 |
VOOZH | about |
|
VOOZH | about |
------ 【導讀】 ------
大數據的浪潮仍在繼續。它滲透到了幾乎所有的行業，信息像洪水一樣地席捲企業，使得軟體越發龐然大物，比如Excel看上去就變得越來越笨拙。數據處理不再無足輕重，並且對精密分析和強大又實時處理的需要變得前所未有的巨大。
剛開始學習數據科學的人都會面對同一個問題：
不知道該先學習哪種程式語言。
不僅僅是程式語言，像Tableau，SPSS等軟體系統也是同樣的情況。有越來越多的工具和程式語言，很難知道該選擇哪一種。
事實是，你的時間有限。學習一門新的程式語言相當於一項巨大的投資，因此在選擇語言時需要有戰略性。
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)。然而其他語言可能是你每年只用幾次的純粹輔助工具。
我給你的建議就是：先學習R語言
專注於一種語言
在說明為什麼你應該學習R語言之前，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。我的答案基本上是否定的，除非你需要使用一種以上的語言，否則你應該選擇一種語言進行學習。
專注於一種程式語言的原因是，你需要更多地關注過程和技術，而不是語法。你需要掌握如何通過數據科學工具來分析數據，以及如何解決問題。事實證明，R語言是最佳的選擇。
學習R語言
我建議你將R語言作為你的第一個「數據科學程式語言」。雖然也有例外，比如特定的項目需要。因為R語言正在成為數據科學的「通用語言」。
這並不是說R語言是唯一的語言，也不是說它是每個工作的最佳工具。然而，它是使用最廣泛的，而且越來越受歡迎。
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語言是最常用的程式語言(如果排除SQL的話，在本文中它不能稱為程式語言)。57%的調查人群使用R語言(使用Python的比例為54%)。
另一個常見的語言排名系統是Redmonk程式語言排名，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語言在所有程式語言中排名第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（按搜尋引擎搜索次數對程式語言進行排名）。在TIOBE指數上，R語言十年來呈現出穩定上升趨勢。
在招聘數據科學家的幾家頂級公司中，R語言使用程度非常高。在我認為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等眾多公司都有廣泛的應用。
R語言不僅僅是一個行業工具。它在學術科學家和研究人員中也非常受歡迎，最近著名《自然》雜誌上發表的R語言概況也證實了這一點。
R語言在學術界的備受歡迎，因為它創造了供應行業的人才庫。
換句話說，如果最優秀、最聰明的人群在大學學習了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，隨著數據科學的成熟，商業屆的數據科學家將需要與學術屆的科學家進行更多的溝通。我們需要借鑑技術和交流觀點。隨著世界轉變為數據流時，學術科學與面向商業的數據科學之間的界線會變得模糊。
通過R語言學習「數據科學的技能」是最簡單的
然而，R語言的普及性並不是學習R語言的唯一原因。
在選擇語言時，你需要一種在這些領域都具有重要功能的語言。同時你需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，你更多地需要關注流程和技術，而不是語法。
你需要學習如何解決問題。你需要學習如何在數據中找到真知灼見。
為此，你需要掌握數據科學的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他語言都容易。
一般來說，數據科學中80%的工作都是數據處理。通常情況下，你需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，這可以大大簡化數據處理的工作流程。
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。
所有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組合在一起時，從數據中得出相關見解幾乎毫不費力。
最後，還有機器學習。雖然我認為大多數數據科學初學者不應該急於學習機器學習（首先掌握數據探索更為重要），機器學習是一項重要的技能。當數據探索不再帶來洞察力時，你則需要更強大的工具。
之後再學習更多的語言和工具
最終你會想學習更多的程式語言。就像工具箱中沒有一個最好的工具一樣，沒有一種程式語言能夠完美的解決你所有的數據問題。
以下是在學習R語言之後，你可以考慮學習的語言：
Rython
如果說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。作為一種結合了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迅速得到了主流的吸引力。Python是直觀的，並且比R語言更易於學習，以及它的生態系統近年來急劇增長，使得它更能夠用於先前為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已經發生了非常明顯的轉變，」Butler說。
在數據處理中，在規模和複雜性之間往往會有一個權衡，於是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可以作為中等規模數據處理的強大工具。豐富的數據社區，也是Python的優勢，因為可以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廣泛而靈活，因此人們趨之若鶩，」O』Donnell說。
不過，它並非最高性能的語言，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通過R語言，Python，Java，MatLab和SAS執行的。但依然有其他的語言存活於夾縫中，Julia就是值得一看的後起之秀。
業界普遍認為Julia過於晦澀難懂。但數據駭客在談到它取代R和Python的潛力時會不由得眉飛色舞。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，且相當簡單易學。
「它正在一步步成長。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Julia依然猶豫不前。Julia數據社區還處於早期階段，要能夠和R語言和Python競爭，它還需要添加更多的軟體包和工具。
「它還很年輕，但它正在掀起浪潮並且非常有前途，」Driscoll說。
JAVA
Java，以及基於Java的框架，被發現儼然成為了矽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，那麼你會發現，Java是它們所有數據工程基礎設施的基礎語言，」Driscoll說。
Java不能提供R和Python同樣質量的可視化，並且它並非統計建模的最佳選擇。但是，如果你移動到過去的原型製作並需要建立大型系統，那麼Java往往是你的最佳選擇。
Hadoop和Hive
一群基於Java的工具被開發出來以滿足數據處理的巨大需求。Hadoop作為首選的基於Java的框架用於批處理數據已經點燃了大家的熱情。Hadoop比其他一些處理工具慢，但它出奇的準確，因此被廣泛用於後端分析。它和Hive——一個基於查詢並且運行在頂部的框架可以很好地結對工作。
Scala
Scala是另一種基於Java的語言，並且和Java相同的是，它正日益成為大規模機器學習，或構建高層次算法的工具。它富有表現力，並且還能夠構建健壯的系統。
「Java就像是建造時的鋼鐵，而Scala則像黏土，因為你之後可以將之放入窯內轉變成鋼鐵，」Driscoll說。
Kafka和Storm
那麼，當你需要快速實時的分析時又該怎麼辦呢?Kafka會成為你的好朋友。它大概5年前就已經出現了，但是直到最近才成為流處理的流行框架。
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。在實時操作時會導致自身出錯，並且偶爾地會遺漏東西。
「有精度和速度之間有一個權衡，」Driscoll說， 「因此，矽谷所有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，然後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編寫的另一個框架，它在矽谷中因為流處理而受到了大量的青睞。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。
MatLab
MatLab一直以來長盛不衰，儘管它要價不菲，但它仍然被廣泛使用在一些非常特殊的領域：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非常相似，但它是免費的。不過，它在學術性信號處理圈子之外很少見到。
GO
GO是另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。
總結：學習R語言，並集中精力
如果你是初學者，R語言是很好的選擇。同時需要專注於學習數據科學的技能。
在學習過程中，你可能會看到很多新技術和新工具，或者一些令人眼花繚亂的數據可視化。
看到其他人的成果（並發現他們正在使用不同的工具）可能會導致你想嘗試其他的東西。相信我：你需要集中注意力。你需要花上幾個月（或更長時間）才能真正投入到一個工具中。
如上所述，如果你確實希望在數據科學工作流程中提高技能。至少在數據可視化和數據處理方面，你得具備紮實的技能。
在R語言上花費100個小時，將比在10個不同工具上各花費10個小時得到更高的回報。最後，通過集中精力，你的時間回報率將更高。不要因為「最新，最炫的事物」而分心。
往期熱文（點擊文章標題即可直接閱讀）：
《共享單車上的智能鎖，做出來有多難？》
《認知計算、區塊鏈IoT、物聯網安全…看懂的人將控制未來》
《庫卡、ABB、發那科、安川，4大工業機器人巨擘早已在物聯網領域屯兵養馬》
《【重磅】物聯網產業全景圖譜報告，首開國內IoT產業二維視角全景圖之先河》
《一幅漫畫告訴你：除了WiFi，藍牙，最近火爆的NB-IoT能幹嘛？》
《一幅漫畫告訴你：NB-IoT背後，還有一個大家都在說的LoRa是什麼？》
