大数据 分光

一、大数据 分光

`大数据`

`什么是``大数据``？`

``大数据``是指规模大、类型多样的数据集合，这些数据通常难以用传统的数据处理工具进行捕捉、管理和处理。由于数据量的庞大，传统的数据处理技术已经无法胜任，因此``大数据``技术应运而生。`

`为什么重要``大数据``？`

``大数据``具有重要意义，首先是对于企业经营决策的影响。通过分析海量数据，企业能够更好地了解市场趋势、客户需求等信息，从而制定更有效的营销策略。其次``大数据``还在科学研究、医疗保健、金融等领域发挥着重要作用。`

```大数据``与分光技术的结合`

``分光``技术是一种通过光的分光衍射和干涉现象测量物质的特性和结构的方法。与``大数据``结合后，可以实现更精确的数据分析和挖掘，为科学研究和工程领域带来更大的突破。`

```大数据``与分光技术的应用案例`

1. 医疗保健领域：利用``大数据``分析患者的病历数据，结合分光技术对疾病进行更精准的诊断和治疗。

2. 环境监测领域：通过分光技术对大气、水质等环境参数进行监测，结合``大数据``分析，实现对环境污染的及时预警和控制。

3. 材料科学领域：利用分光技术研究材料的结构与性质，通过``大数据``分析挖掘新材料的潜在应用价值。

`结语`

``大数据``和分光技术的结合，将为各个领域带来前所未有的机遇和挑战。随着技术的不断发展和应用的深入，我们相信``大数据``与分光技术的结合将会取得更多的成就，为人类社会的发展进步做出贡献。`

二、4g分光数据是什么？

4g分光数据是指在4G通信业务中，需要传输的数据信息非常多，业务层可以有效提升原来的传输速率，缓解接受数据的延时性；传输层主要是用来引用无源光网络，在OLT和NOU之间实现分光。

分光可以加快数据的传送，以达到网络提速的目的。

三、4g分光数据优缺点？

优点:光纤只有一束光，4g分光能在一束的基础上分出去128个光，然后就是你家里的光纤宽带。

4g分光数据是指在4G通信业务中，需要传输的数据信息非常多，业务层可以有效提升原来的传输速率，缓解接受数据的延时性；传输层主要是用来引用无源光网络，在OLT和NOU之间实现分光。

分光可以加快数据的传送，以达到网络提速的目的。

四、4g分光数据是什么意思？

4G分光数据是指4G网络中用户收发的信号被拆分为多条，并且每条信号都有不同的特征。这些特征可以用来表示所发出的信号的种类，强度，方向等信息。每一条信号都有一个独特的频谱，它可以根据信号的频谱和特征来判断信号的内容。4G分光数据的优势在于，它可以提供更多的信息，允许用户更加准确地识别发出的信号，从而提升通信质量。

五、4g分光数据是否包含物联网？

4g分光数据包含物联网。4g分光数据是指在4G通信业务中，需要传输的数据信息非常多，业务层可以有效提升原来的传输速率，缓解接受数据的延时性；传输层主要是用来引用无源光网络，在OLT和NOU之间实现分光。分光可以加快数据的传送，以达到网络提速的目的。 

六、分光计的应用？

分光计，是使光按波长分散兼供光学测量的仪器。一般由准直管、棱镜台和望远镜3种主要部件构成。可用于测量波长、棱镜角、棱镜材料的折射率和色散率等。

分光计是精确测定光线偏转角的仪器, 也称测角仪。

它是光学实验中常用的的实验仪器。光学中的许多基本量如波长、折射率都可以直接或间接地用光线的偏转角来表示, 因而这些量都可以用分光计来测量。

各种型号的分光计，其光学原理基本相同，主要部件包括望远镜、平行光管、载物台（台上安置分光用的三棱镜或光栅）、刻度盘和游标盘、底座五大部分。

望远镜

望远镜由物镜和目镜组成，物镜和目镜之间有分划板。分划板紧贴一个直角三棱镜，在棱镜的直角面上有一个被光源照亮的小绿十字，其中心位置与分划板刻线的上交点对称。

平行光管

它的作用是产生平行光。管的一端装有一个消色差的复合正透镜, 另一端是装有狭缝的套管。

载物台

载物台是用来放置待测器件的。它的下方有三个螺钉, 形成一个正三角, 用来调节分光元件的方位。

七、分光器数据如何传输？

1：PON基本原理

PON 系统采用WDM（波分复用）技术，使得不同的方向使用不同

波长的光信号，实现单纤双向传输。

为了分离同一根光纤上多个用户的来去方向的信号，采用以下两种复用技术：

下行数据流采用广播技术，实现天然组播。

广播方式：OLT 连续广播发送，ONU 选择性接收。

在ONU 注册成功后分配一个唯一的识别码LLID（Logical Link Identifier 逻辑链路地址）。

ONU 接收数据时，仅接收符合自己识别码的帧或广播帧。

上行数据流采用TDMA 技术，灵活区分不同的ONU 数据。

TDMA 方式：上行通过TDMA（时分复用）的方式传输数据。

任何一个时刻只能有一个ONU 发送上行信号。

各个ONU 发送的上行数据流通过光分路器耦合进共用光纤，

以TDM 方式复合成一个连续的数据流。

每个ONU 由一个TDM 控制器，它与OLT 的定时信息一起控制上行数据包的发送时刻，避免复合时数据发生碰撞和冲突。

2：加上分光器的衰耗后，其光功率仍在正常范围内。

3：参考PON基本原理。

八、什么是网络分光数据？

网络分光数据指的是一种用于异步传输技术（ATM）网络的数据格式，它将原始数据流分割为多个小块，每个小块单独编号。这些小块被发送到网络中的其他节点，以多路复用的方式传输数据，最终结合形成完整的数据包。

九、分光数据什么意思？

分光数据是利用色散现象可以将波长范围很宽的复合光分散开来，成为许多波长范围狭小的“单色光”，这种作用称为“分光”spectrometer 。

分光的装置即成为分光计。

分光数据的作用不仅用于大气污染、气体分析等环境监视器上，而且可以不用三原色的强度比。

而用频率显示图像颜色的定量化，也是利用生物体监视器来检测血液中氧浓度及测定人体胆固醇含量的生物传感器的重要测试基础。

此外，在通讯中，大容量数据传输用到的密集波分复用也需要使用分光技术。

十、分光计实验数据怎么计算？

0°0'6''÷59°57'18'' =6÷(59×60²+57×60+18) =0.0000278=万分之0.278

在数据分析的道路上越走越远

阴差阳错的做了数据分析，而且一开始我还不知道自己在做的是数据分析，看了很多数据分析的书，也走了一些弯路，做了很多实践项目，突然很想把自己作为一个小白的数据分析之路的成长过程写下来。

这个系列写一写从QC里面学到的数据分析方法。

上一节，我们针对QC中的现状调查来简要说了数据分析的方法论，既然要进行现状调查，意思就是对现有的情况做分析，那必然得从现有的数据中找问题，当我们有了一大堆数据，又用了方法论进行了背景分析后，就要开始真正对数据着手了——数据处理，也就是把拿到的原始数据经过一系列加工后变成我们想要的数据。

01

数据处理

首先我们要明确，处理数据可能会占到你数据分析的80%的时间，这意味着你将花大把的时间在理解数据和处理数据上，工欲善其事必先利其器，所以我们要学会一些可以做数据处理的工具，当然这并不是说“术”就一定高于法，要知道，“术”经过密集的培训，人人都可以在短时间内学会，但“法”是要依靠大量的经验积累而成，数据分析行业里总有这么一个说法：三分技术，七分业务，可想而知，对业务规则的理解和对数据分析方法的琢磨是多么的重要。另外，Excel是一个非常适合小白入门的数据分析工具，且Excel已经不能用强大来形容，所以入门数据分析就先好好学一下Excel，是很有必要的。

02

重复数据的处理

对于重复数据的处理当然是删除，但如何找到重复的数据，当然也不是靠数。在excel里变得简单许多，如可以用到countif公式、可以用筛选功能、可以用条件格式，最简单的就是用数据透视表计算某个字段的频次就可以指定是否重复了。

03

缺失值的处理

对于缺失值的处理，我们可以直接想到的就是删除以及用其他值替换，没错，就是这样出来，但是首先我们得要弄清楚，为什么会有缺失，这对我们的行为操作是很深远影响的，举例来说，用户年龄这个字段的缺失，是因为用户没有填而缺失，而有的字段如一些需要公式计算的字段，是因为分母为0了导致的错误运算，还有一些则可能是非人为原因导致的缺失，如数据存储失败、机器故障等。只有在明确了数据是为什么缺失的时候，才可以做到“因材施教”，采取不同的对策。

直接删除。直接删除带有缺失值数据的相关所有字段，那么剩下来的数据就还是完全的，不影响后续的操作，当然缺点是如果缺失数据太大还这样直接删除的话，数据量就会变少，同时也就失去了分析的意义。

对缺失值替换。众数、中位数、平均数、最大值、最小值等都可以用来替换平均值，做法简单，但是当然这是人为替换的，不能代表数据本身的含义。

04

数据抽取

a)       字段合并

说实话，在数据分析里合并字段很少见，通常我们是要把字段拆解成不可再细分的最小字段，因为字段合并非常的好做，但是字段拆解就相对来说困难的多了。

b)      字段分列

字段分列不是很好分，但也不是完全没有方法可寻，excel里有一个数据分列的功能，基本可以实现80%的需求，那还有20%就慢慢结合函数来做吧。

c)       字段匹配

Vlookup是excel一哥的地位有别的函数不服吗。有了vlookup已经可以解决我们多少工作中的难题，节省多少时间，提高多少效率，所以什么text、left、right函数都是闹着玩的，vlookup一定要用的炉火纯青。

05

数据转换

a)       行列转换。即转置。

b)      数据标准化。我们可能要对几个不同单位的字段统一综合分析，可能我们会给他们设置权重最后判断数值的平均得分，那么就需要用到数据标准化。常用的有（0,1）标准化，和z标准化，（0,1）标准化很好理解，就是把值重新锁定在（0,1）之间，当然我们还可以通过对公式的简单变化让值在（-1,0）、（-1,1）之间都是可以的。Z-标准化则更符合正态分布的逻辑。

c)       数据计算。通过对原始数据进行简单的计算，产生更有意义更明确的衍生变量。包括各种Excel的函数，求和、平均啥的这里就不一一列举了，用的比较多的vlookup、count、countif以及函数嵌套可以重点掌握以下，excel里函数嵌套用的惊为天人的话，相信你只用excel就可以做数据挖掘了（手动滑稽一下）。

d)      变量分布转换。原始数据分布偏差太大的，我们会对变量进行取对数、开平方、取指数等操作改善变量的分布。

06

异常值的判断和处理

异常值画个图可以很明显的看出来，通常是出现次数少且偏离数据集太大的值，异常值对于平均值的影响是非常大的，如果保留异常值，可能整体的数据都没法进行分析，但如果直接删掉异常值，又可能错失了一个判别动态的好机会。因此对于异常值可能需要我们辩证地看待。我刚入门数据分析的时候，做了一个案例，我把所有的值都打点在地图上，按某个字段计数，和柱状图一样，值越大，柱状图越高，我发现只有一个地方的柱状图异常的高，而其他点因为这个异常值的影响，已经看不出来有什么区别了，但是只要我把这个异常值给删掉，整个图就又变得一片光明了，趋势差异呈现的非常明显，当时我还不懂这个叫做异常值，我的老大给我讲解了一通以后，我变得豁然开朗，且当时按个异常值后来被发现是受设备影响导致的。

先到这里，后续再补充更新吧。

因为最近恰好在了解QC相关的东西，然后发现QC的套路居然能对标数据分析的过程，而且很多数据分析的书里面都有QC的影子，觉得QC实在是一大神奇的操作，于是刚好结合这个契机，来写一写自己对于数据分析的理解，算是总结，也算是学习