大数据时代，我将大数据分为四个领域：数据科学、网络科学、空间地理科学与可视化技术。近来我专注于空间地理领域，学习POI、Polygon、经纬度、空间匹配算法与可视化，这让我对大数据分析工具有了更系统的思考。
大数据挖掘工具可分为七类：
存储与管理：Hadoop是分布式存储的开源框架，适合企业级应用，但需Java基础；Cloudera是其企业化管理方案；MongoDB适合非结构化数据；Talend主打元数据管理。个人推荐PostgreSQL、MySQL及CSV、JSON、GeoJSON等格式，SQL是必备技能。
数据清洗：OpenRefine专治杂乱数据，社区活跃；DataCleaner可将半结构化数据转为干净数据集。我常用Refine。
数据挖掘：RapidMiner图形化易用；IBM SPSS Modeler适合大企业；KNIME开源且可集成R与Python；Kaggle是全球数据科学竞赛社区。我主要用Modeler和KNIME。
数据分析：Qubole简化云上分析；BigML降低机器学习门槛；Statwing上手快但收费。
数据可视化：Tableau主打商业智能；CartoDB专注地图；Chartio、Plot.ly、Datawrapper各具特色。我推荐百度的ECharts，部分场景用D3.js。
数据集成：Blockspring连接Excel与第三方服务；Pentaho提供零编码集成。
数据语言：R用于统计计算，是数据科学家的必备；Python语法接近英语，广受欢迎。
工具虽多，理解其原理与适用场景，方能游刃有余。
