全面思考问题。

  相对于全量思维，抽样思维在很长一段时间内，甚至在当今许多产业和实验中，抽样思维都扮演着重要角色。当数据难以获得和难以处理时，抽样思想是一种很好的权宜之计。

  但是在大数据场景中，数据的获取变得非常方便，数据的存储不再昂贵，各种硬件的性能不断提高，数据的运算速度也越来越快。特别是还有许多优秀的研发机构，如Hadoop,Spark,Flink等推出了强大的大数据架构，进一步降低了全量处理成本，使全量数据分析成为可能。

  容忍错误思想

  第二个重要的思想，就是容错，它建立在全量思想之上。

  由于我们生活的世界是纷繁复杂的，不确定因素使我们的世界充满了各种异常、偏差、错误，因此我们收集的全量数据自然也存在着这些问题，这是由数据的残缺、误差、采集设备的不足以及对非结构化数据的不同认识造成的。以往对数据的处理往往追求精确，希望借助严格的数据筛选策略和足够复杂的计算逻辑，以达到完美的结果，但这种方法并不符合实际情况，过于复杂也会导致泛化性能差，在测试阶段的优异效果，到了实际生产环境中往往会出现水土不服的现象。

  在大数据系统中，我们更应注重效率的提高，在这样的前提下，我们还应容忍一些错误，甚至是自身存在的错误，因为这些错误是大数据系统所无法避免的。

  关联思考

  因为海量数据的数量巨大，而海量数据中存在着各种各样的错误甚至是错误，数据之间的关系错综复杂。从这些资料中，我们可以看出，其中所蕴涵的各种奇特知识，都属于“事实”而非“因果”。比如，当某一地区在百度上搜索“感冒”的人数比平常多时，你可以根据数据推测出这里有许多人患了感冒，并因此作出一些商业决定，比如出售感冒药，但你很难从这些数据推断出他们为什么患了感冒。感冒的原因有很多种。

  大数据背景下，人们不再追求难以捉摸的确定的因果关系，转而寻找相关性。从相关关系分析可以看出：

  与东北人相比，广东人更喜欢洗澡；

  从十月到十一月是香山的全年交通高峰；

  在美国选举中，义乌印出的旗子多的人将当选。