本书为大数据分析的入门级双语教材，基于大数据分析应知应会的基本要求，以培养学生三个基本（基本概念、基本认知、基本思维）为中心，采用国外MBA教材的体例和写法，将案例与教材知识点相结合，将专业知识与实践场景相结合。书聚焦大数据分析的基本认知和数据思维的培养，通过大数据分析的基础知识、理论方法、技术工具和实践应用等，帮助读者掌握大数据分析的核心概念和整体框架；进而通过实际企业的大数据实战案例、真实数据和主流工具，帮助读者思考如何从数据维度解决问题。

朱晓峰，南京工业大学教授、系副主任。研究方向：政府信息资源管理。出版过《微政时代下的信息公开行为研究》（江苏省政府哲社三等奖）等专著、《大数据分析指南》（江苏省十四五规划教材）等教材。洪磊，博士，江苏警官学院副教授，省青蓝工程中青年学术带头人、省青蓝工程优秀青年骨干教师，先后主持、参与省部级以上课题8项。发表学术论文30余篇，人大复印资料全文转载2篇。张芳，博士，南京工业大学讲师，主持江苏省高校哲学社会科学研究项目1项，江苏省双创博士项目1项。出版2部学术著作，发表学术论文10余篇。吴婧娴，硕士，参与1项国家社科基金项目，主持1项江苏省研究生科研创新计划项目，参与2部学术专著与教材，发表权威期刊论文2篇。

第1章大数据概述 案例：谷歌流感趋势（GFT） 学习目标 1.1大数据概述 1.1.1大数据的定义 1.1.2大数据的解析 1.1.3大数据的来源 1.1.4大数据的特点 1.1.5数据驱动型业务问题分类 1.2大数据分析概述 1.2.1大数据分析的发展 1.2.2大数据分析的界定 1.2.3大数据分析的优点 1.2.4大数据分析的不足 1.2.5大数据分析的关键问题 1.3大数据的正确认知 1.4大数据面临的挑战 1.5大数据应用的七个关键步骤 1.6大数据的实际应用 1.7大数据与相关学科的关系 案例延续：谷歌流感趋势（GFT） 第二章大数据的技术基础 案例：Fortnite如何利用分析和云来分析PB级的游戏数据 学习目标 2.1大数据的基本框架 2.1.1数据用户的分析活动 2.1.2大数据基本架构 2.1.3规划大数据基本架构 2.1.4大数据基本架构面临的挑战 2.1.5构建成功大数据基本架构的关键要素 2.2 Hadoop 2.2.1 Hadoop的历史 2.2.2 Hadoop的架构 2.2.3 Hadoop的优势 2.2.4 Hadoop的实现 2.2.5 Hadoop生态系统 2.3硬盘 2.3.1 HDFS概述 2.3.2 HDFS架构 2.3.3 HDFS的特点 2.4 MapReduce 2.4.1 MapReduce概述 2.4.2 MapReduce的发展阶段 2.5 NoSQL 2.5.1 NoSQL数据库的定义 2.5.2 NOSQL数据库的类型 2.5.3 NoSQL数据库的历史 2.5.4 NoSQL数据库的优缺点 2.6 HBase 2.6.1 HBase概述 2.6.3 HBase和HDFS 2.6.3 HBase架构 2.7云服务 2.7.1云服务概述 2.7.2云服务的特点 2.7.3云服务部署模型 2.7.4常见的云服务模型 案例延续：世界知名公司采用的大数据基本架构 第3章 大数据采集和存储 案例：心血管疾病临床数据管理系统 学习目标 3.1大数据采集概述 3.1.1大数据采集的定义 3.1.2大数据采集的数据类型 3.1.3大数据采集的特点 3.2大数据采集的挑战与趋势 3.2.1大数据采集面临的新挑战 3.2.2大数据采集的未来需求和新兴趋势 3.3大数据采集的方法和途径 3.3.1大数据采集来源 3.3.2大数据采集源的分类 3.4大数据采集工具 3.5大数据存储概述 3.6大数据存储的新架构和系统 案例延续：临床数据管理系统的需求和架构 第4章大数据预处理 案例：大数据的“脏”问题 学习目标 4.1大数据质量概述 4.1.1大数据质量的定义 4.1.2大数据质量的历史 4.1.3大数据时代数据质量的挑战 4.1.4大数据的质量标准 4.2大数据清理概述 4.2.1大数据清理的定义 4.2.2大数据清理框架 4.2.3大数据清理常见问题 4.3大数据清理流程 4.3.1基于ETL过程 4.3.2基于PAIAM模型 4.3.3基于质量评估的视角 4.4大数据清理的辅助手段 案例延续：Lambda架构和大数据质量 第5章 数据挖掘 案例：尿布和啤酒 学习目标 5.1数据挖掘导论 5.1.1数据挖掘的历史 5.1.2数据挖掘的定义 5.1.3数据挖掘的特点 5.1.4数据挖掘的学习策略 5.1.5数据挖掘的价值 5.1.6数据挖掘问题 5.1.7数据挖掘的新趋势 5.2大数据与数据挖掘 5.2.1大数据与数据挖掘的区别与联系 5.2.2大数据挖掘概述 5.3数据挖掘过程模型 5.4数据挖掘任务 案例延续：尿布和啤酒的起源 第6章 数据可视化 案例：消防安全行业的数据可视化 学习目标 6.1数据可视化介绍 6.1.1数据可视化的背景 6.1.2数据可视化的定义 6.1.3数据可视化的挑战 6.1.4数据可视化的特点 6.1.5数据可视化的应用 6.2数据可视化过程 6.2.1一般可视化过程 6.2.2其他可视化过程 6.2.3可视化过程指南 6.3大数据时代的数据可视化工具 6.4大数据时代的数据可视化方法 6.4.1数据可视化的常用方法 6.4.2大数据时代的数据可视化方法 6.5. 如何设计数据可视化 6.5.1数据可视化需求 6.5.2设计数据可视化的关键要素 6.6如何改进数据可视化设计 6.6.1数据可视化改进原则 6.6.2数据可视化改进提示 案例延续：在线对话空间的视觉探索 第7章大数据分析专业报告 案例：马萨诸塞州大数据报告 学习目标 7.1大数据分析报告概述 7.1.1五种数据关系 7.1.2四种大数据分析报告 7.1.3大数据分析报告提示 7.2数据分析报告模板 7.2.1 PPT中的数据分析报告模板 7.2.2 WORD格式的数据分析报告模板 7.2.3其他地方的数据分析报告模板 7.3数据分析报告的错误和修复 案例延续：大数据分析的辩证认识 第八章库龄与库存分析 8.1培训背景 8.2培训介绍 8.2.1原始数据情况 8.2.2培训分析过程 8.3培训过程 8.3.1创建新项目 8.3.2数据导入 8.3.3数据分析 8.3.4数据可视化 8.4培训总结 8.5实践思维问题 第9章销售数据分析 9.1培训背景 9.2培训介绍 9.2.1原始数据情况 9.2.2培训分析过程 9.3培训流程 9.3.1创建新项目 9.3.2数据导入 9.3.3数据分析 9.3.4数据可视化 9.4培训总结 9.4.1培训结论总结 9.4.2培训总结建议 9.5实践思维问题 Chapter 1 Overview of big data Case: Google Flu Trends (GFT) Learning objectives 1.1 Introduction to big data 1.1.1 Definition of big data 1.1.2 Understanding to big data 1.1.3 Sources of big data 1.1.4 The characteristics of big data 1.1.5 Classifying business problems according to big data type 1.2 Introduction to big data analytics 1.2.1 Development of big data analytics 1.2.2 Definition of big data analytics 1.2.3 Benefits of big data analytics 1.2.4 Shortcomings of big data analytics 1.2.5 Key questions to ask of any data analysis 1.3 Understandings of big data 1.4 Challenges for big data 1.5 The Seven key steps of big data analytics 1.6 Application of big data 1.7 Relationship between big data and related disciplines Case continuation: Google Flu Trends (GFT) Chapter 2 Technical foundations of big data Case: How Fortnite Approaches Analytics, Cloud to Analyze Petabytes of Game Data Learning target 2.1 Basic framework for big data 2.1.1 Activities of data users 2.1.2 Architecture of big data 2.1.3 Planning the big data analysis architecture 2.1.4 Challenges for big data analysis architecture 2.1.5 Key elements for building a successful big data analysis architecture 2.2 Hadoop 2.2.1 History of Hadoop 2.2.2 Hadoop architecture 2.2.3 Advantages of Hadoop 2.2.4 Implement of Hadoop 2.2.5 The Hadoop Ecosystem 2.3 HDFS 2.3.1 HDFS overview 2.3.2 HDFS architecture 2.3.3 Features of HDFS 2.4 MapReduce 2.4.1 MapReduce overview 2.4.2 Stages of MapReduce 2.5 NoSQL 2.5.1 Definition of NoSQL database 2.5.2 TYPES OF NOSQL databases 2.5.3 History of NoSQL database 2.5.4 The advantages and disadvantages of NoSQL database 2.6 HBase 2.6.1 HBase overview 2.6.3 HBase and HDFS 2.6.3 HBase architecture 2.7 Cloud services 2.7.1 Cloud services overview 2.7.2 Characteristics of cloud service 2.7.3 Deployment models of cloud service 2.7.4 Common cloud service models Case continuation: Data Analytics Architecture Adopted by Famous Company in the World Chapter 3 Big data acquisition and storage Cases：Clinical Data Management System for Cardiovascular Disease Learning target 3.1 Overview of big data acquisition 3.1.1 Definition of big data acquisition 3.1.2 Data types for big data acquisition 3.1.3 Characteristics of big data acquisition 3.2 The future of big data acquisition 3.2.1 Emerging challenges for big data acquisition 3.2.2 Future requirements and emerging trends for big data acquisition 3.3 Methods and ways of big data acquisition 3.3.1 Sources of big data acquisition 3.3.2 A Taxonomy of big data acquisition sources 3.4 The tools of big data acquisition 3.5 Overview of big data storage 3.6 New architecture and system of big data storage Case continuation: Requirements and Architecture of Clinical Data Management System Chapter 4 Data processing Cases：Big data's dirty problem Learning target 4.1 Big data quality overview 4.1.1 Big data quality definitions 4.1.2 History of big data quality 4.1.3 The challenges of data qualityin the big data era 4.1.4 Quality criteria of big data 4.2 Big data cleaning overview 4.2.1 Big data cleaning definitions 4.2.2 Big data cleaning Framework 4.2.3 Big data cleaning problems 4.3 Big data cleaning process 4.3.1 Based on the ETL process 4.3.2 Based on PAIAM model 4.3.3 Based on the perspective of quality assessment 4.4 Auxiliary means of big data cleaning 4.4.1 Motivating factors of big data cleaning 4.4.2 Big data cleaning tools Case continuation: The Lambda architecture and big data quality Chapter 5 Data mining Case: Diapers and beer Learning objectives 5.1 Introduction to data mining 5.1.1 History of data mining 5.1.2 Definition of data mining 5.1.3 Character of data mining 5.1.4 Learning strategies of data mining 5.1.5 Value of data mining 5.1.6 Data mining issues 5.1.7 New trend in data mining 5.2 Big data and data mining 5.2.1 Difference and relation between big data and data mining 5.2.2 Big data mining overview 5.3 Data mining process model 5.4 Data mining tasks Case continuation: origins of diapers and beer Chapter 6 Data visualization Case: Data visualization in the fire safety industry Learning objectives 6.1 Introduction to data visualization 6.1.1 Background of data visualization 6.1.2 Definition of data visualization 6.1.3 Challenges for data visualization 6.1.4 Character of data visualization 6.1.5 Application of data visualization 6.2 Process of data visualization 6.2.1 General visualization process 6.2.2 Other visualization processes 6.2.3 Guide to visualization processes 6.3 Tool of data visualization in big data era 6.4 Methods of data visualization in big data era 6.4.1 Common way of data visualization 6.4.2 Methods of data visualization in big data era 6.5. How to design data visualization 6.5.1 Demand of data visualization 6.5.2 Key element of design data visualization 6.6 How to improve data visualization design 6.6.1 Principles of data visualization improvement 6.6.2 Tips of data visualization improvement Case continuation: A visual exploration of the online conversational space Chapter 7 Professional report on big data analytics Case: The Massachusetts Big Data Report Learning objectives 7.1 Overview of big data analytics report 7.1.1 Five types of data relationships 7.1.2 Four types of big data analytics report 7.1.3 Tips of big data analytics report 7.2 Data analysis report template 7.2.1 Data analysis report template in PPT 7.2.2 Data analysis report template in WORD 7.2.3 Data analysis report template in other places 7.3 Mistakes and fixes on data analysis report Case continuation: Dialectical Cognition of big data analytics Chapter 8 Analysis of stock age and inventory 8.1 Training Background 8.2 Training Introduction 8.2.1 Raw data situation 8.2.2 Analysis process of training 8.3 Training Process 8.3.1 Create a new project 8.3.2 Data import 8.3.3 Data analysis 8.3.4 Data Visualization 8.4 Training Summary 8.5 Practical Thinking Questions Chapter 9 Analysis of Sales Data 9.1 Training Background 9.2 Training Introduction 9.2.1 Raw data situation 9.2.2 Analysis process of training 9.3 Training Process 9.3.1 Create a new project 9.3.2 Data import 9.3.3 Data Analysis 9.3.4 Data Visualization 9.4 Training Summary 9.4.1 Summary of training conclusions 9.4.2 Training summary recommendations 9.5 Practical Thinking Questions