學什么軟件或語言最有利于從事數據分析工作？

但如果只會操作統計軟件而不會用邏輯分析Data 背后的涵義與事實現況相應證的話，那也不過只能做數據處理，替代性很高的工作，而無法深入規劃策略的核心。

當然，基本功是最不可忽略的環節，想要成為數據科學家，對于這幾個編程語言和工具你應該要有一定的認識：

若要列出所有程式語言，你能忘記其他的沒關系，但最不能忘的就是 R。從 1997 年悄悄地出現，最大的優勢就是它免fèi，為昂貴的統計軟件像是 Matlab 或 SAS 的另一種選擇。

但是在過去幾年來，它的身價大翻轉，變成了數據科學界眼中的寶。不只是木訥的統計學家熟知它，包括 Wall Street 交易員、生物學家，以及硅谷開發者，他們都相當熟悉 R。多元化的公司像是 Google、Facebook、美國銀行以及 New York Times 通通都使用 R，它的商業效用持續提高。

R 的好處在于它簡單易上手，透過R，你可以從復雜的數據集中篩選你要的數據，從復雜的模型函數中操作數據，建立井然有序的圖表來呈現數字，這些都只需要幾行程式碼就可以了。打個比方，它就像是好動版本的Excel。

R 最棒的資產就是活躍的動態系統，R 社群持續地增加新的軟件包，還有以內建豐富的功能集為特點。目前估計已有超過200 萬人使用R，最近的調查顯示，R 在數據科學界里，到目前為止最受歡迎的語言，占了回復者的61%（緊追在后的是39% 的Python ）。

它也吸引了 Wall Street 的注目。傳統而言，證券分析師在Excel 檔從白天看到晚上，但現在R 在財務建模的使用率逐漸增加，特別是視覺化工具，美國銀行的副總裁Niall O'Conno 說，“R 讓我們俗氣的表格變得突出”。

在數據建模上，它正在往逐漸成熟的專業語言邁進，雖然 R 仍受限于當公司需要制造大規模的產品時，而有的人說他被其他語言篡奪地位了。

“R 更有用的是在畫圖，而不是建模。”頂尖數據分析公司Metamarkets 的CEO，Michael Driscoll 表示，“你不會在Google 的網頁排名核心或是Facebook 的朋友們推薦演算法時看到R的蹤影，工程師會在R 里建立一個原型，然后再到Java 或Python 里寫模型語法”。

舉一個使用R 很有名的例子，在2010 年時，Paul Butler 用R 來建立Facebook 的世界地圖，證明了這個語言有多豐富多強大的視覺化數據能力，雖然他現在比以前更少使用R 了。

“R已經逐漸過時了，在龐大的數據集底下它跑的慢又笨重” Butler 說。

所以接下來他用什么呢？

如果說 R 是神經質又令人喜愛的 Geek，那 Python 就是隨和又好相處的女生。

Python 結合了R 的快速、處理復雜數據挖掘的能力以及更務實的語言等各個特質，迅速地成為主流，Python 比起R，學起來更加簡單也更直觀，而且它的生態系統近幾年來不可思議地快速成長，在統計分析上比起R 功能更強。

Butler 說，“過去兩年間，從 R 到 Python 地顯著改變，就像是一個巨人不斷地推動向前進”。

在數據處理范疇內，通常在規模與復雜之間要有個取舍，而 Python 以折衷的姿態出現。 IPython Notebook（記事本）和NumPy 被用來暫時存取較低負擔的工作量，然而Python 對于中等規模的數據處理是相當好的工具；Python 擁有豐富的數據族，提供大量的工具包和統計特征。

美國銀行用 Python 來建立新產品和在銀行的基礎建設介面，同時也處理財務數據。“Python 是更廣泛又相當有彈性，所以大家會對它趨之若鶩。”O’Donnell 如是說。

然而，雖然它的優點能夠彌補 R 的缺點，它仍然不是最高效能的語言，偶爾才能處理龐大規模、核心的基礎建設。 Driscoll 是這么認為的。

今日大多數的數據科學都是透過 R、Python、Java、Matlab 及 SAS 為主，但仍然存在著鴻溝要去彌補，而這個時候，新進者 Julia 看到了這個痛點。

Julia 仍太過于神秘而尚未被業界廣泛的采用，但是當談到它的潛力足以搶奪 R 和 Python 的寶座時，數據黑客也難以解釋。原因在于Julia 是個高階、不可思議的快速和善于表達的語言，比起 R 要快的，比起 Python 又有潛力處理更具規模的數據，也很容易上手。

“Julia 會變的日漸重要，最終，在 R 和 Python 可以做的事情在 Julia 也可以”。 Butler 是這么認為的。

就現在而言，若要說 Julia 發展會倒退的原因，大概就是它太年輕了。 Julia 的數據社區還在初始階段，在它要能夠和 R 或 Python 競爭前，它還需要更多的工具包和軟件包。

Driscoll 說，它就是因為它年輕，才會有可能變成主流又有前景。

Java 和以Java 為基礎的架構，是由谷谷里最大的幾家科技公司的核心所建立的，如果你從Twitter、Linkein 或是Facebook 里觀察，你會發現Java 對于所有數據工程基礎架構而言，是非常基礎的語言。

Java 沒有和 R 和 Python 一樣好的視覺化功能，它也不是統計建模的最佳工具，但是如果你需要建立一個龐大的系統、使用過去的原型，那 Java 通常會是你最基的選擇。

為了迎合大量數據處理的需求，以 Java 為基礎的工具群興起。 Haoop 為處理一批批數據處理，發展以 Java 為基礎的架構關鍵；相較于其他處理工具，Haoop 慢，但是無比的準確和可被后端數據庫分析廣泛使用。和 Hive 搭配的很好，Hive 是基于查詢的架構下，運作的相當好。

Scala是另一個以 Java 為基礎的語言，和 Java 很像，對任何想要進行大規模的機械學習或是建立高階的演算法，Scala 會是逐漸興起的工具。它是善于呈現且擁有建立可靠系統的能力。

“Java 像是用鋼鐵建造的；Scala 則是讓你能夠把它拿進窯烤然后變成鋼的黏土”Driscoll 說。

Matlab 可以說是歷久不衰，即使它標價很高；在非常特定的利基市場它使用的相當廣泛，包括密集的研究機器學習、信號處理、圖像辨識等等。

GO 是另一個逐漸興起的新進者，從 Google 開發出來的，放寬點說，它是從 C 語言來的，并且在建立強大的基礎架構上，漸漸地成為 Java 和 Python 的競爭者。

這么多的可以使用，但我認為不見得每個都一定要會才行，知道你的目標和方向是什么，就選定一個最適合的工具使用吧！可以幫助你提升效率又達到精準的結果。

>>免費領全球留學白皮書，了解各大學報考條件、費用、開學時間、含金量<<