数据分析师的软件必备技能

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。

但如果只会操作统计软件而不会用逻辑分析Data 背后的涵义与事实现况相应证的话，那也不过只能做数据处理，替代性很高的工作，而无法深入规划策略的核心。

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。