9個最佳的大數據處理編程語言（轉載自物聯網智庫）

大數據的浪潮仍在繼續。它滲透到了幾乎全部的行業，信息像洪水同樣地席捲企業，使得軟件愈加龐然大物，好比Excel看上去就變得愈來愈笨拙。數據處理再也不無足輕重，而且對精密分析和強大又實時處理的須要變得史無前例的巨大。

剛開始學習數據科學的人都會面對同一個問題：

不知道該先學習哪一種編程語言。

不只僅是編程語言，像Tableau，SPSS等軟件系統也是一樣的狀況。有愈來愈多的工具和編程語言，很難知道該選擇哪種。

事實是，你的時間有限。學習一門新的編程語言至關於一項巨大的投資，所以在選擇語言時須要有戰略性。

很明顯，一些語言會給你的投資帶來很高的回報(付出的時間和金錢投資)。然而其餘語言多是你每一年只用幾回的純粹輔助工具。

我給你的建議就是：先學習R語言

專一於一種語言

在說明爲何你應該學習R語言以前，我想強調的是，在開始學習數據科學時，你應該學習一種語言。

有些人問我是否應該學習在學R語言的同時學習Python。個人答案基本上是否認的，除非你須要使用一種以上的語言，不然你應該選擇一種語言進行學習。

專一於一種編程語言的緣由是，你須要更多地關注過程和技術，而不是語法。你須要掌握如何經過數據科學工具來分析數據，以及如何解決問題。事實證實，R語言是最佳的選擇。

學習R語言

我建議你將R語言做爲你的第一個「數據科學編程語言」。雖然也有例外，好比特定的項目須要。由於R語言正在成爲數據科學的「通用語言」。

這並非說R語言是惟一的語言，也不是說它是每一個工做的最佳工具。然而，它是使用最普遍的，並且愈來愈受歡迎。

O' reilly media在過去幾年中進行了一系列數據科學調查，分析了數據科學趨勢。在2016年的調查報告中，R語言是最經常使用的編程語言(若是排除SQL的話，在本文中它不能稱爲編程語言)。57%的調查人羣使用R語言(使用Python的比例爲54%)。

另外一個常見的語言排名系統是Redmonk編程語言排名，它由GitHub(代碼行)和Stack Overflow(標籤數)的流行指數派生而來。截至2016年11月，R語言在全部編程語言中排名第13。此外，R語言多年來一直呈持續上升趨勢:

此外還有TIOBE指數（按搜索引擎搜索次數對編程語言進行排名）。在TIOBE指數上，R語言十年來呈現出穩定上升趨勢。

使用R語言的公司

在招聘數據科學家的幾家頂級公司中，R語言使用程度很是高。在我認爲現代經濟中最優秀的兩家公司——Google和Facebook 都有使用R語言數據科學家。

除了像Google，Facebook和微軟這樣的科技巨頭，R語言在美國銀行，福特，TechCrunch，Uber和Trulia等衆多公司都有普遍的應用。

R語言在學術界很受歡迎

R語言不只僅是一個行業工具。它在學術科學家和研究人員中也很是受歡迎，最近著名《天然》雜誌上發表的R語言概況也證明了這一點。

R語言在學術界的備受歡迎，由於它創造了供應行業的人才庫。

換句話說，若是最優秀、最聰明的人羣在大學學習了R語言，這將加大R語言在行業中的重要性。當學者、博士和研究人員離開學術界從事商業活動時，他們又將產生對R語言人才的需求。

此外，隨着數據科學的成熟，商業屆的數據科學家將須要與學術屆的科學家進行更多的溝通。咱們須要借鑑技術和交流觀點。隨着世界轉變爲數據流時，學術科學與面向商業的數據科學之間的界線會變得模糊。

經過R語言學習「數據科學的技能」是最簡單的

然而，R語言的普及性並非學習R語言的惟一緣由。

在選擇語言時，你須要一種在這些領域都具備重要功能的語言。同時你須要執行這些任務的工具，以及在你所選語言中來學習這些技能的資源。

如上所述，你更多地須要關注流程和技術，而不是語法。

你須要學習如何解決問題。你須要學習如何在數據中找到真知灼見。

爲此，你須要掌握數據科學的3個核心技能領域：數據處理，數據可視化和機器學習。在R語言中掌握這些技能將比任何其餘語言都容易。

數據處理

通常來講，數據科學中80%的工做都是數據處理。一般狀況下，你須要花費大量時間來整理你的數據。R語言中有一些很棒的數據管理工具。

R語言中的dplyr包使數據處理變得容易，這能夠大大簡化數據處理的工做流程。

數據可視化

ggplot2是最佳的數據可視化工具之一。ggplot2的好處是，在學習語法的同時，還學習如何思考數據可視化。

全部的統計可視化都有很深層的結構。存在構建數據可視化的高度結構化框架，ggplot2基於該框架。

此外，當將ggplot2和dplyr組合在一塊兒時，從數據中得出相關看法幾乎絕不費力。

機器學習

最後，還有機器學習。雖然我認爲大多數數據科學初學者不該該急於學習機器學習（首先掌握數據探索更爲重要），機器學習是一項重要的技能。當數據探索再也不帶來洞察力時，你則須要更強大的工具。

以後再學習更多的語言和工具

最終你會想學習更多的編程語言。就像工具箱中沒有一個最好的工具同樣，沒有一種編程語言可以完美的解決你全部的數據問題。

如下是在學習R語言以後，你能夠考慮學習的語言：

Rython

若是說R語言是一個神經質又可愛的高手，那麼Python是它隨和又靈活的表兄弟。做爲一種結合了R語言快速對複雜數據進行挖掘的能力並構建產品的更實用語言，Python迅速獲得了主流的吸引力。Python是直觀的，而且比R語言更易於學習，以及它的生態系統近年來急劇增加，使得它更可以用於先前爲R語言保留的統計分析。

「這是這個行業的進步。在過去的兩年時間中，從R語言到Python已經發生了很是明顯的轉變，」Butler說。

在數據處理中，在規模和複雜性之間每每會有一個權衡，因而Python成爲了一種折中方案。IPython notebook和NumPy能夠用做輕便工做的一種暫存器，而Python能夠做爲中等規模數據處理的強大工具。豐富的數據社區，也是Python的優點，由於能夠提供了大量的工具包和功能。

美國銀行使用Python在銀行的基礎架構中構建新的產品和接口，同時也用Python處理財務數據。「Python普遍而靈活，所以人們趨之若鶩，」O’Donnell說。

不過，它並不是最高性能的語言，只能偶爾用於大規模的核心基礎設施，Driscoll這樣說道。

Julia

雖然當前的數據科學絕大多數是經過R語言，Python，Java，MatLab和SAS執行的。但依然有其餘的語言存活於夾縫中，Julia就是值得一看的後起之秀。

業界廣泛認爲Julia過於晦澀難懂。但數據駭客在談到它取代R和Python的潛力時會不禁得眉飛色舞。Julia是一種高層次的，極度快速的表達性語言。它比R語言快，比Python更可擴展，且至關簡單易學。

「它正在一步步成長。最終，使用Julia，你就可以辦到任何用R和Python能夠作到的事情，」Butler說。

可是至今爲止，年輕人對Julia依然猶豫不前。Julia數據社區還處於早期階段，要可以和R語言和Python競爭，它還須要添加更多的軟件包和工具。

「它還很年輕，但它正在掀起浪潮而且很是有前途，」Driscoll說。

JAVA

Java，以及基於Java的框架，被發現儼然成爲了硅谷最大的那些高科技公司的骨骼支架。 「若是你去看Twitter，LinkedIn和Facebook，那麼你會發現，Java是它們全部數據工程基礎設施的基礎語言，」Driscoll說。

Java不能提供R和Python一樣質量的可視化，而且它並不是統計建模的最佳選擇。可是，若是你移動到過去的原型製做並須要創建大型系統，那麼Java每每是你的最佳選擇。

Hadoop和Hive

一羣基於Java的工具被開發出來以知足數據處理的巨大需求。Hadoop做爲首選的基於Java的框架用於批處理數據已經點燃了你們的熱情。Hadoop比其餘一些處理工具慢，但它出奇的準確，所以被普遍用於後端分析。它和Hive——一個基於查詢而且運行在頂部的框架能夠很好地結對工做。

Scala

Scala是另外一種基於Java的語言，而且和Java相同的是，它正日益成爲大規模機器學習，或構建高層次算法的工具。它富有表現力，而且還可以構建健壯的系統。

「Java就像是建造時的鋼鐵，而Scala則像黏土，由於你以後能夠將之放入窯內轉變成鋼鐵，」Driscoll說。

Kafka和Storm

那麼，當你須要快速實時的分析時又該怎麼辦呢?Kafka會成爲你的好朋友。它大概5年前就已經出現了，可是直到最近才成爲流處理的流行框架。

Kafka，誕生於LinkedIn內部，是一個超快速的查詢消息系統。Kafka的缺點?好吧，它太快了。在實時操做時會致使自身出錯，而且偶爾地會遺漏東西。

「有精度和速度之間有一個權衡，」Driscoll說， 「所以，硅谷全部的大型高科技公司都會使用兩條管道：Kafka或Storm用於實時處理，而後Hadoop用於批處理系統，此時雖然是緩慢的但超級準確。」

Storm是用Scala編寫的另外一個框架，它在硅谷中由於流處理而受到了大量的青睞。它被Twitter歸入其中，勿庸置疑的，這樣一來，Twitter就能在快速事件處理中獲得巨大的裨益。

MatLab

MatLab一直以來長盛不衰，儘管它要價不菲，但它仍然被普遍使用在一些很是特殊的領域：研究密集型機器學習，信號處理，圖像識別，僅舉幾例。

Octave

Octave和MatLab很是類似，但它是免費的。不過，它在學術性信號處理圈子以外不多見到。

GO

GO是另外一個正在掀起浪潮的後起之秀。它由Google開發，從C語言鬆散地派生，並在構建健壯基礎設施上，正在贏得競爭對手，例如Java和Python的份額。