php數據分析
第一，這個和程序員是否會PHP或Python有關；
第二，用那個做數據分析有可能和你的項目是有關的哦。
⑵ PHP好還是python好
隨著科技的發展，擁有高容量、高速度和多樣性的大數據已經成為當今時代的主題詞。移動互聯網、雲計算、大數據的快速發展，使Python給開發者帶來巨大的機會。Python 不僅僅是一個設計優秀的程序語言，它能夠完成現實中的各種任務，包括開發者們日復一日所做的事情。
Python這門語言它是面向對象編程語言，有封裝強大的類庫，Python目前已經超過了Java成為人們最喜歡的編程語言。相比Java，Python更加的容易理解、免費開源的代碼、Python的移植性非常強等等非常多優勢，尤其是Python3出來之後更是讓Python壓過其他語言一頭。
Python之所以近些年在國內也被發掘與追捧，主要也與互聯網發展到此階段有著重要關系。Python的開放、簡潔、黏合正符合了現發展階段對大數據分析、可視化、各種平台程序協作產生了快速的促進作用。自Python3的發布到現在已有五六年的時間，從剛發布的反對聲音到慢慢被接受與喜歡經過了太漫長的時間，然而可能也與國情與發展需求有著相當的關系。總之，越來越多人開始使用Python。
二、PHP的就業前景。
隨著Web2.0的升溫互聯網的發展迎來新一輪的熱潮，由於互聯網本身的快速發展、不斷創新的特點，決定了只有以最快開發速度和最低成本，才能取勝，才能始終保持一個網站的領先性和吸引更多的網民。互聯網的企業生存和競爭的核心在於技術，技術、研發人才永遠是這些企業不可或缺的關鍵人物，只有擁有資深的人才和領先的技術，才能在最短的時間內創造出優秀的網路應用。
PHP技術和相關的人才，正是迎合目前的互聯網的發展趨勢，PHP作為非常優秀的、簡便的Web開發語言，和linux，Apache，Mysql緊密結合，形成LAMP的開源黃金組合，不僅降低使用成本，還提升了開發速度，滿足最新的互動式網路開發的應用。
在與其他同類編程語言的比較中，PHP具有開發速度快、運行效率高、安全性好、可擴展性強、開源自由等特點;而回顧PHP近10年來的發展過程、展望未來互聯網行業的發展趨勢，我們可以得出結論：PHP的發展勢頭不可阻擋，必將成為未來WEB開發領域的主流技術體系。
因此，在IT業和互聯網的超速發展的時代，企業對PHP程序員的需求也大量增加，PHP程序員和招聘崗位的供求比例是1：40，很多公司半年都招不到一個合適的PHP程序員。這個崗位是程序員中最火的，這種嚴重供不應求的局面在未來幾年中也將愈演愈烈。
在這樣一個大趨勢下，優就業IT培訓也開設了PHP工程師培訓課程，為一些想向IT行業轉行的人才提供系統化培訓。
⑶ 想做一個對大量數據進行分析的報表系統，基於web的，請問用php能夠實現嗎
可以實現。.net aspx 也可以。 別的就不行了
⑷ PHP的演算法可以實現大數據分析嗎
1.Bloom filter
適用范圍：可以用來實現數據字典，進行數據的判重，或者集合求交集
基本原理及要點：
對於原理來說很簡單，位數組+k個獨立hash函數。將hash函數對應的值的位數組置1，查找時如果發現所有hash函數對應位都是1說明存在，很明顯這個過程並不保證查找的結果是100%正確的。同時也不支持刪除一個已經插入的關鍵字，因為該關鍵字對應的位會牽動到其他的關鍵字。所以一個簡單的改進就是 counting Bloom filter，用一個counter數組代替位數組，就可以支持刪除了。
還有一個比較重要的問題，如何根據輸入元素個數n，確定位數組m的大小及hash函數個數。當hash函數個數k=(ln2)*(m/n)時錯誤率最小。在錯誤率不大於E的情況下，m至少要等於n*lg(1/E)才能表示任意n個元素的集合。但m還應該更大些，因為還要保證bit數組里至少一半為 0，則m 應該>=nlg(1/E)*lge 大概就是nlg(1/E)1.44倍(lg表示以2為底的對數)。
舉個例子我們假設錯誤率為0.01，則此時m應大概是n的13倍。這樣k大概是8個。
注意這里m與n的單位不同，m是bit為單位，而n則是以元素個數為單位(准確的說是不同元素的個數)。通常單個元素的長度都是有很多bit的。所以使用bloom filter內存上通常都是節省的。
擴展：
Bloom filter將集合中的元素映射到位數組中，用k（k為哈希函數個數）個映射位是否全1表示元素在不在這個集合中。Counting bloom filter（CBF）將位數組中的每一位擴展為一個counter，從而支持了元素的刪除操作。Spectral Bloom Filter（SBF）將其與集合元素的出現次數關聯。SBF採用counter中的最小值來近似表示元素的出現頻率。
問題實例：給你A,B兩個文件，各存放50億條URL，每條URL佔用64位元組，內存限制是4G，讓你找出A,B文件共同的URL。如果是三個乃至n個文件呢？
根據這個問題我們來計算下內存的佔用，4G=2^32大概是40億*8大概是340億，n=50億，如果按出錯率0.01算需要的大概是650億個 bit。現在可用的是340億，相差並不多，這樣可能會使出錯率上升些。另外如果這些urlip是一一對應的，就可以轉換成ip，則大大簡單了。
2.Hashing
適用范圍：快速查找，刪除的基本數據結構，通常需要總數據量可以放入內存
基本原理及要點：
hash函數選擇，針對字元串，整數，排列，具體相應的hash方法。
碰撞處理，一種是open hashing，也稱為拉鏈法；另一種就是closed hashing，也稱開地址法，opened addressing。 (http://www.my400800.cn)
擴展：
d-left hashing中的d是多個的意思，我們先簡化這個問題，看一看2-left hashing。2-left hashing指的是將一個哈希表分成長度相等的兩半，分別叫做T1和T2，給T1和T2分別配備一個哈希函數，h1和h2。在存儲一個新的key時，同時用兩個哈希函數進行計算，得出兩個地址h1[key]和h2[key]。這時需要檢查T1中的h1[key]位置和T2中的h2[key]位置，哪一個位置已經存儲的（有碰撞的）key比較多，然後將新key存儲在負載少的位置。如果兩邊一樣多，比如兩個位置都為空或者都存儲了一個key，就把新key 存儲在左邊的T1子表中，2-left也由此而來。在查找一個key時，必須進行兩次hash，同時查找兩個位置。
問題實例：
1).海量日誌數據，提取出某日訪問網路次數最多的那個IP。
IP的數目還是有限的，最多2^32個，所以可以考慮使用hash將ip直接存入內存，然後進行統計。
3.bit-map
適用范圍：可進行數據的快速查找，判重，刪除，一般來說數據范圍是int的10倍以下
基本原理及要點：使用bit數組來表示某些元素是否存在，比如8位電話號碼
擴展：bloom filter可以看做是對bit-map的擴展
問題實例：
1)已知某個文件內包含一些電話號碼，每個號碼為8位數字，統計不同號碼的個數。
8位最多99 999 999，大概需要99m個bit，大概10幾m位元組的內存即可。
2)2.5億個整數中找出不重復的整數的個數，內存空間不足以容納這2.5億個整數。
將bit-map擴展一下，用2bit表示一個數即可，0表示未出現，1表示出現一次，2表示出現2次及以上。或者我們不用2bit來進行表示，我們用兩個bit-map即可模擬實現這個2bit-map。
4.堆
適用范圍：海量數據前n大，並且n比較小，堆可以放入內存
基本原理及要點：最大堆求前n小，最小堆求前n大。方法，比如求前n小，我們比較當前元素與最大堆里的最大元素，如果它小於最大元素，則應該替換那個最大元素。這樣最後得到的n個元素就是最小的n個。適合大數據量，求前n小，n的大小比較小的情況，這樣可以掃描一遍即可得到所有的前n元素，效率很高。
擴展：雙堆，一個最大堆與一個最小堆結合，可以用來維護中位數。
問題實例：
1)100w個數中找最大的前100個數。
用一個100個元素大小的最小堆即可。
5.雙層桶劃分 ----其實本質上就是【分而治之】的思想，重在「分」的技巧上！
適用范圍：第k大，中位數，不重復或重復的數字
基本原理及要點：因為元素范圍很大，不能利用直接定址表，所以通過多次劃分，逐步確定范圍，然後最後在一個可以接受的范圍內進行。可以通過多次縮小，雙層只是一個例子。
擴展：
問題實例：
1).2.5億個整數中找出不重復的整數的個數，內存空間不足以容納這2.5億個整數。
有點像鴿巢原理，整數個數為2^32,也就是，我們可以將這2^32個數，劃分為2^8個區域(比如用單個文件代表一個區域)，然後將數據分離到不同的區域，然後不同的區域在利用bitmap就可以直接解決了。也就是說只要有足夠的磁碟空間，就可以很方便的解決。
2).5億個int找它們的中位數。
這個例子比上面那個更明顯。首先我們將int劃分為2^16個區域，然後讀取數據統計落到各個區域里的數的個數，之後我們根據統計結果就可以判斷中位數落到那個區域，同時知道這個區域中的第幾大數剛好是中位數。然後第二次掃描我們只統計落在這個區域中的那些數就可以了。
實際上，如果不是int是int64，我們可以經過3次這樣的劃分即可降低到可以接受的程度。即可以先將int64分成2^24個區域，然後確定區域的第幾大數，在將該區域分成2^20個子區域，然後確定是子區域的第幾大數，然後子區域里的數的個數只有2^20，就可以直接利用direct addr table進行統計了。
6.資料庫索引
適用范圍：大數據量的增刪改查
基本原理及要點：利用數據的設計實現方法，對海量數據的增刪改查進行處理。
擴展：
問題實例：
7.倒排索引(Inverted index)
適用范圍：搜索引擎，關鍵字查詢
基本原理及要點：為何叫倒排索引？一種索引方法，被用來存儲在全文搜索下某個單詞在一個文檔或者一組文檔中的存儲位置的映射。
以英文為例，下面是要被索引的文本：
T0 = "it is what it is"
T1 = "what is it"
T2 = "it is a banana"
我們就能得到下面的反向文件索引：
"a": {2}
"banana": {2}
"is": {0, 1, 2}
"it": {0, 1, 2}
"what": {0, 1}
檢索的條件"what", "is" 和 "it" 將對應集合的交集。
正向索引開發出來用來存儲每個文檔的單詞的列表。正向索引的查詢往往滿足每個文檔有序頻繁的全文查詢和每個單詞在校驗文檔中的驗證這樣的查詢。在正向索引中，文檔占據了中心的位置，每個文檔指向了一個它所包含的索引項的序列。也就是說文檔指向了它包含的那些單詞，而反向索引則是單詞指向了包含它的文檔，很容易看到這個反向的關系。
擴展：
問題實例：文檔檢索系統，查詢那些文件包含了某單詞，比如常見的學術論文的關鍵字搜索。
8.外排序
適用范圍：大數據的排序，去重
基本原理及要點：外排序的歸並方法，置換選擇 敗者樹原理，最優歸並樹
擴展：
問題實例：
1).有一個1G大小的一個文件，裡面每一行是一個詞，詞的大小不超過16個位元組，內存限制大小是1M。返回頻數最高的100個詞。
這個數據具有很明顯的特點，詞的大小為16個位元組，但是內存只有1m做hash有些不夠，所以可以用來排序。內存可以當輸入緩沖區使用。
9.trie樹
適用范圍：數據量大，重復多，但是數據種類小可以放入內存
基本原理及要點：實現方式，節點孩子的表示方式
擴展：壓縮實現。
問題實例：
1).有10個文件，每個文件1G， 每個文件的每一行都存放的是用戶的query，每個文件的query都可能重復。要你按照query的頻度排序 。
2).1000萬字元串，其中有些是相同的(重復),需要把重復的全部去掉，保留沒有重復的字元串。請問怎麼設計和實現？
3).尋找熱門查詢：查詢串的重復度比較高，雖然總數是1千萬，但如果除去重復後，不超過3百萬個，每個不超過255位元組。
10.分布式處理 maprece
適用范圍：數據量大，但是數據種類小可以放入內存
基本原理及要點：將數據交給不同的機器去處理，數據劃分，結果歸約。
擴展：
問題實例：
1).The canonical example application of MapRece is a process to count the appearances of
each different word in a set of documents:
void map(String name, String document):
// name: document name
// document: document contents
for each word w in document:
EmitIntermediate(w, 1);
void rece(String word, Iterator partialCounts):
// key: a word
// values: a list of aggregated partial counts
int result = 0;
for each v in partialCounts:
result += ParseInt(v);
Emit(result);
Here, each document is split in words, and each word is counted initially with a "1" value by
the Map function, using the word as the result key. The framework puts together all the pairs
with the same key and feeds them to the same call to Rece, thus this function just needs to
sum all of its input values to find the total appearances of that word.
2).海量數據分布在100台電腦中，想個辦法高效統計出這批數據的TOP10。
3).一共有N個機器，每個機器上有N個數。每個機器最多存O(N)個數並對它們操作。如何找到N^2個數的中數(median)？
經典問題分析
上千萬or億數據（有重復），統計其中出現次數最多的前N個數據,分兩種情況：可一次讀入內存，不可一次讀入。
可用思路：trie樹+堆，資料庫索引，劃分子集分別統計，hash，分布式計算，近似統計，外排序
所謂的是否能一次讀入內存，實際上應該指去除重復後的數據量。如果去重後數據可以放入內存，我們可以為數據建立字典，比如通過 map，hashmap，trie，然後直接進行統計即可。當然在更新每條數據的出現次數的時候，我們可以利用一個堆來維護出現次數最多的前N個數據，當然這樣導致維護次數增加，不如完全統計後在求前N大效率高。
如果數據無法放入內存。一方面我們可以考慮上面的字典方法能否被改進以適應這種情形，可以做的改變就是將字典存放到硬碟上，而不是內存，這可以參考資料庫的存儲方法。
當然還有更好的方法，就是可以採用分布式計算，基本上就是map-rece過程，首先可以根據數據值或者把數據hash(md5)後的值，將數據按照范圍劃分到不同的機子，最好可以讓數據劃分後可以一次讀入內存，這樣不同的機子負責處理各種的數值范圍，實際上就是map。得到結果後，各個機子只需拿出各自的出現次數最多的前N個數據，然後匯總，選出所有的數據中出現次數最多的前N個數據，這實際上就是rece過程。
實際上可能想直接將數據均分到不同的機子上進行處理，這樣是無法得到正確的解的。因為一個數據可能被均分到不同的機子上，而另一個則可能完全聚集到一個機子上，同時還可能存在具有相同數目的數據。比如我們要找出現次數最多的前100個，我們將1000萬的數據分布到10台機器上，找到每台出現次數最多的前 100個，歸並之後這樣不能保證找到真正的第100個，因為比如出現次數最多的第100個可能有1萬個，但是它被分到了10台機子，這樣在每台上只有1千個，假設這些機子排名在1000個之前的那些都是單獨分布在一台機子上的，比如有1001個，這樣本來具有1萬個的這個就會被淘汰，即使我們讓每台機子選出出現次數最多的1000個再歸並，仍然會出錯，因為可能存在大量個數為1001個的發生聚集。因此不能將數據隨便均分到不同機子上，而是要根據hash 後的值將它們映射到不同的機子上處理，讓不同的機器處理一個數值范圍。
而外排序的方法會消耗大量的IO，效率不會很高。而上面的分布式方法，也可以用於單機版本，也就是將總的數據根據值的范圍，劃分成多個不同的子文件，然後逐個處理。處理完畢之後再對這些單詞的及其出現頻率進行一個歸並。實際上就可以利用一個外排序的歸並過程。
另外還可以考慮近似計算，也就是我們可以通過結合自然語言屬性，只將那些真正實際中出現最多的那些詞作為一個字典，使得這個規模可以放入內存。
⑸ php自學要多久才能學會
php 基礎知識需要自學 1~3 個月才能做到熟練掌握。
一、入門(第一階段)標准：掌握基本的語法。能夠在記事本上寫 hello world 。能夠從網上下載wamp等全自動套件安裝php+apache環境。同時你的helloworld能夠運行。
對nginx有一定了解，並能操作之;此時已經明白一個重要的道理：要想學好PHP,不是光光會PHP就夠的。同時還要掌握一定的html知識、js知識、linux知識和資料庫知識。
六、高級階段：
(1):要達到中高級階段，必須做過一些大中型項目。在項目中積累了較高水準的肉眼識BUG的技能。對開源代碼有興趣，很好的利用並能讀懂開源代碼。
(2)做大中型項目不再局限於PHP。而是用Java等語言做了後台、python做了數據分析、PHP來做前端。掌握至少2門資料庫，此時學習一門新技術已經達到一通百通的程度，分分鍾就能掌握一門新語音的語法。
⑹ PHP數據匯總生成報表並進行分析的源碼
用考勤軟體生成的。考勤流程步驟如下（不同版本方法弱有不同，但是流程差不多，適用於所有考勤系統）：
考勤機上打考勤簽到-----通過考勤軟體採集數據進入考勤系統-----在考勤軟體中需要簽卡、排班（或自動抓班）、寫請假單、與加班單的做好-----進行日考勤分析並對異常進行糾錯確認-----月結時進行月考勤計算-----報表管理中瀏覽、導出或直接列印月考勤報表。
⑺ 某網站電商運營數據分析案例
某網站電商運營數據分析案例
PHPStat是目前國內最專業的電子商務數據分析運營平台，專注為電子商務企業提供網站訪客轉化行為、訂單分析、商品分析、頁面轉化分析、營銷轉化分析的整體優化解決方案。目前PHPStat已經成功為蘇寧易購、湖南衛視快樂購、天天網、某網站、鴻星爾克、高鴻商城、以純旗艦店、海爾商城、天極網等在內的50家電子商務企業提供數據分析服務。下面是PHPStat為一家綠色食品網站某網站提供的數據分析的案例。
某網站在使用PHPStat之前遇到的問題
1. 數據非實時，很難根據數據的變化來調整業務；
2. 商品轉化率低，無法快速的了解每個品類以及該品類下的具體商品轉化情況；
3. 同一個商品分布在不同的頁面，不能夠了解每個頁面對該商品的轉化貢獻；
4. 商品臨時組活動全靠手工添加，低效並且費力，無法保證效果的真實性；
5. 營銷廣告無法跟蹤到產生的訂單、注冊數據，不能夠進行效果評估；
6. 首頁輪播廣告點擊量無法監測，更不能分析廣告帶來的訂單、注冊數據；
7. 想要得到首頁個區塊的點擊量，卻無法統計到；
PHPStat提供解決方案以及效果評估
PHPStat根據該某網站當前面臨的主要問題和實際運營狀況，為其制定了對應的解決方案，解決方案分為兩個部分，一部分是通過「PHPStat標准化電商數據採集方案」對某網站站設置正確的數據採集方式，從而對轉化率、動銷率和客單價等各項轉化指標進行跟蹤，另一部分是通過「專業excel報表」解決某網站數據分析報告效率低下的問題。
了解產品
開始試用
規范報表
閱讀案例
專家幫助
藉助PHPStat細致的數據報表，中小型電商網站只需一鍵就可滿足網站數據分析需求；
PHPStat支持saas服務模式或者本地部署，並幫助業務運營人員更高效的響應業務需求；
PHPStat數據提供訪客、訂單、商品、活動頁面以及營銷方案五大類數據的監測，並提供圖文並茂的xls文件；
PHPStat幫助某網站最大化的滿足其業務需求，並有效降低了數據獲取的難度，減輕數據分析人員工作壓力；
數位技術專家以及分析精英實時提供在線支持，幫助您最有效的應用PHPStat解決網站存在的實際問題；
下載
注冊
範例
閱讀
咨詢
1. 電商數據採集
類型
說明
商品瀏覽採集
商品最終頁面的瀏覽來源，分析不同頁面對商品的轉化貢獻；
購物車採集
分析購物車商品的添加和移除現象，了解購物車使用情況；
訂單採集
採集訂單以及訂單包括商品的信息，分析商品的轉化情況；
訂單支付採集
分析訂單的支付轉化情況，發現支付瓶頸；
2. 案例截圖
3. 報表截圖
經過PHPStat專業的數據分析以及高效的excel報表，某網站內部團隊可以專注於網站運營數據的分析，關注網站業務的發展。
⑻ PHP或者python進行數據採集和分析，有什麼比較成熟的框架
Python：
1.requests 很好用的http庫，中文文檔：Requests: 讓 HTTP 服務人類
2.BeautifulSoup 很好用很強大的html解析庫，中文文檔：Beautiful Soup 4.4.0 文檔
3.Scrapy 知名爬蟲框架，中文文檔：Scrapy 0.25 文檔
⑼ php數據分析
這個問題其實簡單，你可以在foreach外先設置一個空數組，作用是把2016-11-29作為鍵 出現的次數作為value存儲起來， 代碼
$tmpArr = array();
foreach($ips as $key => $value)
{
$tmpArr[explode('_',$key)[0]] ++;
}
foreach($tmpArr as $key => $tmp)
{
echo $key." ".$tmp."<br>";
}
但是具體的數據結構要根據你自己情況來定。
⑽ php如何設計或實現數據統計
統計，就是把基本的數據，整合起來。
用到sql的，有group by 功能，count功能，order by功能等等。
sql將收集的數據，進行統計分析。
一般情況下，sql處理後得到的數據，還要通過php的邏輯來進行整理。
以一定的格式，展示到前台。
一般都是以數組的方式展示，這也是數據結構的概念。
看這張圖片，基本想想結構大概為
{上線數，出單總數，核過總數，總人均，總核率，{(坐席人1，工號1，出單數1，發貨數1，核單率1),(坐席人2，工號2，出單數2，發貨數2，核單率2)}}
如果用php展示成上面的結構的話，就很好處理了。