数据加工是学的什么软件有哪些

1. 做数据分析，比较好用的软件有哪些

虽然数据分析的工具千万种，综合起来万变不离其宗。无非是数据获取、数据存储、数据管理、数据计算、数据分析、数据展示等几个方面。而SAS、R、SPSS、python、excel是被提到频率最高的数据分析工具。

• Python

Python，是一种面向对象、解释型计算机程序设计语言。Python语法简洁而清晰，具有丰富和强大的类库。它常被昵称为胶水语言，能够把用其他语言制作的各种模块（尤其是C/C++）很轻松地联结在一起。

常见的一种应用情形是，使用Python快速生成程序的原型（有时甚至是程序的最终界面），然后对其中有特别要求的部分，用更合适的语言改写，比如3D游戏中的图形渲染模块，性能要求特别高，就可以用C/C++重写，而后封装为Python可以调用的扩展类库。需要注意的是在您使用扩展类库时可能需要考虑平台问题，某些可能不提供跨平台的实现。

• R软件

R是一套完整的数据处理、计算和制图软件系统。它可以提供一些集成的统计工具，但更大量的是它提供各种数学计算、统计计算的函数，从而使使用者能灵活机动的进行数据分析，甚至创造出符合需要的新的统计计算方法。

• SPSS

SPSS是世界上最早的统计分析软件，具有完整的数据输入、编辑、统计分析、报表、图形制作等功能，能够读取及输出多种格式的文件。

• Excel

可以进行各种数据的处理、统计分析和辅助决策操作，广泛地应用于管理、统计财经、金融等众多领域。


• SAS软件

SAS把数据存取、管理、分析和展现有机地融为一体。提供了从基本统计数的计算到各种试验设计的方差分析，相关回归分析以及多变数分析的多种统计分析过程，几乎囊括了所有最新分析方法，其分析技术先进，可靠。分析方法的实现通过过程调用完成。许多过程同时提供了多种算法和选项。

2. 学习数据挖掘一般要学哪些软件和工具

1、WEKA
WEKA 原生的非 Java 版本主要是为了分析农业领域数据而开发的。该工具基于 Java 版本，是非常复杂的，并且应用在许多不同的应用中，包括数据分析以及预测建模的可视化和算法。与 RapidMiner 相比优势在于，它在 GNU 通用公共许可证下是免费的，因为用户可以按照自己的喜好选择自定义。
WEKA 支持多种标准数据挖掘任务，包括数据预处理、收集、分类、回归分析、可视化和特征选取。添加序列建模后，WEKA 将会变得更强大，但目前不包括在内。
2、RapidMiner
该工具是用 Java 语言编写的，通过基于模板的框架提供先进的分析技术。该款工具最大的好处就是，用户无需写任何代码。它是作为一个服务提供，而不是一款本地软件。值得一提的是，该工具在数据挖掘工具榜上位列榜首。另外，除了数据挖掘，RapidMiner 还提供如数据预处理和可视化、预测分析和统计建模、评估和部署等功能。更厉害的是它还提供来自 WEKA(一种智能分析环境)和 R 脚本的学习方案、模型和算法。
RapidMiner 分布在 AGPL 开源许可下，可以从 SourceForge 上下载。SourceForge 是一个开发者进行开发管理的集中式场所，大量开源项目在此落户，其中就包括维基网络使用的 MediaWiki。
3、NLTK
当涉及到语言处理任务，没有什么可以打败 NLTK。NLTK 提供了一个语言处理工具，包括数据挖掘、机器学习、数据抓取、情感分析等各种语言处理任务。
而您需要做的只是安装 NLTK，然后将一个包拖拽到您最喜爱的任务中，您就可以去做其他事了。因为它是用 Python 语言编写的，你可以在上面建立应用，还可以自定义它的小任务。

3. 数据处理软件有哪些

大数据分析平台是一个集成性的平台，可以将企业用户所用的数据接入，然后在该平台版上进行权处理，最后对得到的数据，通过各种方式进行分析展示。
大数据平台应该是集数据整合、数据处理、数据存储、数据分析、可视化、数据采集填报等功能为一体，真正帮助企业挖掘数据背后的业务逻辑，洞悉数据的蛛丝马迹，发现数据的潜在价值。亿信华辰的一站式数据分析平台ABI，就是大数据分析平台的一个典型代表。该平台融合了数据源适配、ETL数据处理、数据建模、数据分析、数据填报、工作流、门户、移动应用等核心功能。采用轻量级SOA架构设计、B/S模式，各模块间无缝集成。支持广泛的数据源接入。数据整合模块支持可视化的定义ETL过程，完成对数据的清洗、装换、处理。数据集模块支持数据库、文件、接口等多方式的数据建模。数据分析模块支持报表分析、敏捷看板、即席报告、幻灯片、酷屏、数据填报、数据挖掘等多种分析手段对数据进行分析、展现、应用。

4. 数据分析软件有哪些

数据分析软件有Excel、SAS、R、SPSS、Tableau Software。

1、Excel

为Excel微软办公套装软件的一个重要的组成部分专，它可以属进行各种数据的处理、统计分析和辅助决策操作，广泛地应用于管理、统计财经、金融等众多领域。

5、Tableau Software

Tableau Software用来快速分析、可视化并分享信息。Tableau Desktop 是基于斯坦福大学突破性技术的软件应用程序。它可以以在几分钟内生成美观的图表、坐标图、仪表盘与报告。

5. 数据分析的软件有哪些最近想学习一两款数据分析的软

上海献峰网络认为数据分析也好，统计分析也好，数据挖掘也好、商业智能也好都需要在学习的时候掌握各种分析手段和技能，特别是要掌握分析软件工具！学习数据分析，一般是先学软件开始，再去应用，再学会理论和原理！没有软件的方法就不去学了，因为学了也不能做，除非你自己会编程序。
主意X和Y轴看：
第一维度：数据存储层——>数据报表层——>数据分析层——>数据展现层
第二维度：用户级——>部门级——>企业级——BI级
首先.存储层：
1.Access2003、Access07等：最基本的个人数据库；
2.MySQL数据库；
3.SQL Server 2005或更高版本；
4. DB2，Oracle；
5. BI级（实际上这个不是数据库，而是建立在前面数据库基础上的，这个主要是数据
库的企业应用级了，一般这个时候的数据库都叫数据仓库了，Data Warehouse
，建立在DW级上的数据存储基本上都是商业智能平台，或许整合了各种数据分析，报表、分析和展现！）

第二：报表层
推荐石头最喜欢的两款。
1.Crystal Report水晶报表Bill报表
2. Tableau软件

第三：数据分析层
1.Excel软件（有能力把Excel玩成统计工具不如专门学会统计软件）；
2.SPSS软件：从重视医学、化学等开始越来越重视商业分析，现在已经成为了预测
分析软件。
3.Clementine软件。

6. 大数据专业需要想学什么软件

1，分步阅读
数据分析报告类：Microsoft Office软件等，如果连excel表格基本的处理操作都不会回，连PPT报告都不会做，那我答只好说离数据分析的岗位还差的很远。现在的数据呈现不再单单只是表格的形式，而是更多需要以可视化图表去展示你的数据结果，因此数据可视化软件就不能少，BDP个人版、ECharts等这些必备的，就看你自己怎么选了。
2，专业数据分析软件：Office并不是全部，要从在数据分析方面做的比较好，你必须会用（至少要了解）一些比较常用的专业数据分析软件工具，比如SPSS、SAS、Matlab等等，这些软件可以很好地帮助我们完成专业性的算法或模型分析，还有高级的python、R等。
3，数据库：hive、hadoop、impala等数据库相关的知识可以学习；
4，辅助工具：比如思维导图软件（如MindManager、MindNode Pro等）也可以很好地帮助我们整理分析思路。

最重要的是：理论知识+软件工具+数据思维=数据分析基础，最后要把这些数据分析基础运用到实际的工作业务中，好好理解业务逻辑，真正用数据分析驱动网站运营、业务管理，真正发挥数据的价值。

7. 常用的数据处理软件有哪些

Excel：还是很普遍的，大部分使用，只是数据一大就比较慢，而且写函版数比较麻烦，学好很重权要；
BDP个人版：偏向数据可视化分析，图表类型有30多种，适合数据小白使用；有多表关联、追加合并等合表处理功能，性能挺快的~
SAS、SPSS：会涉及到一些数据建模的东西，相对比较难。Excel：普遍适用，既有基础，又有中高级。中级一般用Excel透视表，高级的用Excel VBA。

8. 想从事数据分析工作，学什么软件或语言最好

如果你有心想发展成为一个数据分析师，或者说某业务的资深数据分析专家，从技术层面来讲，你需要了解成为一个数据分析师的路径，6个步骤：
第一步：统计、数据、机器学习
关于数学知识，大学课堂会学过一部分，如果是数学科学类的专业会学得更精深。关于统计学知识，还是需要一定思维的锻炼的。
第二步：编代码
如果希望拥有专业水准的话，从编程基础到端到端的开发，一些技术的语言，比如R、Python、和一些商业软件的SAS、SPSS等，以及深入的交互式学习，这些你至少精通几门，其他懂一些最好。
第三步：懂数据库
数据分析大多应用实际。企业数据常常被保存在MySQL、Oracle、Postgres、MonogoDB、Cassandra等数据库中，所以这些数据库你要了解甚至懂。
第四步：数据管理、数据可视化、数据报告
数据管理包括数据的清洗格加工ETL，目的是让分析前的数据更加准确和清晰，比如DataWrangler
数据可视化数据数据分析的前端展示，目的是让数据呈现更清楚明了，更形象，比如tableau，spotfire
数据报告是通过不同工具将数据展示出来，可以和数据可视化归类一起，但实际应用中大多数都是通过PPT的承载方式来呈现。
目前市面上很多公司都使用商业智能的工具，比如FineBI。
BI工具是数据连接，数据处理和可视化为一体的工具，比起上方的纯工具，能更好的适应业务。
第五步：大数据
大数据是未来的必然趋势，而大数据技术的类型也是多种多样，hadoop,maprece,spark等等，多学会一种，层次也就不一样。
第六步：积攒经验，学习同行
以上都是理论和工具，但是实践才是出真知，不管是刚接触数据分析的职场人，还是专业学习数据挖掘分析的你，都希望在学习以上内容的同时，多参加一些比赛，学习同领域的专业大神，训练自己在这方面的感觉。
当然，在实际应用过程中，大多数人不一数据分析为主业，数据分析只是分析业务的一个工具，那第四步的内容已经能够满足日常对业务的分析了，当然Excel和PPT的熟练掌握也是必须的。

9. 大数据都是学什么软件

首先我们要了解Java语言和Linux操作系统，这两个是学习大数据的基础，学习的顺序不分前后。

大数据

Java ：只要了解一些基础即可，做大数据不需要很深的Java 技术，学java SE 就相当于有学习大数据基础。

Linux：因为大数据相关软件都是在Linux上运行的，所以Linux要学习的扎实一些，学好Linux对你快速掌握大数据相关技术会有很大的帮助，能让你更好的理解hadoop、hive、hbase、spark等大数据软件的运行环境和网络环境配置，能少踩很多坑，学会shell就能看懂脚本这样能更容易理解和配置大数据集群。还能让你对以后新出的大数据技术学习起来更快。

Hadoop：这是现在流行的大数据处理平台几乎已经成为大数据的代名词，所以这个是必学的。Hadoop里面包括几个组件HDFS、MapRece和YARN，HDFS是存储数据的地方就像我们电脑的硬盘一样文件都存储在这个上面，MapRece是对数据进行处理计算的，它有个特点就是不管多大的数据只要给它时间它就能把数据跑完，但是时间可能不是很快所以它叫数据的批处理。

Zookeeper：这是个万金油，安装Hadoop的HA的时候就会用到它，以后的Hbase也会用到它。它一般用来存放一些相互协作的信息，这些信息比较小一般不会超过1M，都是使用它的软件对它有依赖，对于我们个人来讲只需要把它安装正确，让它正常的run起来就可以了。

Mysql：我们学习完大数据的处理了，接下来学习学习小数据的处理工具mysql数据库，因为一会装hive的时候要用到，mysql需要掌握到什么层度那?你能在Linux上把它安装好，运行起来，会配置简单的权限，修改root的密码，创建数据库。这里主要的是学习SQL的语法，因为hive的语法和这个非常相似。

Sqoop：这个是用于把Mysql里的数据导入到Hadoop里的。当然你也可以不用这个，直接把Mysql数据表导出成文件再放到HDFS上也是一样的，当然生产环境中使用要注意Mysql的压力。

Hive：这个东西对于会SQL语法的来说就是神器，它能让你处理大数据变的很简单，不会再费劲的编写MapRece程序。有的人说Pig那?它和Pig差不多掌握一个就可以了。

Oozie：既然学会Hive了，我相信你一定需要这个东西，它可以帮你管理你的Hive或者MapRece、Spark脚本，还能检查你的程序是否执行正确，出错了给你发报警并能帮你重试程序，最重要的是还能帮你配置任务的依赖关系。我相信你一定会喜欢上它的，不然你看着那一大堆脚本，和密密麻麻的crond是不是有种想屎的感觉。

Hbase：这是Hadoop生态体系中的NOSQL数据库，他的数据是按照key和value的形式存储的并且key是唯一的，所以它能用来做数据的排重，它与MYSQL相比能存储的数据量大很多。所以他常被用于大数据处理完成之后的存储目的地。

Kafka：这是个比较好用的队列工具，队列是干吗的?排队买票你知道不?数据多了同样也需要排队处理，这样与你协作的其它同学不会叫起来，你干吗给我这么多的数据(比如好几百G的文件)我怎么处理得过来，你别怪他因为他不是搞大数据的，你可以跟他讲我把数据放在队列里你使用的时候一个个拿，这样他就不在抱怨了马上灰流流的去优化他的程序去了，因为处理不过来就是他的事情。而不是你给的问题。当然我们也可以利用这个工具来做线上实时数据的入库或入HDFS，这时你可以与一个叫Flume的工具配合使用，它是专门用来提供对数据进行简单处理，并写到各种数据接受方(比如Kafka)的。

Spark：它是用来弥补基于MapRece处理数据速度上的缺点，它的特点是把数据装载到内存中计算而不是去读慢的要死进化还特别慢的硬盘。特别适合做迭代运算，所以算法流们特别稀饭它。它是用scala编写的。Java语言或者Scala都可以操作它，因为它们都是用JVM的。