在巨大的數(shù)據(jù)集中進(jìn)行篩選的好工具是什么?通過和數(shù)據(jù)駭客的交流，我們知道了他們用于硬核數(shù)據(jù)分析喜歡的語言和工具包。
R語言
在這些語言名單中，如果R語言排第二，那就沒其他能排先進(jìn)。自1997年以來，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。
在過去的幾年時(shí)間中，R語言已經(jīng)成為了數(shù)據(jù)科學(xué)的寵兒——數(shù)據(jù)科學(xué)現(xiàn)在不僅僅在書呆子一樣的統(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，和硅谷開發(fā)者所家喻戶曉。各種行業(yè)的公司，例如Google，F(xiàn)acebook，美國銀行，以及紐約時(shí)報(bào)都使用R語言，R語言正在商業(yè)用途上持續(xù)蔓延和擴(kuò)散。
R語言有著簡單而明顯的吸引力。使用R語言，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)建平整的圖形來代表數(shù)字。它被比喻為是Excel的一個(gè)極度活躍版本。
R語言偉大的資本是已圍繞它開發(fā)的充滿活力的生態(tài)系統(tǒng)：R語言社區(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200萬的人使用R語言，并且近的一次投票表明，R語言是迄今為止在科學(xué)數(shù)據(jù)中流行的語言，被61%的受訪者使用(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語言被越來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，美國銀行的副總裁如是說。 “R語言使我們平凡的表格與眾不同，”他說。
R語言的日漸成熟，使得它成為了數(shù)據(jù)建模的首選語言，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，也有的人說這是因?yàn)樗牡匚徽诒黄渌Z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的首席執(zhí)行官說。 “你不會(huì)在谷歌的網(wǎng)頁排名以及Facebook的朋友推薦算法的核心找到R語言。工程師會(huì)用R語言做原型，然后移交給用Java或Python寫的模型。”
話說回來，早在2010年，Paul Butler就以R語言打造了全球的Facebook地圖而著名，這證明了該語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語言了。
“R正在一點(diǎn)點(diǎn)地過時(shí)，因?yàn)樗木徛吞幚泶笮蛿?shù)據(jù)集的笨重，”Butler說。
那么，他使用什么代替呢?請(qǐng)繼續(xù)閱往下看。
Python
如果說R語言是一個(gè)神經(jīng)質(zhì)又可愛的高手，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)用語言，Python迅速得到了主流的吸引力。Python是直觀的，并且比R語言更易于學(xué)習(xí)，以及它的生態(tài)系統(tǒng)近年來急劇增長，使得它更能夠用于先前為R語言保留的統(tǒng)計(jì)分析。
“這是這個(gè)行業(yè)的進(jìn)步。在過去的兩年時(shí)間中，從R語言到Python已經(jīng)發(fā)生了非常明顯的轉(zhuǎn)變，”Butler說。
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，因?yàn)榭梢蕴峁┝舜罅康墓ぞ甙凸δ堋?br /> 美國銀行使用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。
不過，它并非高性能的語言，只能偶爾用于大規(guī)模的核心基礎(chǔ)設(shè)施，Driscoll這樣說道。
Julia
雖然當(dāng)前的數(shù)據(jù)科學(xué)絕大多數(shù)是通過R語言，Python，Java，MatLab和SAS執(zhí)行的。但依然有其他的語言存活于夾縫中，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)性語言。它比R語言快，比Python更可擴(kuò)展，且相當(dāng)簡單易學(xué)。
“它正在一步步成長。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。
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語言和Python競爭，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。
JAVA
Java，以及基于Java的框架，被發(fā)現(xiàn)儼然成為了硅谷大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)語言，”Driscoll說。
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)建模的佳選擇。但是，如果你移動(dòng)到過去的原型制作并需要建立大型系統(tǒng)，那么Java往往是你的佳選擇。
hadoop 和 Hive
一群基于Java的工具被開發(fā)出來以滿足數(shù)據(jù)處理的巨大需求。Hadoop作為首選的基于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。
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， “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，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一直以來長盛不衰，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，它在學(xué)術(shù)性信號(hào)處理圈子之外很少見到。
GO
GO是另一個(gè)正在掀起浪潮的后起之秀。它由Google開發(fā)，從C語言松散地派生，并在構(gòu)建健壯基礎(chǔ)設(shè)施上，正在贏得競爭對(duì)手，例如Java和Python的份額。