Артём Клевцов

d <- read.csv("fish.csv", header=TRUE)
PS Сильно рекомендуется выучить команду help.

Есть какие-то методологии по написанию документации?
Да. В Вашем случае можно писать по ГОСТ 19. Если проект большой, то по ГОСТ 34. Есть стандарты ISO

Есть какие-то удобные (платные, бурж) SAAS-сервисы для упрощения ведения документации?
Например, в WIki можно ее хранить.

Не нашел особо много информации, по написанию документации, подскажите запросы, по которым смогу "нарыть" больше инфы по этому вопросу, или ткните на конкретные ресурсы/статьи?
В вашем случае это: техническая документация, описание API, описание БД, Javadoc, Doxygen

Как называется профессия людей, кто занимается только написанием документации?
Техписатели, techwriter-ы, разработчики документации.

Сколько стоит в среднем работа людей пишущих документацию?
Оклад техрайтера сильно зависит от квалификации, от языка, на которм он пишет, а также от сложности проекта и типа документации. Можно сказать, что от 30 до 100 тысяч в месяц.

Хранение данных в BigData порой граничит с искусством. В целом, тут как и везде -- всё зависит от задачи, которая ставится. В любом случае, работа/анализ с текстовыми данными неминуемо приведет вас к Инвертируемому индексу (причем к нескольким).

Если пока вкратце, то вам надо проиндексировать содержимое "сырых данных" (файлы, веб, БД, etc). Пока проиндексировать как есть, без изменения самих данных. Если это реально BigData, то надо подумать о распределенном индексе, понимать стоит ли (а если да, то как) реплицировать индекс (но это уже вопрос производительности).

Так же, для работы и анализа вам обязательно понадобится такой же по структуре индекс, с той лишь разницей, что данные, которые в нем будут храниться, необходимо нормализовать. Как минимум к токенам (словам) применить алгоритм стемминга (или лемматизация, если хотите получить лучшее качество).

Опять же, в зависимости от задач (направления анализа) вам надо подумать о тезаурусах, для решения синонимии терминов в вашем индексе. Но, это я уже пошел в сторону более глубокого анализа данных. Там много что вам понадобится.

Если бы был пример конкретной задачи, то я бы по конкретнее написал о инструментах, подходах, методах.

Немого ссылок:
1. По информационному поиску / анализу данных читайте вот это:
Введение в информационный поиск, Маннинг
Обработка неструктурированных текстов. Поиск, орга...
2. Импорт / фреймворки / библиотеки индексирования и поиска:
Apach Solr
Apach Tika
3. Инвертированный индекс

PS: всё же хотелось бы узнать о конкретной задачи, тогда было бы больше конкретики.

UPD: в ряде случаев в BigData надо манипулировать графовой структурой данных. Соответственно, посмотрите в сторону соответствующих СУБД, например neo4j. Главное требования к СУБД в BigData -- минимализм функционала, иначе на больших данных работать будет всё крайне медленно.

Он итак всё должен отследить.

При этом некоторые сайты попадут в "Рефералы". Чтобы этого избежать идёте в Админ панель Universal analytics -> Tracking info -> Organic Search sources. Там вбиваете нужные поисковики. Вуа-ля! Теперь эти сайты будут группироватсься под органическим источником.

Можете ещё в "Custom channel groupping" поиграться с группировками.

...когда изучал данную тему толком ничего не было на русском языке...

- брехня, есть на русском перевод официала бутстрап обеих версий. Uikit по аналогии освоить не долго, дело вкуса. Главное что нужно сделать - прочитать руководство внимательно, оно исчерпывающее, а не строчить на тостер по любому поводу.

apt-get install nodejs && apt-get install npm