大数据专业都需要学习哪些软件啊？

大数据处理分析能力在21世纪至关重要。使用正确的大数据工具是企业提高自身优势、战胜竞争对手的必要条件。下面让我们来了解一下最常用的30种大数据工具，紧跟大数据发展脚步。

第一部分、数据提取工具

Octoparse是一种简单直观的网络爬虫，可以从网站上直接提取数据，不需要编写代码。无论你是初学者、大数据专家、还是企业管理层，都能通过其企业级的服务满足需求。为了方便操作，Octoparse还添加了涵盖30多个网站的“任务模板 (Task Templates)”，操作简单易上手。用户无需任务配置即可提取数据。随着你对Octoparse的操作更加熟悉，你还可以使用其“向导模式 (Wizard Mode)”来构建爬虫。除此之外，大数据专家们可以使用“高级模式 (Advanced Mode)”在数分钟内提取企业批量数据。你还可以设置“自动云提取 (Scheduled Cloud Extraction)”，以便实时获取动态数据，保持跟踪记录。

02

Content Graber

Content Graber是比较进阶的网络爬网软件，具有可用于开发、测试和生产服务器的编程操作环境。用户可以使用C#或VBNET调试或编写脚本来构建爬虫。Content Graber还允许你在爬虫的基础上添加第三方扩展软件。凭借全面的功能，Content Grabber对于具有基本技术知识的用户来说功能极其强大。

Importio是基于网页的数据提取工具。Importio于2016年首次启动，现已将其业务模式从B2C转变为B2B。2019年，Importio并购了Connotate，成为了一个网络数据集成平台 (Web Data Integration Platform)。凭借广泛的网络数据服务，Importio成为了商业分析的绝佳选择。

Parsehub是基于网页的数据爬虫。它可以使用AJax，JavaScript等等从网站上提取动态的的数据。Parsehub提供为期一周的免费试用，供用户体验其功能。

Mozenda是网络数据抓取软件，提供企业级数据抓取服务。它既可以从云端也可以从内部软件中提取可伸缩的数据。

第二部分、开源数据工具

01Knime

KNIME是一个分析平台，可以帮助你分析企业数据，发现潜在的趋势价值，在市场中发挥更大潜能。KNIME提供Eclipse平台以及其他用于数据挖掘和机器学习的外部扩展。KNIME为数据分析师提供了2,000多个模块。

02OpenRefine（过去的Google Refine）是处理杂乱数据的强有力工具，可用于清理、转换、链接数据集。借助其分组功能，用户可以轻松地对数据进行规范化。

03R-Programming

R大家都不陌生，是用于统计计算和绘制图形的免费软件编程语言和软件环境。R语言在数据挖掘中很流行，常用于开发统计软件和数据分析。近年来，由于其使用方便、功能强大，得到了很大普及。

04RapidMiner

与KNIME相似，RapidMiner通过可视化程序进行操作，能够进行分析、建模等等操作。它通过开源平台、机器学习和模型部署来提高数据分析效率。统一的数据科学平台可加快从数据准备到实施的数据分析流程，极大地提高了效率。

第三部分、数据可视化工具

01

Datawrapper

Microsoft PowerBI既提供本地服务又提供云服务。它最初是作为Excel附加组件引入的，后来因其强大的功能而广受欢迎。截至目前，它已被视为数据分析领域的领头羊，并且可以提供数据可视化和商业智能功能，使用户能够以较低的成本轻松创建美观的报告或BI仪表板。

02

Solver

Solver专用于企业绩效管理 (CPM) 数据可视化。其BI360软件既可用于云端又可用于本地部署，该软件侧重于财务报告、预算、仪表板和数据仓库的四个关键分析领域。

03

Qlik

Qlik是一种自助式数据分析和可视化工具。可视化的仪表板可帮助公司有效地“理解”其业务绩效。

04

Tableau Public



Tableau是一种交互式数据可视化工具。与大多数需要脚本的可视化工具不同，Tableau可帮助新手克服最初的困难并动手实践。拖放功能使数据分析变得简单。除此之外，Tableau还提供了入门工具包和丰富的培训资源来帮助用户创建报告。

05

Google Fusion Tables

Fusion Table是Google提供的数据管理平台。你可以使用它来收集，可视化和共享数据。Fusion Table与电子表格类似，但功能更强大、更专业。你可以通过添加CSV，KML和电子表格中的数据集与同事进行协作。你还可以发布数据作品并将其嵌入到其他网络媒体资源中。

06

Infogram

Infogram提供了超过35种交互式图表和500多种地图，帮助你进行数据可视化。多种多样的图表（包括柱形图，条形图，饼形图和文字云等等）一定会使你的听众印象深刻。

第四部分、情感分析工具

01

HubSpot’s ServiceHub

HubSpot具有客户反馈工具，可以收集客户反馈和评论，然后使用自然语言处理 (NLP) 分析数据以确定积极意图或消极意图，最终通过仪表板上的图形和图表将结果可视化。你还可以将HubSpot’s ServiceHub连接到CRM系统，将调查结果与特定联系人联系起来。这样，你可以识别不满意的客户，改善服务，以增加客户保留率。

02

Semantria

Semantria是一款从各种社交媒体收集帖子、推文和评论的工具。Semantria使用自然语言处理来解析文本并分析客户的态度。通过Semantria，公司可以了解客户对于产品或服务的感受，并提出更好的方案来改善产品或服务。

03

Trackur

Trackur的社交媒体监控工具可跟踪提到某一用户的不同来源。它会浏览大量网页，包括视频、博客、论坛和图像，以搜索相关消息。用户可以利用这一功能维护公司声誉，或是了解客户对品牌和产品的评价。

04

SAS Sentiment Analysis



SAS Sentiment Analysis是一款功能全面的软件。网页文本分析中最具挑战性的部分是拼写错误。SAS可以轻松校对并进行聚类分析。通过基于规则的自然语言处理，SAS可以有效地对消息进行分级和分类。

05

Hootsuit Insight

Hootsuit Insight可以分析评论、帖子、论坛、新闻站点以及超过50种语言的上千万种其他来源。除此之外，它还可以按性别和位置对数据进行分类，使用户可以制定针对特定群体的战略营销计划。你还可以访问实时数据并检查在线对话。

第五部分、数据库

01

Oracle



毫无疑问，Oracle是开源数据库中的佼佼者，功能丰富，支持不同平台的集成，是企业的最佳选择。并且，Oracle可以在AWS中轻松设置，是关系型数据库的可靠选择。除此之外，Oracle集成信用卡等私人数据的高安全性是其他软件难以匹敌的。

02

PostgreSQL

PostgreSQL超越了Oracle、MySQL和Microsoft SQL Server，成为第四大最受欢迎的数据库。凭借其坚如磐石的稳定性，它可以处理大量数据。

03

Airtable

Airtable是基于云端的数据库软件，善于捕获和显示数据表中的信息。Airtable提供一系列入门模板，例如：潜在客户管理、错误跟踪和申请人跟踪等，使用户可以轻松进行操作。

04

MariaDB

MariaDB是一个免费的开源数据库，用于数据存储、插入、修改和检索。此外，Maria提供强大的社区支持，用户可以在这里分享信息和知识。

05

Improvado

Improvado是一种供营销人员使用自动化仪表板和报告将所有数据实时地显示在一个地方的工具。作为营销和分析领导者，如果你希望在一个地方查看所有营销平台收集的数据，那么Inprovado对你再合适不过了。你可以选择在Improvado仪表板中查看数据，也可以将其通过管道传输到你选择的数据仓库或可视化工具中，例如Tableau、Looker、Excel等。品牌，代理商和大学往往都喜欢使用Improvado，以大大节省人工报告时间和营销花费。

情感分析（Sentiment Analysis）

第一步，就是确定一个词是积极还是消极，是主观还是客观。这一步主要依靠词典。

英文已经有伟大词典资源：SentiWordNet 无论积极消极、主观客观，还有词语的情感强度值都一并拿下。

但在中文领域，判断积极和消极已经有不少词典资源，如Hownet，NTUSD但用过这些词典就知道，效果实在是不咋滴（最近还发现了大连理工发布的情感词汇本体库，不过没用过，不好评价）。中文这方面的开源真心不够英文的做得细致有效。而中文识别主客观，那真的是不能直视。

中文领域难度在于：词典资源质量不高，不细致。另外缺乏主客观词典。

第二步，就是识别一个句子是积极还是消极，是主观还是客观。

有词典的时候，好办。直接去匹配看一个句子有什么词典里面的词，然后加总就可以计算出句子的情感分值。

但由于不同领域有不同的情感词，比如看上面的例子，“蓝屏”这个词一般不会出现在情感词典之中，但这个词明显表达了不满的情绪。因此需要另外根据具体领域构建针对性的情感词典。

如果不那么麻烦，就可以用有监督的机器学习方法。把一堆评论扔到一个算法里面训练，训练得到分类器之后就可以把评论分成积极消极、主观客观了。

分成积极和消极也好办，还是上面那个例子。5颗星的评论一般来说是积极的，1到2颗星的评论一般是消极的，这样就可以不用人工标注，直接进行训练。但主客观就不行了，一般主客观还是需要人来判断。加上中文主客观词典不给力，这就让机器学习判断主客观更为困难。

中文领域的难度：还是词典太差。还有就是用机器学习方法判断主客观非常麻烦，一般需要人工标注。

另外中文也有找到过资源，比如这个用Python编写的类库：SnowNLP 就可以计算一句话的积极和消极情感值。但我没用过，具体效果不清楚。

到了第三步，情感挖掘就升级到意见挖掘（Opinion Mining）了。

这一步需要从评论中找出产品的属性。拿手机来说，屏幕、电池、售后等都是它的属性。到这一步就要看评论是如何评价这些属性的。比如说“屏幕不错”，这就是积极的。“电池一天都不够就用完了，坑爹啊”，这就是消极的，而且强度很大。

这就需要在情感分析的基础上，先挖掘出产品的属性，再分析对应属性的情感。

分析完每一条评论的所有属性的情感后，就可以汇总起来，形成消费者对一款产品各个部分的评价。

接下来还可以对比不同产品的评价，并且可视化出来。如图。

这一步的主要在于准确挖掘产品属性（一般用关联规则），并准确分析对应的情感倾向和情感强度。因此这需要情感分析作为基础。首先要找到评论里面的主观句子，再找主观句子里的产品属性，再计算属性对应的情感分。所以前面基础不牢固，后面要准确分析就有难度。

中文这个领域的研究其实很完善了，技术也很成熟。但需要完善前期情感分析的准确度。

总的来说，就是中文词典资源不好，工作做得不是很细很准。前期的一些基础不牢固，后面要得到准确的分析效果就不容易了。

新闻情感分析它是新闻内容评论及转发的情感分析的集合，因为每一起舆情事件的信息类型都是由原贴、转发以及评论构成。

那么当网络上有与己相关的舆情事件发生，或想要关注的舆情事件发生时，我们应该如何掌握其情感倾向或各情绪的占比情况，以评估事态影响，采取针对性的应对措施呢？

新闻情感分析解决方法

在这里以新闻情感分析工具-识微商情为例，看其如何助力新闻情感分析工作开展：

1舆情数据收集：可根据用户需求，自动对全网的舆情数据进行采集，释放人力，关注信息一目了然。

2语义分析：这就包括原贴、转发以及评论，用户也可以自定义筛选某一信息类型。通过监测关于某一个特定主题的正负面中立意见，可自动识别文本中各种情感是如何表达的，然后通过内置的告警通知，向舆情接收者发出通知（用户可自定义舆情预警接收方式，如微信、短信、邮件、客户端、人工客服等）。

3全面综合分析：除新闻情感分析之外，还能实时追踪已订阅主题的发展变化趋势，分析舆情事件在各生命周期阶段的热点话题，挖掘舆情事件在演化过程中的传播网站、传播媒体、关键传播节点以及传播溯源、同步生成可视化的分析图表和报告等，便于对网络舆情事件的发展变化趋势做出有效的预测，为舆情应对、引导以及工作总结提供助力。