【人才论坛】

2017年12月，中共中央政治局就实施国家大数据战略进行第二次集体学习。习近平总书记在主持学习时强调，要运用大数据提升国家治理现代化水平。要建立健全大数据辅助科学决策和社会治理的机制，推进政府管理和社会治理模式创新，实现政府决策科学化、社会治理精准化、公共服务高效化。习近平总书记的重要论述，为大数据应用的落地指明了方向，对我们应用大数据提升人才决策效果具有非常重要的实践指导意义。

用大数据思维模式实现人才决策科学化

正确认识大数据是实现大数据应用的前提。大数据应用不仅仅是对海量规模的数据进行存储、处理和分析，更重要的是采用新的角度去看问题。只有采用新的大数据思维方式、运用大数据技术改进传统的人才决策方式，才有助于形成基于大数据思维的人才决策新范式，实现人才决策科学化。

运用大数据辅助人才决策，是对人才决策方式的巨大变革。长久以来在人才工作中，我们更多根据决策者或者诸如面试专家等人的主观判断而做出各种人才决策，很少对人才决策过程进行量化分析。大数据技术的发展拓展了数据来源，使我们可以对结构化和非结构化的数据进行全面分析，从而实现人才决策的定量化，减少因决策者主观判断可能带来的失误。

用大数据技术进行有针对性的量化人才决策

结合人才管理实际，大数据技术可以在以下环节有效落地：

一、 大数据技术可以通过以下两点提升人才引进决策效果：其一，采用大数据技术发现人才。通过大数据技术构建人才发现平台，纳入符合我国新时代发展需要的高端人才，并实行全面动态管理。比如可以从行业协会、学会公开网站或者国内外著名大学官网搜集相关学者的基本信息及其科研成果、行业评价、科研排名等，丰富完善高级经营管理人才大数据库。采用大数据技术进行人才发现工作，有利于提高人才发现工作效率。

其二，可以采用大数据技术对人才进行全方位评价，作为人才引进决策时的参考。比如，我们可以通过大数据全方位搜集人才的各种常规数据，以及人才在微信、微博或其他社交媒体留下的“痕迹”，形成人才大数据资料库。在此基础上，通过数据分析专家的结构化建模，从而对人才的相关信息进行分析。比如我们可以构建一个基于特定需求的人才分析模型，涵盖人才的专业能力、人才的个人兴趣等。根据这些分析，我们会得到涵盖人才性格倾向、团队合作、人际沟通能力、发展潜力等方面的分析报告。

二、 习近平总书记指出，要“聚天下英才而用之”，可见“聚才”的目的是“用才”。“用才”关键的环节是为人才设定合理的目标、通过考核评价实现人尽其才的目标。大数据辅助人才使用决策集中体现在通过大数据技术对人才使用过程中的数据进行挖掘，适时搜集人才绩效实现过程中的各种数据并进行分析，把人才考核工作常态化、实时化，增强人才考核的科学性。在此方面，一些跨国公司走在了前面。这些公司强调经理和员工之间要进行持续的、高质量的沟通和反馈，有的公司甚至规定直线经理每周都要和员工进行绩效沟通，随时了解绩效进展，员工也可以随时征求直线经理的意见。与传统的事后绩效考核相比较，实时的绩效沟通可以让双方了解绩效实施进展、绩效实施过程中的不足并及时修正错误。

我们在人才考核中也可以借鉴这个做法。利用大数据技术搭建人才绩效考核系统，将人才的日常工作表现纳入考核范畴，实现人才绩效的实时反馈、及时发现绩效问题、提高人才使用效率。

三、 大数据技术可以通过全面收集人才流动信息，及时掌握人才流动数据并对人才流动趋势进行预测，辅助人才决策。从宏观方面来看，运用大数据技术整合不同渠道人才就业数据，可以及时掌握全国人才流动方向、流动的频次、人才流动中的行业转换或职位转换信息，并结合区域经济社会发展态势进行深入分析，预测未来人才流动趋势，提供给政府部门的宏观管理者作为决策参考、引导人才的合理流动。从微观方面来看，人才流动预测有助于微观用人主体防微杜渐、及时了解人才流动的原因，改进用人单位的人才管理。在此方面，一些企业已经开始进行尝试，比如根据对员工性别、年龄、工作年限等方面的数据进行收集和分析，来预测员工的离职倾向，并针对员工离职倾向分析结果及时采取相应的保留措施。微观用人主体的人才流动预测有助于优化人力资源管理效果、降低人力资源成本、强化用人主体在人才争夺战中的竞争优势。

要解决人才数据收集与建立分析模型的问题

要解决如何获取人才大数据的问题。数据收集是进行大数据分析和辅助决策的前提。尽管目前我国很多地方都在搞人才信息系统建设，但是还无法做到全方位记录人才成长全周期的数据，人才信息系统的分析功能还有待加强。另外，不同地区、不同行业的人才系统并未打通，不利于利用大数据技术进行深层次的分析。我们可以通过建立统一的数据收集系统，解决人才数据统计不准确、人才引进需求不明确、人才使用记录不完整等问题。建立全国统一的、共享的人才大数据平台，充分利用大数据技术，盘活人才管理，辅助人才决策。

要解决人才大数据分析指标体系建设问题。大数据及其相关技术的快速发展，为全面系统地通过人才分析辅助人才决策提供了可能。从我国目前人才统计的宏观口径来看，大部分人才统计指标属于静态的、描述性指标，比如对人才规模、素质、结构等的数量描述，缺少对人才使用和管理过程中的场景进行分析的指标以及针对不同区域、不同部门、不同行业的特定的人才分析指标。这种情形下，就无法去收集更详细的人才数据，也谈不上进行深层次的人才大数据分析了。从微观层面看，大部分企事业单位的人才分析指标也没有与人才管理场景相结合，并未形成统一的微观人才分析指标体系。更为重要的是，宏观、微观层面的人才分析指标并不能形成有效对接，极易造成人才统计脱节现象，不利于对人才进行全方位管理和分析。因此，如何构建一整套包含宏观人才规划与微观人才管理的人才分析指标体系，建立适合我国人才工作实践的人才分析学，对大数据辅助人才决策的落地具有很重要的现实意义。

（作者：王军宏，系中国人才研究会工资福利专业委员会理事）

本文作者：郭朝晖@蝈蝈创新随笔

本文是我关于大数据分析方法的几点思考。当初的目的是系统化地看待数据分析。为了这点东西，我花了一个礼拜的时间，思考的结果却是碎片化的。看来，想清楚并不容易。由于时间关系，只能中止。文字描述很不严格、肯定经不起推敲，读者找不毛病是正常的、看不明白更是正常的。不感兴趣的可以当做胡扯。我希望将来有时间时能把问题思考下去。

从数据中发现信息和知识，是人们多年来的梦想。随着大数据理论的兴起，这个话题变得非常热门。在有些人看来，大数据非常神秘，似乎无所不能。当然，现实不会是这样。我想，研究大数据，首先要破除迷信：大数据需要什么条件、什么问题是大数据无法做到的。

1、知识和信息，只能从关联关系中得到

对象（包括过程，如生产过程、购物过程）及其属性、同一对象的属性之间具备关联关系。例如，“张三身高1.8米”就是对象（张三）与属性（身高）的关联；再如，如果我们知道张三体重75公斤，则“1.8米”和“75公斤”之间就因“张三”建立了关联。

关联的对象可能并不确定：我们看到一张履历表，即便隐去名字、不知道这个人是谁，也知道其中的各种信息是与某人关联的。

在数字化的世界里，不和其他的符号（数字）关联的符号（数字）是不包含任何信息的。从不包含信息的素材，得不到包含信息的结论。

有人可能反对这个观点：谷歌曾经用“感冒”的搜索量预报流感啊，这里哪有关联呢？其实，只有搜索“感冒”的数量是根本无法预测流感的。谷歌的做法，是把“感冒”的搜索与搜索的地点、时间联系起来。

这个观点告诉我们：收集数据的时候，要尽可能地把关联关系建立起来；没有关联关系，数据很容易成为垃圾。这种情况并不少见：有些实验室，把针对同一试样的各项实验结果分别保存起来，而没有建立统一的ID、关联关系丢失。这样的数据，再多也没有用处。

2、人们要挖掘的知识和信息，就是找映射关系

知识（或信息）的发现与挖掘，其本质是寻找映射关系：通过已知的、对象的一部分属性，把对象的另外一部分属性或对象本身找出来（或缩小范围）。产生这类问题的原因是：只有一部分属性已知、容易得到、容易识别、容易表述，而另外一部分未知、不容易得到、不容易识别、不容易描述。

例如，我们可以说：张三就是那个穿红衣服的——这里“穿红衣服”比其他特征容易识别。从衣服识别出张三，就是从张三的衣着特征（属性）找到关联对象（张三）的信息；从一个人的身高预估他的体重，就是从一个根据一类属性估计另外一类属性。

我习惯于把信息挖掘和知识发现分开。

在本文中，信息挖掘指的是预测某个特定对象的属性，如上海市的人口是多少；知识发现是确定一类对象的属性之间的关系，如一类人群中身高和体重的关系。当然，这种区分不是绝对的。

3、映射关系的差别

正确的识别，最好的办法是找到好的素材（数据）。素材与结果之间的关联强度是不一样的：有的比较强，是因果关系、必然联系；有的比较弱，是相关关系、偶然联系。

例如，我们可以根据DNA、相貌、衣服来识别一个人。但三者相比，DNA的联系是强的必然性联系、衣服是弱的偶然性联系，相貌是介于两者之间的联系。大数据的一个著名案例，是网站根据客户买的药判断她已怀孕、并推送有关产品：因为这种药只有孕妇才吃，是很强的关联。

从数据得到的知识和信息，往往不是绝对正确。一般来说，可靠的结论基于可靠的数据和可靠的分析方法。数据量大了以后，滤除干扰的可能性增大，从而可以从原来可靠度低的数据中，得到可靠性相对较高的数据。

所以，尽量找到好的素材，是做好分析的第一步。

在很多情况下，我们找不到好的素材。这时，首先要做的尽量提高数据质量。数据质量不仅是精度问题，还包括数据来源的可靠性：为此，需要把数据来源的相关过程要搞清楚，否则很可能会误导人的分析。

4、相关与因果

有些相关性的背后，一般会有因果关系存在。两个要素由因果产生关联的机制大概可以分成两类：1、两个要素具有因果的关系：比如刚做父亲的青年人常会买尿布；2、共同原因导致的两个结果之间的关系：比如孩子的父亲会常买啤酒，也常买尿布；于是，啤酒和尿布就可能关联起来。

有些相关性，看似没有因果，但背后往往有某些特殊的规律或因素其作用（上述第二种情况）。比如，女孩子往往喜欢花衣服，与基因和文化的共性有关。但这种因果关系可能相隔太远，以至于难以考证了。

当人们需要根据关系作出决策时，需要研究因果的逻辑关系：到底是谁影响了谁。否则，根据分析结构的盲目行为可能适得其反。 “到底谁影响了谁”为什么会成为问题？大概有两类原因：

第一类原因是：忽视了时间因素。如“统计结果表明，练太极拳的身体差”。现实却是：很多人身体变差（包括衰老）以后，才练太极拳。一般来说，具有因果关系的两个要素之间，时间上有前后关系：原因早前，结果在后。

第二类原因是：忽视了前导因素。“公鸡一叫，天就亮了”。现实却是，天量之前的迹象被公鸡察觉到了。两者是第二种因果关系，只是看似“原因在后、结果在前”了。

一般来说，工业大数据分析更重视因果，而商务大数据分析对因果性的要求较弱。

5、数据分析的先导因素

从某种意义上说，数据分析的过程，就是寻找强的相关关系（必然性、因果性），或对弱的相关关系进行综合、得到强的相关关系。

用数据发现信息，需要用到各种知识。例如，把“云南白药是用于治疗外伤的”放入计算机，当某人购买白药的行为判断他或家人可能受伤，从而可以推荐相关产品。但注意到：这种类型的知识很可能是被人事先装入计算机的，而不是靠计算机自动学习得到的。

所有的学习过程，本质上都是基于这样一种假设：A和B的一部分属性类似，则推测另一部分属性也应该类似。例如，A和B的身高相似，则体重也可能相似。现实中，两个属性确实具有强烈的相关性，但身高相同而体重不同的也大有人在。这时，如果我们还知道他的体型，是瘦弱、偏瘦、正常、偏胖、肥胖型，对体重的估计就可以准确一些。由此可见，用数据发现知识的过程，本质上就是提高相关性、可靠性的过程。

一般来说，人们在做数据分析之前，一定会有一定的知识积淀， 但认识不清却是一种常态；人们希望通过对数据的分析，来改变这种常态。而改变认识的过程依赖于数据的质量和分析数据的方法。所以，刨除分析方法外，分析过程依赖于两个先导性因素：1、数据质量（包含多方面的含义）如何；人们已有的认识如何。

注意，这段说法有个潜台词：强调了人类可认识的知识，而不是机器用复杂函数关系表述的、人类难以用逻辑关系认知的知识（如神经元）。的确如此，笔者一直认为：这类方法的作用被学术界有意识地夸大了。

6、数据分析的过程

与商业大数据相比，工业大数据更重视可靠性和精确性。在很多情况下，猜出一个结论并不难，难的是论证一个结论。一般来说，凡是可靠的知识，都应该能够被机理和数据双重认证。

大数据分析的一个重要特征是：传统概率理论的假设往往不成立。例如：大数定理的条件往往不成立、模型的结构往往未知、因果关系不是天然清晰、自变量的误差往往不能忽略、数据分布往往是没有规律的。所以，为了得到可靠的结果，人们工作的重点很可能是验证这些条件、构造这些条件。从某种意义上说，数据分析的过程，主要是排除干扰的过程、特别是排除系统干扰的过程。而且，如果完全依照逻辑、用纯粹数学的办法加以论证，则数据需求量会遭遇“组合爆炸”，永远是不够的。这时，已有的领域知识就是降低数据需求量的一种手段。要记住：求得可靠性是一个过程而不是结果、可能永远没有终点；分析的过程只是不断增加证据而已。这个过程，是修正人的认识的过程；所以，错误或不恰当的认识常常是分析过程中最大的干扰——这个干扰一旦去除，我们可能就发现了真正的知识。

数据量大的直接好处，是排除随机性干扰。但排除系统性干扰却不那么容易，数据量大是必要条件但不充分，需要深入的方法研究才能解决问题。

系统性的干扰往往体现在：对主体进行分组，所体现的规律是不同的。比如，身高和体重的统计关系，男女是不同的、不同民族是有差异的、可能与年龄有关。如果不进行分类研究，统计的结果就会与样本的选取有很大关系。但分类研究也会遇到一个困难：遭遇组合爆炸，数据再多都不够用。这时，“领域知识”就会发生作用：

认定一个结论成立的办法，是确认它的“可重复性”。在许多情况下，“可重复性”指的是在各种分组下都成立的结论：最好能在不同时间分组中也能成立。分组越多、分组的维度越多、结论的可靠性越高。

但具有“可重复性”的结论，往往只在一定的范围内成立。在很多情况下，“明确结论成立的范围”也是数据分析的重要内容。

如何分组、如何确定范围、如何构筑逻辑链条、数据结果的解读、数据结果与领域知识的融合，都是重要的能力。事实上，根据领域知识，常常用于构造证据链、进行有效的数据选取和分组。

在精密论证时，我们就会发现：基础数据的质量很重要。因为许多干扰就来源于数据本身。从某种意义上说，数据的采集方法和环境不同，就是不同的数据。

在构建数据分析体系的过程中，也会发现，企业经营的数据分析也确实需要一个可展示的平台，实时展示业务，有问题就优化更新。

FineReport 数据决策系统

7、关于预测数字

许多问题分析的目的得到一个数字：如钢的强度、用电量、人口数量、钢产量。这类问题的特点之一是：最终的结果是各种影响因素相加得到的。

对于这种问题，我的观点是：要想得到可靠的结果，一定要拆成若干子问题来分析。其中，各个子问题要尽可能利用规律性的结果来分析。我认为：把人的认识和数据用到极致的时候，才能得到最好的结果。随便地建立回归模型是不懂数据的表现。

大数据时代的到来，越来越多的人选择学习大数据，那关于大数据分析的六大基本方面是哪些，一起来了解一下

可视化分析

不管是对数据分析专家还是普通用户

数据可视化是数据分析工具最基本的要求

可视化可以直观的展示数据

让数据自己说话，让观众听到结果

数据挖掘算法

可视化是给人看的，数据挖掘就是给机器看的

集群、分割、孤立点分析还有其他的算法

让我们深入数据内部，挖掘价值

这些算法不仅要处理大数据的量

也要处理大数据的速度

预测性分析能力

数据挖掘可以让分析员更好的理解数据

而预测性分析可以让分析员根据可视化分析和数据挖掘的结果

做出一些预测性的判断

语义引擎

我们知道由于非结构化数据的多样性带来了数据分析的新的挑战，我们需要一系列的工具去解析，提取，分析数据。语义引擎需要被设计成能够从"文档"中智能提取信息

数据质量和数据管理

数据质量和数据管理是一些管理方面的最佳实践

通过标准化的流程和工具对数据进行处理

可以保证一个预先定义好的高质量的分析结果

数据存储，数据仓库

数据仓库是为了便于多维分析和多角度展示数据按特定模式进行存储所建立起来的关系型数据库。在商业智能系统的设计中，数据仓库的构建是关键，是商业智能系统的基础，承担对业务系统数据整合的任务，为商业智能系统提供数据抽取、转换和加载(ETL)，并按主题对数据进行查询和访问，为联机数据分析和数据挖掘提供数据平台

成都加米谷大数据科技有限公司

个人培训 丨 企业内训

成都市高新区天府二街蜀都中心1栋705

分享爱心，传递经验，共建和睦大家庭。

（源自：夜半文摘）

内裤的进化：由长到短到......没

现在已经不在“裤”的行列了，叫“内内”“小内内”了...

写字的进化：现在提笔，你还记得多少个字？

交流工具的进化：由甲骨文变成了社交软件

集荣辱于一身的标签，时代不仅拼爹，还有拼品牌～

按键，越来越少；屏幕，越来越大；思考，越来越少……

上帝的进化：以前的上帝，是“太阳”；现在，“钱”才是上帝。

人类的进化史，一步步的走向......未来生活，预测是这样的——

世界，会被人类变成这样，那何必进化呢？

人类的思维，终将变成一个个条码，区别的方式是不同的数字。

阻碍人类进化的，是无时无刻停不下来的玩手机。

赖以生存的工具：由食物，变成了鼠标……你有没有感受过一天没网的滋味？

下面，这些有没有共鸣？

人为财死，鸟为食亡。追求物质的幸福，最终会让我们走向毁灭。

顾客为了享受垃圾而疯狂消费，商家为了金钱而疯狂生产垃圾。

垃圾食品，让我们变得不健康。这就是你想要的生活吗？

大家都只是看新闻，看着来自别人的想法。

科技，改变了世界，同时，也为懒惰打开了方便大门。

我们像鼠族一样忙碌着...看似得到了自由，却也失去了自由。

所有的节日，都是一场有预谋的销售。但我们，还是心甘情愿的成为其中一员。

一个人的挥霍，需要多少人的牺牲? 这也是一个富人最多的社会。

世界，仍旧充满硝烟！我们在浪费和污染中寻找合作……

我们，在获得金钱的同时，也在 ，榨干地球。

上班族最害怕的黑色“星期一”。当然， 学生也怕......

伤害了那么多“生命”的人类，只为了自己的口腹之欲……

放不下手机，我们，终会变成丧尸！

猫奴、犬奴......你被它们奴役了吗？

赠人玫瑰，手留余香。改变地球可怕的未来，需要从我做起、从现在做起！传递爱，传递积福。

健康之家

全新视野

百分百女子

能量源

智慧与健康

大百科

智慧人生

大众生活

健康养生

如果大数据能够如此诡异地了解到我个性的方方面面，我只想问：为什么Facebook一直想让我花80元买双拖鞋？

如果大数据能够如此诡异地了解到我个性的方方面面，我只想问：为什么Facebook一直想让我花80元买双拖鞋？

我上Facebook或Instagram时几乎总会看到一则标价过高的帆布便鞋广告。我怀疑自己迄今从没买过超过25元的拖鞋，我也不太可能在马莎百货(Marks and Spencer)以外的地方买这类东西。我从来没在网上搜索过拖鞋二字，也想不出我上网时哪些举动会暗示出我喜欢“新潮”的拖鞋。（实际上，这款拖鞋有种难看的可拆户外鞋底，所以人们多半会说我是个穿拖鞋出门溜达的“中年大叔”，而不会说我“新潮”，如果我买了它的话。）

对那些数据科学天才们来说，公平地讲，Facebook并不总是给我推销天价拖鞋。有时它也向我推销天价耳塞，或购买一款正念app的机会。照说，我们应该相信，建立在数据抓取和机器学习基础上的复杂算法现在比我们最亲密的朋友还了解我们。然而，在我们公司，不用15分钟你就能了解，我这个人不太可能花80元去买拖鞋，也不会破费购买什么正念app。

这些广告还会根据浏览历史来投放。我明白为什么我在浏览过某个城市的旅游景点后会看到爱彼迎(Airbnb)的招租广告。在一个数据被认为无所不知的时代，令我困惑的是，为什么我在订完房后还能看到广告。总是如此。有谁没在网购后的六周接连不断地收到同一个商品的广告推送？去年，我们买了台电子琴送给儿子当生日礼物。几个月后，我仍会收到相同型号产品的广告。要么是数据分析师们不知道我们已经下了单，要么是他们认为我们是电音组合“宠物店男孩(Pet Shop Boys)”，一台电子琴不够使。

在我看来，这些广告不像是来自别有用心的数据天才，它们更像出自一位上了年纪的大爷之手，他记得你小时候爱吃夹心饼干，所以即使你都过完45岁生日了，他还在给你买。

很明显，还有更多原因。如果不值当的话，像Facebook和谷歌(Google)这种企业才不会做这么麻烦的事。我们必须假设，密集的数据挖掘会带来更有针对性的广告，从而为客户提供更优质的筛选结果，也会给平台带来更高的回报。

我只想提一个忠告。不管这些公司掌握了我多少数据，在有针对性地推送消息上，他们显然还得再接再厉。我每天大部分时间都耗在网上，访问那些被Facebook搜索的网站，并通过Chrome浏览器将我的一举一动反馈给谷歌。我大致的生活状况不难了解，然而，它们还在给我推送金拖鞋。我想这意味着Facebook将我界定为国际精英阶层，但更有可能的是，我被归入了“钱多人傻”一族。

定向广告的价值显而易见。给巴黎某个对麸质过敏的人推销一家伦敦的面包店毫无意义，但夸大算法的能力却符合每个人的利益。

一种合理的解释也许是，这些平台尚未将它们掌握的有关我的海量数据整合为有用的行动。目前，它们仅需胜过其它媒介，如报纸和电视。虽然它们可能还没有很好地将自身掌握的大量数据投入使用，但有理由相信它们会越来越擅长利用这些资源。这也许就是为什么如今监管机构应该认真考虑限制数据采集的规模。

还有另一种解释。也许它们非常了解我，以至于还没等我自己意识到，它们就知道我需要这些华而不实的高价货。它们知道，私下里我就是那种把脚套进80英镑的居家鞋的人。也许大数据革命就像许多人宣称的那样高深莫测，而且比我本人更了解我自己。或许我只需要屈服，它让我买啥我就买啥。噢，金拖鞋；噢，金拖鞋。

转载自百家号作者：超说未来

娱乐圈身价的问题，总能够成为人们热议的话题之一，现在关于谁身价最高，甚至于这些财富是怎么来的，都是怎么吸金的，这些是我们很多人感兴趣的话题。

对于整个问题，之前有很多人的猜测，说成龙是最有钱的？但是都没有一个真实的说法，今天咱们就用现在最流行的大数据进行剖析一下娱乐圈里的吸金巨头。

我们利用当下最火热也最成熟的大数据的技术，对现在所有的艺人的数据进行了整合和分析，而我们的出来的结论却是：最有钱的不是成龙，也不是赵本山，结果却是台湾艺人--林志颖。那么我们接下来就对大数据分析的结果，给大家进行一个解读，看是否如大数据分析的一样。

林志颖的父亲是一个商人，林志颖称之为富二代也不为过。而大家期待的成龙以及赵本山同则属于草根出身，起点就会低一点。模仿雷军的一句话说就是：站在制高点和风口的人更容易起飞。

根据现在大家共所周知的信息，我们能够看到，林志颖从出道以来所拍摄的《绝代双骄》《天龙八部》《放羊的星星》等热播电视剧，从此林志颖真正到达自己的人生巅峰，吸金无数。

根据我们所收集的信息也能看到，林志颖不只是演艺圈，还有一个更重要的身份，那就是一个商人。现在很多艺人都有自己的商业投资，那么林志颖应该算是在商人的角色上发挥的最好一个了。

根据对收集到的大数据进行分析，林志颖开创了很多个公司和餐厅，这些是林志颖收入的来源之一。根据数据显示，林志颖是最早在微博上晒出iphone5的人，林志颖的部分公司和苹果的代工厂老板是有合作的，所以通过这样的关系，能一手拿到iphone产品是正常情况。所以我们就能很清晰的判断，林志颖的财力和人力交际关系，以上这方面也是林志颖作为土豪的依据之一。

林志颖还有另外一个身份就是赛车手。2000年8月在珠海赛车场拿下来自己赛车生涯中的第一个冠军，之后拿下了各种方程式车手冠军，并且以珠海为起点，开创了自己的一家科技公司。HAC俱乐部目前只有11位会员，入门级跑车是1000万元以上的限量版跑车，而其中一位会员林志颖，由此可见林志颖的财富沉淀是多么的雄厚了。

在演艺圈大红大紫，商界风生水起，只是这两点就可以统计出来，林志颖早就是一个不折不扣的亿万富翁。

大数据已经应用到每一个行业中，虽然不是一定最准确的，但是要比单纯个人总结的要全面，今天利用大数据进行分析娱乐圈的富豪，接下来我还会继续分析其他项目，大家如果喜欢敬请关注哦

大数据行业发展如火如荼，国家政策利好，互联网大佬纷纷在大数据行业布局，我们想让自己的职业生涯在一个朝阳行业发展，肯定又要学习相关技术，让自己与时俱进，但是难就难在大数据是一个新兴事物，目前我国大学的专业里面还鲜少有这个专业，国家刚批的大数据专业，全国目前35个高校，但是从17年开始招生，2021年才有第一批毕业生进入职场，在四年期间，是大数据行业发展的飞速时期，没有行业发展是等着人才进入的，而是需要要虚位以待、蓄势待发，所以在没有高等教育准备好的大数据教育，如何高效的学习大数据，如何快速的与行业发展想契合，那么需要我们成为第一个吃螃蟹的人，作为一个随着大数据行业成长的职业人，首先要知道大数据是个啥？

大数据（big data），指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

那来帮大家分析下：如何高效的学习大数据。

经常有初学者会问，自己想往大数据方向发展，该学哪些技术，学习路线是什么样的，觉得大数据很火，就业很好，薪资很高……首先，如果你确定了想往这个方面发展，先考虑自己的过去从业经历、专业、兴趣是什么。计算机专业——操作系统、硬件、网络、服务器？软件专业——软件开发、编程、写代码？还是数学、统计学专业——对数据和数字特别感兴趣？

那么你能找师傅带吗？

但凡有这种想法的人，或多或少都会存有侥幸之心，或者叫做“天真，单纯”。希望不花一分钱，就能更快速的学到更优质，更实用的技能。

关于这一点，我只想反问一句你：“如果你是大师，你凭什么愿意带我？”

其实这就是想告诉你大数据的三个发展方向，平台搭建/优化/运维/监控、大数据开发/设计/架构、数据分析/挖掘。

先说一下大数据的4V特征：

数据量大，TB->PB

数据类型繁多，结构化、非结构化文本、日志、视频、图片、地理位置等；

商业价值高，但是这种价值需要在海量数据之上，通过数据分析与机器学习更快速的挖掘出来；

处理时效性高，海量数据的处理需求不再局限在离线计算当中。

现如今，正式为了应对大数据的这几个特点，开源的大数据框架越来越多，越来越强，先列举一些常见的：

文件存储：Hadoop HDFS、Tachyon、KFS

离线计算：Hadoop MapReduce、Spark

流式、实时计算：Storm、Spark Streaming、S4、Heron

K-V、NOSQL数据库：HBase、Redis、MongoDB

资源管理：YARN、Mesos

日志收集：Flume、Scribe、Logstash、Kibana

消息系统：Kafka、StormMQ、ZeroMQ、RabbitMQ

查询分析：Hive、Impala、Pig、Presto、Phoenix、SparkSQL、Drill、Flink、Kylin、Druid

分布式协调服务：Zookeeper

集群管理与监控：Ambari、Ganglia、Nagios、Cloudera Manager

数据挖掘、机器学习：Mahout、Spark MLLib

数据同步：Sqoop

任务调度：Oozie

······

第一步：初识Hadoop

1.1 学会百度与Google

不论遇到什么问题，先试试搜索并自己解决。

Google首选，翻不过去的，就用百度吧。

1.2 参考资料首选官方文档

特别是对于入门来说，官方文档永远是首选文档。

相信搞这块的大多是文化人，英文凑合就行，实在看不下去的，请参考第一步。

1.3 先让Hadoop跑起来

Hadoop可以算是大数据存储和计算的开山鼻祖，现在大多开源的大数据框架都依赖Hadoop或者与它能很好的兼容。

关于Hadoop,你至少需要搞清楚以下是什么：

· Hadoop 1.0、Hadoop 2.0

· MapReduce、HDFS

· NameNode、DataNode

· JobTracker、TaskTracker

· Yarn、ResourceManager、NodeManager

自己搭建Hadoop，请使用第一步和第二步，能让它跑起来就行。

建议先使用安装包命令行安装，不要使用管理工具安装。

另外：Hadoop1.0知道它就行了，现在都用Hadoop 2.0.

1.4 尝试使用Hadoop

· HDFS目录操作命令；

· 上传、下载文件命令；

· 提交运行MapReduce示例程序；

· 打开Hadoop WEB界面，查看Job运行状态，查看Job运行日志。

· 知道Hadoop的系统日志在哪里。

1.5了解它们的原理

MapReduce：如何分而治之；

HDFS：数据到底在哪里，什么是副本；

Yarn到底是什么，它能干什么；

NameNode到底在干些什么；

ResourceManager到底在干些什么；

1.6 自己写一个MapReduce程序

仿照WordCount例子，自己写一个（照抄也行）WordCount程序，

打包并提交到Hadoop运行。

不会Java的话，Shell、Python都可以，有个东西叫Hadoop Streaming。

如果能认真完成了以上几步，恭喜你，你的一只脚已经进来了。

第二步：更高效的WordCount

2.1 学点SQL吧

如果不懂数据库的童鞋先学习使用SQL句。

2.2 SQL版WordCount

在1.6中，你写（或者抄）的WordCount一共有几行代码？

如果用SQL的话：

SELECT word,COUNT(1) FROM wordcount GROUP BY word;

这便是SQL的魅力，编程需要几十行，甚至上百行代码，SQL一句就搞定；使用SQL处理分析Hadoop上的数据，方便、高效、易上手、更是趋势。不论是离线计算还是实时计算，越来越多的大数据处理框架都在积极提供SQL接口。

2.3 安装配置Hive

Hive算是数据仓库工具，安装不难，网上有很多教程，配置完成后，可以正常进入Hive命令行。

2.4 试试使用Hive

尝试在Hive中创建wordcount表，并运行2.2中的SQL语句。在Hadoop WEB界面中找到刚才运行的SQL任务。看SQL查询结果是否和1.4中MapReduce中的结果一致。

明明写的是SQL，为什么Hadoop WEB界面中看到的是MapReduce任务？

2.5 学会Hive的基本命令

创建、删除表；加载数据到表；下载Hive表的数据；并学习更多关于Hive的语法和命令。

0和Hadoop2.0的区别

MapReduce的原理（还是那个经典的题目，一个10G大小的文件，给定1G大小的内存，如何使用Java程序统计出现次数最多的10个单词及次数）；

HDFS读写数据的流程；向HDFS中PUT数据；从HDFS中下载数据；

自己会写简单的MapReduce程序，运行出现问题，知道在哪里查看日志；

会写简单的SELECT、WHERE、GROUP BY等SQL语句；

Hive SQL转换成MapReduce的大致流程；

Hive中常见的语句：创建表、删除表、往表中加载数据、分区、将表中数据下载到本地；

从上面的学习，你已经了解到，HDFS是Hadoop提供的分布式存储框架，它可以用来存储海量数据，MapReduce是Hadoop提供的分布式计算框架，它可以用来统计和分析HDFS上的海量数据，而Hive则是SQL On Hadoop，Hive提供了SQL接口，开发人员只需要编写简单易上手的SQL语句，Hive负责把SQL翻译成MapReduce，提交运行。

第三步：把别处的数据搞到Hadoop上

此处也可以叫做数据采集，把各个数据源的数据采集到Hadoop上。

3.1 HDFS PUT命令

put命令在实际环境中也比较常用，通常配合shell、python等脚本语言来使用。建议需熟练掌握。

3.2 HDFS API

HDFS提供了写数据的API，自己用编程语言将数据写入HDFS，put命令本身也是使用API。

实际环境中一般自己较少编写程序使用API来写数据到HDFS，通常都是使用其他框架封装好的方法。比如：Hive中的INSERT语句，Spark中的saveAsTextfile等。

可以尝试了解原理，试着写几个Demo。

3.3 Sqoop

Sqoop是一个主要用于Hadoop/Hive与传统关系型数据库Oracle/MySQL/SQLServer等之间进行数据交换的开源框架。

就像Hive把SQL翻译成MapReduce一样，Sqoop把你指定的参数翻译成MapReduce，提交到Hadoop运行，完成Hadoop与其他数据库之间的数据交换。

自己下载和配置Sqoop（建议先使用Sqoop1，Sqoop2比较复杂）。

了解Sqoop常用的配置参数和方法。

使用Sqoop完成从MySQL同步数据到HDFS；

使用Sqoop完成从MySQL同步数据到Hive表；

PS：如果后续选型确定使用Sqoop作为数据交换工具，那么建议熟练掌握，否则，了解和会用Demo即可。

3.4 Flume

Flume是一个分布式的海量日志采集和传输框架，因为“采集和传输框架”，所以它并不适合关系型数据库的数据采集和传输。Flume可以实时的从网络协议、消息系统、文件系统采集日志，并传输到HDFS上。因此，如果你的业务有这些数据源的数据，并且需要实时的采集，那么就应该考虑使用Flume。

下载和配置Flume。使用Flume监控一个不断追加数据的文件，并将数据传输到HDFS；

PS：Flume的配置和使用较为复杂，如果你没有足够的兴趣和耐心，可以先跳过Flume。

3.5 阿里开源的DataX

之所以介绍这个，是因为以前某公司客户目前使用的Hadoop与关系型数据库数据交换的工具，就是之前基于DataX开发的，个人感觉非常好用。现在DataX已经是3.0版本，支持很多数据源。你也可以在其之上做二次开发。

PS：有兴趣的可以研究和使用一下，对比一下它与Sqoop。

至此，你的“大数据平台”应该是这样的：

第四步：把Hadoop上的数据搞到别处去

前面介绍了如何把数据源的数据采集到Hadoop上，数据到Hadoop上之后，便可以使用Hive和MapReduce进行分析了。那么接下来的问题是，分析完的结果如何从Hadoop上同步到其他系统和应用中去呢？

其实此处的方法和第三步基本一致的。

4.1 HDFS GET命令

把HDFS上的文件GET到本地。需要熟练掌握。

4.2 HDFS API

原理同3.2。

4.3 Sqoop

原理同3.3。

使用Sqoop完成将HDFS上的文件同步到MySQL；

使用Sqoop完成将Hive表中的数据同步到MySQL；

4.4 DataX

原理同3.4

此时，“你的大数据平台”应该是这样的：

走完第三步和第四步的流程，那么你应该已经具备以下技能和知识点：

· 知道如何把已有的数据采集到HDFS上，包括离线采集和实时采集；

· 知道sqoop（或者还有DataX）是HDFS和其他数据源之间的数据交换工具；

· 知道flume可以用作实时的日志采集；

至此，对于大数据平台，应该已经掌握如何搭建Hadoop集群，把数据采集到Hadoop上，使用Hive和MapReduce来分析数据，把分析结果同步到其他数据源。

接下来的问题就是，Hive使用的越来越多，你会发现很多不愉快的地方，特别是速度慢，

大多情况下，明明我的数据量很小，它都要申请资源，启动MapReduce来执行。

第五步：快一点吧，我的SQL

其实大家都已经发现Hive后台使用MapReduce作为执行引擎，实在是有点慢。因此SQL On Hadoop的框架越来越多，按我的了解，最常用的按照流行度依次为SparkSQL、Impala和Presto.这三种框架基于半内存或者全内存，提供了SQL接口来快速查询分析Hadoop上的数据。

目前我们的方案使用的是SparkSQL，至于为什么用SparkSQL，原因大概如下：

· 使用Spark还做了其他事情，不想引入过多的框架；

· Impala对内存的需求太大，没有过多资源部署；

5.1 关于Spark和SparkSQL

什么是Spark，什么是SparkSQL。

Spark有的核心概念及名词解释。

SparkSQL和Spark是什么关系，SparkSQL和Hive是什么关系。

5.2 如何部署和运行SparkSQL

Spark有哪些部署模式？

如何在Yarn上运行SparkSQL？

使用SparkSQL查询Hive中的表。

PS:Spark不是一门短时间内就能掌握的技术，因此建议在了解了Spark之后，可以先从SparkSQL入手，循序渐进。

第六步：一夫多妻制

其实我想说的是数据的一次采集、多次消费。

在实际业务场景下，特别是对于一些监控日志，想即时的从日志中了解一些指标（关于实时计算，后面步节会有介绍），这时候，从HDFS上分析就太慢了，尽管是通过Flume采集的，但Flume也不能间隔很短就往HDFS上滚动文件，这样会导致小文件特别多。

为了满足数据的一次采集、多次消费的需求，这里要说的便是Kafka。

6.1 关于Kafka

Kafka是一种高吞吐量的分布式发布订阅消息系统，它可以处理消费者规模的网站中的所有动作流数据。这种动作（网页浏览，搜索和其他用户的行动）是在现代网络上的许多社会功能的一个关键因素。这些数据通常是由于吞吐量的要求而通过处理日志和日志聚合来解决。

6.2 如何部署和使用Kafka

使用单机部署Kafka，并成功运行自带的生产者和消费者例子。

使用Java程序自己编写并运行生产者和消费者程序。

Flume和Kafka的集成，使用Flume监控日志，并将日志数据实时发送至Kafka。

至此，“大数据平台”应该扩充成这样：

这时，使用Flume采集的数据，不是直接到HDFS上，而是先到Kafka，Kafka中的数据可以由多个消费者同时消费，其中一个消费者，就是将数据同步到HDFS。

总结：

为什么Spark比MapReduce快。

使用SparkSQL代替Hive，更快的运行SQL。

使用Kafka完成数据的一次收集，多次消费架构。

自己可以写程序完成Kafka的生产者和消费者。

前面的学习已经掌握了大数据平台中的数据采集、数据存储和计算、数据交换等大部分技能，而这其中的每一步，都需要一个任务（程序）来完成，各个任务�...

大数据是什么？大数据处理分析的工具有哪些？不管是即将学习大数据的人亦或是转型向学大数据的人都想要了解的。

1，什么是大数据

简言之，从各种各样类型的数据中，快速获得有价值信息的能力，就是大数据技术。

2，大数据最核心的价值

大数据最核心的价值就是在于对于海量数据进行存储和分析。相比起现有的其他技术而言，大数据的“廉价、迅速、优化”这三方面的综合成本是最优的。

3，大数据处理分析的六大最好工具

一、 Apache Hadoop

Hadoop 是一个能够对大量数据进行分布式处理的软件框架。Hadoop 是可靠的，因为它假设计算元素和存储会失败，因此它维护多个工作数据副本，确保能够针对失败的节点重新分布处理。Hadoop 是高效的，因为它以并行的方式工作，通过并行处理加快处理速度。Hadoop 还是可伸缩的，能够处理 PB 级数据。此外，Hadoop 依赖于社区服务器，因此它的成本比较低，任何人都可以使用。

Hadoop是一个能够让用户轻松架构和使用的分布式计算平台。用户可以轻松地在Hadoop上开发和运行处理海量数据的应用程序。它主要有以下几个优点：

⒈高可靠性。Hadoop按位存储和处理数据的能力值得人们信赖。

⒉高扩展性。Hadoop是在可用的计算机集簇间分配数据并完成计算任务的，这些集簇可以方便地扩展到数以千计的节点中。

⒊高效性。Hadoop能够在节点之间动态地移动数据，并保证各个节点的动态平衡，因此处理速度非常快。

⒋高容错性。Hadoop能够自动保存数据的多个副本，并且能够自动将失败的任务重新分配。

Hadoop带有用 Java 语言编写的框架，因此运行在 Linux 生产平台上是非常理想的。Hadoop 上的应用程序也可以使用其他语言编写，比如 C++。

二、HPCC

HPCC，High Performance Computing and Communications(高性能计算与通信)的缩写。1993年，由美国科学、工程、技术联邦协调理事会向国会提交了“重大挑战项目：高性能计算与 通信”的报告，也就是被称为HPCC计划的报告，即美国总统科学战略项目，其目的是通过加强研究与开发解决一批重要的科学与技术挑战问题。HPCC是美国 实施信息高速公路而上实施的计划，该计划的实施将耗资百亿美元，其主要目标要达到：开发可扩展的计算系统及相关软件，以支持太位级网络传输性能，开发千兆 比特网络技术，扩展研究和教育机构及网络连接能力。

该项目主要由五部分组成：

1、高性能计算机系统(HPCS)，内容包括今后几代计算机系统的研究、系统设计工具、先进的典型系统及原有系统的评价等;

2、先进软件技术与算法(ASTA)，内容有巨大挑战问题的软件支撑、新算法设计、软件分支与工具、计算计算及高性能计算研究中心等;

3、国家科研与教育网格(NREN)，内容有中接站及10亿位级传输的研究与开发;

4、基本研究与人类资源(BRHR)，内容有基础研究、培训、教育及课程教材，被设计通过奖励调查者-开始的，长期 的调查在可升级的高性能计算中来增加创新意识流，通过提高教育和高性能的计算训练和通信来加大熟练的和训练有素的人员的联营，和来提供必需的基础架构来支 持这些调查和研究活动;

5、信息基础结构技术和应用(IITA )，目的在于保证美国在先进信息技术开发方面的领先地位。

三、Storm

Storm是自由的开源软件，一个分布式的、容错的实时计算系统。Storm可以非常可靠的处理庞大的数据流，用于处理Hadoop的批量数据。 Storm很简单，支持许多种编程语言，使用起来非常有趣。Storm由Twitter开源而来，其它知名的应用企业包括Groupon、淘宝、支付宝、阿里巴巴、乐元素、Admaster等等。

Storm有许多应用领域：实时分析、在线机器学习、不停顿的计算、分布式RPC(远过程调用协议，一种通过网络从远程计算机程序上请求服务)、 ETL(Extraction-Transformation-Loading的缩写，即数据抽取、转换和加载)等等。Storm的处理速度惊人：经测 试，每个节点每秒钟可以处理100万个数据元组。Storm是可扩展、容错，很容易设置和操作。

四、Apache Drill

为了帮助企业用户寻找更为有效、加快Hadoop数据查询的方法，Apache软件基金会近日发起了一项名为“Drill”的开源项目。Apache Drill 实现了 Google's Dremel.

据Hadoop厂商MapR Technologies公司产品经理Tomer Shiran介绍，“Drill”已经作为Apache孵化器项目来运作，将面向全球软件工程师持续推广。

该项目将会创建出开源版本的谷歌Dremel Hadoop工具(谷歌使用该工具来为Hadoop数据分析工具的互联网应用提速)。而“Drill”将有助于Hadoop用户实现更快查询海量数据集的目的。

“Drill”项目其实也是从谷歌的Dremel项目中获得灵感：该项目帮助谷歌实现海量数据集的分析处理，包括分析抓取Web文档、跟踪安装在Android Market上的应用程序数据、分析垃圾邮件、分析谷歌分布式构建系统上的测试结果等等。

通过开发“Drill”Apache开源项目，组织机构将有望建立Drill所属的API接口和灵活强大的体系架构，从而帮助支持广泛的数据源、数据格式和查询语言。

五、RapidMiner

RapidMiner是世界领先的数据挖掘解决方案，在一个非常大的程度上有着先进技术。它数据挖掘任务涉及范围广泛，包括各种数据艺术，能简化数据挖掘过程的设计和评价。

功能和特点

免费提供数据挖掘技术和库

100%用Java代码(可运行在操作系统)

数据挖掘过程简单，强大和直观

内部XML保证了标准化的格式来表示交换数据挖掘过程

可以用简单脚本语言自动进行大规模进程

多层次的数据视图，确保有效和透明的数据

图形用户界面的互动原型

命令行(批处理模式)自动大规模应用

Java API(应用编程接口)

简单的插件和推广机制

强大的可视化引擎，许多尖端的高维数据的可视化建模

400多个数据挖掘运营商支持

耶鲁大学已成功地应用在许多不同的应用领域，包括文本挖掘，多媒体挖掘，功能设计，数据流挖掘，集成开发的方法和分布式数据挖掘。

六、 Pentaho BI

Pentaho BI 平台不同于传统的BI 产品，它是一个以流程为中心的，面向解决方案(Solution)的框架。其目的在于将一系列企业级BI产品、开源软件、API等等组件集成起来，方便商务智能应用的开发。它的出现，使得一系列的面向商务智能的独立产品如Jfree、Quartz等等，能够集成在一起，构成一项项复杂的、完整的商务智能解决方案。

Pentaho BI 平台，Pentaho Open BI 套件的核心架构和基础，是以流程为中心的，因为其中枢控制器是一个工作流引擎。工作流引擎使用流程定义来定义在BI 平台上执行的商业智能流程。流程可以很容易的被定制，也可以添加新的流程。BI 平台包含组件和报表，用以分析这些流程的性能。目前，Pentaho的主要组成元素包括报表生成、分析、数据挖掘和工作流管理等等。这些组件通过 J2EE、WebService、SOAP、HTTP、Java、JavaScript、Portals等技术集成到Pentaho平台中来。 Pentaho的发行，主要以Pentaho SDK的形式进行。

Pentaho SDK共包含五个部分：Pentaho平台、Pentaho示例数据库、可独立运行的Pentaho平台、Pentaho解决方案示例和一个预先配制好的 Pentaho网络服务器。其中Pentaho平台是Pentaho平台最主要的部分，囊括了Pentaho平台源代码的主体;Pentaho数据库为 Pentaho平台的正常运行提供的数据服务，包括配置信息、Solution相关的信息等等，对于Pentaho平台来说它不是必须的，通过配置是可以用其它数据库服务取代的;可独立运行的Pentaho平台是Pentaho平台的独立运行模式的示例，它演示了如何使Pentaho平台在没有应用服务器支持的情况下独立运行;Pentaho解决方案示例是一个Eclipse工程，用来演示如何为Pentaho平台开发相关的商业智能解决方案。

Pentaho BI 平台构建于服务器，引擎和组件的基础之上。这些提供了系统的J2EE 服务器，安全，portal，工作流，规则引擎，图表，协作，内容管理，数据集成，分析和建模功能。这些组件的大部分是基于标准的，可使用其他产品替换之。

4. 大数据特点

第一，数据体量巨大。从TB级别，跃升到PB级别。

第二，数据类型繁多，如前文提到的网络日志、视频、图片、地理位置信息，等等。

第三，价值密度低。以视频为例，连续不间断监控过程中，可能有用的数据仅仅有一两秒。

第四，处理速度快。1秒定律。最后这一点也是和传统的数据挖掘技术有着本质的不同。物联网、云计算、移动互联网、车联网、手机、平板电脑、PC以及遍布地球各个角落的各种各样的传感器，无一不是数据来源或者承载的方式。

如果对于大数据还有更多的疑问，可以持续关注作者，也可以留言或者私信问题。

明星是古今中外社会都很关注的话题，老百姓喜欢听戏观影，王思聪喜欢关注哪些漂亮女明星，明星是老百姓衣食住行之外最关注的话题，管不了这个世界其它风风雨雨，吃饱饭就是也只能好好娱乐一下！

明星的时尚，薪酬，成就，知名度等等都是我们讨论的话题，小编就根据，片酬，票房，唱片销量，传唱度等综合分析目前中国人气最高的10大明星.排名不具有公正性，欢迎大家指正！

第一名：鹿晗

把鹿晗排第一可能很多人不服，但当前鹿晗片酬过亿，曝光量，从大数据上看受关注度，曝光度也是最高，特别是90后，00后粉丝（不管是不是脑残），这代表潜力，代表未来，也希望鹿晗一直红下去，按照目前的趋势30年成就一定比刘德华大.

第二名：邓丽君

10亿个掌声，不管是唱功，还是经典传唱度，还是唱片销量，都能进入前10，王杰的唱片据传销量很高，很多资料显示唯一承认输给邓丽君，可以说，《甜蜜蜜》是传唱度最高的歌曲之一.

第三名：成龙

成龙是第一位华人巨星，第一武大明星，也是早于周星驰的喜剧明星，但为人好色，不做坐评论.

第四名：刘德华

四大天王之首，影视歌全能，电影，电视作品都有很多景点，歌曲传唱度非常高，虽然有很觉得其唱功不如张学友，但忘情水，中国人等歌曲在中国文化地区，无人不晓.

第五名：周星驰

如果电影的观看从次数及受欢迎程度远超很多获奖的电影，但不大受专家和评委喜欢，不过只要观众喜欢就好，对其认可主要来自草根，和社会认同.

第六名：周润发

经典很多，上海滩，英雄本色等再很难演出这样的电影.

第七名：李连杰

李连杰不知道怎样说了，什么都不说吧

第八名：张学友

号称歌神，唱片销量仅仅次于杰克逊，不知道和王杰邓丽君谁的唱片销量高，王杰号称第二，仅次于邓丽君.张学友很多经典歌曲，传唱度也很高，而且持久不衰！

第九名：任贤齐

当年非常火爆，也演过很多电影。现在稍微淡出娱乐圈了，但其经典作品《心太软》《伤心太平洋》等歌曲实在太经典，传唱度可以说是最高的歌曲，当年比甜蜜蜜，忘情水，及周杰伦，张学友的名曲传唱度更广.

第十名：黎明

纯粹是尊重四大天王给黎明排第十，不过早年作品《甜蜜蜜》，歌曲《今夜你会不会来》也确实经典.

这第十不知道给说了，也许张国荣更合适，但主要是在粤语地区，在全中国文化地区除了倩女幽魂外，其作品被认可不大.还有郭富城，谭咏麟，王杰（早已过气），杨钰莹（大陆代表）实力也强，梅艳芳，陈慧娴等等，人气也高，但只有将就排了！

人的一生，匆匆而过，从呱呱坠地到去世，经历过幼儿，少年，青年，壮年，老年。那在这一生中又有那么多时间在睡觉，吃饭，喝水，走路，看书等。人的一生是怎么样的呢？我们用数据分析一下。

各种生命活动时间累计起来是惊人而有趣的，不妨统计一下，以使自己在物资配备与精力投入上有所侧重。因生活习惯、地域、气候、工作性质、遗传基因等方面原因，人的寿命有长有短。有高达八九十岁的长寿者，有六七十岁就辞世的人。这里取一个平均值——70岁，看看你自己70年里生命活动时间是怎样分配的。

人一生站立的时间最长，在不知不觉中站了30年。可要准备几双好鞋子哟!

睡卧的时间居第二位——23年，为此，不要忽视你的床榻、休息环境与条件。

准备一把舒适的椅子吧，坐着的时间居第三位，人一生要坐17年。

看来鞋子至关重要，因为走路还要消耗你生命中的16年。

尽管劳动是生活的必需，可人用于工作的时间总共才10～12年。

人补充能量的时间竟是工作时间的一半——一生中要在饭桌上度过6年。

等车的滋味难受吗?人一生花在等车上的时间要用3～6年，这要由家到工作单位的远近而定。以等一次车10分钟计算，人一生要在站点上度过170个昼夜。

长嘴就要说话，人一生用于交谈的时间需要2年。

看电视已是当代生活的一部分。且不说那些整天泡在电视机前的人，仅以《新闻联播》开始时间计算，至正常的就寝时止，人一生就要在电视机前度过2128天(昼夜)，约6年多。

其余的内容我们以天计数，一天当然是24小时。

图片来自网络

人一生要笑——623天。　做饭——560天。　感冒——500天。　　调情——504天。　　学习——440天。而且，这440昼夜是指学校以外的学习。　接受中小学义务教育——405天。　　节日活动、家庭聚会、学友联谊——375天。　　书信往来、填写各类表格——305天。　书报阅览——250天。　打电话——180天。　女性一生用于穿戴打扮的时间约531天;男性大为逊色——177天。　刮胡子是男人的“专利”，一生要为它付出140天的时间。　　在洗澡的时间分配上亦是男女有别：男人一辈子用在洗澡上的时间是117天;女人则多得多——531天。　　正常的性生活对于夫妻来说时间应是均等的，它要占据一生中的110天。这当然也是净时积累。而且，既不包括梦遗，也不算“第三者插足”之能事。　　梳头——108天。　　刷牙——92天。　流泪——50天。　时不时会有人轻叩你的房门，他们或许是物业管理人员来收小区管理费;或许是查电表的;或许是收水费的;或许是收缴煤气费的;若你开个小买卖，也许是来收税的……总之在你的一生中，你的房门不间断地被敲响了3～6天。

记得上学的时候有一句名言。我们不能改变时间的长度，但可以左右时间的宽度。愿你的人生充满幸福，短短人生，一定要珍惜！