為啥我敢說Python是數(shù)據(jù)分析界的扛把子語言？

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

因為我在知乎上看到非常多人在問這個問題，想必大家是關(guān)心的。我的觀點是，目前來看所有編程語言里，做數(shù)據(jù)分析Python是最好的選擇，沒有之一。

列舉幾個事實：

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

2、最新4月TIOBE編程語言排名，Python斷層第一，流行度16.41%，第二是C語言，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)分析的熱門語言有它的必然性，我理解有三個方面原因。

一、Python擁有大量數(shù)據(jù)科學(xué)第三方庫

這些第三方庫拿來即用，廣泛用于數(shù)學(xué)計算、數(shù)據(jù)處理、數(shù)據(jù)建模、數(shù)據(jù)可視化、機器學(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)組計算的庫，大部分機器學(xué)習(xí)、深度學(xué)習(xí)都基于numpy。

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

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

• Matplotlib：用于繪制可視化圖表的庫，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

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web應(yīng)用，而且支持python、R、Julia、Scala等超40種語言。

雖然說支持這么多語言，但Python是Jupyter最好的搭檔，因為Python有IPython。Jupyter最大的特點是代碼即寫可即運行，其可被應(yīng)用于全過程計算：開發(fā)、文檔編寫、運行代碼和展示結(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中所有交互計算、編寫說明文檔、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的使用場景有什么區(qū)別呢？

Jupyter主要是用來做數(shù)據(jù)科學(xué)，其包含數(shù)據(jù)分析、數(shù)據(jù)可視化、機器學(xué)習(xí)、深度學(xué)習(xí)、機器人等等，任何Python數(shù)據(jù)科學(xué)第三方庫都能在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)比賽平臺都以Jupyter作為編輯工具，在上面實現(xiàn)各種數(shù)據(jù)分析場景。

在產(chǎn)品上，Jupyter不僅有簡潔的Notebook ，還有工作臺式的Lab，甚至線上平臺化部署的Hub，對個人、團(tuán)隊、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

這實在太關(guān)鍵了，做數(shù)據(jù)分析不會太去關(guān)注編程語言本身的復(fù)雜特性，越是簡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，因為我只是用來分析處理數(shù)據(jù)，又不要開發(fā)大型軟件，運行他個十幾年。

其次能用第三方庫，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，代碼簡潔，有上千個數(shù)據(jù)科學(xué)相關(guān)第三方庫供你使用。

所以相比其他語言，python最大程度上降低了使用門檻。

比如說構(gòu)建一個簡單的分類模型。

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)測測試集  
y_pred = model.predict(X_test)  
# 評估模型  
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，一種支持向量機算法）  
        Classifier cls = new SMO();  
        // 訓(xùn)練模型  
        cls.buildClassifier(data);  
        // 測試模型  
        double[] testInstance = {4.5, 4.5}; // 一個新的測試實例  
        Instances test = new Instances(data, 1); // 創(chuàng)建一個只包含一個實例的數(shù)據(jù)集  
        test.add(testInstance);  
        // 對測試實例進(jìn)行分類  
        double predictedClass = cls.classifyInstance(test.firstInstance());  
        String className = data.classAttribute().value((int) predictedClass);  
        // 輸出預(yù)測結(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，一種支持向量機算法）  
        Classifier cls = new SMO();  
          
        // 訓(xùn)練模型  
        cls.buildClassifier(data);  
          
        // 測試模型  
        double[] testInstance = {4.5, 4.5}; // 一個新的測試實例  
        Instances test = new Instances(data, 1); // 創(chuàng)建一個只包含一個實例的數(shù)據(jù)集  
        test.add(testInstance);  
          
        // 對測試實例進(jìn)行分類  
        double predictedClass = cls.classifyInstance(test.firstInstance());  
        String className = data.classAttribute().value((int) predictedClass);  
          
        // 輸出預(yù)測結(jié)果  
        System.out.println("Predicted class for instance [4.5, 4.5]: " + className);  
    }  
}

對比下，很明顯地能看出來，Python代碼會更加簡潔，少了很多語法上的規(guī)則限制，其第三方庫的使用也更加容易。

綜上來說，從事數(shù)據(jù)分析想要選一個編程語言，Python是最好的選擇，會讓你少走一些彎路。

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

加入知識星球【我們談?wù)摂?shù)據(jù)科學(xué)】

600+小伙伴一起學(xué)習(xí)！