问题描述
我在一项研究中有一个大约 10000 名患者的数据集。对于每位患者，我都有一份各种测量值的列表。一些信息是标量数据（例如年龄），一些信息是测量的时间序列，一些其他信息甚至可以是位图。单个记录本身可能很厚（10kB 到 10MB）。数据实际上分两步处理：
在单个记录（患者）级别进行预处理，即提取原始数据中的一些特征，存储它们。计算时间序列中的一些斜率等。所有这些都可以在个人层面上完成，并且可以很容易地分布。
在预处理数据（提取的特征）之上，我需要计算一些聚合的东西，例如平均年龄，还有一些机器学习任务。
问题
显然，这非常适合在 Apache Spark（或任何 map-reduce 架构）中解决。在最一般的层面上，我的问题是：什么是最适合这种情况的 NoSQL 数据库？
到目前为止，我已经考虑了两个基本选项：
- MongoDB - 利用面向文档的存储，所有内容都在同一个地方。但是，我不确定较大二进制数据（图片、时间序列）的性能。
- Cassandra - 这可能有更好的二进制数据存储，但连接将是必要的（即使通过“患者 ID”索引所有数据进行了优化）。