一、公共事业管理运用了哪些大数据的采集方法？

大数据的采集方法

1）数据库采集

Redis、MongoDB和HBase等NoSQL数据库常用于数据的采集。企业通过在采集端部署大量数据库，并在这些数据库之间进行负载均衡和分片，来完成大数据采集工作。

2）系统日志采集

系统日志采集主要是手机公司业务平台日常产生的大量日志数据，供离线和在线的大数据分析系统使用。高可用性、高可靠性、可扩展性是日志收集系统所具有的基本特征。系统日志采集工具均采用分布式架构，能够满足每秒数百MB的日志数据采集和传输需求。

3）网络数据采集

网络数据采集是指通过网络爬虫或网站公开API等方式从网站上获取数据信息的过程。

4）感知设备数据采集

感知设备数据采集是指通过传感器、摄像头和其他智能终端自动采集信号、图片或录像来获取数据。

二、应该如何用大数据思维指导自己的实践？

（1）全样思维

抽样又称取样，是从欲研究的全部样品中抽取一部分样品单位。其基本要求是要保证所抽取的样品单位对全部样品具有充分的代表性。抽样的目的是从被抽取样品单位的分析、研究结果来估计和推断全部样品特性，是科学实验、质量检验、社会调查普遍采用的一种经济有效的工作和研究方法。

（2）容错思维

前面已经提到，在小数据年代，我们习惯了抽样。由于抽样从理论上讲结论就是不稳定的。一般来说，全样的样本数量比抽样样本数量的很多倍，因此抽样的一丁点错误，就容易导致结论的“失之毫厘谬以千里”。为保证抽样得出的结论相对靠谱，人们对抽样的数据精益求精，容不得半点差错。

（3）相关思维

在小数据的年代，大家总是相信因果关系，而不认可其他关系。在历史长河中，佛教在中国信徒众多，其宣扬的也是一种因果报应。因果报应是宗教中关于因果关系的最高阐述。

三、苏康码大数据是根据什么采集的？

苏康码大数据是根据多项服务信息采集的

苏康码目前是优化融合了行程信息、核酸检测结果、当前时间等多项服务信息。为方便快速找到健康码，可将健康码添加到支付宝首页，可快速打开核验。只需点击首页九宫格的“更多”，点击“编辑”，找到健康码后点击右上角“+”号，即可添加到首页。

四、为什么喜欢大数据采集？

大数据时代必然来临，因为大数据可以代替人工数据，一切的信息都可以变成数字，从这些数字中找到你想要的东西，这符合社会的发展规律，人天生是懒惰的，他希望自己有千里眼，坐在办公室就可以掌握天下的讯息，一眼看穿历史，一眼看到千里之外，人总是要想尽办法去扩展自己器官的功能，而大数据采集技术，大数据分析技术正是帮助人们做这些 ，就像工业革命就是让生产线代替人的手，以期做更多产品出来，汽车就是让人的腿走的更远等等。

五、大数据实现价值的四个步骤？

大数据的处理流程可以概括为四步，分别是采集、导入和预处理、统计和分析，最后是数据挖掘。

大数据处理之一：采集

大数据的采集是指利用多个数据库来接收发自客户端（Web、App或者传感器形式等）的数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。

在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时有可能会有成千上万的用户来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间进行负载均衡和分片的确是需要深入的思考和设计。

大数据处理之二：导入/预处理

虽然采集端本身会有很多数据库，但是如果要对这些海量数据进行有效的分析，还是应该将这些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。

导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。

大数据处理之三：统计/分析

统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。

统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。

大数据处理之四：挖掘

与前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数据上面进行基于各种算法的计算，从而起到预测（Predict）的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的Kmeans、用于统计学习的SVM和用于分类的NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并且计算涉及的数据量和计算量都很大，常用数据挖掘算法都以单线程为主。

经过以上四个步骤，大数据的价值真正得到挖掘和实现。