Loading
0

数据科学中应该学习哪些语言?

原始的数据科学是劳动密集型活动,但当你会用适合的语言进行工作时,数据科学应该是非常智能有趣的工作,会让你得到一些不容易看到的结论。

一般来说,数据科学中常常会涉及大量数据的处理,此时优化代码的性能非常重要。考虑到这些基本原则,来看看哪些语言是数据科学中应该掌握的:

R

R 发布于 1995 年,是 S 语言的一个分支,开源。目前由 R Foundation for Statistical Computing 提供技术支持。

优点:

  • 免费、开源,各种功能和函数琳琅满目
  • 专门为统计和数据分析开发的语言,即使基础安装也包含全面的统计功能和方法
  • 数据可视化

缺点:

  • 性能,R 作为解释型语言,运行效率并不高
  • R 在统计学的表现很出色,但并不适用于通用编程
  • Package 的可靠性问题

小结:R 语言在统计和数据可视化方面非常强大,并且开源让它聚集了一帮活跃的贡献者,不过由于开发者良莠不齐,导致 Package 的可靠性方面会有点问题

Python

Guido van Rossum 在 1991 年推出 Python,开源。Python 广泛用于数据科学领域,目前主要的版本是 3.6 和 2.7

优点:

  • Python 是一门主流编程语言,有着广泛的在线支持
  • 入门友好,易于学习
  • 有诸如 pandas,scikit-learn 和 Tensorflow 这样优秀的 package

缺点:

  • Python 作为动态语言,比 Java 还慢,而且容易出现类型错误
  • 对于特定的统计或数据分析,R 的封装会比 Python 更轻松;而在通用性方面,也有比 Python 更好的替代方案

小结:Python 是数据科学中很好的选择,而且,Google 的 TensorFlow 使得机器学习框架都偏向于Python

SQL

SQL 是结构化查询语言,用于存取数据以及查询、更新和管理关系数据库系统

优点:

  • 在查询、更新和管理关系数据库方面非常有效
  • 易读。类似这样的语句基本不会有歧义:SELECT name FROM users WHERE age > 18
  • SQLAlchemy 等模块使 SQL 与其他语言的集成变得简单明了

缺点:

  • 分析功能相当有限
  • SQL有很多不同的实现,如 PostgreSQL,SQLite,MariaDB。他们都是不同的,操作起来有点麻烦。

小结:SQL 作为数据处理语言比作为高级分析工具更有用

Java

Java 具有简单性、面向对象、分布式、健壮性、安全性、平台独立与可移植性、多线程、动态性等特点,目前由 OSracle Corporation 支持。

优点:

  • 应用广泛,许多系统和应用都用 Java 写后端,能够将数据科学方法直接继承到现有的代码库
  • 健壮。对于重要任务的大数据应用,这点很宝贵
  • 适合编写高效的 ETL 生产代码和计算密集型机器学习算法

缺点:

  • 对于专用的统计分析,Java 的冗长度不适合作为首选。不过动态类型的脚本语言(如 R 和 Python)可以提高生产率
  • 与 R 这样特定领域的语言相比,Java 中没有大量可用于高级统计方法的库

小结:Java 其实不推荐作为数据科学语言的首选,尽管它能将数据科学代码无缝接入现有代码库,而且性能和安全性也是它的优势。但是作为开发者,使用 Java 就意味着没有其他语言特定的包可用。

Scala

Scala 是一门多范式的编程语言,类似 Java,由 Martin Odersky 开发并于 2004 年发布。

优点:

  • Scala + Spark = 高性能集群计算。它是大数据领域的杀手级应用框架
  • 多范式
  • Scala 被编译为 Java 字节码并在 JVM 上运行,这使 Scala 成为非常强大的通用语言,同时也非常适合数据科学

缺点:

  • Scala 并不太适合初学者
  • 语法和类型都比较复杂,这对于 Python 开发者其实是个比较陡峭的学习曲线

小结:对于集群处理大数据的环境,Scala + Spark 是一个很棒的解决方案。但对于少量数据而言,其他语言或许效率更高

Julia

Julia 是一款刚出现没几年的 JIT 科学计算语言, 为高性能科学计算而生。

优点:

  • JIT(just-in-time)语言,性能良好,还提供像 Python 等解释语言的脚本功能和动态类型
  • 为数值分析而生,但也同样能进行通用编程
  • 可读性好,而且 Julia 文档的中文翻译优秀(因为核心组有个中国人哈哈哈)

缺点:

  • 作为一种新语言,很难说已经可以成熟到大规模使用
  • 有限的包

小结:潜力无限,但就目前而言,还不如 R 和 Python 一样成熟稳定

MATLAB

MATLAB 是 MathWorks 公司出品的商业数学软件,用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境,在数学类科技应用软件中在数值计算方面首屈一指。

优点:

  • 专为数值计算而设计,非常适合具有复杂数学计算的定量应用,如信号处理、傅里叶变换、图像处理等
  • 数据可视化,MATLAB 内置了绘图功能
  • 作为数学本科课程的一部分,它在物理、工程、应用数学等领域有着广泛应用

缺点:

  • 还挺贵的(获取 MATLAB 及工具箱报价
  • 不适用于通用编程

小结:MATLAB 最适合数据密集型应用,毕竟它就是为此而生的。

总结

本文只是个快速指南,来帮助选择哪种语言适合做数据科学。当然,除了上述介绍的语言外,C++、JavaScript、Perl 还有 Ruby 也可以解决一些数据问题,其中的关键在于你的使用需求,以及个人的喜欢等。