數據分析用什麼語言

Ⅰ 為什麼用Python做數據分析

為什麼用Python做數據分析

原因如下：

1、python大量的庫為數據分析提供了完整的工具集

python擁有numpy、matplotlib、scikit-learn、pandas、ipython等工具在科學計算方面十分有優勢，尤其是pandas，在處理中型數據方面可以說有著無與倫比的優勢，已經成為數據分析中流砥柱的分析工具。

2、比起MATLAB、R語言等其他主要用於數據分析語言，python語言功能更加健全

Python具有強大的編程能力，這種編程語言不同於R或者matlab，python有些非常強大的數據分析能力，並且還可以利用Python進行爬蟲，寫游戲，以及自動化運維，在這些領域中有著很廣泛的應用，這些優點就使得一種技術去解決所有的業務服務問題，這就充分的體現的Python有利於各個業務之間的融合。如果使用Python，能夠大大的提高數據分析的效率。

3、python庫一直在增加，演算法的實現採取的方法更加創新

4、python能很方便的對接其他語言，比如c、java等。

Python最大的優點那就是簡單易學。Python代碼十分容易被讀寫，最適合剛剛入門的朋友去學習。我們在處理數據的時候，一般都希望數據能夠轉化成可運算的數字形式，這樣，不管是沒學過編程的人還是學過編程的人都能夠看懂這個數據。

其實現如今，Python是一個面向世界的編程語言，Python對於如今火熱的人工智慧也有一定的幫助，這是因為人工智慧需要的是即時性，而Python是一種非常簡潔的語言，同時有著豐富的資料庫以及活躍的社區，這樣就能夠輕松的提取數據，從而為人工智慧做出優質的服務。

通過上面的描述，相信大家已經知道了使用Python做數據分析的優點了。Python語言得益於它的簡單方便，使得其在大數據、數據分析以及人工智慧方面都有十分明顯的存在感，對於數據分析從業者以及想要進入數據分析行業的人來說，簡單易學容易上手的優勢也是一個優勢，所以不管大家是否進入數據分析行業，學習Python是沒有壞處的。

Python中文網，大量Python視頻教程，歡迎學習！

Ⅱ 大數據應該學習什麼語言

大數據專業語言主要以java、python為主，課程知識點多，難度大，而且有本科學歷要求！

大數據學習內容主要有：

①JavaSE核心技術；

②Hadoop平台核心技術、Hive開發、HBase開發；

③Spark相關技術、Scala基本編程；

④掌握Python基本使用、核心庫的使用、Python爬蟲、簡單數據分析；理解Python機器學習；

⑤大數據項目開發實戰，大數據系統管理優化等。

你可以考察對比一下南京課工場、北大青鳥、中博軟體學院等開設有大數據專業的學校。祝你學有所成，望採納。

北大青鳥中博軟體學院大數據課堂實拍

Ⅲ 在大數據分析/挖掘領域，哪些編程語言應用最多

一般來詳說做數據分析挖掘每種編程語言基本都能做。
做分析方面R語言是強項。
數據可視化是Matlab。
但是挖數據要做爬蟲，這個又會用到Java和Python
Python是個全能，在分析方面有Numpy，Scipy等數據分析庫，又有很多爬蟲庫，還有matplotlib的庫把數據可視化。

Ⅳ 大數據處理需要用到的編程語言有哪些

R語言:為統計人員開發的一種語言，可以用R語言構建深奧的統計模型、數據探索以及統計分析等
Python語言：Python是數據分析利器，使用Python進行科學計算可以提高效率，Python可以替代Excel進行更高效的數據處理
java語言：Java是一門很適合大數據項目的編程語言，Hadoop、Spark、Storm、Flink、Flume、Kafka、Sqoop等大數據框架和工具都是用Java編寫的，因此，大數據會不可避免的使用到Java。
Scala語言:Scala是一門輕松的語言，在JVM上運行，成功地結合了函數範式和面向對象範式

Ⅳ 數據分析用python還是r語言

Python與R語言的共同點：

Python和R在數據分析和數據挖掘方面都有比較專業和全面的模塊，很多常用的功能，比如矩陣運算、向量運算等都有比較高級的用法。

Python和R兩門語言有許多平台適應性，Linux、Windows都可以用，並且代碼可移植性強。

Python和R比較貼近MATLAB以及minitab等常用的數學工具。

Python和R語言的區別：

數據結構方面，由於從科學計算的角度出發，R中的數據結構非常簡單，主要包含向量、多維數組、列表、數據框;而Python則包含更豐富的數據結構來實現數據更精準的訪問和內存控制，多維數組、元組、集合、字典等等。

Python與R對比速度更快，Python可以直接處理上G的數據;R不行，R分析數據時需要先通過資料庫把大數據轉化為小數據才能交給R做分析，因此R不可能直接分析行為詳單，只能分析統計結果。

Python是一套比較平衡的語言，各方面都可以，無論是對其他語言的調用，和數據源的連接、讀取，對系統的操作，還是正則表達式和文字處理，Python都有著非常明顯的優勢，而R在統計方面比較突出。

Python的pandas借鑒了R的dataframes，R中的rvest則參考了Python的beautiful
soup，兩種語言在一定程度上存在互補性;通常，我們認為Python比R在計算機編程、網路爬蟲上更有優勢;而R在統計分析上是一種更高校的獨立數據分析工具，所以說Python和R各具備不同的優勢，很難抉擇。

不過相對於R來說，Python更加簡單、易學、語法清晰，適合零基礎入門學習，而且掌握Python之後不僅可以從事數據分析崗位工作，還可以從事人工智慧、web開發、游戲開發、運維等工作。

Ⅵ 大數據處理需要用到的九種編程語言

大數據處理需要用到的九種編程語言

隨著大數據的熱潮不斷升溫，幾乎各個領域都有洪水傾瀉般的信息涌來，面對用戶成千上萬的瀏覽記錄、記錄行為數據，如果就單純的Excel來進行數據處理是遠遠不能滿足的。但如果只用一些操作軟體來分析，而不怎麼如何用邏輯數據來分析的話，那也只是簡單的數據處理。

替代性很高的工作，而無法深入規劃策略的核心。

當然，基本功是最不可忽略的環節，想要成為數據科學家，對於這幾個程序你應該要有一定的認識：

若要列出所有程序語言，你能忘記其他的沒關系，但最不能忘的就是R。從1997年悄悄地出現，最大的優勢就是它免費，為昂貴的統計軟體像是Matlab或SAS的另一種選擇。

但是在過去幾年來，它的身價大翻轉，變成了資料科學界眼中的寶。不只是木訥的統計學家熟知它，包括WallStreet交易員、生物學家，以及矽谷開發者，他們都相當熟悉R。多元化的公司像是Google、Facebook、美國銀行以及NewYorkTimes通通都使用R，它的商業效用持續提高。

R的好處在於它簡單易上手，透過R，你可以從復雜的數據集中篩選你要的數據，從復雜的模型函數中操作數據，建立井然有序的圖表來呈現數字，這些都只需要幾行程序代碼就可以了，打個比方，它就像是好動版本的Excel。

R最棒的資產就是活躍的動態系統，R社群持續地增加新的軟體包，還有以內建豐富的功能集為特點。目前估計已有超過200萬人使用R，最近的調查顯示，R在數據科學界里，到目前為止最受歡迎的語言，佔了回復者的61%（緊追在後的是39%的Python）。

它也吸引了WallStreet的注目。傳統而言，證券分析師在Excel檔從白天看到晚上，但現在R在財務建模的使用率逐漸增加，特別是可視化工具，美國銀行的副總裁NiallO』Conno說，「R讓我們俗氣的表格變得突出」。

在數據建模上，它正在往逐漸成熟的專業語言邁進，雖然R仍受限於當公司需要製造大規模的產品時，而有的人說他被其他語言篡奪地位了。

「R更有用的是在畫圖，而不是建模。」頂尖數據分析公司Metamarkets的CEO，MichaelDriscoll表示，

「你不會在Google的網頁排名核心或是Facebook的朋友們推薦演算法時看到R的蹤影，工程師會在R里建立一個原型，然後再到Java或Python里寫模型語法」。

舉一個使用R很有名的例子，在2010年時，PaulButler用R來建立Facebook的世界地圖，證明了這個語言有多豐富多強大的可視化數據能力，雖然他現在比以前更少使用R了。

「R已經逐漸過時了，在龐大的數據集底下它跑的慢又笨重」Butler說。

所以接下來他用什麼呢?

如果說R是神經質又令人喜愛的Geek，那Python就是隨和又好相處的女生。

Python結合了R的快速、處理復雜數據采礦的能力以及更務實的語言等各個特質，迅速地成為主流，Python比起R，學起來更加簡單也更直觀，而且它的生態系統近幾年來不可思議地快速成長，在統計分析上比起R功能更強。

Butler說，「過去兩年間，從R到Python地顯著改變，就像是一個巨人不斷地推動向前進」。

在數據處理范疇內，通常在規模與復雜之間要有個取捨，而Python以折衷的姿態出現。IPythonNotebook（記事本軟體）和NumPy被用來暫時存取較低負擔的工作量，然而Python對於中等規模的數據處理是相當好的工具；Python擁有豐富的資料族，提供大量的工具包和統計特徵。

美國銀行用Python來建立新產品和在銀行的基礎建設介面，同時也處理財務數據，「Python是更廣泛又相當有彈性，所以大家會對它趨之若鶩。」O』Donnell如是說。

然而，雖然它的優點能夠彌補R的缺點，它仍然不是最高效能的語言，偶爾才能處理龐大規模、核心的基礎建設。Driscoll是這么認為的。

今日大多數的數據科學都是透過R、Python、Java、Matlab及SAS為主，但仍然存在著鴻溝要去彌補，而這個時候，新進者Julia看到了這個痛點。

Julia仍太過於神秘而尚未被業界廣泛的採用，但是當談到它的潛力足以搶奪R和Python的寶座時，數據黑客也難以解釋。原因在於Julia是個高階、不可思議的快速和善於表達的語言，比起R要快的許多，比起Python又有潛力處理更具規模的數據，也很容易上手。

「Julia會變的日漸重要，最終，在R和Python可以做的事情在Julia也可以」。Butler是這么認為的。

就現在而言，若要說Julia發展會倒退的原因，大概就是它太年輕了。Julia的數據小區還在初始階段，在它要能夠和R或Python競爭前，它還需要更多的工具包和軟體包。

Driscoll說，它就是因為它年輕，才會有可能變成主流又有前景。

Driscoll說，Java和以Java為基礎的架構，是由矽谷里最大的幾家科技公司的核心所建立的，如果你從Twitter、Linkedin或是Facebook里觀察，你會發現Java對於所有數據工程基礎架構而言，是非常基礎的語言。

Java沒有和R和Python一樣好的可視化功能，它也不是統計建模的最佳工具，但是如果你需要建立一個龐大的系統、使用過去的原型，那Java通常會是你最基的選擇。

Hadoop and Hive

為了迎合大量數據處理的需求，以Java為基礎的工具群興起。Hadoop為處理一批批數據處理，發展以Java為基礎的架構關鍵；相較於其他處理工具，Hadoop慢許多，但是無比的准確和可被後端資料庫分析廣泛使用。和Hive搭配的很好，Hive是基於查詢的架構下，運作的相當好。

又是另一個以Java為基礎的語言，和Java很像，對任何想要進行大規模的機械學習或是建立高階的演算法，Scala會是逐漸興起的工具。它是善於呈現且擁有建立可靠系統的能力。

「Java像是用鋼鐵建造的；Scala則是讓你能夠把它拿進窯烤然後變成鋼的黏土」Driscoll說。

說到當你需要快速的、實時的分析時，你會想到什麼?Kafka將會是你的最佳夥伴。其實它已經出現五年有了，只是因為最近串流處理興起才變的越來越流行。

Kafka是從Linkedin內誕生的，是一個特別快速的查詢訊息系統。Kafka的缺點呢?就是它太快了，因此在實時操作時它會犯錯，有時候會漏掉東西。

魚與熊掌不可兼得，「必須要在准確度跟速度之間做一個選擇」，Driscoll說。所以全部在矽谷的科技大公司都利用兩個管道：用Kafka或Storm處理實時數據，接下來打開Hadoop處理一批批處理數據系統，這樣聽起來有點麻煩又會有些慢，但好處是，它非常非常精準。

Storm是另一個從Scala寫出來的架構，在矽谷逐漸大幅增加它在串流處理的受歡迎程度，被Twitter並購，這並不意外，因為Twitter對快速事件處理有極大的興趣。

Matlab可以說是歷久不衰，即使它標價很高；在非常特定的利基市場它使用的相當廣泛，包括密集的研究機器學習、信號處理、圖像辨識等等。

Octave和Matlab很像，除了它是免費的之外。然而，在學術信號處理的圈子，幾乎都會提到它。

GO是另一個逐漸興起的新進者，從Google開發出來的，放寬點說，它是從C語言來的，並且在建立強大的基礎架構上，漸漸地成為Java和Python的競爭者。

這么多的軟體可以使用，但我認為不見得每個都一定要會才行，知道你的目標和方向是什麼，就選定一個最適合的工具使用吧!可以幫助你提升效率又達到精準的結果。

以上是小編為大家分享的關於大數據處理需要用到的九種編程語言的相關內容，更多信息可以關注環球青藤分享更多干貨

Ⅶ 大數據現在用什麼語言來做

大數據是一種在獲取、存儲、管理、分析等方面大大超出了傳統資料庫軟體工具能力范圍的數據集合。它具有大量的數據規模、快速的數據流轉、多樣的數據類型和價值密度低四大特徵。
未來大數據相關人才缺口巨大。
其實挺多編程語言是相通的，都可以用來做大數據
Java因為其語言的優勢，更多人使用Java語言
另外Python語言在數據分析，數據挖掘方面具備優勢，精通Java的基礎上，再學學Python，有利於提升工作效率

如果你是0基礎，想後期走大數據方向，建議先學Java，精通Java後，再轉大數據會更容易一些

希望能給你帶來參考

Ⅷ 想從事數據分析工作，學什麼軟體或語言最好

Excel

EXCEL是其中最簡單的，倒不是容易而是人人都會。但如果是用來分析的話，圖表只是基礎，還要學會使用透視圖以及VBA函數。Excel的功能其實非常強大，尤其是通過學習VBA，幾乎能解決所有的問題，但成本就高了，而且Excel的數據處理量並不是很大，幾十萬而已，大數據量還要另尋方法。

SPSS

SPSS最初是社會科學統計軟體，如果剛入門數據分析，懂點SPSS事非常有好處的，當然前提是要懂SQL。SPSS得使用對人的能力要求不高，編程模塊很少使用，通常用於科學、市場之類的調研，在院校中使用較多。

有了以上的基礎之後，可能就需要精通一門統計分析軟體。

近幾年的互聯網潮，R語言流行起來了，在互聯網行業運用較多。R語言是開源的，學習起來並不容易，需要一個長期的過程。

SPSS剛剛有提到，適用於市場研究，上手較快。如果會編程的話，功能還是蠻強大的。

SAS一般是金融行業應用較廣，特別是銀行業和醫學統計，包括一些製造業也很多。銀行業通常會用SAS來做統計，數據挖掘也會用到，價格昂貴，學起來比較難，建議網上尋找一些課程和教材來學。

所以打擊愛可以針對自己的行業和實際情況來做選擇，以上列舉的只是大致情況。

Python

以上就是各種數據分析工具和語言的介紹，其次還要掌握一些第三方工具，這些工具一般偏業務化應用，可視化數據展示類偏多，所以在技術上沒有太多要求，不過SQL需要掌握。

Tableau

多次介紹過的一款可視化工具，可視化方面應該是做得最不錯的工具了，偏前端分析。不懂python不懂R的可以試試。有點貴，土豪們加油！

Qlikview

相對tableau有點丑，不要噴，畢竟人家走數據處理路線，作為BI產品，數據處理速度還是不錯的，取個數不至於像tableau慢。兩者像互補兄弟，各有優勢，但都一樣貴，哈哈！所以對數據處理要求較高的話，建議嘗試。

FineBI

國內的可視化軟體，bi工具。無功無過，重在穩定和應用，國內有一定市場，企業應用挺廣。有一定數據分析基礎的同學，應該說很快就能上手，免費版無限用!

還有一些D3之類的chart軟體這里由於篇幅就不介紹了，主要偏應用，在工作中使用還是蠻廣的。

總體來將，每個工具各有優勢，但最關鍵的還是對於業務的熟悉度，沒有遠離和思路，任何工具都用不起來，所以在做數據分析時，一定要紮根學習業務和數據建模方法，工具不是萬能的！

Ⅸ 想從事數據分析工作，學什麼軟體或語言最好

做一般的數據分析，很多工具都可以。例如R, Python, Matlab等等。不過就社區規模和質量與學習成本與前景，最好學R，如果想更偏向於General purpose programming，最好還要學Python或者近年來發展迅猛的F#，個人推薦F#，函數式編程是未來的大勢所趨，況且F#有神奇的Type Provider，可以方便地調用R, Java，很快PythonProvider和MatlabProvider也會發布了，這樣就把幾大社區的資源都整合在一起了。如果做大規模數據分析，當然要懂資料庫的東西，可以學SQL，用SQLite, MySQL等等來操作關系型數據。如果想做大數據，可以學Hadoop, Hive以及Storm等等，基於大數據平台做數據分析應該沒有必要了解太多技術細節，知道如何操作非關系數據，以及實時數據即可。當然，都掌握最好。

從事數據分析一定要選一門編程語言和工具，技多不壓身嘛。數據分析的工具有很多，按功能和側重點來分有統計工具、可視化工具等等。應用最廣的也是最常被提到的，無非是Excel、SAS、Python、R等等。那麼，這么多工具是否都要學？都適用於什麼情況？又應該如何使用呢？ExcelEXCEL是其中最簡單的，倒不是容易而是人人都會。但如果是用來分析的話，圖表只是基礎，還要學會使用透視圖以及VBA函數。Excel的功能其實非常強大，尤其是通過學習VBA，幾乎能解決所有的問題，但成本就高了，而且Excel的數據處理量並不是很大，幾十萬而已，大數據量還要另尋方法。

Ⅹ python和java大數據都可以做數據分析，兩者有什麼區別，哪個更實用

Python是一種面向對象的解釋型計算機程序的設計語言, Python具有豐富和強大的庫。它常被稱為膠水語言，能夠把其他語言製作的各種模塊很輕松地結合在一起。相對於Java、C語言等，Python簡單易學，更適合沒有編程基礎的小白入門。Python 的語言沒有多少儀式化的東西，所以就算不是一個 Python 專家，你也能讀懂它的代碼。
Java語言是一門面向對象編程語言，不僅吸收了C++語言的各種優點，還摒棄了C++語言里難以理解的多繼承、指針等概念，因此Java語言具有功能強大和簡單易用兩個特徵。Java語言作為靜態的面向對象編程語言的代表，極好地實現了面向對象的理論，允許程序員以優雅的思維方式進行復雜的編程。Java語言具有簡單性、面向對象、分布式、健壯性、安全性、平台獨立與可移植性、多線程、動態性等等特點 。