当前位置: 首页 > 业界动态 > 技术实现 > 本文


数据科学中应该学习哪些语言?




发布时间: 2017-12-27 14:30:43  

  作者:Aceyclee


  简评: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。」芩芙菘蒲Т胛薹旖尤胂钟写肟,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。


  End.


  来自36大数据(36dsj.com)

分享到: 微信 QQ空间 人人网 更多
阅读:379次

版权所有 © 2011-2017 南京凯发网娱乐大数据科技股份有限公司(股票代码:835305), 保留一切权利。(苏ICP备11060547号-1)  
凯发网娱乐大数据-专业的云存储、大数据、云计算产品供应商