為啥我敢說(shuō)Python是數(shù)據(jù)分析界的扛把子語(yǔ)言？

首先聲明下這篇文字不是賣課的，也不是無(wú)腦吹Python，咱只講事實(shí)，認(rèn)認(rèn)真真討論下Python是不是數(shù)據(jù)分析領(lǐng)域最好的語(yǔ)言。

因?yàn)槲以谥跎峡吹椒浅６嗳嗽趩?wèn)這個(gè)問(wèn)題，想必大家是關(guān)心的。我的觀點(diǎn)是，目前來(lái)看所有編程語(yǔ)言里，做數(shù)據(jù)分析Python是最好的選擇，沒有之一。

列舉幾個(gè)事實(shí)：

1、Kaggle、天池等數(shù)據(jù)比賽用的最多的語(yǔ)言是Python，其次是R語(yǔ)言。

2、最新4月TIOBE編程語(yǔ)言排名，Python斷層第一，流行度16.41%，第二是C語(yǔ)言，約10.21%。

3、NASA處理黑洞圖片所用的工具是Python，Python在NASA內(nèi)部被廣泛用于航天數(shù)據(jù)處理分析。

4、Chatgpt算法和后端大規(guī)模使用Python，其官方接口就有Python api。

Python作為數(shù)據(jù)分析的熱門語(yǔ)言有它的必然性，我理解有三個(gè)方面原因。

一、Python擁有大量數(shù)據(jù)科學(xué)第三方庫(kù)

這些第三方庫(kù)拿來(lái)即用，廣泛用于數(shù)學(xué)計(jì)算、數(shù)據(jù)處理、數(shù)據(jù)建模、數(shù)據(jù)可視化、機(jī)器學(xué)習(xí)等等，極大的節(jié)省了數(shù)據(jù)分析的軟硬件成本。

• pandas：python中的Excel，用于數(shù)據(jù)處理、分析，非常方便。

• numpy：用于數(shù)組計(jì)算的庫(kù)，大部分機(jī)器學(xué)習(xí)、深度學(xué)習(xí)都基于numpy。

• scipy：用于數(shù)學(xué)和工程計(jì)算的庫(kù)，堪比Matlab。

• Scikit-Learn：集合了幾乎所有機(jī)器學(xué)習(xí)模型的庫(kù)，拿來(lái)即用，非常方便。

• Matplotlib：用于繪制可視化圖表的庫(kù)，沒有什么是它畫不了的圖。

其他的就更多了，不一一贅述。

二、Python有Jupyter notebook這樣專門用于數(shù)據(jù)科學(xué)的開發(fā)平臺(tái)

Kaggle、天池就是基于notebook提供數(shù)據(jù)分析服務(wù)，很多公司的數(shù)據(jù)分析平臺(tái)也是基于notebook，搭建在私有或公有云上。

Jupyter是集編程、筆記、數(shù)據(jù)分析、機(jī)器學(xué)習(xí)、可視化、教學(xué)演示、交互協(xié)作等于一體的超級(jí)web應(yīng)用，而且支持python、R、Julia、Scala等超40種語(yǔ)言。

雖然說(shuō)支持這么多語(yǔ)言，但Python是Jupyter最好的搭檔，因?yàn)镻ython有IPython。Jupyter最大的特點(diǎn)是代碼即寫可即運(yùn)行，其可被應(yīng)用于全過(guò)程計(jì)算：開發(fā)、文檔編寫、運(yùn)行代碼和展示結(jié)果。

比如我用matplotlib繪制一張曲線圖，只需要輸入腳本代碼并執(zhí)行，便可以在Jupyter上顯示相應(yīng)圖表。

Jupyter中所有交互計(jì)算、編寫說(shuō)明文檔、數(shù)學(xué)公式、圖片以及其他富媒體形式的輸入和輸出，都是以文檔的形式體現(xiàn)的。

這些文檔是保存為后綴名為.ipynb的JSON格式文件，不僅便于版本控制，也方便與他人共享。

此外，文檔還可以導(dǎo)出為：HTML、LaTeX、PDF等格式。

Jupyter還支持安裝插件，和VsCode類似。插件類型也很豐富，包括了代碼調(diào)試、可視化、文本編輯等等。

既然同樣是編程工具，那Jupyter和Pycharm、VsCode的使用場(chǎng)景有什么區(qū)別呢？

Jupyter主要是用來(lái)做數(shù)據(jù)科學(xué)，其包含數(shù)據(jù)分析、數(shù)據(jù)可視化、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、機(jī)器人等等，任何Python數(shù)據(jù)科學(xué)第三方庫(kù)都能在Jupyter上得到很好的應(yīng)用和支持。

現(xiàn)在幾乎所有的數(shù)據(jù)比賽平臺(tái)都以Jupyter作為編輯工具，在上面實(shí)現(xiàn)各種數(shù)據(jù)分析場(chǎng)景。

在產(chǎn)品上，Jupyter不僅有簡(jiǎn)潔的Notebook ，還有工作臺(tái)式的Lab，甚至線上平臺(tái)化部署的Hub，對(duì)個(gè)人、團(tuán)隊(duì)、企業(yè)都可以完美支持。

三、最重要的原因，Python易學(xué)、易用、易讀

這實(shí)在太關(guān)鍵了，做數(shù)據(jù)分析不會(huì)太去關(guān)注編程語(yǔ)言本身的復(fù)雜特性，越是簡(jiǎn)單越有利于提高效率。

首先，我不需要關(guān)注代碼的細(xì)節(jié)，比如申明類型、編譯、調(diào)試等，因?yàn)槲抑皇怯脕?lái)分析處理數(shù)據(jù)，又不要開發(fā)大型軟件，運(yùn)行他個(gè)十幾年。

其次能用第三方庫(kù)，就不需要自己去開發(fā)工具，能極大地提升數(shù)據(jù)分析效率。

只要結(jié)果完美，其他的并不重要。

Python就是有這樣的優(yōu)勢(shì)，代碼簡(jiǎn)潔，有上千個(gè)數(shù)據(jù)科學(xué)相關(guān)第三方庫(kù)供你使用。

所以相比其他語(yǔ)言，python最大程度上降低了使用門檻。

比如說(shuō)構(gòu)建一個(gè)簡(jiǎn)單的分類模型。

這是Python代碼：

import numpy as np  
from sklearn.model_selection import train_test_split  
from sklearn.linear_model import LogisticRegression  
from sklearn import metrics  
  
# 示例數(shù)據(jù)  
X = np.array([[1, 2], [2, 3], [3, 1], [2, 1], [3, 3], [4, 4], [5, 5]])  
y = np.array([0, 0, 1, 1, 0, 1, 1])

# 劃分訓(xùn)練集和測(cè)試集  
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)  
# 創(chuàng)建邏輯回歸模型  
model = LogisticRegression()  
# 訓(xùn)練模型  
model.fit(X_train, y_train)  
# 預(yù)測(cè)測(cè)試集  
y_pred = model.predict(X_test)  
# 評(píng)估模型  
print("Accuracy:", metrics.accuracy_score(y_test, y_pred))  

這是Java代碼：

import weka.classifiers.Classifier;  
import weka.classifiers.functions.SMO;  
import weka.core.Instances;  
import weka.core.converters.ConverterUtils.DataSource;  
  
public class ClassificationExample {  
    public static void main(String[] args) throws Exception {  
        // 加載數(shù)據(jù)  
        DataSource source = new DataSource("data.csv");  
        Instances data = source.getDataSet();  
        // 設(shè)置類別索引（通常是最后一列）  
        if (data.classIndex() == -1)  
            data.setClassIndex(data.numAttributes() - 1);  
        // 構(gòu)建分類器（這里使用SMO，一種支持向量機(jī)算法）  
        Classifier cls = new SMO();  
        // 訓(xùn)練模型  
        cls.buildClassifier(data);  
        // 測(cè)試模型  
        double[] testInstance = {4.5, 4.5}; // 一個(gè)新的測(cè)試實(shí)例  
        Instances test = new Instances(data, 1); // 創(chuàng)建一個(gè)只包含一個(gè)實(shí)例的數(shù)據(jù)集  
        test.add(testInstance);  
        // 對(duì)測(cè)試實(shí)例進(jìn)行分類  
        double predictedClass = cls.classifyInstance(test.firstInstance());  
        String className = data.classAttribute().value((int) predictedClass);  
        // 輸出預(yù)測(cè)結(jié)果  
        System.out.println("Predicted class for instance [4.5, 4.5]: " + className);  
    }  
}

這是C++代碼：

import weka.classifiers.Classifier;  
import weka.classifiers.functions.SMO;  
import weka.core.Instances;  
import weka.core.converters.ConverterUtils.DataSource;  
  
public class ClassificationExample {  
    public static void main(String[] args) throws Exception {  
        // 加載數(shù)據(jù)  
        DataSource source = new DataSource("data.csv");  
        Instances data = source.getDataSet();  
          
        // 設(shè)置類別索引（通常是最后一列）  
        if (data.classIndex() == -1)  
            data.setClassIndex(data.numAttributes() - 1);  
          
        // 構(gòu)建分類器（這里使用SMO，一種支持向量機(jī)算法）  
        Classifier cls = new SMO();  
          
        // 訓(xùn)練模型  
        cls.buildClassifier(data);  
          
        // 測(cè)試模型  
        double[] testInstance = {4.5, 4.5}; // 一個(gè)新的測(cè)試實(shí)例  
        Instances test = new Instances(data, 1); // 創(chuàng)建一個(gè)只包含一個(gè)實(shí)例的數(shù)據(jù)集  
        test.add(testInstance);  
          
        // 對(duì)測(cè)試實(shí)例進(jìn)行分類  
        double predictedClass = cls.classifyInstance(test.firstInstance());  
        String className = data.classAttribute().value((int) predictedClass);  
          
        // 輸出預(yù)測(cè)結(jié)果  
        System.out.println("Predicted class for instance [4.5, 4.5]: " + className);  
    }  
}

對(duì)比下，很明顯地能看出來(lái)，Python代碼會(huì)更加簡(jiǎn)潔，少了很多語(yǔ)法上的規(guī)則限制，其第三方庫(kù)的使用也更加容易。

綜上來(lái)說(shuō)，從事數(shù)據(jù)分析想要選一個(gè)編程語(yǔ)言，Python是最好的選擇，會(huì)讓你少走一些彎路。

最后，分享幾本不錯(cuò)的Python數(shù)據(jù)分析入門資料，大家可以在公眾號(hào)后臺(tái)回復(fù)：data，即可獲得

加入知識(shí)星球【我們談?wù)摂?shù)據(jù)科學(xué)】

600+小伙伴一起學(xué)習(xí)！