大數(shù)據(jù)的浪潮仍在繼續(xù)。它滲透到了幾乎所有的行業(yè),信息像洪水一樣地席卷企業(yè),使得軟件越發(fā)龐然大物,比如Excel看上去就變得越來越笨拙。數(shù)據(jù)處理不再無足輕重,并且對(duì)精密分析和強(qiáng)大又實(shí)時(shí)處理的需要變得前所未有的巨大。
那么,在巨大的數(shù)據(jù)集中進(jìn)行篩選的最好工具是什么?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)分析最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,那就沒其他能排第一。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(guó)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(jiǎn)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語言最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,并且最近的一次投票表明,R語言是迄今為止在科學(xué)數(shù)據(jù)中最流行的語言,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(guó)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。
Rython
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(zhǎng),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(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。
不過,它并非最高性能的語言,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(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。
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(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。
JAVA
Java,以及基于Java的框架,被發(fā)現(xiàn)儼然成為了硅谷最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)建模的最佳選擇。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往往是你的最佳選擇。
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(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,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(jìng)爭(zhēng)對(duì)手,例如Java和Python的份額。