在巨大的數(shù)據(jù)集中進(jìn)行篩選的***工具是什么?通過(guò)和數(shù)據(jù)駭客的交流，我們知道了他們用于硬核數(shù)據(jù)分析最喜歡的語(yǔ)言和工具包。

R語(yǔ)言

在這些語(yǔ)言名單中，如果R語(yǔ)言排第二，那就沒(méi)其他能排***。自1997年以來(lái)，作為昂貴的統(tǒng)計(jì)軟件，如Matlab和SAS的免費(fèi)替代品，它漸漸風(fēng)靡全球。

在過(guò)去的幾年時(shí)間中，R語(yǔ)言已經(jīng)成為了數(shù)據(jù)科學(xué)的寵兒——數(shù)據(jù)科學(xué)現(xiàn)在不僅僅在書(shū)***一樣的統(tǒng)計(jì)學(xué)家中人盡皆知，而且也為華爾街交易員，生物學(xué)家，和硅谷開(kāi)發(fā)者所家喻戶(hù)曉。各種行業(yè)的公司，例如Google，F(xiàn)acebook，美國(guó)銀行，以及紐約時(shí)報(bào)都使用R語(yǔ)言，R語(yǔ)言正在商業(yè)用途上持續(xù)蔓延和擴(kuò)散。

R語(yǔ)言有著簡(jiǎn)單而明顯的吸引力。使用R語(yǔ)言，只需要短短的幾行代碼，你就可以在復(fù)雜的數(shù)據(jù)集中篩選，通過(guò)先進(jìn)的建模函數(shù)處理數(shù)據(jù)，以及創(chuàng)建平整的圖形來(lái)代表數(shù)字。它被比喻為是Excel的一個(gè)極度活躍版本。

R語(yǔ)言最偉大的資本是已圍繞它開(kāi)發(fā)的充滿(mǎn)活力的生態(tài)系統(tǒng)：R語(yǔ)言社區(qū)總是在不斷地添加新的軟件包和功能到它已經(jīng)相當(dāng)豐富的功能集中。據(jù)估計(jì)，超過(guò)200萬(wàn)的人使用R語(yǔ)言，并且最近的一次投票表明，R語(yǔ)言是迄今為止在科學(xué)數(shù)據(jù)中***的語(yǔ)言，被61%的受訪(fǎng)者使用(其次是Python，39%)。

此外，它的身影也漸漸出現(xiàn)在了華爾街。以前，銀行分析師會(huì)全神貫注于Excel文件直到深夜，但現(xiàn)在R語(yǔ)言被越來(lái)越多地用于金融建模R，特別是作為一種可視化工具，Niall O’Connor，美國(guó)銀行的副總裁如是說(shuō)。 “R語(yǔ)言使我們平凡的表格與眾不同，”他說(shuō)。

R語(yǔ)言的日漸成熟，使得它成為了數(shù)據(jù)建模的***語(yǔ)言，雖然當(dāng)企業(yè)需要生產(chǎn)大型產(chǎn)品時(shí)它的能力會(huì)變得有限，也有的人說(shuō)這是因?yàn)樗牡匚徽诒黄渌Z(yǔ)言篡奪。

“R更適合于做一個(gè)草圖和大概，而不是詳細(xì)的構(gòu)建，”Michael Driscoll，Metamarkets的***執(zhí)行官說(shuō)。 “你不會(huì)在谷歌的網(wǎng)頁(yè)排名以及Facebook的朋友推薦算法的核心找到R語(yǔ)言。工程師會(huì)用R語(yǔ)言做原型，然后移交給用Java或Python寫(xiě)的模型。”

話(huà)說(shuō)回來(lái)，早在2010年，Paul Butler就以R語(yǔ)言打造了全球的Facebook地圖而著名，這證明了該語(yǔ)言豐富的可視化功能。盡管他現(xiàn)在已經(jīng)不像以前那樣頻繁地使用R語(yǔ)言了。

“R正在一點(diǎn)點(diǎn)地過(guò)時(shí)，因?yàn)樗木徛吞幚泶笮蛿?shù)據(jù)集的笨重，”Butler說(shuō)。

那么，他使用什么代替呢?請(qǐng)繼續(xù)閱往下看。

Python

如果說(shuō)R語(yǔ)言是一個(gè)神經(jīng)質(zhì)又可愛(ài)的高手，那么Python是它隨和又靈活的表兄弟。作為一種結(jié)合了R語(yǔ)言快速對(duì)復(fù)雜數(shù)據(jù)進(jìn)行挖掘的能力并構(gòu)建產(chǎn)品的更實(shí)用語(yǔ)言，Python迅速得到了主流的吸引力。Python是直觀(guān)的，并且比R語(yǔ)言更易于學(xué)習(xí)，以及它的生態(tài)系統(tǒng)近年來(lái)急劇增長(zhǎng)，使得它更能夠用于先前為R語(yǔ)言保留的統(tǒng)計(jì)分析。

“這是這個(gè)行業(yè)的進(jìn)步。在過(guò)去的兩年時(shí)間中，從R語(yǔ)言到Python已經(jīng)發(fā)生了非常明顯的轉(zhuǎn)變，”Butler說(shuō)。

在數(shù)據(jù)處理中，在規(guī)模和復(fù)雜性之間往往會(huì)有一個(gè)權(quán)衡，于是Python成為了一種折中方案。IPython notebook和NumPy可以用作輕便工作的一種暫存器，而Python可以作為中等規(guī)模數(shù)據(jù)處理的強(qiáng)大工具。豐富的數(shù)據(jù)社區(qū)，也是Python的優(yōu)勢(shì)，因?yàn)榭梢蕴峁┝舜罅康墓ぞ甙凸δ堋?/p>

美國(guó)銀行使用Python在銀行的基礎(chǔ)架構(gòu)中構(gòu)建新的產(chǎn)品和接口，同時(shí)也用Python處理財(cái)務(wù)數(shù)據(jù)。“Python廣泛而靈活，因此人們趨之若鶩，”O’Donnell說(shuō)。

不過(guò)，它并非***性能的語(yǔ)言，只能偶爾用于大規(guī)模的核心基礎(chǔ)設(shè)施，Driscoll這樣說(shuō)道。

Julia

雖然當(dāng)前的數(shù)據(jù)科學(xué)絕大多數(shù)是通過(guò)R語(yǔ)言，Python，Java，MatLab和SAS執(zhí)行的。但依然有其他的語(yǔ)言存活于夾縫中，Julia就是值得一看的后起之秀。

業(yè)界普遍認(rèn)為Julia過(guò)于晦澀難懂。但數(shù)據(jù)駭客在談到它取代R和Python的潛力時(shí)會(huì)不由得眉飛色舞。Julia是一種高層次的，極度快速的表達(dá)性語(yǔ)言。它比R語(yǔ)言快，比Python更可擴(kuò)展，且相當(dāng)簡(jiǎn)單易學(xué)。

“它正在一步步成長(zhǎng)。最終，使用Julia，你就能夠辦到任何用R和Python可以做到的事情，”Butler說(shuō)。

但是至今為止，年輕人對(duì)Julia依然猶豫不前。Julia數(shù)據(jù)社區(qū)還處于早期階段，要能夠和R語(yǔ)言和Python競(jìng)爭(zhēng)，它還需要添加更多的軟件包和工具。

“它還很年輕，但它正在掀起浪潮并且非常有前途，”Driscoll說(shuō)。

JAVA

Java，以及基于Java的框架，被發(fā)現(xiàn)儼然成為了硅谷***的那些高科技公司的骨骼支架。 “如果你去看Twitter，LinkedIn和Facebook，那么你會(huì)發(fā)現(xiàn)，Java是它們所有數(shù)據(jù)工程基礎(chǔ)設(shè)施的基礎(chǔ)語(yǔ)言，”Driscoll說(shuō)。

Java不能提供R和Python同樣質(zhì)量的可視化，并且它并非統(tǒng)計(jì)建模的***選擇。但是，如果你移動(dòng)到過(guò)去的原型制作并需要建立大型系統(tǒng)，那么Java往往是你的***選擇。

hadoop 和 Hive

一群基于Java的工具被開(kāi)發(fā)出來(lái)以滿(mǎn)足數(shù)據(jù)處理的巨大需求。Hadoop作為***的基于Java的框架用于批處理數(shù)據(jù)已經(jīng)點(diǎn)燃了大家的熱情。Hadoop比其他一些處理工具慢，但它出奇的準(zhǔn)確，因此被廣泛用于后端分析。它和Hive——一個(gè)基于查詢(xún)并且運(yùn)行在頂部的框架可以很好地結(jié)對(duì)工作。

Scala

Scala是另一種基于Java的語(yǔ)言，并且和Java相同的是，它正日益成為大規(guī)模機(jī)器學(xué)習(xí)，或構(gòu)建高層次算法的工具。它富有表現(xiàn)力，并且還能夠構(gòu)建健壯的系統(tǒng)。

“Java就像是建造時(shí)的鋼鐵，而Scala則像黏土，因?yàn)槟阒罂梢詫⒅湃敫G內(nèi)轉(zhuǎn)變成鋼鐵，”Driscoll說(shuō)。

Kafka 和 Storm

那么，當(dāng)你需要快速實(shí)時(shí)的分析時(shí)又該怎么辦呢?Kafka會(huì)成為你的好朋友。它大概5年前就已經(jīng)出現(xiàn)了，但是直到最近才成為流處理的流行框架。

Kafka，誕生于LinkedIn內(nèi)部，是一個(gè)超快速的查詢(xún)消息系統(tǒng)。Kafka的缺點(diǎn)?好吧，它太快了。在實(shí)時(shí)操作時(shí)會(huì)導(dǎo)致自身出錯(cuò)，并且偶爾地會(huì)遺漏東西。

“有精度和速度之間有一個(gè)權(quán)衡，”Driscoll說(shuō)， “因此，硅谷所有的大型高科技公司都會(huì)使用兩條管道：Kafka或Storm用于實(shí)時(shí)處理，然后Hadoop用于批處理系統(tǒng)，此時(shí)雖然是緩慢的但超級(jí)準(zhǔn)確。”

Storm是用Scala編寫(xiě)的另一個(gè)框架，它在硅谷中因?yàn)榱魈幚矶艿搅舜罅康那嗖A。它被Twitter納入其中，勿庸置疑的，這樣一來(lái)，Twitter就能在快速事件處理中得到巨大的裨益。

鼓勵(lì)獎(jiǎng)

MatLab

MatLab一直以來(lái)長(zhǎng)盛不衰，盡管它要價(jià)不菲，但它仍然被廣泛使用在一些非常特殊的領(lǐng)域：研究密集型機(jī)器學(xué)習(xí)，信號(hào)處理，圖像識(shí)別，僅舉幾例。

Octave

Octave和MatLab非常相似，但它是免費(fèi)的。不過(guò)，它在學(xué)術(shù)性信號(hào)處理圈子之外很少見(jiàn)到。

GO

GO是另一個(gè)正在掀起浪潮的后起之秀。它由Google開(kāi)發(fā)，從C語(yǔ)言松散地派生，并在構(gòu)建健壯基礎(chǔ)設(shè)施上，正在贏(yíng)得競(jìng)爭(zhēng)對(duì)手，例如Java和Python的份額。