数据科学家：那些年，我都学过哪些编程语言

作者: Elena Nisioti  编译: Mika

我们对事物的看法各不相同，有时他人特别喜欢的语言可能会成为另一个人的的噩梦。而我个人的噩梦是用C语言进行日常的编程工作。

本文就介绍了作为一名数据科学家，我在职业生涯中所学过的语言，其中包括MATLAB、Weka、R、C ++以及Python。

数据科学是一个广泛的领域，从业者来自各种专业背景，如经济学，生物学和语言学等等。尽管数据科学最初源于统计领域，但它很快覆盖了计算机科学领域，如今数据科学已成为了必不可少的工具。

因此，用于数据科学的编程语言的发展就像宇宙一样：可能穷其一生都难以完全探索，并且还在不断扩展。

众做周知，语言的通用性、用途和复杂性需要权衡利弊。因此，一门语言的流行程度仅应作为当前趋势的一个指标，而不是决定你选择的因素。归根结底，这是涉及到应用、经验和个人偏好的问题。

通过吴恩达的机器学习课程，我开始接触机器学习领域。如果你也想学习机器学习，这是一个很不错的选择。

虽然当时Python和R语言更受欢迎，但吴恩达在课程中选择了MATLAB。当时我并没有觉得有什么困扰，但如今看来有些奇怪。数据科学课程的侧重点应该在于如何进行数据分析，而不是使用某种语言进行分析。

吴恩达在这门课程中选择了比较通用的MATLAB语言，原因之一在于该课程的受众主要是计算机专业的科学家和工程师，他们已经很熟悉MATLAB了。而且该课程的重点是，在不使用库的情况下实现学习算法，因此MATLAB与任何专业语言一样出色。

虽然我很推崇自动化工具和便捷型库，但在开始进入数据科学领域时，自己动手这一点也是十分重要的。

MATLAB不缺少执行各种数据分析和机器学习任务的库。对于信号处理和控制工程师等人来说，它是首选框架。

但不难理解为什么MATLAB没有征服数据分析领域，毕竟它不开源，且非常昂贵的。至于Octave，虽然开源且能兼容MATLAB代码，但性能却远远不及MATLAB。

我学习Weka的经历是短暂的。在大学时期，Weka作为我完成模式识别课程作业一种工具。

通过这个课程，我得到最有价值的教训是：GUI对数据科学家的影响是深远的。Weka以其易用性和可理解性引以为豪，并声称只需加载数据集并按下按钮就可以轻松训练机器学习模型。这当中的益处也是显而易见的，当时市场对预测模型的需求很大，而且能够满足这种需求的人才并不多。

寻找自动化工具并使用得出解决方案是当时的研究重点，即AutoML。但我们花了几年时间，并经历过大量失败才意识到，这一过程离不开人类的参与。

在上世纪90年代末，那种认为没有充分理解数据就能构建模型的幻想破灭了。自动化工具能够简化我们的工作，发现算法的良好参数化、实用的预处理步骤以及高效的测试管道。但它们不能替代人类专家，至少是我们目前的专业水平。

总而言之，你需要对创建的模型负责。

在我的毕业论文中，我深入研究并探索了R语言的特性和奥妙。你可能听说过，R语言是数据分析语言家族中的一个特殊的语言。R语言学习起来并不容易，这需要一个学习过程，在刚开始学习时我常常会感到自我怀疑和迷失方向。

我们的目标是创建能够自动执行机器学习实验的软件工具。R更像是一种目的，而不是一种手段，因为我们希望通过使用丰富的R语言库对机器学习技术进行广泛的研究。

当时我想要构建完整的框架，并且在毕业设计中利用面向对象编程，因此必须解决的第一个问题是：R语言是否支持面向对象？答案是肯定的。实际上，它有四种不同的方式。这些都与我在C ++，Java或Python中遇到的面向对象编程并不相同。

R语言还提供了许多方便的工具，例如data.frames，它能够轻松捕获数据集的特征和需求。但是，R语言中也有一些的技术性问题让我感到头疼。RStudio是R的免费UI，当绘图不适合其平面时，就会引发运行时错误等等。

虽然我再也不会尝试用R语言中从头开始构建框架，但R语言提供的大量软件包可以助你进行可视化和预处理，这些都是很不错的优势。

现在你肯定会问，为什么要用C ++进行数据分析？为什么有人这样做？

暑期我曾在一家公司实习，该公司用的就是C ++，我猜测公司也许是考虑到传统和商业的结合，因此选择了能够高效执行的代码。

尽管如此，我仍决定使用R语言。在实习结束时，我再将模型和函数转移到C ++。由于有各种图表和出众的预处理技术，R语言也引起了公司里用C ++做数据分析的人的注意，一些同事甚至对R感兴趣并开始尝试它。

在获得满意的结果后，通过使用简单的R包用于PCA和支持向量机，我尝试将模型合并到庞大的C ++框架中。libsvm 软件包很适合这种情况，并能提供与支持向量机相关的操作。

如今，当你想要跨语言转移机器学习模型时，存在很多选择。比如你可以转移数学模型，即算法的参数化，然后通过跨库转换模型文件，或使用包跨语言进行交互。

我发现，简单地使用相同的参数化是不够的。虽然算法保持不变，比如具有高斯核的SVM， 不同的实现可能采用不同的数学模型，因此需要不同的参数集。即使模型保持不变，特定的实现因素也会严重影响模型的性能，因此需要不同的参数化。

最合适的方式是使用rcpp，一个能连接C ++框架和R脚本的包。一些软件包也支持两种不同语的库之间的兼容性，但很少用于这种情况。

我与现任公司主管之间曾有过这样的对话：

—— 在未来的工作中你打算使用哪种语言？

——我想我会用Python。

——你曾用过Python吗？

——不，我用过很多语言，但我对Python有不错的预感。

很高兴我说服了他，如今我使用Python进行数据分析十分舒心。易于设置实验，附加功能以及丰富的库带来的便利性让我的工作非常顺利。虽然我主要自己编写代码，但到目前为止，我常常通过OpenAI Gym 来定义强化学习实验环境。同时还有TensorForce，这是一个扩展TensorFlow的库，能提供了大量的强化学习算法。

不过，我的意思并不是指Python就是无敌的。程序员不应该局限于某种语言，而是应该不断地尝试。因此，下次当你遇到新数据集时，不要害怕尝试新的软件。就算失败了，你也会从中有所收获。

原文链接：

https://medium.freecodecamp.org/a-personal-journey-through-the-languages-of-data-science-48f516cbb81c