進入大數據時代，和數據相關的名詞都被人們津津樂道。那數據挖掘、數據分析以及大數據之間有哪些區別呢？數據挖掘是發現信息以及收集數據的過程；數據分析則是將現有數據進行歸納以及分析得出相應結論的過程。而大數據則更加關注數據本身，重要表現就是數據量大，數據的多樣性等等。
首先我們瞭解一下這三個概念分別有哪些具體的含義以及特點。
1、大數據：
指無法一定時間範圍內用常規軟件工具進行捕捉、管理和處理的數據集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。
在維克托·邁爾-舍恩伯格及肯尼斯·庫克耶編寫的《大數據時代》 中大數據指不用隨機分析法(抽樣調查)這樣的捷徑，而採用所有數據進行分析處理。大數據的5V特點：Volume(大量)、Velocity(高速)、Variety(多樣)、Value(價值)、Veracity(真實性) 。
2、數據分析：
是指用適當的統計分析方法對收集來的大量數據進行分析，提取有用信息和形成結論而對數據加以詳細研究和概括總結的過程。這一過程也是質量管理體系的支持過程。在實用中，數據分析可幫助人們作出判斷，以便採取適當行動。
數據分析的數學基礎在20世紀早期就已確立，但直到計算機的出現才使得實際操作成爲可能，並使得數據分析得以推廣。數據分析是數學與計算機科學相結合的產物。
3、數據挖掘：
又譯爲資料探勘、數據採礦。它是數據庫知識發現中的一個步驟。數據挖掘一般是指從大量的數據中通過算法搜索隱藏於其中信息的過程。數據挖掘通常與計算機科學有關，並通過統計、在線分析處理、情報檢索、機器學習、專家系統(依靠過去的經驗法則)和模式識別等諸多方法來實現上述目標。
三者之間的區別
通過以上三個理論概念的瞭解，我們可以發現他們之間的區別。
1、數據挖掘與數據分析師針對所有數據類型而言的，而不是大數據獨有的特性。大數據通過數據挖掘以及數據分析實現其價值。
2、數據挖掘與數據分析是順序性關係，即需要前期通過數據挖掘收集數據以及清晰數據，而後通過數據分析實現數據的最終價值體現。
3、數據分析是大數據的核心，所有數據通過數據分析輸出最終的結論以及對企業發展等發展規劃起到促進作用。
4、大數據更加偏向於理論概念，也是目前創新思維，信息技術以及統計學技術的綜合概述。而數據挖掘與數據分析更偏向於數據的執行過程。
以上就是通過具體的分析得出的數據挖掘、數據分析以及大數據之間的區別。在大數據時代，及時你並不懂技術，無法參與到大數據的實際應用推廣中，至少需要了解懂得相關大數據的一些概念。這樣在企業應用的過程中，會有極大的促進作用。
想要學習大數據，一定要充分掌握大數據的核心技術：Hadoop、Strom、spark等等。Spark是一種與Hadoop像是的開源集羣計算環境。它啓用了內存分佈數據集，除了能夠提供交互式查詢外，它還可以優化迭代工作負載。
1、Spark的核心是什麼?
RDD是Spark的基本抽象,是對分佈式內存的抽象使用，實現了以操作本地集合的方式來操作分佈式數據集的抽象實現。RDD也是Spark非常核心的東西，它表示已被分區，不可變的並能夠被並行操作的數據集合，不同的數據集格式對應不同的RDD實現。
RDD必須是可序列化的。RDD可以cache到內存中，每次對RDD數據集的操作之後的結果，都可以存放到內存中，下一個操作可以直接從內存中輸入，省去了MapReduce大量的磁盤IO操作。這對於迭代運算比較常見的機器學習算法, 交互式數據挖掘來說，效率提升比較大。
2、Spark的適用場景有哪些?
由於RDD的特性，Spark不適用那種異步細粒度更新狀態的應用，例如web服務的存儲或者是增量的web爬蟲和索引。就是對於那種增量修改的應用模型不適合。總的來說Spark的適用面比較廣泛且比較通用。
3、Spark支持的編程語言有哪幾種?
Spark通過與編程語言集成的方式暴露RDD的操作，類似於DryadLINQ和FlumeJava，每個數據集都表示爲RDD對象，對數據集的操作就表示成對RDD對象的操作。Spark主要支持的編程語言是Scala、java、python。
1）Scala。Spark使用Scala開發，默認使用Scala作爲編程語言。編寫Spark程序比編寫Hadoop MapReduce程序要簡單的多，SparK提供了Spark-Shell，可以在Spark-Shell測試程序。
2）Java。Spark支持Java編程，但對於使用Java就沒有了Spark-Shell這樣方便的工具，其它與Scala編程是一樣的，因爲都是JVM上的語言，Scala與Java可以互操作，Java編程接口其實就是對Scala的封裝。
3）Python。現在Spark也提供了Python編程接口，Spark使用py4j來實現python與java的互操作，從而實現使用python編寫Spark程序。Spark也同樣提供了pyspark，一個Spark的python shell，可以以交互式的方式使用Python編寫Spark程序。
相對於MapReduce，Spark憑藉基於內存計算和可以直接讀寫Hadoop上任何格式數據的優勢，進行批處理時更加高效，並有更低的延遲。
以上就是大數據學習中關於spark的學習總結。大數據的學習中核心技術非常多。包含Linux、Zookeeper、Hadoop、Redis、HDFS、MapReduce、Hive、lmpala、Hue、Oozie、Storm、Kafka、Spark、Scala、SparkSQL、Hbase、Flink、機器學習等。正式因爲大數據技術比較複雜所以現在大數據崗位的薪資一直處於非常高的水平。