美国大数据时代的优势

随着Big Data 热潮持续延烧，几乎每个产业都有如洪水般倾泻的资讯，面对上万笔的顾客浏览纪录、购买行为数据，如果要用Excel 来进行数据处理真是太不切实际了，Excel相较于其他统计软件的功能已相去甚远。

当然，基本功是最不可忽略的环节，想要成为数据科学家，对于这几个编程语言和工具你应该要有一定的认识：

若要列出所有程式语言，你能忘记其他的没关系， 但最不能忘的就是 R 。 从 1997 年悄悄地出现，最大的优势就是它免费，为昂贵的统计软件像是 Matlab 或 SAS 的另一种选择。

但是在过去几年来，它的身价大翻转，变成了数据科学界眼中的宝。不只是木讷的统计学家熟知它，包括 Wall Street 交易员、生物学家，以及硅谷开发者，他们都相当熟悉 R 。多元化的公司像是 Google 、 Facebook 、美国银行以及 New York Times 通通都使用 R ，它的商业效用持续提高。

R 的好处在于它简单易上手，透过 R ，你可以从复杂的数据集中筛选你要的数据，从复杂的模型函数中操作数据，建立井然有序的图表来呈现数字，这些都只需要几行程式码就可以了。 打个比方，它就像是好动版本的 Excel 。

R 最棒的资产就是活跃的动态系统， R 社群持续地增加新的软件包，还有以内建丰富的功能集为特点。 目前估计已有超过 200 万人使用 R ，最近的调查显示， R 在数据科学界里，到目前为止最受欢迎的语言，占了回复者的 61% （紧追在后的是 39% 的 Python ）。

它也吸引了 Wall Street 的注目。传统而言，证券分析师在 Excel 档从白天看到晚上，但现在 R 在财务建模的使用率逐渐增加，特别是视觉化工具，美国银行的副总裁 Niall O’Conno 说， “R 让我们俗气的表格变得突出 ” 。

在数据建模上，它正在往逐渐成熟的专业语言迈进，虽然 R 仍受限于当公司需要制造大规模的产品时，而有的人说他被其他语言篡夺地位了。

“R 更有用的是在画图，而不是建模。 ” 顶尖数据分析公司 Metamarkets 的 CEO ， Michael Driscoll 表示， “ 你不会在 Google 的网页排名核心或是 Facebook 的朋友们推荐演算法时看到 R 的踪影，工程师会在 R 里建立一个原型，然后再到 Java 或 Python 里写模型语法 ” 。

举一个使用 R 很有名的例子，在 2010 年时， Paul Butler 用 R 来建立 Facebook 的世界地图，证明了这个语言有多丰富多强大的视觉化数据能力，虽然他现在比以前更少使用 R 了。

“R 已经逐渐过时了，在庞大的数据集底下它跑的慢又笨重 ” Butler 说。

所以接下来他用什么呢？

如果说 R 是神经质又令人喜爱的 Geek ，那 Python 就是随和又好相处的女生。

Python 结合了 R 的快速、处理复杂数据挖掘的能力以及更务实的语言等各个特质，迅速地成为主流， Python 比起 R ，学起来更加简单也更直观，而且它的生态系统近几年来不可思议地快速成长，在统计分析上比起 R 功能更强。

Butler 说， “ 过去两年间，从 R 到 Python 地显著改变，就像是一个巨人不断地推动向前进 ” 。

在数据处理范畴内，通常在规模与复杂之间要有个取舍，而 Python 以折衷的姿态出现。 IPython Notebook （记事本）和 NumPy 被用来暂时存取较低负担的工作量，然而 Python 对于中等规模的数据处理是相当好的工具； Python 拥有丰富的数据族，提供大量的工具包和统计特征。

美国银行用 Python 来建立新产品和在银行的基础建设介面，同时也处理财务数据。 “Python 是更广泛又相当有弹性，所以大家会对它趋之若鹜。 ”O’Donnell 如是说。

然而，虽然它的优点能够弥补 R 的缺点，它仍然不是最高效能的语言，偶尔才能处理庞大规模、核心的基础建设。 Driscoll 是这么认为的。

今日大多数的 数据科学都是透过 R 、 Python 、 Java 、 Matlab 及 SAS 为主， 但仍然存在着鸿沟要去弥补，而这个时候，新进者 Julia 看到了这个痛点。

Julia 仍太过于神秘而尚未被业界广泛的采用，但是当谈到它的潜力足以抢夺 R 和 Python 的宝座时，数据黑客也难以解释。原因在于 Julia 是个高阶、不可思议的快速和善于表达的语言，比起 R 要快的，比起 Python 又有潜力处理更具规模的数据，也很容易上手。

“Julia 会变的日渐重要，最终，在 R 和 Python 可以做的事情在 Julia 也可以 ” 。 Butler 是这么认为的。

就现在而言，若要说 Julia 发展会倒退的原因，大概就是它太年轻了。 Julia 的数据社区还在初始阶段，在它要能够和 R 或 Python 竞争前，它还需要更多的工具包和软件包。

Driscoll 说，它就是因为它年轻，才会有可能变成主流又有前景。

Java 和以 Java 为基础的架构，是由谷谷里最大的几家科技公司的核心所建立的，如果你从 Twitter 、 Linkein 或是 Facebook 里观察，你会发现 Java 对于所有数据工程基础架构而言，是非常基础的语言。

Java 没有和 R 和 Python 一样好的视觉化功能，它也不是统计建模的最佳工具，但是如果你需要建立一个庞大的系统、使用过去的原型，那 Java 通常会是你最基的选择。

为了迎合大量数据处理的需求，以 Java 为基础的工具群兴起。 Haoop 为处理一批批数据处理，发展以 Java 为基础的架构关键；相较于其他处理工具， Haoop 慢，但是无比的准确和可被后端数据库分析广泛使用。和 Hive 搭配的很好， Hive 是基于查询的架构下，运作的相当好。

Scala 是另一个以 Java 为基础的语言，和 Java 很像， 对任何想要进行大规模的机械学习或是建立高阶的演算法， Scala 会是逐渐兴起的工具。它是善于呈现且拥有建立可靠系统的能力。

“Java 像是用钢铁建造的； Scala 则是让你能够把它拿进窑烤然后变成钢的黏土 ”Driscoll 说。

Matlab 可以说是历久不衰，即使它标价很高；在非常特定的利基市场它使用的相当广泛，包括密集的研究机器学习、信号处理、图像辨识等等。

GO 是另一个逐渐兴起的新进者，从 Google 开发出来的，放宽点说，它是从 C 语言来的，并且在建立强大的基础架构上，渐渐地成为 Java 和 Python 的竞争者。

这么多的可以使用，但我认为不见得每个都一定要会才行，知道你的目标和方向是什么，就选定一个最适合的工具使用吧！可以帮助你提升效率又达到精准的结果。