APP推广合作
联系“鸟哥笔记小乔”
有全量大数据了,还要用估算、抽样吗?
2020-09-27 20:00:00

这是我的第59篇原创

统计学是一个用数学研究现实世界的学科,研究的手段就是搜索、整理、分析、描述数据等手段。你看,跟数据分析师的工作是不是很像啊?

统计学家是一个很有意思的职业,早期的统计学家大量的工作都花在了数据搜集和整理上了。

比如现在数理统计的奠基人英国数学和统计学家费希尔,长期在农业试验站搞生物实验,其实就是种地去了

他们研究的目标都是很实用的问题。你看很多名词就知道了,什么假设检验、幸存者偏差、遗传算法、期望、生命表、鱼塘抽样、双盲测试等等,一看就明白研究的是啥。


这几年大数据火的不行不行的。很多人对大数据的理解是我们拥有全量数据了,可以不用做估算了,也不用做抽样统计了。咱先不对这个说法做任何评判,先看几个统计学家捞鱼的故事,之后你就会对这个问题有更进一步的理解了。

怎么知道池塘有多少条鱼?

你在老家承包了一个大池塘,但是你不知道里面有多少条鱼,这没法进行管理啊,这可咋办?

数鱼跟数羊不一样,数羊可以通过围栏来清点,数过的在一边,没数过的在另一边。但是鱼是会游来游去的,而且会上下左右乱游,这可没法精确清点。怎么办呢?

统计学家数数,统共分两步

1、先随便捞一批鱼(比如10网,共1000条),打上标记,放池塘;

2、过一阵,再随便捞一批鱼(共800条),数一下有标记的占多少(比如有16条)。

这样就能估算出来了:

  • 1000条鱼与池塘总鱼数X的关系是1000:X

  • 有标记的鱼与样本量的关系是16:800。

因为两次都是随机捞的,这两次随机的概率分布基本是一致的。所以可以用一次的抽样的分布当做概率,然后推算总量

1000:X=16:800,X=50000条,鱼塘大概有5万条鱼。


这就是抽样概率的实际应用-总量估算,这招在很多需要总量估计的地方都能用到。

怎样保证每一条鱼都同样幸运?

突然有一天,上帝给你一个任务:需要从池塘中挑选100条鱼进入天堂,你必须要保证公平。上帝在给你任务的时候,却忘了给你对应的能力。这可该咋办啊?

没关系,统计学家来帮你。

你同样不知道这个池塘有多少条鱼,因此保证每一条鱼都有公平的被选入的机会,就是一个非常困难的事情了。不过统计学家早已研究过了:

1、先捞100条鱼,放在备选筐中;

2、然后不断的捞鱼,拿其中一只过来,给他摇奖,号箱里是1-101号,如果摇的号在1-100之间,就入选,并从备选筐中随便捞一条鱼做好标记扔回去,否则把刚捞出来的鱼好标记扔回去。然后以后只捞没有标记的鱼就能达成公平的要求了。

3、继续重复第二个步骤,捞没有标记的鱼。每多一条鱼,就往号箱里加一个数,摇中了就放备选筐,没摇中就做标记扔回池塘里。比如捞了一上午了,捞出了第10000只鱼,这时候号箱里有10000个号,这时候给鱼摇奖,摇到1-100号,就留下,否则就打标记扔回去。


这就是传说中的“水塘采样/抽样”。有人说,这跟大数据有啥关系啊?这个可太有关系了!

水塘采样的大数据应用

水塘采样可以解决在总量未知的情况下进行同等概率的采样,而以下场景正好需要一种方法解决这个问题:

1、在内存不够大的时候,对全量数据进行随机采样;

    这个应用场景是解决数据倾斜。我们需要对全量样本进行采样,得知数据的分布,然后根据数据分布进行分区,这样,每个节点分到的数据基本上是均匀的,也就解决了数据倾斜的问题。

2、在数据流中,对全量数据进行随机采样;

    这个应用场景是实时数据处理,在流数据过来的时候,数据总量是不知道的,这时候就得用水塘采样法解决流式数据随机采样了。在线机器学习就会使用这种方法。

3、在分布式节点数据源进行随机采样。

    这个应用场景是解决分布式数据来源进行随机采样的。比如在机器学习时,需要对全量数据进行随机采样,但是数据是存在很多个节点中的,你如果把所有数据都读取一遍,然后再采样,那简直太慢了。Flink就用了水塘采样,速度又快,又很精准。


结论

另外,我们用的A/B Test和质检也会用到各种抽样哦!听过买桃子的笑话吗?

小明去买桃子,买回来的每个桃子上都被咬了一口,原因是他需要吃一口才能确认桃子甜不甜。

我们买回来的所有产品都有质检这一关的。我们不可能把每一个产品都破坏性质量检验,这跟上面的小明没啥区别。

比如说这个,膨化食品袋中的小东西。这是是用来监测食品袋中是否会混入金属用的。是质检手段之一。厂家有意往产品中随机添加这些测试芯片,然后在出厂前进行芯片回收,用以确定该条产品线是否安全。一旦在出厂前找到了这些芯片,就说明前面的所有金属检测手段都失效了。


所以再有人跟你说:因为大数据的“全量”,所以不需要“抽样”统计时,你就可以随便抛出这几个应用场景打他的脸了。


总结一下,原因有三:

1、大数据的“全量”有个前提,就是你的“全量”真的是全量。而绝大多数情况我们都无法做到真正的全量。

2、并且即便是我们有全量数据了,因为全量数据太多了,为了保证效率,有时候我们也会用抽样;

3、有些事情真的不能全量。比如A/B Test和质检。


这些统计专业知识不是专门研究这些的人,压根就不会这样想,这也是为什么机器学习对数学、统计功底要求高的原因。所以啊,加油吧少年!好好学习,才能涨工资啊

往期精彩回顾





干货 | 架构师的视角看透中台


热文 | 大数据工程师体系职业路径全解


干货 | 什么才叫做懂业务?分析的5个层次


如果你觉得有趣,就请帮忙分享一下
大数据架构师
分享到朋友圈
收藏
收藏
评分

综合评分:

我的评分
Xinstall 15天会员特权
Xinstall是专业的数据分析服务商,帮企业追踪渠道安装来源、裂变拉新统计、广告流量指导等,广泛应用于广告效果统计、APP地推与CPS/CPA归属统计等方面。
20羽毛
立即兑换
一书一课30天会员体验卡
领30天VIP会员,110+门职场大课,250+本精读好书免费学!助你提升职场力!
20羽毛
立即兑换
顺丰同城急送全国通用20元优惠券
顺丰同城急送是顺丰推出的平均1小时送全城的即时快送服务,专业安全,准时送达!
30羽毛
立即兑换
大数据架构师
大数据架构师
发表文章272
历任多家公司大数据总监、大数据架构师,专注于数字化转型领域。
确认要消耗 羽毛购买
有全量大数据了,还要用估算、抽样吗?吗?
考虑一下
很遗憾,羽毛不足
我知道了

我们致力于提供一个高质量内容的交流平台。为落实国家互联网信息办公室“依法管网、依法办网、依法上网”的要求,为完善跟帖评论自律管理,为了保护用户创造的内容、维护开放、真实、专业的平台氛围,我们团队将依据本公约中的条款对注册用户和发布在本平台的内容进行管理。平台鼓励用户创作、发布优质内容,同时也将采取必要措施管理违法、侵权或有其他不良影响的网络信息。


一、根据《网络信息内容生态治理规定》《中华人民共和国未成年人保护法》等法律法规,对以下违法、不良信息或存在危害的行为进行处理。
1. 违反法律法规的信息,主要表现为:
    1)反对宪法所确定的基本原则;
    2)危害国家安全,泄露国家秘密,颠覆国家政权,破坏国家统一,损害国家荣誉和利益;
    3)侮辱、滥用英烈形象,歪曲、丑化、亵渎、否定英雄烈士事迹和精神,以侮辱、诽谤或者其他方式侵害英雄烈士的姓名、肖像、名誉、荣誉;
    4)宣扬恐怖主义、极端主义或者煽动实施恐怖活动、极端主义活动;
    5)煽动民族仇恨、民族歧视,破坏民族团结;
    6)破坏国家宗教政策,宣扬邪教和封建迷信;
    7)散布谣言,扰乱社会秩序,破坏社会稳定;
    8)宣扬淫秽、色情、赌博、暴力、凶杀、恐怖或者教唆犯罪;
    9)煽动非法集会、结社、游行、示威、聚众扰乱社会秩序;
    10)侮辱或者诽谤他人,侵害他人名誉、隐私和其他合法权益;
    11)通过网络以文字、图片、音视频等形式,对未成年人实施侮辱、诽谤、威胁或者恶意损害未成年人形象进行网络欺凌的;
    12)危害未成年人身心健康的;
    13)含有法律、行政法规禁止的其他内容;


2. 不友善:不尊重用户及其所贡献内容的信息或行为。主要表现为:
    1)轻蔑:贬低、轻视他人及其劳动成果;
    2)诽谤:捏造、散布虚假事实,损害他人名誉;
    3)嘲讽:以比喻、夸张、侮辱性的手法对他人或其行为进行揭露或描述,以此来激怒他人;
    4)挑衅:以不友好的方式激怒他人,意图使对方对自己的言论作出回应,蓄意制造事端;
    5)羞辱:贬低他人的能力、行为、生理或身份特征,让对方难堪;
    6)谩骂:以不文明的语言对他人进行负面评价;
    7)歧视:煽动人群歧视、地域歧视等,针对他人的民族、种族、宗教、性取向、性别、年龄、地域、生理特征等身份或者归类的攻击;
    8)威胁:许诺以不良的后果来迫使他人服从自己的意志;


3. 发布垃圾广告信息:以推广曝光为目的,发布影响用户体验、扰乱本网站秩序的内容,或进行相关行为。主要表现为:
    1)多次发布包含售卖产品、提供服务、宣传推广内容的垃圾广告。包括但不限于以下几种形式:
    2)单个帐号多次发布包含垃圾广告的内容;
    3)多个广告帐号互相配合发布、传播包含垃圾广告的内容;
    4)多次发布包含欺骗性外链的内容,如未注明的淘宝客链接、跳转网站等,诱骗用户点击链接
    5)发布大量包含推广链接、产品、品牌等内容获取搜索引擎中的不正当曝光;
    6)购买或出售帐号之间虚假地互动,发布干扰网站秩序的推广内容及相关交易。
    7)发布包含欺骗性的恶意营销内容,如通过伪造经历、冒充他人等方式进行恶意营销;
    8)使用特殊符号、图片等方式规避垃圾广告内容审核的广告内容。


4. 色情低俗信息,主要表现为:
    1)包含自己或他人性经验的细节描述或露骨的感受描述;
    2)涉及色情段子、两性笑话的低俗内容;
    3)配图、头图中包含庸俗或挑逗性图片的内容;
    4)带有性暗示、性挑逗等易使人产生性联想;
    5)展现血腥、惊悚、残忍等致人身心不适;
    6)炒作绯闻、丑闻、劣迹等;
    7)宣扬低俗、庸俗、媚俗内容。


5. 不实信息,主要表现为:
    1)可能存在事实性错误或者造谣等内容;
    2)存在事实夸大、伪造虚假经历等误导他人的内容;
    3)伪造身份、冒充他人,通过头像、用户名等个人信息暗示自己具有特定身份,或与特定机构或个人存在关联。


6. 传播封建迷信,主要表现为:
    1)找人算命、测字、占卜、解梦、化解厄运、使用迷信方式治病;
    2)求推荐算命看相大师;
    3)针对具体风水等问题进行求助或咨询;
    4)问自己或他人的八字、六爻、星盘、手相、面相、五行缺失,包括通过占卜方法问婚姻、前程、运势,东西宠物丢了能不能找回、取名改名等;


7. 文章标题党,主要表现为:
    1)以各种夸张、猎奇、不合常理的表现手法等行为来诱导用户;
    2)内容与标题之间存在严重不实或者原意扭曲;
    3)使用夸张标题,内容与标题严重不符的。


8.「饭圈」乱象行为,主要表现为:
    1)诱导未成年人应援集资、高额消费、投票打榜
    2)粉丝互撕谩骂、拉踩引战、造谣攻击、人肉搜索、侵犯隐私
    3)鼓动「饭圈」粉丝攀比炫富、奢靡享乐等行为
    4)以号召粉丝、雇用网络水军、「养号」形式刷量控评等行为
    5)通过「蹭热点」、制造话题等形式干扰舆论,影响传播秩序


9. 其他危害行为或内容,主要表现为:
    1)可能引发未成年人模仿不安全行为和违反社会公德行为、诱导未成年人不良嗜好影响未成年人身心健康的;
    2)不当评述自然灾害、重大事故等灾难的;
    3)美化、粉饰侵略战争行为的;
    4)法律、行政法规禁止,或可能对网络生态造成不良影响的其他内容。


二、违规处罚
本网站通过主动发现和接受用户举报两种方式收集违规行为信息。所有有意的降低内容质量、伤害平台氛围及欺凌未成年人或危害未成年人身心健康的行为都是不能容忍的。
当一个用户发布违规内容时,本网站将依据相关用户违规情节严重程度,对帐号进行禁言 1 天、7 天、15 天直至永久禁言或封停账号的处罚。当涉及欺凌未成年人、危害未成年人身心健康、通过作弊手段注册、使用帐号,或者滥用多个帐号发布违规内容时,本网站将加重处罚。


三、申诉
随着平台管理经验的不断丰富,本网站出于维护本网站氛围和秩序的目的,将不断完善本公约。
如果本网站用户对本网站基于本公约规定做出的处理有异议,可以通过「建议反馈」功能向本网站进行反馈。
(规则的最终解释权归属本网站所有)

我知道了
恭喜你~答对了
+5羽毛
下一次认真读哦
成功推荐给其他人
+ 10羽毛
评论成功且进入审核!审核通过后,您将获得10羽毛的奖励。分享本文章给好友阅读最高再得15羽毛~
(羽毛可至 "羽毛精选" 兑换礼品)
好友微信扫一扫
复制链接