原始数据科学是一项劳动密集型活动，但是当你能使用正确的语言工作时，数据科学应该是非常聪明和有趣的工作，它会引导你得出一些不容易看到的结论。一般来说，数据科学往往涉及大量数据的处理，此时优化代码的性能就显得非常重要。记住这些基本原则，让我们来看看数据科学应该掌握哪些语言：RR于1995年作为S语言的一个分支发布，并且是开源的。目前由R统计计算基金会提供支持。优点：免费、开源、功能多样专门为统计和数据分析开发的语言，即使是基本安装也包括全面的统计功能和方法数据可视化缺点：性能，R是一种解释型语言，运行效率是不高R在统计方面表现不错，但不适合一般编程的可靠性封装总结：R语言在统计和数据可视化方面非常强大，开源让它聚集了一批活跃的贡献者。良莠不齐，导致Package的可靠性出现一些问题。PythonGuidovanRossum于1991年推出了开源的Python。Python广泛应用于数据科学领域，目前主要版本为3.6和2.7。优点：Python是主流编程语言，在线支持广泛。入门友好且易于学习。有优秀的软件包，例如pandas、scikit-learn和Tensorflow。缺点：作为动态语言，Python比Java慢，容易出现类型错误，对于具体的统计或者数据分析，R的封装会比Python容易；在通用性方面，有比Python更好的选择总结：Python是数据科学的不错选择，谷歌的TensorFlow使机器学习框架偏向PythonSQLSQL是一种结构化查询语言，用于访问数据和查询、更新和管理关系数据库系统优势：在查询、更新和管理关系数据库方面非常有效且易于阅读。像这样的语句基本上是明确的：SELECTnameFROMusersWHEREage>18像SQLAlchemy这样的模块使得SQL与其他语言的集成变得简单明了缺点：相当有限的分析能力SQL有许多不同的实现，例如PostgreSQL、SQLite、MariaDB。它们各不相同，操作起来有点麻烦。简介：SQL作为数据处理语言比作为高级分析工具更有用。JavaJava具有简单性、面向对象、分布式、健壮性、安全性、平台独立性和可移植性、多线程、动态性等特点。它目前由OSracleCorporation支持。优点：应用范围广，很多系统和应用都是用Java后端编写的，可以直接继承数据科学方法到现有的代码库Robust。这对于关键任务大数据应用程序来说是无价的适合编写高效的ETL生产代码和计算密集型机器学习算法缺点：Java的冗长不是专业统计分析的首选。然而，R和Python等动态类型的脚本语言可以提高生产力与R等特定领域语言相比，Java没有大量可用于高级统计方法的库。总结：Java实际上并不推荐作为首选的数据科学语言，尽管它可以将数据科学代码无缝集成到现有代码库中，而且性能和安全性也是它的强项。但作为开发人员，使用Java意味着没有其他语言特定的包可用。ScalaScala是一种多范式编程语言，类似于Java，由MartinOdersky开发并于2004年发布。优点：Scala+Spark=高性能集群计算。它是大数据的杀手级应用程序框架多范式Scala被编译为Java字节码并在JVM上运行，使Scala成为一种非常强大的通用语言，但也非常适合数据科学学者语法和类型相对复杂，这实际上是对于Python开发人员来说，这是一个相对陡峭的学习曲线。总结：Scala+Spark是集群处理大数据环境的绝佳解决方案。但是对于少量的数据，其他语言可能效率更高JuliaJulia是一门刚刚出现几年的JIT科学计算语言，为高性能科学计算而生。优点：JIT（just-in-time）语言性能好，也提供Python等解释型语言的脚本函数和动态类型。它为数值分析而生，但也可以进行通用编程。可读性好，还有Julia文档中文翻译很棒（因为核心团队里有一个中文哈哈哈）缺点：作为一门新语言，很难说它可以成熟到可以大规模使用。与MATLAB一样成熟稳定MATLAB是MathWorks出品的商业数学软件。它是一种用于算法开发、数据可视化、数据分析和数值计算的高级技术计算语言和交互环境。在数值计算方面在数学技术应用软件中首屈一指。优点：专为数值计算而设计，非常适合具有复杂数学计算的定量应用，如信号处理、傅里叶变换、图像处理等。数据可视化，MATLAB作为本科数学课程的一部分内置了绘图功能，它用于物理学，广泛应用于工程，应用数学等。缺点：相当昂贵（获取MATLAB和工具箱的报价）不适合通用编程总结：MATLAB最适合数据密集型应用程序，因为它就是这样是为了。结论本文只是帮助选择适合数据科学的语言的快速指南。当然，除了上面介绍的语言，C++、JavaScript、Perl和Ruby也可以解决一些数据问题。关键在于你的使用需求和个人喜好。
