目 录__eol____eol__第1章 大数据分析领域职业介绍__eol__ 1.1 职业路径__eol__ 1.1.1 大数据职业生态__eol__ 1.1.2 大数据工程师职业方向__eol__ 1.1.3 大数据分析师职业方向__eol__ 1.1.4 大数据工作入门__eol__ 1.2 技能要求__eol__ 1.2.1 基本职业素养__eol__ 1.2.2 从数据中挖掘金矿__eol__ 1.2.3 大数据工程师的技能要求__eol__ 1.2.4 大数据分析师的技能要求__eol__ 1.3 工作情况__eol__ 1.3.1 典型的工作状态__eol__ 1.3.2 大数据职业的现状__eol__ 1.4 职业前景__eol__ 1.4.1 大数据职业的发展__eol__ 1.4.2 大数据的未来__eol__ 1.4.3 大数据职业的规划__eol__第2章 初识大数据__eol__ 2.1 大数据的基础知识__eol__ 2.1.1 什么是大数据__eol__ 2.1.2 大数据为什么重要__eol__ 2.1.3 大数据的维度__eol__ 2.2 大数据的类型__eol__ 2.2.1 结构化数据与非结构化数据__eol__ 2.2.2 几个大数据的例子__eol__ 2.3 大数据的行业应用__eol__ 2.4 企业面临的大数据挑战类型__eol__ 2.4.1 大数据从何而来__eol__ 2.4.2 企业如何获取大数据__eol__ 2.4.3 大数据的存储问题__eol__ 2.4.4 大数据对分析人才的要求__eol__ 2.4.5 大数据带来的挑战类型__eol__第3章 数据库基础__eol__ 3.1 数据库简介__eol__ 3.1.1 数据管理技术发展史__eol__ 3.1.2 数据库的应用__eol__ 3.1.3 数据库系统概述__eol__ 3.2 关系型数据库__eol__ 3.2.1 数据模型概述__eol__ 3.2.2 关系数据模型__eol__ 3.2.3 E-R数据模型__eol__ 3.2.4 关系型数据库的设计原则__eol__ 3.3 数据仓库__eol__ 3.3.1 数据仓库的历史__eol__ 3.3.2 数据仓库系统的组成__eol__ 3.3.3 ETL__eol__ 3.3.4 数据仓库与操作型数据库的关系__eol__ 3.4 Hadoop与分布式数据存储__eol__ 3.4.1 大数据对存储技术的挑战和Hadoop的起源__eol__ 3.4.2 Hadoop生态圈及系统架构__eol__ 3.4.3 Hadoop应用场景__eol__ 3.4.4 Hadoop局限性__eol__ 3.5 阿里云MaxCompute__eol__ 3.5.1 MaxCompute简介__eol__ 3.5.2 MaxCompute的基本概念__eol__ 3.5.3 MaxCompute数据的导入导出__eol__ 3.5.4 MaxCompute SQL__eol__ 3.5.5 函数__eol__ 3.5.6 MaxCompute MapReduce__eol__ 3.5.7 MaxCompute权限与安全__eol__ 3.6 常用Linux指令简介__eol__ 3.6.1 安装和登录指令__eol__ 3.6.2 文件处理指令__eol__ 3.6.3 系统管理相关指令__eol__ 3.6.4 网络操作指令__eol__ 3.6.5 系统安全相关指令__eol__ 3.6.6 其他指令__eol__第4章 数据分析工具与语言__eol__ 4.1 SQL基础__eol__ 4.1.1 SQL简介__eol__ 4.1.2 MySQL数据类型__eol__ 4.1.3 数据定义语言__eol__ 4.1.4 数据操作语言__eol__ 4.1.5 join__eol__ 4.1.6 数据表的合并、交集__eol__ 4.1.7 SQL实用函数__eol__ 4.2 MapReduce__eol__ 4.2.1 MapReduce Job__eol__ 4.2.2 MapReduce主程序__eol__ 4.2.3 MapReduce主程序运行详解__eol__ 4.2.4 MapReduce数据流与控制流详解__eol__ 4.2.5 MapReduce小结__eol__ 4.3 Hive__eol__ 4.4 Pig__eol__ 4.5 HDFS__eol__ 4.5.1 HDFS的相关概念__eol__ 4.5.2 HDFS的基本操作__eol__ 4.5.3 HDFS常用的Java API介绍__eol__第5章 数据可视化__eol__ 5.1 数据可视化概念__eol__ 5.1.1 数据可视化的定义与原则__eol__ 5.1.2 数据可视化的设计思路__eol__ 5.2 数据可视化元素__eol__ 5.2.1 表格__eol__ 5.2.2 柱状图__eol__ 5.2.3 折线图__eol__ 5.2.4 饼图__eol__ 5.2.5 地图__eol__ 5.2.6 散点图__eol__ 5.2.7 其他常见图__eol__ 5.3 数据可视化设计原则__eol__ 5.4 DataV设计__eol__ 5.5 BI报表设计__eol__第6章 数据项目质量控制__eol__ 6.1 数据质量控制理论__eol__ 6.1.1 数据质量的五个维度__eol__ 6.1.2 脏数据类型__eol__ 6.2 评估数据的质量及其对项目的影响__eol__ 6.2.1 数据如何创造价值——DIK__eol__ 6.2.2 数据质量问题对企业创造价值的影响__eol__ 6.3 数据预处理__eol__ 6.3.1 数据预处理的五大步骤__eol__ 6.3.2 数据清洗场景__eol__ 6.3.3 脏数据清洗过程__eol__ 6.3.4 脏数据与脏数据清洗的基本方法__eol__ 6.3.5 脏数据处理的案例__eol__ 6.3.6 SQL处理脏数据示例__eol__ 6.4 数据脱敏__eol__ 6.4.1 确定数据脱敏对象__eol__ 6.4.2 隐私数据泄露类型__eol__ 6.4.3 隐私数据脱敏的要求__eol__ 6.4.4 常见的数据脱敏算法__eol__ 6.5 数据项目质量控制的类型__eol__第7章 数据编程基础__eol__ 7.1 面向分析的数据编程范例__eol__ 7.1.1 数据项目的特点__eol__ 7.1.2 数据项目编程的流程__eol__ 7.1.3 面向分析的数据编程范例__eol__ 7.2 编程效率和程序运行效率__eol__ 7.2.1 编程效率__eol__ 7.2.2 程序运行效率__eol__ 7.3 编程质量控制流程__eol__第8章 数据项目设计与执行__eol__ 8.1 数据分析项目计划管理流程__eol__ 8.2 数据项目设计方法__eol__ 8.2.1 项目目标__eol__ 8.2.2 背景调查__eol__ 8.2.3 分析范围__eol__ 8.2.4 分析结果交付形式__eol__ 8.3 数据分析项目的分类__eol__ 8.4 项目前分析和项目绩效考评__eol__第9章 数据分析技术__eol__ 9.1 指标体系__eol__ 9.1.1 绩效指标(KPI)的定义__eol__ 9.1.2 企业构建指标体系__eol__ 9.1.3 平衡计分卡常见指标__eol__ 9.2 数据分析__eol__ 9.2.1 数据分析的定义__eol__ 9.2.2 数据分析的目的__eol__ 9.2.3 数据分析的作用__eol__ 9.3 探索性数据分析(EDA)__eol__ 9.3.1 EDA简介__eol__ 9.3.2 单一变量探索性分析__eol__ 9.3.3 多变量探索性分析__eol__ 9.4 探索性数据分析应用案例__eol__ 9.4.1 情况介绍__eol__ 9.4.2 数据介绍__eol__ 9.4.3 EDA探索分析遵循银行政策情况__eol__ 9.4.4 EDA探索分析懒惰的银行客户代表__eol__ 9.4.5 EDA探索分析银行客户代表是否执行了有效的沟通__eol__ 9.5 EDA中的指标变换形式__eol__ 9.5.1 总量指标__eol__ 9.5.2 相