您还没有登录，快捷通道只有在登录后才能使用。 还没有帐号？ 赶紧
Python赶超R语言，成数据科学、机器学习平台中最热语言？
在线时间72小时
&&发表于: 10-07
09月14日报道：近日，kdnuggets做了一个关于数据科学、机器学习语言使用情况的问卷调查，他们分析了954个回答，得出结论——Python已经打败R语言，成为分析、数据科学和机器学习平台中使用频率最高的语言。有关此次问卷更具体的情况如何？雷锋网 AI科技评论将kdnuggets上发表的总结文编译整理如下：之前我们在kdnuggets上做了这样一个问卷调查，两年，在分析、数据科学和机器学习的工作中，你用R语言，还是Python，或两者都用，或选择其他的语言？通过分析954个回答，我们得出了这样的结论：虽然Python并没有完全取代R语言，但在2017年，Python已经成功打败R语言，成为分析、数据科学和机器学习平台中使用频率最高的语言。在2016年Python还是第二位（主要用Python的人占34%，主要用R语言的人占42%），在2017年Python就以5%的优势领先于R语言（主要用Python的人占41%，主要用R语言的人占36%）。同时用Python和R两种语言的人也从2016年的8.5%增长到12%了，而用其他语言的人则从16%降到11%。'995')this.width='995';">这张图看起来很复杂，不过从中可以很容易地看出Python在忠诚度和转换率两个关键层面都领先于其他语言。忠诚度：使用Python的用户对它的忠诚度要高于使用其他语言的用户。2016年使用Python的用户中，有91%的人2017年还在继续使用它，而R语言的用户留存率为74%，其他语言的用户留存率则为60%。转换率：从2016年到2017年，只有5%的Python用户转向R语言，而R语言用户转向Python的则是10%，这是前者的两倍。另外，2016年同时使用两种语言的人中，只有49%的人还在继续使用这两种语言，38%的人转向Python，11%的人转向R语言。接下来我们看一下年这几种语言的使用趋势。因为我们2015年【R vs Python】的问卷调查中没有提供【同时使用两种语言】这个选项，因此下面这四年的对比趋势图中，年的Python、R语言使用趋势我们是这样计算的：Python*= (Python的比例) + 50% * (同时使用Python和R语言的比例)R* = (R的比例) + 50% * (同时使用Python和R语言的比例)可以看到，R语言的使用率在逐年缓慢下降（从2015年的50%降到2017年的36%），而Python的使用率则从2014年的23%增长到2017年的47%。另外，其他语言的使用率也在逐年下降。最后，我们也按地区分析了几种语言的使用趋势，地区分布情况如下：美国/加拿大，40%欧洲，35%亚洲，12.5%拉美，6.2%非洲/中东，3.6%澳洲/新西兰，3.1%'995')this.width='995';">我们注意到不同区域的语言变化情况：Python的使用率增长了8-10%R语言的使用率降低了大约2-4%其他语言的使用率降低了5-7%上面的数据表明了Python的使用前景很好，我们也预测R语言和其他语言的使用率还是会有相当的占比，因为它们已经有很深的用户基础。
访问内容超出本站范围，不能确定是否安全
限100 字节
如果您提交过一次失败了，可以用”恢复数据”来恢复帖子内容
您目前还是游客，请
验证问题: ECS是阿里云提供的什么服务？ 正确答案:云服务器
&回复后跳转到最后一页Python、R、Java、 C++，谁是最受欢迎的机器学习语言&&
Python、R、Java、 C++，谁是最受欢迎的机器学习语言？
对于开发者来说，掌握什么编程语言能更容易找到机器学习或者数据科学的工作？
这是个许多人关心的问题，非常实际，也在许多论坛被翻来覆去地讨论过。非常显着的是 &Python 是大趋势&这一论调，似乎它即将在机器学习领域一统天下。那么这种说法到底有几分事实？&
首先要指出的是，大多数对编程语言的讨论都比较主观。比如说，有的开发者（尤其是初学者）会因为一门语言的某个特性很契合自己的使用习惯、用着最顺手，就狂赞这门语言，而对其他语言的优点选择性失明。而这篇编译自 IBM 开发者论坛的文章，则尽量避免了主观判断，用数据来展示各门开发语言在工业界的实际使用情况，可以说是十分难得。毕竟，统计学习的核心就是用数据说话。AI 开发者应该更明白可靠数据相比主观臆测的价值。&
闲话少说，我们来看看 2016 年开发语言使用情况统计，到底哪门语言的使用人数上升最快？居前几位的都是哪些？
图1：机器学习与数据科学领域各语言的雇主招聘指数对比&
如图所示，这是利用美国职位搜索引擎
得出的机器学习、数据科学招聘趋势：对这些领域内开发职位所列出的编程语言要求进行了统计。它展示出了企业都在寻找哪些语言技能。但注意：&
这并不能精确体现各公司开发人员正在使用哪些语言。&
这是美国的机器学习业界趋势，与中国、学界关系不是那么紧密。&
没有包涵在搜索结果内的语言，不代表它们的招聘职位比上述语言要少。&
我们可以清楚看出，美国雇主最需要的前四大语言**是 Python，Java，R，C++。其中，Python 在 2015 年中超过 Java 跃升至第一。&
然后，把搜索结果限制在机器学习领域（去掉数据科学），数据其实差不多：
图2：机器学习领域各语言的雇主招聘指数对比&
这张折线图中包含了 Lua，但由于它的招聘职位实在太少，代表 Lua 的线与坐标轴重合。&
我们能从这两组数据中推断出什么？&
1.Python 是市场的领先者，作为最受欢迎的机器学习语言当之无愧。 另外，Python 与 Java 之间的差距正在被拉开。但是 Java 与 R 之间的差距正在被缩小。IoT科技评论获知，有业内人士对居第二位的语言是 Java 而不是 R 感到惊讶。通常，大家的主观感受是除了 Python，使用 R 语言开发机器学习应用最普遍。&
2.Python 并没有成为霸主。各主流语言的招聘需求都很多。对小众语言如 Lua 和 Julia ，目前业界的需求确实小些，但其他语言都占有了相当的比例。&
3.进入 2016 年后，市场对所有语言的需求都大幅上涨。Python 并没有与其他语言拉开明显差距。这表现出，最近一年里业界对机器学习和数据科学整体的兴趣和重视。&
4.Scala 在 2014 年之后的增长十分惊人。2014 年之前，对它几乎没有招聘需求。但那年之后一直在稳定增长。2016 年，它赶上了 Javacript，达到主流语言阵营的水平。&
5.作为一门口碑不错的新兴语言，Julia 的普及程度还很低。但在 2016 下半年有了巨幅增长。现在还看不出来它是否会成为主流语言。&
关于 Scala 和 Julia 的增长趋势，在它们的增长率折线图中，我们可以很明显的看出来：
图3：Scala，Julia，Lua 在机器学习、数据科学领域的雇主招聘指数增长率&
然后，当我们省略掉 Scala、Julia 和 Lua，统计主流语言的增长率，可以明白无误看出 Python 和 R 的增长速度远超其他主流语言：
图4：机器学习与数据科学领域，主流语言的雇主招聘增长率&
R 的增长率始终高于 Python，位居第一，更是远超 Java。以此来看，在可预测的将来，R 不但不会消失，还会成为更受欢迎的主流机器学习语言。因此，说&Python 是未来大趋势&肯定是不对的。&
但是，当我们聚焦于细分领域&深度学习&，数据就变得很不一样：
图5：深度学习领域各语言的雇主招聘指数对比&
在深度学习市场，对 Python 的招聘需求仍然最高。但前五大语言的排序变成了Python，C++，Java，C，R。这里有很明显的对高性能计算语言的侧重。 而且，Java 的增长速度惊人，它可能很快成为深度学习领域的第二位。在可预期的将来，R 还不会成为最受欢迎的深度学习语言。令人惊讶的是 Lua 的存在感之低。要知道，开源框架巨头之一的 Torch 便是基于 Lua，许多开发者因此会认为它在深度学习市场占有特殊地位。&
对于文章开头提出的问题&&雇主需要掌握什么语言的开发者，答案已经很明确了：
在机器学习和数据科学市场，Python, Java, 和 R 的招聘需求最大；&
在深度学习领域， Python, Java, C++ 以及 C 更被公司欢迎。&
但大家需要注意的是，这只是私营公司的招聘需求。学界研究人员的偏好会有很大出入。另外，自学 AI 的业余爱好者、暂时没打算在这行谋生的，也不需要对这些数据太过在意。&
至于文章原作者的个人观点，他本人较倾向 Python。原因有二：1. 基于 Python 的顶级机器学习框架选择较多。2. 作者来自计算机专业背景，Python 的逻辑更适合。相比之下，R 语言就更适合统计学、数学背景的开发者。在 Python 之外，作者更倾向于使用 C++，这是因为他用 C++ 写代码写了半辈子，已经习惯了。其他人、新人可能更适合学习其他语言。比如说，写代码功底不深的统计学背景开发者通常用 R 语言更顺手。经验丰富的 Java 开发者可以接着用 Java，尤其有那么多开源 Java API 。&
归纳起来，还是程序猿的个人学习、开发经历，以及知识背景影响了他的语言偏好。很少有人能够涉猎所有主流语言，即便只掌握几门语言，也未必在每一门上的开发经验都够深。因此，lao司机对新入门开发者的语言推荐都带有强烈主观色彩。即使拿这篇以陈述数据为主的文章来说，也有它的主观局限：Matlab/Octave 和 Lisp，这两门重头语言并没有包括在内。这大约是由于作者并没有充分接触这三门语言。而 AI 大牛吴恩达对新手的建议就是选择 Octave 或者 Matlab 起步。&
对于新入门、正犹豫选择哪门语言的技术宅，关键还是在投入大量时间之前多听、多看、多了解；比较不同人的观点，选择最适合自己的。
我爱物联网是一个专注于物联网行业,为广大物联网相关人员提供物联网资讯,物联网技网络安全术,物联网应用,物联网方案,物联网研究的一个整合性服务平台/
被转藏 : 0次
被转藏 : 0次非常抱歉，您请求的页面当前无法访问
这可能是因为：
1. 网站内容涉嫌违反国家相关规定
2. 输入的地址不正确，或页面已被删除
根据国家相关规定，不允许为违规或未备案网站提供服务。
如果您认为网站已备案、内容正常或有其他疑问，请联系我们的客服。利用Python，四步掌握机器学习 - Python - 伯乐在线
& 利用Python，四步掌握机器学习
为了理解和应用机器学习技术，你需要学习 Python 或者 R。这两者都是与 C、Java、PHP 相类似的编程语言。但是，因为 Python 与 R 都比较年轻，而且更加“远离”CPU，所以它们显得简单一些。相对于R 只用于处理数据，使用例如机器学习、统计算法和漂亮的绘图分析数据， Pthon 的优势在于它适用于许多其他的问题。因为 Python 拥有更广阔的分布（使用 Jango 托管网站，自然语言处理 NLP，访问 Twitter、Linkedin 等网站的 API），同时类似于更多的传统语言，比如 C python 就比较流行。
在Python中学习机器学习的四个步骤
1、首先你要使用书籍、课程、视频来学习 Python 的基础知识
2、然后你必需掌握不同的模块，比如 Pandas、Numpy、Matplotlib、NLP (自然语言处理)，来处理、清理、绘图和理解数据。
3、接着你必需能够从网页抓取数据，无论是通过网站API，还是网页抓取模块Beautiful Soap。通过网页抓取可以收集数据，应用于机器学习算法。
4、最后一步，你必需学习机器学习工具，比如 Scikit-Learn，或者在抓取的数据中执行机器学习算法(ML-algorithm)。
1.Python入门指南：
有一个简单而快速学习Python的方法，是在
注册，然后开始编程，并学习 Python 基础知识。另一个学习Python的经典方法是通过
，一个为广大 Python 编程者所推荐的网站。然后还有一个优秀的 PDF，
。python社团还为初学者准备了一个Python资源列表。同时，还有来自 O’Reilley 的书籍 《Think Python》，也可以从这里免费 。最后一个资源是 Python 用于计量经济学、统计学和数据分析的介绍：《 》，其中也包含了 Python 的基础知识。
2.机器学习的重要模块
关于机器学习最重要的模块是：, ,
。有一本书涵盖了其中一些模块：《》 。然后来自于1.的免费书籍《》，同时也包括 Numpy，Pandas，Matplotlib 和 IPython这几个模块。还有一个资源是 ，也包含了一些很重要的模块。以下是其他免费模块的相关链接： Numpy (, , ),
Pandas (，，)
3.从网站通过API挖掘和抓取数据
一旦理解了Python的基础知识和最重要的模块，你必需要学习如何从不同的源收集数据。这个技术也被称作网页抓取。传统的源是网站文本，通过API进入twitter或linkedin一类网站得到的文本数据。网页抓取方面的优秀书籍包括：《 》 （免费书籍），《》 和《 》。
最后这个文本数据必须要转换为数值数据，通过自然语言处理（NLP）技术完成，
上面有相应的资料。其它的数据包括图片和视频，可以使用计算机图像技术分析： ，
，这些是图片分析方面的典型资源。
以下例子中包括可以用基本的Python命令行实现，有教育意义，而且有趣的例子，以及网页抓取技术。
（微型教程：使用Python保存推文到数据库）
（网页抓取关键数据科学工作技巧）
（案例学习：电影评论中的情感分析）
（第一网页抓取）
（邮件的情感分析）
（简单文本分类）
（Python基础情感分析）
（使用Python和NLTK 做Twitter情感分析）
（第二个尝试：Python情感分析）
（电影评论相关Kaggle Competition中的NLP自然语言处理）
4. Python 中的机器学习
机器学习可以分为四组：分类，聚类，回归和降维。
“分类”也可以称作监督学习，有助于分类图片，用来识别图片中的特征或脸型，或者通过用户外形来分类用户，并给他赋不同的分数值。“聚类”发生在无监督学习的情况，允许用户在数据中识别组/集群。“回归”允许通过参数集估算一个值，可以应用于预测住宅、公寓或汽车的最优价格。
罗列了 Python、C、Scala、Java、Julia、MATLAB、Go、R 和 Ruby等语言中所有学习机器学习的重要模块、包和技巧。有关Python机器学习的书籍，我特别推荐《》。尽管有点短，但它很可能是机器学习中的经典，因为它提到了“集体智慧编程时代”：。这两本书帮助你通过抓取数据建立机器学习。最近关于机器学习的出版物大多都是基于模块 scikit-learn 。由于所有的算法在模块中都已实现，使得机器学习非常简单。你唯一要做的事就是告诉 Python ，应该使用哪一个机器学习技巧 (ML-technique) 来分析数据。
可以在 scikit-learn 官方网站上找到。其他的帖子可以通过以下链接获取：
（机器学习中 Python 和 Scikit-Learn 的介绍）
（Python 中的数据科学）
（用机器学习来预测坏账）
（通过机器学习来分类文本的通用架构）
（利用 Python 和 AI 人工智能来预测酒的品种）
（应用机器学习的建议）
（使用 scikit-learn 预测用户流失）
（映射你的音乐收藏）
（Python 中的数据科学）
（案例学习：电影评论中的情感分析）
（Python中的文档聚类）
（5 个最流行的Python相似度测量的实现）
（案例学习：电影评论中的情感分析）
（将会是 Python 么？）
（机器学习中的文本处理）
（使用色彩灯光秀和实时机器学习黑入史诗级 NHL（北美冰球联赛）进球庆祝）
（温哥华房间价格）
（探索和预测大学教师工资）
（预测航班延误）
关于机器学习和 Python 中模块 scikit-learn 的书籍：
新闻网站上的书籍）
（用 Python 建立机器学习系统）
（用 Python 建立机器学习系统，第二版）
（学习 scikit-learn:Python 中的机器学习）
(透视机器学习算法)
(抓取的数据科学——关于 Python 的首要原则)
（Python 中的机器学习）
接下来数月将要发行的书籍包括：
《》 （Python 机器学习的介绍）
《》 （思考 Python 机器学习：接近测试驱动）
机器学习相关的课程和博客
你想要得到一个学位，加入在线课程，或者参加线下讲习班、大本营或大学课程么？这里有一些关于逻辑分析、大数据、数据挖掘和数据科学的在线教育站点链接： 。另外推荐一些在线课程–来自Udacity的Coursera 课程：
和 。还有一些关于机器学习的博客列表：。
最后是来自 Jake Vanderplas 和 Olivier Grisel，关于探索机器学习的优秀 。
机器学习理论
想要学习机器学习的理论？那么，《》和《 》 是常常被引用的经典。然后还有另外两本书籍：《 》和《 》。这些链接包括免费的PDF，你不需要付费！如果不想阅读这些书籍，请观看视频：！
关于作者：
可能感兴趣的话题
o 256 回复
关于 Python 频道
Python频道分享 Python 开发技术、相关的行业动态。
新浪微博：
推荐微信号
（加好友请注明来意）
– 好的话题、有启发的回复、值得信赖的圈子
– 分享和发现有价值的内容与观点
– 为IT单身男女服务的征婚传播平台
– 优秀的工具资源导航
– 翻译传播优秀的外文文章
– 国内外的精选文章
– UI,网页，交互和用户体验
– 专注iOS技术分享
– 专注Android技术分享
– JavaScript, HTML5, CSS
– 专注Java技术分享
– 专注Python技术分享
& 2017 伯乐在线