大数据常用的数据处理方式主要有以下几种： 批量处理（Bulk Processing）： 批量处理是一种在大量数据上执行某项特定任务的方法。这种方法通常用于分析已经存储在数据库中的历史数据。批量处理的主要优点是效率高，可以在大量数据上一次性执行任务，从而节省时间和计算资源。
结合数模培训和参赛的经验，可采用数据挖掘中的多元回归分析，主成分分析、人工神经网络等方法在建模中的一些成功应用。以全国大学生数学建模竞赛题为例，数据处理软件Excel、Spss、Matlab在数学建模中的应用及其重要性。
大数据的数据处理一共包括四个方面分别是收集，存储，变形，和分析。收集：原始数据种类多样，格式、位置、存储、时效性等迥异。数据收集从异构数据源中收集数据并转换成相应的格式方便处理。存储：收集好的数据需要根据成本、格式、查询、业务逻辑等需求，存放在合适的存储中，方便进一步的分析。
1、数据模型的作用：模拟现实世界；使人容易理解；便于在计算机上实现。数据模型三要素：数据结构、数据操作、数据的约束条件。
2、数据模型三要素是数据结构、数据操作、数据约束。数据结构 是计算机存储、组织数据的方式。数据结构是指相互之间存在一种或多种特定关系的数据元素的集合，即带“结构”的数据元素的集合。通常情况下，精心选择的数据结构可以带来更高的运行或者存储效率。数据结构往往同高效的检索算法和索引技术有关。
3、三要素是数据结构、数据操作、数据约束。数据结构是所研究的对象类型的集合。这些对象是数据库的组成成分，数据结构指对象和对象间联系的表达和实现，是对系统静态特征的描述。数据操作是对数据库中对象的实例允许执行的操作集合，主要指检索和更新（插入、删除、修改）两类操作。
4、数据模型三要素是数据结构、数据操作、数据约束。拓展知识：组成要素：数据结构：数据模型中的数据结构主要描述数据的类型、内容、性质以及数据间的联系等。数据结构是数据模型的基础，数据操作和约束都建立在数据结构上。不同的数据结构具有不同的操作和约束。
5、一般地讲，任何一种数据模型都是严格定义的概念的集合。这些概念必须能够精确地描述系统的静态特性、动态特性和完整性约束条件。因此数据模型通常都是由数据结构、数据操作和完整性约束三个要素组成。1）数据结构 数据结构用于描述数据库系统的静态特性。数据结构是所研究的对象类型的集合。
数据规约 —— 主要方法包括：数据立方体聚集，维度归约，数据压缩，数值归约，离散化和概念分层等。
数据预处理的方法有数据清理、数据集成、数据变换、数据归约。数据清理 通过填写缺失的值、光滑噪声数据、识别或删除离群点并解决不一致性来“清理”数据。主要是达到如下目标：格式标准化，异常数据清除，错误纠正，重复数据的清除。
数据清理数据清理（data cleaning） 的主要思想是通过填补缺失值、光滑噪声数据，平滑或删除离群点，并解决数据的不一致性来清理数据。如果用户认为数据时脏乱的，他们不太会相信基于这些数据的挖掘结果，即输出的结果是不可靠的。数据集成 数据分析任务多半涉及数据集成。
