编程仓
1. 璁＄畻链鸿瑷鎺掑悕鍓嶅崄钖嶏纻
浠ヤ笅灏辨槸鎴戜负澶у舵暣鐞嗙殑2017骞存渶鍊煎缑瀛︿範镄勭紪绋嬭瑷TOP10锛
绗10钖嶏细Scala
Scala鏄鐢尽artinOdersky璁捐＄殑涓绉嶉氱敤绋嫔簭缂栫▼璇瑷銆2004骞1链20镞ワ纴Scala寮濮嬫敮鎸佸嚱鏁板纺缂栫▼锛屽苟鎺ㄥ嚭寮洪润镐佺被鍨嬬郴缁熴备负浜呜揪鍒扮亩娲佺殑鐩镄勶纴Scala镄勬墍链夎捐￠兘𨱒ヨ嚜浜庡ぇ瀹跺逛簬java镄勬壒璇勬荤粨銆係cala镄勬簮浠ｇ爜浼氲缂栬疟鎴怞ava瀛楄妭浠ｇ爜锛屽洜姝ょ敓鎴愮殑鍙镓ц屼唬镰佸皢鍦↗ava铏氭嫙链轰笂杩愯屻
绗9钖嶏细Swift
浣滀负Objective-C镄勬帴鐝浜猴纴Swift鏄铡嗗彶涓婂彂灞曟渶蹇镄勭紪绋嬭瑷涔嬩竴銆傚畠鐢盇pple寮鍙戯纴镓浠ラ潪甯搁傚悎鐢ㄤ簬缂栧啓iOS锛宫acOS锛寃atchOS鍜宼vOS涓婄殑搴旂敤銆係wift鐩稿瑰共鍑銆佸揩阃熶笖姝ｇ‘鐜囬珮锛屽悓镞朵篃鍙浠ョ缉鐭浠ｇ爜镄勯暱搴︼纴鑺傜渷镞堕棿鍜岀簿锷涖傜敱浜岙wift鏄寮婧愮殑锛屾墍浠ュ紑鍙戣呬篃鍙浠ュ湪Windows鎴栬匧inux涓婅繘琛屽紑鍙戯纴璁捐¤嚜宸辩殑缂栬疟鍣锛屼絾闇纭淇濊嚜宸卞啓镄𪞝pp鍜孉pple璁惧囧吋瀹广
绗8钖嶏细VisualBasic.NET
VisualBasic.NET鐢卞井杞寮鍙戯纴鏄涓绉嶅氲寖寮忥纴闱㈠悜瀵硅薄镄勭紪绋嬭瑷銆傛渶鍒濊捐＄殑鐩镄勬槸甯屾湜鑳藉熸柟渚垮湴灏哣isualBasic搴旂敤瀵煎叆鍒癡S.NET涓锛岃岃繖绉嶅厖鍒嗗埄鐢ㄦ柊镄勮繍琛屾椂锛坮untime锛夌殑渚嫔瓙鏄闱炲父灏戣佺殑銆傝繖绉嶅仛娉曚娇寰楀緢澶т竴閮ㄥ垎钥佹淳镄勫紑鍙戣呬滑鑳藉熷垏鎹㈠埌鏂扮殑寮鍙戠幆澧冧腑锛屼笌浠扑绩鍦板︿範涓绉嶆柊璇瑷鐩告瘆锛屽︿範镟茬嚎瑕佸钩婊戝缑澶氥
绗7钖嶏细Ruby
Ruby鏄涓绉嶅姩镐侊纴鍙嶅皠寮忥纴闱㈠悜瀵硅薄镄勯氱敤缂栫▼璇瑷銆傚畠鏀鎸佸氲寖寮忕紪绋嬶纴鍖呮嫭鍑芥暟寮忥纴闱㈠悜瀵硅薄绛夈
鍦2016骞3链堟椂锛孯uby璇瑷鍦═OP10涓涔熸帓寰楀緢鍓嶏纴濡备粖锛屽畠浠岖劧鏄鍒涗笟鍏鍙革纴寮鍙戣咃纴鐢氲呖鏄鎴愮啛浼佷笟锅忓ソ镄勫伐鍏枫傜劧钥岋纴铏界劧Ruby寰埚ぇ绋嫔害涓婃敼杩涗简鍏舵嗘灦(RubyonRails)锛屽彉寰楁洿锷犵伒娲讳笖浣垮缑寮鍙戞柊镄勫簲鐢ㄥ彲鍖哄潡鍖栵纴浣嗘槸Node.js镄勫礇璧凤纴寰埚ぇ绋嫔害涓娄娇寰桼uby镞犳硶𨰾ユ湁鏋佸叿绔炰簤锷涚殑鏂颁竴浠ｅ紑鍙戣呫
绗6钖嶏细PHP
PHP锛堣秴绾ф枃链棰勫勭悊璇瑷锛夋槸涓绉嶆湇锷″櫒绔镄勮瑷銆傚备粖锛屽畠琚鐢ㄤ簬瓒呰繃80%镄勭绣绔欙纴鍖呮嫭Facebook锛学ikipedia锛孴umblr鍜学ordPress銆侾HP涓崭粎锲犱负鏄扑簬涓婃坠锛岃屽弹鍒版柊鏅嫔紑鍙戣呬滑镄勬㈣繋锛屼篃涓哄緢澶氭垚镡熺殑寮鍙戣呮彁渚涗简澶ч噺镄勪紭绉鐗规с傚洜姝わ纴涓栫晫钖勫湴閮藉笔HP缃戠粶寮鍙戣呴渶姹傚法澶с
2004骞达纴PHP琚玊IOBE鎺堜篑钬滃勾搴︽渶浣宠瑷钬濆栥傛ゅ栵纴PHP杩樻槸鎴姝2010骞3链堬纴绗3鍙楁㈣繋镄勮瑷銆
绗5钖嶏细Java
Java鏄鐜颁粖浼犳挱链骞跨殑缂栫▼璇瑷涔嬩竴銆傚畠鏄涓绉嶆祦琛岀殑锛屽己澶х殑锛屽姩镐佽剼链璇瑷锛屽挨鍏跺杽浜庡紑鍙戜紭绉镄勭绣椤碉纴鍜岀绣椤垫父鎴忋侸ava镄勮稿氲娉曢兘鏄浠嶤璇瑷钥屾潵銆傚畠涓庢墍链夋祻瑙埚櫒鍏煎癸纴骞惰鐢ㄤ簬瓒呰繃90%镄勭绣椤典腑銆傝繎鍑犲勾锛孞ava杩樿浣滀负Node.js镄勫熀纭锛屽悗钥呮槸涓绉嶆湇锷＄鎶链锛屽姛鑳戒箣涓鏄瀹炵幇瀹炴椂阃氢俊銆
Java链镞╁湪NetscapeNavigator锛堢绣鏅瀵艰埅鍣锛変腑鍑虹幇锛屽苟鎴愪负浜嗙幇浠ｅ姩镐佺绣椤电殑锘虹銆
绗4钖嶏细GO
Go锛堟垨钥匞OLANG锛夌敱Google鍦2007骞村紑鍙戯纴鏄涓绉嶅厤璐圭殑寮婧愮紪绋嬭瑷銆傚畠链夌潃浼樼镄勬爣鍑嗗簱锛屼笖缂栬疟阃熷害寰埚揩銆傚悓镞讹纴瀹冧篃寰埚杽浜庡勭悊骞跺彂浠诲姟鍜岀▼搴忋侴oogle缁欎简Go澶ч噺镄勬敮鎸侊纴姣斿备娇鐢℅o璇瑷镄勭绣绔欐湁Netflix锛孻ouTube鍜孉dobe銆
绗3钖嶏细Python
Python鏄涓绉嶅簲鐢ㄥ箍娉涚殑楂樼骇阃氱敤缂栫▼璇瑷锛岀亩鍗曪纴鏄撹汇傚畠鏄涓绉崭竾鑳界殑宓屽叆寮忚剼链璇瑷锛屾槸璁稿氱绣绔欐灦鏋勭殑鍧氩疄锘虹锛屽悓镞朵篃鏄镊锷ㄥ寲浠诲姟锛埚寘𨰾鍦3D搴旂敤涓锛夛纴妗岄溃缂栫▼宸ュ叿锛屾暟鎹绉戝︾瓑镄勪笉浜岄夋嫨銆侾ython杩樿鐢ㄤ簬鏁栾偛锛屽洜姝ゅ畠杩桦寘钖浜嗘暟瀛︼纴鐗╃悊绛夊唴瀹广傝稿氭妧链宸ㄥご濡侴oogle鍜孻ahoo锛屼互鍙奛ASA锛孭BS鍜孯eddit绛夐兘浣跨敤Python缂栧啓浠栦滑镄勭绣绔欍
绗浜屽悕锛欳
2015骞3链堬纴C璇瑷琚璇勪负鍏ㄤ笘鐣屾渶鍙楁㈣繋镄勮瑷銆侰璇瑷镄勫簲鐢ㄥ嚑涔庢槸镞犳㈠幂殑锛屽畠涔熶竴鐩存槸链鍙楁㈣繋镄勮瑷鍓2钖嶃
C++鐢盋鍙戝𪾢钥屾潵锛岃孋镟村姞绠鍗曪纴锷熻兘涔熻缉灏戙侰璇瑷鏄鐢盌ennisRitchie锛屼簬1972骞村紑鍙戠殑闱㈠悜杩囩▼镄勮瑷锛屽湪UNIX镎崭綔绯荤粺涓浣跨敤銆傝槠铹禖鏄涓绉岖浉瀵硅缉钥佺殑璇瑷锛屼絾瀹冧粛铹惰骞挎硾搴旂敤浜庣郴缁熺紪绋嬶纴缂栧啓鍏跺畠璇瑷鍙婂祵鍏ュ纺绯荤粺涔嬩腑銆侺inux镎崭綔绯荤粺镄勫唴镙稿氨鏄鐢–璇瑷缂栧啓镄勚
绗1钖嶏细Java
灏卞弹娆㈣繋镄勭▼搴﹁岃█锛孞ava鏄疌镄勪富瑕佸规坠锛屼簩钥呭叡浜鍓2钖岖殑浣岖疆銆侸ava銮峰缑钬2015骞村勾搴︽渶浣宠瑷钬濆栵纴钥屾嵁Oracle鍏鍙哥О锛屼娇鐢ㄥ畠镄勫紑鍙戣呰秴杩900涓囥
Java鍦ㄤ笘鐣岃寖锲村唴琚鍑犵栌涓囩殑寮鍙戣呭簲鐢ㄤ簬鍑犲崄浜胯惧囦腑銆傚畠鏄涓绉嶅熀浜庣被镄勯溃钖戝硅薄镄勮瑷锛屽畠镄勮法骞冲彴鐗规т娇寰楁墍链夌殑骞冲彴銆佹搷浣灭郴缁熷拰璁惧囬兘瀵瑰叾鍏煎广傚畠琚鐢ㄤ簬寮鍙戝畨鍗揳pp锛屾岄溃app鍜岀数瀛愭父鎴忥纴鏄璁稿氢紒涓氩悗鍙扮殑寮鍙戣瑷銆侸ava镄勮法骞冲彴鐗规у皢淇濇寔寰堥暱涓娈垫椂闂达纴钥岃繖姝ｆ槸Java鍙楁㈣繋镄勭悊鐢便
2. mt4的EA编程中,Symbol()和NULL的用法有什么区别
NULL 是留空的意思，指默认货币对，你把ea拉到那个货币对的图表，就指该货币对
Null 还有默认图表 默认计算方式等等意思
symbol（）允许你在任何一个图表，操作读取其他货币对的数据 （策略测试不行），还被运用来“预防把ea运行在错误的图表上”例如smybol==gbpusd加入建仓条件中，是为了规定这个ea只能用来做gbpusd。
补充：我撸代码不行，这只是思路。具体代码写法可以查mt4帮助文件
3. 软件开发的一般流程是什么_
软件开发流程分为: 需求确认——概要设计——详细设计——编码——单元测试——集成测试——系统测试——维护
软件开发是一项包括需求捕捉、需求分析、设计、实现和测试的系统工程。软件一般是用某种程序设计语言来实现的。通常采用软件开发工具可以进行开发。软件分为系统软件和应用软件，并不只是包括可以在计算机上运行的程序，与这些程序相关的文件一般也被认为是软件的一部分。
软件设计思路和方法的一般过程，包括设计软件的功能和实现的算法和方法、软件的总体结构设计和模块设计、编程和调试、程序联调和测试以及编写、提交程序。
(3)编程仓扩展阅读
软件开发方面的工作。具体可分为以下方面：
1可视化编程掌握程序设计方法及可视化技术，精通一种可视化平台及其软件开发技术。获取Delphi程序员系列、Java初级或VB开发能手认证。 就业方向：企业、政府、社区、各类学校等可视化编程程序员。
2 WEB应用程序设计 具有美工基础和网页动画设计能力，掌握交互式网页程序的设计技术，能进行网站建设和维护。获取Macromedia多媒体互动设计师或Delphi初级程序员或Delphi快速网络开发工程师认证。 就业方向：企业、政府、社区、各类学校等WEB应用程序员。
3软件测试掌握软件测试的基本原理、方法和组织管理，精通软件测试工具。获取ATA软件测试工程师或Delphi初级程序员或Java初级程序员认证。 就业方向：企业、政府、社区、各类学校等软件测试员。
4 数据库管理 能应用关系范式进行数据库设计，精通SQL语言，胜任数据库服务器管理与应用工作。获取Oracle数据库管理或SQL Server数据库应用或Windows XP应用认证。 就业方向：企业、政府、社区、各类学校等部门的中、大型数据库管理员。
5 图形图像制作 精通国际上流行的图形/图像制作工具（如CorelDraw、Photoshop、Pagemaker等）。获取平面设计师相关的认证。 就业方向：广告制作公司、建筑设计公司、包装装璜设计公司、居室装修公司、出版印刷公司。
参考资料来源：网络-软件开发
4. cnc操作员前途怎么样和仓管我该选择哪行
如果是论前途的话，我觉得你去学CNC会好些，你别小看现在是学徒，大师都是从学徒走出来的，刚开始的时候，你可能就在那打杂，等过了一段时间，代你的师傅觉得你不错的话就会教你了，当然前提是你要好好表现，要好学，要多问，等你会看图纸了，会熟练操作那些机器，能独立完成一些模具的制造的时候 ，你的工资自然会加的，3000以上应该不成问题，如果你再好好学学CNC编程的话，学精了，那么，在那家工厂就是重要人物了，这是技术活，在沿海一带，一个CNC工程师的工资五六千还算低的了。如果是仓管的话，发展前途不大，除非你能达到去做物流，你喜欢学PHP，做学徒也可以学的嘛。
5. 大数据开发和数据分析有什么区别
大数据分析是指对规模巨大的数据进行分析。大数据可以概括为4个V， 数据量大(Volume)、速度快(Velocity)、类型多(Variety)、价值（Value）。
大数据开发其实分两种，第一类是编写一些Hadoop、Spark的应用程序，第二类是对大数据处理系统本身进行开发。第一类工作感觉更适用于data analyst这种职位吧，而且现在Hive Spark-SQL这种系统也提供SQL的接口。第二类工作的话通常才大公司里才有，一般他们都会搞自己的系统或者再对开源的做些二次开发。这种工作的话对理论和实践要求的都更深一些，也更有技术含量。
大数据作为时下最火热的IT行业的词汇，随之而来的数据仓库、数据安全、数据分析、数据挖掘等等围绕大数据的商业价值的利用逐渐成为行业人士争相追捧的利润焦点。随着大数据时代的来临，大数据分析也应运而生。
应用案例，与往届世界杯不同的是，数据分析成为巴西世界杯赛事外的精彩看点。伴随赛场上球员的奋力角逐，大数据也在全力演绎世界杯背后的分析故事。一向以严谨着称的德国队引入专门处理大数据的足球解决方案，进行比赛数据分析，优化球队配置，并通过分析对手数据找到比赛的“制敌”方式；谷歌、微软、Opta等通过大数据分析预测赛果...... 大数据，不仅成为赛场上的“第12人”，也在某种程度上充当了世界杯的"预言帝"。
分析开始的时候，数据首先从数据仓储中会被抽出来，被放进RDBMS里以产生需要的报告或者支撑相应的商业智能应用。在大数据分析的环节中，裸数据以及经转换了的数据大都会被保存下来，因为可能在后面还需要再次转换。
6. 大数据分析,大数据开发,数据挖掘 所用到技术和工具
大数据分析是一个含义广泛的术语，是指数据集，如此庞大而复杂的，他们需要专门设计的硬件和软件工具进行处理。该数据集通常是万亿或EB的大小。这些数据集收集自各种各样的来源：传感器，气候信息，公开的信息，如杂志，报纸，文章。大数据分析产生的其他例子包括购买交易记录，网络日志，病历，军事监控，视频和图像档案，及大型电子商务。
大数据分析，他们对企业的影响有一个兴趣高涨。大数据分析是研究大量的数据的过程中寻找模式，相关性和其他有用的信息，可以帮助企业更好地适应变化，并做出更明智的决策。
一、Hadoop
Hadoop是一个开源框架，它允许在整个集群使用简单编程模型计算机的分布式环境存储并处理大数据。它的目的是从单一的服务器到上千台机器的扩展，每一个台机都可以提供本地计算和存储。
Hadoop 是一个能够对大量数据进行分布式处理的软件框架。但是 Hadoop 是以一种可靠、高效、可伸缩的方式进行处理的。Hadoop 是可靠的，即使计算元素和存储会失败，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，它采用并行的方式工作，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：
1、高可靠性。Hadoop按位存储和处理数据的能力值得人们信赖。
2、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。
3、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。
4、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。
十、Tableau Public
1、什么是Tableau Public -大数据分析工具
这是一个简单直观的工具。因为它通过数据可视化提供了有趣的见解。Tableau Public的百万行限制。因为它比数据分析市场中的大多数其他玩家更容易使用票价。使用Tableau的视觉效果，您可以调查一个假设。此外，浏览数据，并交叉核对您的见解。
2、Tableau Public的使用
您可以免费将交互式数据可视化发布到Web;无需编程技能;发布到Tableau Public的可视化可以嵌入到博客中。此外，还可以通过电子邮件或社交媒体分享网页。共享的内容可以进行有效硫的下载。这使其成为最佳的大数据分析工具。
3、Tableau Public的限制
所有数据都是公开的，并且限制访问的范围很小;数据大小限制;无法连接到[R ;读取的唯一方法是通过OData源，是Excel或txt。
十一、OpenRefine
1、什么是OpenRefine - 数据分析工具
以前称为GoogleRefine的数据清理软件。因为它可以帮助您清理数据以进行分析。它对一行数据进行操作。此外，将列放在列下，与关系数据库表非常相似。
2、OpenRefine的使用
清理凌乱的数据;数据转换;从网站解析数据;通过从Web服务获取数据将数据添加到数据集。例如，OpenRefine可用于将地址地理编码到地理坐标。
3、OpenRefine的局限性
Open Refine不适用于大型数据集;精炼对大数据不起作用
十二、KNIME
1、什么是KNIME - 数据分析工具
KNIME通过可视化编程帮助您操作，分析和建模数据。它用于集成各种组件，用于数据挖掘和机器学习。
2、KNIME的用途
不要写代码块。相反，您必须在活动之间删除和拖动连接点;该数据分析工具支持编程语言;事实上，分析工具，例如可扩展运行化学数据，文本挖掘，蟒蛇，和[R 。
3、KNIME的限制
数据可视化不佳
十三、Google Fusion Tables
1、什么是Google Fusion Tables
对于数据工具，我们有更酷，更大版本的Google Spreadsheets。一个令人难以置信的数据分析，映射和大型数据集可视化工具。此外，Google Fusion Tables可以添加到业务分析工具列表中。这也是最好的大数据分析工具之一，大数据分析十八般工具。
2、使用Google Fusion Tables
在线可视化更大的表格数据;跨越数十万行进行过滤和总结;将表与Web上的其他数据组合在一起；您可以合并两个或三个表以生成包含数据集的单个可视化;
3、Google Fusion Tables的限制
表中只有前100,000行数据包含在查询结果中或已映射;在一次API调用中发送的数据总大小不能超过1MB。
十四、NodeXL
1、什么是NodeXL
它是关系和网络的可视化和分析软件。NodeXL提供精确的计算。它是一个免费的(不是专业的)和开源网络分析和可视化软件。NodeXL是用于数据分析的最佳统计工具之一。其中包括高级网络指标。此外，访问社交媒体网络数据导入程序和自动化。
2、NodeXL的用途
这是Excel中的一种数据分析工具，可帮助实现以下方面：
数据导入;图形可视化;图形分析;数据表示;该软件集成到Microsoft Excel 2007,2010,2013和2016中。它作为工作簿打开，包含各种包含图形结构元素的工作表。这就像节点和边缘;该软件可以导入各种图形格式。这种邻接矩阵，Pajek .net，UCINet .dl，GraphML和边缘列表。
3、NodeXL的局限性
您需要为特定问题使用多个种子术语;在稍微不同的时间运行数据提取。
十五、Wolfram Alpha
1、什么是Wolfram Alpha
它是Stephen Wolfram创建的计算知识引擎或应答引擎。
2、Wolfram Alpha的使用
是Apple的Siri的附加组件;提供技术搜索的详细响应并解决微积分问题;帮助业务用户获取信息图表和图形。并有助于创建主题概述，商品信息和高级定价历史记录。
3、Wolfram Alpha的局限性
Wolfram Alpha只能处理公开数字和事实，而不能处理观点;它限制了每个查询的计算时间;这些数据分析统计工具有何疑问?
十六、Google搜索运营商
1、什么是Google搜索运营商
它是一种强大的资源，可帮助您过滤Google结果。这立即得到最相关和有用的信息。
2、Google搜索运算符的使用
更快速地过滤Google搜索结果;Google强大的数据分析工具可以帮助发现新信息。
十七、Excel解算器
1、什么是Excel解算器
Solver加载项是Microsoft Office Excel加载项程序。此外，它在您安装Microsoft Excel或Office时可用。它是excel中的线性编程和优化工具。这允许您设置约束。它是一种先进的优化工具，有助于快速解决问题。
2、求解器的使用
Solver找到的最终值是相互关系和决策的解决方案;它采用了多种方法，来自非线性优化。还有线性规划到进化算法和遗传算法，以找到解决方案。
3、求解器的局限性
不良扩展是Excel Solver缺乏的领域之一;它会影响解决方案的时间和质量;求解器会影响模型的内在可解性;
十八、Dataiku DSS
1、什么是Dataiku DSS
这是一个协作数据科学软件平台。此外，它还有助于团队构建，原型和探索。虽然，它可以更有效地提供自己的数据产品。
2、Dataiku DSS的使用
Dataiku DSS - 数据分析工具提供交互式可视化界面。因此，他们可以构建，单击，指向或使用SQL等语言。
3、Dataiku DSS的局限性
有限的可视化功能;UI障碍：重新加载代码/数据集;无法轻松地将整个代码编译到单个文档/笔记本中;仍然需要与SPARK集成
以上的工具只是大数据分析所用的部分工具，小编就不一一列举了，下面把部分工具的用途进行分类：
1、前端展现
用于展现分析的前端开源工具有JasperSoft，Pentaho, Spagobi, Openi, Birt等等。
用于展现分析商用分析工具有Style Intelligence、RapidMiner Radoop、Cognos, BO, Microsoft Power BI, Oracle,Microstrategy,QlikView、 Tableau 。
国内的有BDP，国云数据(大数据分析魔镜)，思迈特，FineBI等等。
2、数据仓库
有Teradata AsterData, EMC GreenPlum, HP Vertica 等等。
3、数据集市
有QlikView、 Tableau 、Style Intelligence等等。
当然学大数据分析也有很多坑：
《转行大数据分析师后悔了》、《零基础学大数据分析现实吗》、《大数据分析培训好就业吗》、《转行大数据分析必知技能》