数据集成是将不同来源、格式、质量的数据集成到一个统一的数据存储系统中，以便进行统一管理和分析。最常用的数据集成方法是抽取、转换、加载（ETL）方法，即从源系统抽取数据，进行数据转换，再将数据加载到目标系统中。
此外，还有ELT方法，即先将数据加载到目标系统中，再进行转换。还有基于数据虚拟化的集成方法等。
1. 散点图观察法：通过绘制数据集合的散点图，观察数据点的分布情况。如果数据点呈现出曲线、圆环、螺旋等非线性的形状，可以初步判断为非线性结构。
2. 相关系数法：计算数据集合中各个变量之间的相关系数。如果相关系数接近于0，则说明变量之间呈现出非线性关系。
3. 多项式拟合法：将数据集合拟合成多项式模型。如果多项式的次数为1，则表示线性结构；如果多项式的次数大于1，则表示非线性结构。
4. 决策树方法：通过决策树算法构建决策树模型，观察决策树的分支情况。如果决策树出现多个非线性的划分节点，则说明数据集合具有非线性结构。
需要注意的是，以上方法只是初步判断数据集合是否具有非线性结构，进一步的分析还需要结合具体的数据特征和领域知识来进行综合判断。
数据集成一般可以分为以下四个阶段：
1. 识别数据源：在此阶段，数据集成专家需要确定需要集成的数据源。这需要考虑分析目的和业务需求，确定哪些数据是重要的，然后识别可用的数据源并评估其可靠性和适用性。
2. 提取数据：在此阶段，数据集成专家需要从各种数据源中提取数据，包括结构化和非结构化数据。这个过程需要使用现有的技术来提取和加工数据，如使用ETL工具或手工编写脚本。
3. 转换数据：在此阶段，数据集成专家需要将数据源中提取的数据转换为符合目标数据仓库或数据存储库的格式。这个过程涉及到数据清洗、数据校验、数据变换、数据被合并、去重等。
4. 加载数据：在此阶段，数据集成专家需要将转换后的数据加载到目标数据存储库。这个过程需要使用适当的技术将数据插入数据存储库，如插入SQL语句或使用基于批处理的工具，如Hadoop。数据加载后，需要对加载的数据进行验证和验证，以确保数据在目标存储库中正确地呈现和存储。