统计是已经发生的事情，而大数据往往被用于还没有发生的事情预测或者推荐中，二者不能划等号。不过，无论数据统计也好，大数据也罢，都是为了使工作变得更为有效，让决策更为理性而准确。
大数据太火了，被广泛应用到各行各业，而近阶段又有着明显的过热迹象。大数据到底是一个营销词汇，还是一个方法论?本文作者老李正是一家大数据服务提供商的资深员工，他所做的项目就是针对不同行业进行大数据分析。他认为，关于大数据你首先必须有一个基本认识，那就是“大量的数据并非一定具有价值”。另外，数据统计并不等同于大数据，数据统计和大数据的区别就在于人工智能。
近两年来，“大数据”被广泛应用到各行各业，而近阶段又有着明显的过热迹象。从央视的春运迁徙图到姚晨看到微博数据的惊呼;从两会期间的两会大数据，到《星星》都叫兽的高低领毛衣，“大数据”被人们推到了一个前所未有的高度，同时也从一个高精尖的科研方向变成了一个世人皆知的营销词汇。
我既没有资格代表学术界，更没有资格来判定谁是谁非。我只能就自己的工作经历，来谈一下我眼中的大数据：
什么是大数据?
网络对大数据的定义是这样的：大数据(big data)或称巨量资料，指的是所涉及的资料量规模巨大到无法透过目前主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。
Gartner给出了这样的定义：“大数据”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。
个人认为Gartner的定义更为贴切。“新处理模式”是一个很关键的词汇，这也是我所理解的“大数据”区别于传统统计分析等最关键的特征之一。这个所谓的“新处理模式”有两层含义：
1、由于海量的数据，需要更高效的存储和处理技术，Hadoop成为了大数据时代的标志;
2、如果你认为大数据就等于Hadoop，那就大错特错了。Hadoop只是大数据时代的一个必要条件，大数据还有一个明显的标志是数据挖掘和人工智能的紧密结合。这也是我理解的“大数据”与现在很多所谓“大数据”项目最明显的区别之一。我会在后面的案例中给大家展开。
除了上面的“新处理模式”上的区别，个人认为还有一个最主要的区别是：数据统计分析是基于已有数据的纵向归类，而大数据是基于对已有海量数据的处理，对还未产生的数据作出预测和推荐。数据统计是已经发生的事情，而大数据往往被用于还没有发生的事情预测或者推荐中。
预测和推荐，是如何实现的?
目前主要的推荐算法大致可以分为两类。一个是基于行为，一个是基于内容。当然，针对不同的领域，不同的预测和推荐的对象，又会有十余种算法。这就不是本文展开的内容了。
基于行为的分析，顾名思义，即对用户在互联网、移动互联网留下的“痕迹”，即浏览、点击、收藏、购买、二次购买的分析，得出未来会选择购买的预测和推荐结果。基于行为的分析，属于群体智慧，综合利用群体用户的行为偏好。用户之间会相互影响，更加符合现实世界中的用户行为。
基于内容的分析， 包括对文字、图片、音频、视频等信息的分析，得出预测和推荐的结论。内容的“基因”和用户的偏好相匹配，最有代表的是潘多拉的音乐推荐项目，其将曲库中所有歌曲都由400多位专家打上标签，然后建立个人与音乐的联系，从而完成音乐的推荐。内容的分析只针对个人，与用户之间关系无关。
大数据到底能做什么
现在谈这个问题可能会让大家笑话，似乎所有人都知道大数据能干这个，能干那个，最后连我们自己都觉得可笑。大数据已经都不是被“妖魔化”了，是“娱乐化”。大数据似乎是个离我们忽远又忽近的事物了，变得不真实起来。
好吧，我还是结合从业经历来说说大数据“解决过什么问题”吧：简单地来说，大数据可以帮我们解决决策和选择的问题。
天气预报就是一个最古老而且众所周知的预测。你可以根据预报来决定明天穿什么衣服，是否要带雨伞，等等;
近两年来，大数据被应用到影视制片行业，基于对观众偏好的分析，去预测、设计观众喜欢的剧情，找观众喜爱的演员出演相关的角色，甚至可以去预测票房。这些所有的预测都是基于数据的基础上，经过一定的模型处理，得到接近真实的结论。从某种程度上给决策者决策的依据，比如《纸牌屋》和《星星》。
大数据还有一个重要的作用，就是解决人们的“选择”问题。别笑，无论你的年龄、性别、教育背景，人们目前都面临着前所未有的选择问题。讲的学术一些，这是由于“长尾效应”导致的问题;讲得通俗一些，就是由于日益增多的可选择的对象和我们自身的处理能力之间的矛盾。
科技的进步让人变得更懒，也就是我们自身的处理能力降低，无论是主观的还是客观的。而可被选择的对象却在日益增多。从纷繁复杂的商品(电商)，到海量曲库中的乐曲;从婚恋网站的男女朋友，到交通管理的信号灯。
基于人工智能下的大数据，就是可以使人们“变懒”的一个手段。基于你的历史行为，判断出你可能的喜好，乃至需求，将最佳结果，推荐给你。这就是大数据，她是你的贴心管家，或者说是最懂你的朋友。
一个最经典的案例是沃尔玛曾经做过的“啤酒”和“尿布”调研：沃尔玛在研究中发现，一类顾客经常在购买尿布的同时也购买啤酒。尿布跟啤酒自然是毫无关联的两个品类的商品，从个人经验上来看，根本想不到二者的联系。后来发现，这是一类社会现象所导致的。美国有很多年轻夫妇，尿布用完后，女主人在家带孩子，而男主人就去超市买尿布。买完尿布之后，男主人通常会顺带着买些啤酒。
上述例子说明，数据经常可以让你发现看似不合理不合逻辑但却存在，并且经常发生的现象。
再举个例子，北京的交通拥堵是地球人都知道的事情。尤其是早晚高峰，这已经不需要预测了。但如果根据历史交通数据，再经过数学模型，计算出一个全北京最佳的交通信号灯管理系统，这就属于大数据的范畴了。
这也是我眼中大数据主要与普通的数据统计分析最大的不同：数据统计可以帮助你发现疾病，但大数据可以不但帮助你发现，且帮助你治疗疾病。
大数据绝不是“噱头“，我们在帮助某运营商阅读基地的阅读推荐项目中，各项指标均得到大幅提升。而这个提升不是百分之几十，而是数倍的提升!(用户人均流量提升了4倍，沉默用户激活能力提升了6.5倍)这才是大数据的魅力。
大数据不是万能的
大数据显然不是万能的。正因为如此，她才真实。大数据在有些领域由于种种原因，所带来的价值并不如预期的那么高。导致这种现象最主要的问题有两个，一个是由于数据本身的质量或者数量不够;另一个是算法不合适。
不要以为是海量数据就一定会有价值，在过往的工作中，我们经常发现来自甲方的数据源有80-90%的数据都是无用的。只有10%-20%的数据才会产生一定的价值。这就又让我想到Marry Meeker打的那个比喻，“大数据的工作就像在一堆稻草中寻找一根针”。
何况，大多数领域本身业务属于早期，所拥有的数据非常贫乏。冷启动、稀疏性是大数据在诸多领域面临的挑战。
另一方面，对于不同领域，不同项目，没有放之四海而皆准的算法，必须要根据具体问题具体分析解决。在实际的工作中发现，不只是不同的领域(如文章推荐与商品推荐)，甚至同一领域的不同单元(同属电商但不同类电商，如母婴类和服装类或者奢侈品类)也有所不同。
数据的交叉利用
上面提到的两个大数据在实际应用中面临的最大问题，即冷启动时数据的匮乏和业务早期数据的稀疏性问题，并不是无药可救。业界一直讨论的数据打通，就是解决这两问题的出路。
对于一些新兴领域，缺乏数据是必然的，而另一方面，正由于缺乏数据的支持，所以才更需要有强大决策支持的系统对其业务做指导和支撑，以实现少走弯路，利益最大化的目的。
移动互联网领域的项目，尤为代表。虽然在过去的两三年里，移动互联网得到了高速的发展，但毕竟在各个方面的积累，都无法与互联网相比。尤其在人们形成稳定的使用习惯之前，数据还不具备更多的价值和意义。
但如果能把互联网的数据与移动互联网数据打通，那么我们就掌握了这个人的喜好等多方面信息，从而为移动互联网业务做出更有效的指导和帮助。
当然，数据的打通绝不仅限于互联网和移动互联网。每个数据源的数据往往刻画了一个人的不同方面。正如巴拉巴西教授在《爆发》一书中描绘的那样，如果数据充分，人类93%的行为是可以预知的，是有规律的。
也只有将这些不同来源的数据重新组织，才能挖掘出更有意义的信息。
如今，行业内不少人打着“数据统计和分析”的旗号来做大数据，让很多外行人陷入了误区：数据统计并非等于大数据。无论数据统计也好，大数据也罢，其实都是为了使我们的工作变得更为有效，让决策更为理性而准确。重视数据，本身就是一个企业成熟的标志。
移动互联网的迅速崛起，让数据变得更为多样、丰富。它的移动性，它的碎片化，它的私密性和随时性都刚好弥补了用户离开桌面电脑之后的数据，从而与原有的互联网数据一起很好滴勾勒出一个网民一天的生活，日常生活的数据化。
随着数据的进一步丰富和完善，随着不同渠道数据的打通和交叉利用，有关大数据的想象一定会更加广阔。

以上是小编为大家分享的关于有关大数据的误区:数据统计≠大数据的相关内容，更多信息可以关注环球青藤分享更多干货

⑦ 经济统计学与大数据专业哪个更好

）经济统计是统计学在金融行业的具体应用，主要方向是金融/政府行业。数据科学与大数据技术的部分课程内容包含了统计学知识，但就业面更广，方向包括互联网/金融/医疗/物流/交通/零售/制造业等；

2）经济统计专业是比较传统的专业，数据科学与大数据技术是2016年才开始设置的专业，比较热门一些；

3）数据科学与大数据技术对知识的广度和深度都有一定要求，是门槛不低的一个专业，尤其是对数学的要求较高；

4）未来高端人才都是擅长跨界的高手，如果你从经济统计专业起步，未来既可以网金融领域发展，也可以跨界往其他领域发展。数据也是要结合具体场景才能发挥价值，所以具有经济学背景的你同样可以在职场占据优势；

5）选择任何一个专业都要结合自己的兴趣和特长，基本上，如果你不是一定要往金融领域发展，不是特别讨厌数学和计算机的话，都可以选择后者。