linuxinaction

❶ linux下怎麼用tree命令以樹形結構顯示文件目錄結構

選C

tree以圖形顯示驅動器或路徑的文件夾結構。

type 顯示文本文件的內容。

dir 指定要列出的驅動器、目錄和/或文件。

DISPLAY不是dos命令。

❷ linux下怎麼用tree命令以樹形結構顯示文件目錄結構

tim@crunchbang:~$ tree vimwikivimwiki├── diary│ ├── 2015-05-12.wiki│ └── 2015-05-25.wiki├── index.wiki├── learning│ ├── HadoopInAction.wiki│ ├── oracle│ │ ├── install.wiki│ │ └── usage.wiki│ ├── python│ │ └── cmd.wiki│ ├── rest│ │ └── introction.wiki│ └── vimwiki.wiki├── projects│ └── qsboss_cdr└── rest

❸ 英文縮寫「EXT」代表的中文是什麼意思

1、電話號碼中EXT是分機的意思 ；
2、電腦文件的擴展名EXT是一種動畫文件的意思，和GIF類似；
3、電腦系統中EXT是一種強大的js類編程庫,它是專門為Linux設計的，擁有最快的速度和最小的CPU佔用率。
【(3)linuxinaction擴展閱讀】：
1、英文縮寫「EXT」代表的中文：
EXT abbr. 擴展（extension）；外部（exterior）；額外的（extra）；提取（extract）。
2、ext 網路：外部(external)；分機；外觸發(external trigger)
（1）、After reading the first few lines of the proposed table of contents, it was clear to me that this book was not an "Ext JS in Action" .
在閱讀了提案內容表格的前幾行之後，我就意識到這本書不是「ExtJSinAction」。
（2）、InfoQ: In your book you describe several components that you get out of the box, when using Ext JS. Is it easy to extend those?
InfoQ：在書中，你描述了使用ExtJS時框架之外的若干組件，易於擴展嗎？
（3）、As I mentioned, one of the minor roadblocks I had to deal with when first startingwith Ext JS was the learning curve and where to begin.
如上所述，當我開始學習ExtJS時，遇到的第一個小障礙就是學習曲線和從何處開始。

❹ 《LinuxinAction》pdf下載在線閱讀全文，求百度網盤雲資源

《Linux in Action》（David Clinton）電子書網盤下載免費在線閱讀

鏈接: https://pan..com/s/1yC7XTypl6QAu8q1ZRoDzJw

書名：Linux in Action

作者：David Clinton

出版社：Manning Publications

出版年份：2018-10-2

頁數：384

❺ linux下怎麼用tree命令以樹形結構顯示文件目錄結構

tim@crunchbang:~$treevimwiki
vimwiki
├──diary
│├──2015-05-12.wiki
│└──2015-05-25.wiki
├──index.wiki
├──learning
│├──HadoopInAction.wiki
│├──oracle
││├──install.wiki
││└──usage.wiki
│├──python
││└──cmd.wiki
│├──rest
││└──introction.wiki
│└──vimwiki.wiki
├──projects
│└──qsboss_cdr
└──rest

❻ 我要學什麽c語言系類

【牢記24條】

1.不要看到別人的回復第一句話就說：給個代碼吧！你應該想想為什麼。當你自己想出來再參考別人的提示，你就知道自己和別人思路的差異。

2.初學者請不要看太多太多的書那會誤人子弟的，先找本系統的學，很多人用了很久都是只對部分功能熟悉而已，不系統還是不夠的。

3.看幫助,不要因為很難而自己是初學者所以就不看；幫助永遠是最好的參考手冊，雖然幫助的文字有時候很難看懂，總覺得不夠直觀。

4.不要被對象、屬性、方法等詞彙所迷惑；最根本的是先了解最基礎知識。

5.不要放過任何一個看上去很簡單的小問題--他們往往並不那麼簡單，或者可以引伸出很多知識點；不會舉一反三你就永遠學不會。

6.知道一點東西，並不能說明你會寫c++，是需要經驗積累的。

7.學c++並不難，--難的是長期堅持實踐和不遺餘力的博覽群書；

8.看再多的書是學不全c++，要多實踐。

9.把時髦的技術掛在嘴邊，還不如把過時的技術記在心裡；

10.學習c++最好的方法之一就是多練習；

11.在任何時刻都不要認為自己手中的書已經足夠了；

12.看得懂的書，請仔細看；看不懂的書，請硬著頭皮看；

13.別指望看第一遍書就能記住和掌握什麼——請看第二遍、第三遍；

14.請把書上的例子親手到電腦上實踐，即使配套光碟中有源文件；

15.把在書中看到的有意義的例子擴充；並將其切實的運用到自己的工作中；

16.不要漏掉書中任何一個練習——請全部做完並記錄下思路；

17.當你用腳本到一半卻發現自己用的方法很拙劣時，請不要馬上停手；請盡快將餘下的部分粗略的完成以保證這個代碼的完整性，然後分析自己的錯誤並重新編寫和工作。

18.別心急，寫腳本確實不容易；水平是在不斷的實踐中完善和發展的；

19.每學到一個腳本難點的時候，嘗試著對別人講解這個知識點並讓他理解----你能講清楚才說明你真的理解了；

20.記錄下在和別人交流時發現的自己忽視或不理解的知識點；

21.保存好你做過的所有的源文件----那是你最好的積累之一；

22.對於網路，還是希望大家能多利用一下，很多問題不是非要到論壇來問的，首先你要學會自己找答案，比如google、網路都是很好的搜索引擎，你只要輸入關鍵字就能找到很多相關資料，別老是等待別人給你希望，看的出你平時一定也很懶！

23，到一個論壇，你學會去看以前的帖子，不要什麼都不看就發帖子問，也許你的問題早就有人問過了，你再問，別人已經不想再重復了，做為初學者，誰也不希望自己的帖子沒人回的。

24，雖然不是打擊初學者，但是這句話還是要說：論壇論壇，就是大家討論的地方，如果你總期望有高手總無償指點你，除非他是你親戚！！討論者，起碼是水平相當的才有討論的說法，如果水平真差距太遠了，連基本操作都需要別人給解答，誰還跟你討論呢。能找到很多相關資料，別老是等待別人給你希望，看的出你平時一定也很懶！

浮躁的人容易問：我到底該學什麼；----別問，學就對了；
浮躁的人容易問：c++有錢途嗎；----建議你去搶銀行；
浮躁的人容易說：我要中文版！我英文不行！----不行？學呀！
浮躁的人分兩種：只觀望而不學的人；只學而不堅持的人；
浮躁的人永遠不是一個高手。

十部演算法經典著作 合集
http://www.codeguru.cn/cpp/10book
二級試題全集
http://www.codeguru.cn/cpp/2JiCShiTiJi
高質量C++/C編程指南
http://www.codeguru.cn/cpp/AdvanceC++-CProgramGuide
應用C++技術構建優質軟體
http://www.codeguru.cn/cpp/AppliedCpp
ASCII碼表
http://www.codeguru.cn/cpp/ASCII
C\C++語言程序百例
http://www.codeguru.cn/cpp/C&&C++YuanYanChenXuBaili
C++編碼規范與指導
http://www.codeguru.cn/cpp/C++CodingGuide
C++PrimerPlus4th
http://www.codeguru.cn/cpp/C++PrimerPlus4th
C++語言程序設計課件(作者：鄭莉)
http://www.codeguru.cn/cpp/C++ProgramingZhengLi
C++語言程序設計
http://www.codeguru.cn/cpp/C++YuYanChengXuSheJi
C語言函數示例集
http://www.codeguru.cn/cpp/CFunctionExamples
C高級編程技術
http://www.codeguru.cn/cpp/CGaoJiBianCheng
C語言技術文章
http://www.codeguru.cn/cpp/CLanguageArticle
C++疑難解答
http://www.codeguru.cn/cpp/CppAQ
C++實踐之路
http://www.codeguru.cn/cpp/CppInAction
C++應用程序例解
http://www.codeguru.cn/cpp/CppProgramLiJie
C++參考
http://www.codeguru.cn/cpp/cppreference
CPrimerPlus5thEdition習題答案
http://www.codeguru.cn/cpp/CPrimerPlus5thEditionAnswer
C語言編程寶典之一
http://www.codeguru.cn/cpp/Cprogramdict
C語言參考手冊
http://www.codeguru.cn/cpp/Creference
C語言學習和精華文摘
http://www.codeguru.cn/cpp/CStudyAndArticle
數據訪問模式
http://www.codeguru.cn/cpp/DataAccessPatterns
數據結構與演算法綜合資料庫
http://www.codeguru.cn/cpp/DataStructsLibrary
數據結構-嚴蔚敏
http://www.codeguru.cn/cpp/DataStructYanWeiMin
Effective C++
http://www.codeguru.cn/cpp/EffectiveCpp
GenericProgramming
http://www.codeguru.cn/cpp/GenericProgramming
設計模式迷你手冊
http://www.codeguru.cn/cpp/MiniDesignPattern
經典排序演算法
http://www.codeguru.cn/cpp/SortingAlgorithms
譚浩強C語言
http://www.codeguru.cn/cpp/TanHaoQiangC
TheC++ProgrammingLanguage3rdEd
http://www.codeguru.cn/cpp/TheC++ProgrammingLanguage3rdEd
TheCprogrammingLanguage
http://www.codeguru.cn/cpp/TheCprogrammingLanguage
TurboC2.0集成開發環境的使用
http://www.codeguru.cn/cpp/TurboC2ShiYong
用VC開發ACTIVEX
http://www.codeguru.cn/VC&MFC/ActiveXProgramingWithVC
用DirctX9進行高級3D游戲程序設計
http://www.codeguru.cn/VC&MFC/
APracticalGuideUsingVisual C++andATL
http://www.codeguru.cn/VC&MFC/
21天學會VC資料庫編程
http://www.codeguru.cn/VC&MFC/
STL輕松入門
http://www.codeguru.cn/VC&MFC/EasySTL
InsideAtl
http://www.codeguru.cn/VC&MFC/InsideAtl
COM+組件服務技術內幕
http://www.codeguru.cn/VC&MFC/InsideCOM+
MFC參考手冊
http://www.codeguru.cn/VC&MFC/MFCReference
Windows網路編程技術
http://www.codeguru.cn/VC&MFC/
OGRE手冊
http://www.codeguru.cn/VC&MFC/OGREManual
OpenGL基礎圖形編程
http://www.codeguru.cn/VC&MFC/OpenGLJiChuTuXingBianCheng
MFC程序設計
http://www.codeguru.cn/VC&MFC/progmfc2
VC技術內幕
http://www.codeguru.cn/VC&MFC/ProgramingVC
Windows核心編程
http://www.codeguru.cn/VC&MFC/
21天學會ActiveX編程
http://www.codeguru.cn/VC&MFC/TeachYourselfActivexIn21Days
游戲編程大師技巧(第二版)
http://www.codeguru.cn/VC&MFC/
VC編程經驗總結
http://www.codeguru.cn/VC&MFC/VCBianChengJianYanZongJie
VC編程資料
http://www.codeguru.cn/VC&MFC/VCBianChengZiliao
VC常見問題集（中文）
http://www.codeguru.cn/VC&MFC/VCFaqsCN
VC高級編程
http://www.codeguru.cn/VC&MFC/VCGaoJiBianCheng
vchome圖形圖像編程技術篇
http://www.codeguru.cn/VC&MFC/vchomeGraph
VC知識庫
http://www.codeguru.cn/VC&MFC/vckbase
VC語言參考手冊
http://www.codeguru.cn/VC&MFC/VCLANG
vc++ 編程指南
http://www.codeguru.cn/VC&MFC/VCProgramGuide
Windows程序設計
http://www.codeguru.cn/VC&MFC/WindowsProgramming
Winsock程序員疑難解答
http://www.codeguru.cn/VC&MFC/WinsockProgrammerFAQ
Microsoft編程精粹
http://www.codeguru.cn/VC&MFC/WritingCleanCode

❼ 學電腦程序入門

我是計算機專業今年大四，說說我的感受，給你一個參考！ 一年級剛接觸電腦，高數、大物、英語、、、、草草應付了事。熟悉拉電腦的界面 ，游戲，打字，還有一些小軟體。 二年級學離散數學，線性代數，概率統計，數據結構，數字電路，模擬電路、、、、也不認為他很重要，應付過拉。精通拉玩游戲，會用裝機，包括拆裝電腦，裝卸系統，這時候應該可以做一個網吧小網管拉。 三年級學操作系統，編譯原理，計算機組成原理，資料庫，計算機網路，c++、、，想要學突然發現自己帶先學會，一二年級學的才行。會用VC遍個小程序。能做個小網站，自己弄拉個LINUX玩拉倆月。還用網上的服務端作拉個MU私服。 到拉四年級，學介面，學JAVA，學UML，學信號。要做一個系統的時候才發現我TMD以前學的才算是個入門，而我連門都沒入好~~！！！英語我過拉四級但是用在計算機上還是太嫩！數學才編程的靈魂！！ 要學好計算機很難，先把英語，數學搞定！！我的建議 要會用計算機就很簡單拉，跟著興趣來，多逛逛計算機論壇，你會有很大收獲的

❽ 怎樣進行大數據的入門級學習

怎樣進行大數據的入門級學習？

文 | 郭小賢

數據科學並沒有一個獨立的學科體系，統計學，機器學習，數據挖掘，資料庫，分布式計算，雲計算，信息可視化等技術或方法來對付數據。

但從狹義上來看，我認為數據科學就是解決三個問題：

1. datapre-processing；(數據預處理）

2. datainterpretation；（數據解讀）

3.datamodeling and analysis.（數據建模與分析）

這也就是我們做數據工作的三個大步驟：

1、原始數據要經過一連串收集、提取、清洗、整理等等的預處理過程，才能形成高質量的數據；

2、我們想看看數據「長什麼樣」，有什麼特點和規律；

3、按照自己的需要，比如要對數據貼標簽分類，或者預測，或者想要從大量復雜的數據中提取有價值的且不易發現的信息，都要對數據建模，得到output。

這三個步驟未必嚴謹，每個大步驟下面可能依問題的不同也會有不同的小步驟，但按我這幾年的經驗來看，按照這個大思路走，數據一般不會做跑偏。

這樣看來，數據科學其實就是門復合型的技術，既然是技術就從編程語言談起吧，為了簡練，只說說R和Python。但既然是薦數據科學方面的書，我這里就不提R/Python編程基礎之類的書了，直接上跟數據科學相關的。

R programming

如果只是想初步了解一下R語言已經R在數據分析方面的應用，那不妨就看看這兩本：

R inaction：我的R語言大數據101。其實對於一個沒有任何編程基礎的人來說，一開始就學這本書，學習曲線可能會比較陡峭。但如果配合上一些輔助材料，如官方發布的R basics（http：//cran.r-project.org/doc/contrib/usingR.pdf），stackoverflow上有tag-R的問題集（Newest 『r』 Questions），遇到復雜的問題可在上面搜索，總會找到解決方案的。這樣一來，用這本書拿來入門學習也問題不大。而且這本書作者寫得也比較輕松，緊貼實戰。

Dataanalysis and graphics using R：使用R語言做數據分析的入門書。這本書的特點也是緊貼實戰，沒有過多地講解統計學理論，所以喜歡通過情境應用來學習的人應該會喜歡這本入門書。而且這本書可讀性比較強，也就是說哪怕你手頭沒電腦寫不了代碼，有事沒事拿出這本書翻一翻，也能讀得進去。

但如果你先用R來從事實實在在的數據工作，那麼上面兩本恐怕不夠，還需要這些：

Modernapplied statistics with S：這本書里統計學的理論就講得比較多了，好處就是你可以用一本書既復習了統計學，又學了R語言。（S/Splus和R的關系就類似於Unix和Linux，所以用S教程學習R，一點問題都沒有）

Datamanipulation with R：這本書實務性很強，它教給你怎麼從不同格式的原始數據文件里讀取、清洗、轉換、整合成高質量的數據。當然和任何一本注重實戰的書一樣，本書也有豐富的真實數據或模擬數據供你練習。對於真正從事數據處理工作的人來說，這本書的內容非常重要，因為對於任何研究，一項熟練的數據預處理技能可以幫你節省大量的時間和精力。否則，你的研究總是要等待你的數據。

RGraphics Cookbook：想用R做可視化，就用這本書吧。150多個recipes，足以幫你應付絕大多數類型的數據。以我現在極業余的可視化操作水平來看，R是最容易做出最漂亮的圖表的工具了。

Anintroction to statistical learning with application in R：這本書算是著名的the element of statistical learning的姊妹篇，後者更注重統計（機器）學習的模型和演算法，而前者所涉及的模型和演算法原沒有後者全面或深入，但卻是用R來學習和應用機器學習的很好的入口。

Ahandbook of statistical analysis using R：這本書內容同樣非常扎實，很多統計學的學生就是用這本書來學慣用R來進行統計建模的。

Python

Think Python，ThinkStats，Think Bayes：這是AllenB. Downey寫的著名的Think X series三大卷。其實是三本精緻的小冊子，如果想快速地掌握Python在統計方面的操作，好好閱讀這三本書，認真做習題，答案鏈接在書里有。這三本書學通了，就可以上手用Python進行基本的統計建模了。

PythonFor Data Analysis： 作者是pandas的主要開發者，也正是Pandas使Python能夠像R一樣擁有dataframe的功能，能夠處理結構比較復雜的數據。這本書其實analysis講得不多，說成數據處理應該更合適。掌握了這本書，處理各種糟心的數據就問題不大了。

Introctionto Python for Econometrics， Statistics and DataAnalysis：這本書第一章就告訴你要安裝Numpy， Scipy， Matplotlib， Pandas， IPython等等。然後接下來的十好幾章就是逐一介紹這幾個庫該怎麼用。很全面，但讀起來比較枯燥，可以用來當工具書。

PracticalData Analysis： 這本書挺奇葩，貌似很暢銷，但作者把內容安排得東一榔頭西一棒子，什麼都講一點，但一個都沒講透。這本書可以作為我們學習數據分析的一個索引，看到哪塊內容有意思，就順著它這個藤去摸更多的瓜。

PythonData Visualization Cookbook： 用Python做可視化的教材肯定不少，我看過的也就這一本，覺得還不錯。其實這類書差別都不會很大，咬住一本啃下來就是王道。

Exploratory Data Analysis 和 Data Visualization

Exploratory DataAnalysis：John Tukey寫於1977年的經典老教材，是這一領域的開山之作。如今EDA已經是統計學里的重要一支，但當時還是有很多人對他的工作不屑一顧。可他愛數據，堅信數據可以以一種出人意料的方式呈現出來。正是他的努力，讓數據可視化成為一門無比迷人的技術。但這本書不推薦閱讀了，內容略過時。要想完整地了解EDA，推薦下一本：

ExploratoryData Analysis with MATLAB：這本書雖然標題帶了個MATLAB，但實際上內容幾乎沒怎麼講MATLAB，只是每講一個方法的時候就列出對應的MATALB函數。這本書的重要之處在於，這是我讀過的講EDA最系統的一本書，除了對visualization有不輸於John Tucky的講解外，對於高維的數據集，通過怎樣的方法才能讓我們從中找到潛在的pattern，這本書也做了詳盡的講解。全書所以案例都有對應的MATALB代碼，而且還提供了GUI（圖形用戶界面）。所以這本書學起來還是相當輕松愉悅的。

VisualizeThis：中譯本叫「鮮活的數據」，作者是個「超級數據迷」，建立了一個叫http：//flowingdata.com的網頁展示他的數據可視化作品，這本書告訴你該選擇什麼樣的可視化工具，然後告訴你怎樣visualize關系型數據、時間序列、空間數據等，最後你就可以用數據講故事了。如果你只想感受一下數據可視化是個什麼，可以直接點開下面這個鏈接感受下吧！A tour through the visualization zoo（A TourThrough the Visualization Zoo）

Machine Learning & Data Mining

這一塊就不多說了，不是因為它不重要，而是因為它太太太重要。所以這一部分就推兩本書，都是」世界名著「，都比較難讀，需要一點點地啃。這兩本書拿下，基本就算是登堂入室了。其實作為機器學習的延伸和深化，概率圖模型（PGM）和深度學習（deep learning）同樣值得研究，特別是後者現在簡直火得不得了。但PGM偏難，啃K.Daphne那本大作實在太燒腦，也沒必要，而且在數據領域的應用也不算很廣。deep learning目前工業界的步子邁得比學術界的大，各個domain的應用如火如荼，但要有公認的好教材問世則還需時日，所以PGM和deep learning這兩塊就不薦書了。

TheElement of Statistical Learning：要學機器學習，如果讓我只推薦一本書，我就推薦這本巨著。Hastie、Tibshirani、Friedman這三位大牛寫書寫得太用心了，大廈建得夠高夠大，結構也非常嚴謹，而且很有前瞻性，納入了很多前沿的內容，而不僅僅是一部綜述性的教材。（圖表也做得非常漂亮，應該是用R語言的ggplot2做的。）這本書注重講解模型和演算法本身，所以需要具備比較扎實的數理基礎，啃起這本書來才不會太吃力。事實上掌握模型和演算法的原理非常重要。機器學習（統計學習）的庫現在已經非常豐富，即使你沒有完全搞懂某個模型或演算法的原理和過程，只要會用那幾個庫，機器學習也能做得下去。但你會發現你把數據代進去，效果永遠都不好。但是，當你透徹地理解了模型和演算法本身，你再調用那幾個庫的時候，心情是完全不一樣的，效果也不一樣。

DataMining： Concepts and Techniques， by Jiawei Han and Micheline Kamber 數據挖掘的教材汗牛充棟，之所以推薦這本韓家煒爺爺的，是因為雖然他這本書的出發點是應用，但原理上的內容也一點沒有落下，內容非常完整。而且緊跟時代，更新的很快，我看過的是第二版，就已經加進去了social network analysis這種當時的前沿內容。現在已經有第三版了，我還沒看過，但應該也加入了不少新內容。其實這本書並不難讀，只是篇幅較長，啃起來比較耗時。

其實這兩本書里單拎出來一塊內容可能又是幾本書的節奏，比如bayesian方法，再拿出兩三本書來講也不為過，我個人用到的比較多，而且也確實有不少好書。但並非是所有data scientist都要用到，所以這一塊就不再細說。

還有一些印象比較深刻的書：

Big DataGlossary： 主要講解大數據處理技術及工具，內容涵蓋了NoSQL，MapRece，Storage，Servers，NLP庫與工具包，機器學習工具包，數據可視化工具包，數據清洗，序列化指南等等。總之，是一本辭典式的大數據入門指導。

Mining ofMassive Datasets：這本書是斯坦福大學Web Mining的講義，裡面很多內容與韓家煒的Data Mining那本書重合，但這本書里詳細地講了MapRece的設計原理，PageRank（Google創業時期的核心排序演算法，現在也在不斷優化更新）講解得也比較詳細。

DevelopingAnalytic Talent： 作者是個從事了十幾年數據工作的geek，技術博客寫得很有個人風格，寫的內容都比較偏門，通常只有具備相關數據處理經驗的人能體會出來，絲毫不照顧初學者的感受。比如他會談到當數據流更新太快時該怎麼辦，或者MapRece在什麼時候不好用的問題，才不管你懂不懂相關基礎原理。所以這本書不太適合初學者閱讀。這本書其實是作者的博客文章的集結，用how to become a data scientist的邏輯把他近幾年的博客文章串聯了起來。

Past， Present and Future of Statistical Science：這本書是由COPSS（統計學社主席委員會，由國際各大統計學會的帶頭人組成）在50周年出版的一本紀念冊，裡面有50位統計學家每人分別貢獻出的一兩篇文章，有的回憶了自己當年如何走上統計學這條路，有的探討了一些統計學的根本問題，有的談了談自己在從事的前沿研究，有的則給年輕一代寫下了寄語。非常有愛的一本書。

其它資料

Harvard Data Science：這是H大的Data science在線課，我沒有修過，但口碑很好。這門課需要費用8千刀左右，比起華盛頓大學的4千刀的Data science在線課雖貴一倍，但比斯坦福的14千刀要便宜將近一半（而且斯坦福的更偏計算機）。如果想自學，早有好心人分享了slides：（https：//drive.google.com/folderview？id=0BxYkKyLxfsNVd0xicUVDS1dIS0k&usp=sharing）和homeworks and solutions： （https：//github.com/cs109/content）

PyData：PyData是來自各個domain的用Python做數據的人每年舉行一次的聚會，期間會有各路牛人舉行一些規模不大的seminar或workshop，有好心人已經把video上傳到github，有興趣的去認領吧（DataTau/datascience-anthology-pydata · GitHub）

工具

R/Python/MATLAB（必備）：如果是做數據分析和模型開發，以我的觀察來看，使用這三種工具的最多。R生來就是一個統計學家開發的軟體，所做的事也自然圍繞統計學展開。MATLAB雖然算不上是個專業的數據分析工具，但因為很多人不是專業做數據的，做數據還是為了自己的domain expertise（特別是科學計算、信號處理等），而MATLAB又是個強大無比的Domain expertise工具，所以很多人也就順帶讓MATLAB也承擔了數據處理的工作，雖然它有時候顯得效率不高。Python雖然不是做數據分析的專業軟體，但作為一個面向對象的高級動態語言，其開源的生態使Python擁有無比豐富的庫，Numpy， Scipy 實現了矩陣運算/科學計算，相當於實現了MATLAB的功能，Pandas又使Python能夠像R一樣處理dataframe，scikit-learn又實現了機器學習。

SQL（必備）：雖然現在人們都說傳統的關系型資料庫如Oracle、MySQL越來越無法適應大數據的發展，但對於很多人來說，他們每天都有處理數據的需要，但可能一輩子都沒機會接觸TB級的數據。不管怎麼說，不論是用關系型還是非關系型資料庫，SQL語言是必須要掌握的技能，用什麼資料庫視具體情況而定。

MongoDB（可選）：目前最受歡迎的非關系型資料庫NoSQL之一，不少人認為MongoDB完全可以取代mySQL。確實MongoDB方便易用，擴展性強，Web2.0時代的必需品。

Hadoop/Spark/Storm（可選）： MapRece是當前最著名也是運用最廣泛的分布式計算框架，由Google建立。Hadoop/Spark/storm都是基於MapRece的框架建立起來的分布式計算系統，要說他們之間的區別就是，Hadoop用硬碟存儲數據，Spark用內存存儲數據，Storm只接受實時數據流而不存儲數據。一言以蔽之，如果數據是離線的，如果數據比較復雜且對處理速度要求一般，就Hadoop，如果要速度，就Spark，如果數據是在線的實時的流數據，就Storm。

OpenRefine（可選）：Google開發的一個易於操作的數據清洗工具，可以實現一些基本的清洗功能。

Tableau（可選）：一個可交互的數據可視化工具，操作簡單，開箱即用。而且圖表都設計得非常漂亮。專業版1999美刀，終身使用。媒體和公關方面用得比較多。

Gephi（可選）：跟Tableau類似，都是那種可交互的可視化工具，不需要編程基礎，生成的圖表在美學和設計上也是花了心血的。更擅長復雜網路的可視化。

來自知乎

以上是小編為大家分享的關於怎樣進行大數據的入門級學習？的相關內容，更多信息可以關注環球青藤分享更多干貨

❾ 《LinuxinAction》pdf下載在線閱讀，求百度網盤雲資源

《Linux in Action》（David Clinton）電子書網盤下載免費在線閱讀

鏈接：https://pan..com/s/18I5mehq8KyXZyVE_dwfChA

書名：Linux in Action

作者：David Clinton

出版社：Manning Publications

出版年份：2018-10-2

頁數：384