分析四月到啦！

大家好！我们经历了 Functional February 和 Mechanical March。现在轮到 Analytical April 了，这个月我们将聚焦非常适合数据科学的语言。

正如你从过去几个月以来已经习惯的那样，在这个视频里，Erik 和我将为你快速介绍这个月的主题，以及我们会探索的不同语言。

和往常一样，稍后 Erik 会带我们逐一了解这些语言，不过我先来讲讲这个月的一些实际细节。

首先是这个月的重点语言。这个月我们只有 3 门：Julia、Python 和 R。这三门语言各有不同，而且显然 Python 是一门用途非常广泛的语言，但我们鼓励你在这个月尝试用数据科学的思维来使用它们。

要获得 Analytical April 徽章，你需要在其中一门语言里完成 5 道练习。稍后我们会探讨它们之间的差异，但用 Exercism 的话来说，我们的 Python track 有一套非常棒的教学大纲，所以我强烈推荐你去试试。我们还希望在这个月内推出 Julia 的教学大纲，这方面的大量工作已经完成，只需要再打磨一下。R 没有教学大纲，但有很多有趣的练习供你把玩。

我们精选了 5 道练习供你尝试：

• etl：在这里你可以探索如何将数据重塑成不同的格式
• largest-series-product：练习在数字字符串中高效地寻找规律
• saddle-points：探索如何处理多维数组/矩阵
• sum-of-multiples：练习对一串数字进行筛选和求和
• word-count：把字符串拆成单词并计数

提醒一下，除了 Analytical April 徽章，还有一个为期一年的 #12in23 徽章，只要你在今年任意时间完成这些精选练习就能获得。所以，你需要在今年内用 Python、R 或 Julia 完成那 5 道练习，才能拿到那个徽章！完整的练习列表，可以在 Analytical April 页面找到链接的论坛帖子。

最后，在深入这些语言之前，提醒一下，我们在三月上线了新的 Discord 服务器。那里有很多有趣的活动，一定要去看看。链接就在下方的描述里！

好，我们来探索这些语言。先快速了解每一门语言，然后再深入它们的特性和适用场景。先从 Python 开始。

Python

• 由 Guido van Rossum 在 20 世纪 80 年代末构想并开发，作为 ABC 编程语言的继任者。1991 年首次发布。
• 在荷兰的 Centrum Wiskunde & Informatica（CWI）（因是 Edsger Dijkstra 完成大部分工作的地方而闻名）开发，这是一个政府资助的研究实验室。
• Guido 曾用 C 和 shell 脚本编程，但两者都有缺点。Python 旨在兼取两者的长处，而避开它们的缺点。
• 由 Python Software Foundation 管理，语言变更通过 Python Enhancement Proposals（PEPs）进行（类似 RFC）

R

• 由奥克兰大学的 Ross Ihaka 和 Robert Gentleman 创建。R 可以看作 S 语言的另一种实现（差异相对较小），S 的后继是 S-plus，即 S 的商业（非开源）实现。虽然 R 与 S 共享大部分语法，但它的语义受到 Scheme 的启发
• 目标：创建一门更适合统计计算和图形、且比计算机科学家设计的同类软件更易用的语言

Julia

• 由 Jeff Bezanson、Stefan Karpinski、Viral B. Shah 和 Alan Edelman 公开开发，目前有超过 1000 名贡献者
• 目标：构建一门免费的高级语言，它拥有 C 的速度、Ruby 的动态性、LISP 的元编程能力、Python 的通用性、R 的统计支持、MatLab 的线性代数支持以及 Perl 的字符串处理能力，同时还能支持大规模并行执行
• 非常适合科学计算，同时也是一门通用语言（用于 Web 应用的 Genie 框架）

和许多语言一样，这三门语言都是在不满现状中诞生的 :)

好，很好。那么从适用场景来看，什么时候该用其中一门语言，而不是另外两门？

Python

• 真正的通用语言（网站、脚本、科学计算）
• 可用于许多不同用途：AI（TensorFlow）、科学计算（NumPy）脚本、网站（Django）、嵌入式系统（MicroPython）、与硬件交互（例如 Raspberry Pi）、游戏（EVE Online），Python 甚至上过火星
• 非常适合用来学编程：资源丰富，社区庞大。关于如何编写 Pythonic 代码（即写出地道的 Python 代码，例如“显式优于隐式”和“可读性很重要”）有大量指导。许多操作系统默认就装好了它
• 目前使用最广泛的语言之一，所以有大量文档、库和庞大的社区

R

• R 的用途非常广泛，包括研究人员用它分析实验数据、大学用它教授统计学和数据分析、金融行业因为统计至关重要而使用它（例如保险）、零售业也是如此（Amazon 用 R 做数据分析），制造业也一样（John Deere 估算该生产多少备件）、美国国家气象局用它帮助预测天气和灾害、数据新闻（分析真实世界的数据并从中提炼意义，常常配合可视化），在医疗领域也大量使用，例如根据临床前试验判断一种药物的安全性

Julia：

• 非常适合科学计算、数据挖掘、机器学习、线性代数和分布式计算。写法会让人感觉接近数学记号，因此从公式到代码相对容易
• 分布式计算：任务（=协程）和通道让代码可以并行运行并相互通信，通过消息传递支持多进程（非常适合高性能计算）
• 用于 Celeste 项目（一台运行 Julia 代码的超算，分析 178 TB 的天文数据）（这让 Julia 因此跻身 petaflop 俱乐部，当时只有 C、C++ 和 Fortran 在列，Julia 是第一门动态语言，每秒一千万亿次浮点运算，也就是 1 后面 15 个零）、Clima（气候建模联盟）汇集了来自 Caltech、MIT 和 NASA 喷气推进实验室的人，开发气候预测模型，还有 CERN、ASML

那从编程的角度看，它们有何不同？它们是函数式的、面向对象的，还是别的什么？

Python：

• 动态且强类型
• 多范式：命令式、函数式，但本质上是一门面向对象的语言（一切皆对象）
• 默认解释器 CPython 先编译成字节码，然后在虚拟机中解释执行。PyPy 是 CPython 的替代品，它会即时编译成机器码

R：

• 动态且强类型
• 多范式，以函数式为核心，但也支持过程式或面向对象的风格

Julia：

• 动态且强类型，即时编译
• 多范式：命令式、面向对象（通过多重分派实现重载）、函数式（高阶函数、部分应用、管道运算符）
• 代码在运行时即时编译

继续从编程的角度看这些语言，它们有没有什么特别突出的特性？

Python：

• 语法宜人：对空白敏感，让作用域一目了然。代码通常易读，例如可读性强的布尔条件（and/or）
• 富有表现力：用相当少的代码做很多事（列表推导式、生成器、装饰器）
• 有海量可用于各种用途的库
• 如前所述，它是一门真正的通用语言，可以用在许多不同的场景中

Julia

• 多重分派。根据所有参数的类型来决定调用哪个函数（类似函数重载）
• 动态但性能极佳。Julia 的性能可以与 Fortran 媲美，并接近 C。“普通”的代码往往性能就不错（不需要疯狂的黑客手段，反而鼓励把函数写小一些）。还有支持在 GPU 上运行代码的库
• 分布式计算：任务（=协程）和通道让代码可以并行运行并相互通信，通过消息传递支持多进程（非常适合高性能计算）
• 非常适合科学计算、数据挖掘、机器学习、线性代数和分布式计算。写法会让人感觉接近数学记号，因此从公式到代码相对容易

R：

• 灵活的数据类型：向量是核心类型，连标量也是向量。向量可以带有与之关联的元数据（例如其元素的名字）。列表是异构的（可以含有不同类型的元素）。还有一种特殊的数据框类型，用于容纳一组向量（长度都相同）。
• 向量化操作让向量的更新简洁、高效、易读
• R 是一套集成的软件设施，用于数据操作、计算和图形显示。通过 RStudio 可以轻松地探索、可视化和操作数据。非常适合数据挖掘
• 优秀的社区，友好而多元。R for Data Science 在线学习社区由各种水平的 R 学习者组成，大家共同努力提升技能。还有一个开放的 Slack 群组，成员可以保持联系，互相帮助解决问题。

如果有人拿不准四月该试哪一门，你会建议他们怎么做决定？

就像 IT 里的一切：视情况而定！在这个例子里，我觉得主要取决于你的目标和个人经验。

如果你编程经验还比较浅，对 AI 或机器学习感兴趣，或者想学一门能用在许多不同地方的语言，我大概会建议从 Python 开始： Python 可用的资源数量极其庞大，其中包括许多免费的在线课程 Python 在 AI 和机器学习领域随处可见 Python 可以用于非常多不同的用途 Python track 启用了学习模式，能帮你以有趣的方式掌握这门语言的核心概念

如果你对做统计工作感兴趣，想探索和可视化数据，或者对另一种处理数据的方式感到好奇，R 语言是个很好的选择： R 的数据类型基于数据的集合（向量/列表），操作可以轻松地作用在集合上（无需循环） RStudio 这个 IDE 非常适合探索和可视化数据 R 对统计分析有极佳的支持 R 能轻松地绘制数据图表

如果你对科学计算感兴趣，想并发地运行代码，非常在意性能，或者想学一门现代、优雅、与大多数其他语言都不太一样的语言，我会推荐 Julia：

• 多重分派对很多人来说会很新鲜，而且威力无比
• Julia 非常适合科学计算
• Julia 的类型系统灵活而富有表现力
• Julia 性能极佳
• Julia 非常适合并发执行

当然，如果你有时间，我建议你把三门都试一遍！一门语言你不真正试试，就永远不知道自己会不会喜欢它。