Hadoop数据倾斜主要体现在以下几个数据特性上：
数据分布不均: 在MapReduce作业执行过程中，如果数据的key分布不均匀，导致大量相同的key被分配到同一个Reducer进行处理，而其他Reducers可能处理的数据量很少，这就形成了数据倾斜。这种不均衡的数据分布会导致处理能力强的节点空闲，而处理数据量大的节点负载过高。
唯一键值集中: 数据倾斜的一种常见情形是，只有极少数的key拥有极多的记录值，即某些特定的key对应的数据量远超平均水平。这可能是因为这些key代表的数据特征在数据集中异常突出，比如某些特定类别、ID或时间段的数据量异常庞大。
大值倾斜: 即使key的分布较为均匀，但如果某些记录的大小远远大于平均值，也会导致处理这些记录的节点负担加重，形成另一种形式的数据倾斜。大记录的处理可能会消耗更多的计算资源和时间，影响整体处理效率。
数据频率倾斜: 指的是某一特定维度或特征的数据频率远高于其他数据，例如某个区域的数据量远大于其他所有区域的总和，这种情况下，负责处理该区域数据的Reducer将面临巨大的数据处理压力。
热点数据: 在特定查询或处理逻辑下，某些key成为热点，被频繁访问或处理，而其他key则相对较少被触及，这也是一种数据倾斜现象。
针对这些数据特性导致的数据倾斜问题，通常需要采取一系列策略进行优化，如增加Combine阶段以局部聚合数据、对倾斜key进行采样或散列前缀处理、调整分区策略等，以达到更均衡的数据分布和提升整体处理效率。
