R，Python和Scala是数据科学和数据挖掘的三大主要编程语言。一起探讨下它们的流行度、易用性和一些利弊。

各种规模的组织和企业都可以分析它们每天海量非结构化和结构化数据的趋势，模式和相关性，期望分析能够带来更好的商业决策和更多关于用户行为的判断。据福布斯调查称，2017年采用大数据分析的公司数量增加了53％。

向大数据分析过渡的重点是获得一个可接受的计算基础架构来存储所有数据。但这还不够，企业还必须决定开发人员和数据科学家在使用大数据时使用哪种编程语言。先来简单了解一下大数据分和数据仓库。

数据仓库和大数据分析

数据仓库与大数据分析联系在一起，因为它也是商业智能的重要推动力。在数据仓库中，将多个企业数据源集成到集中的存储库中，以用于报告，分析和决策的目的。

大数据只是数据，经过分析可以将其转化为有价值的商业智能。但是，大数据系统中的大部分信息最终没有多大用处；需要专门的系统，软件和流程才能掌握企业高速收集的大量数据。大数据是一个独特的术语，因为传统的数据库系统无法处理所有的数据。不过，大数据系统和数据仓库的最终目标类似：分析数据并从中获得可操作的洞察；规模和数据结构有什么不同。

尽管大数据系统和数据仓库系统通常是不同的，但一些SQL数据仓库可用于大数据分析，包括开源Cloudera Impala，Apache Hive和Apache Spark。现在我们来关注一些大数据编程语言。

R

R是一种主要用于统计分析的编程语言。R有一系列的软件包，R也被称作pbdR（Programming with Big Data in R），它利用R代码便于分析跨多个系统的大数据分析。

R的灵活性是重点，因为你可以在几乎所有的操作系??统上运行。此外，R具有出色的图形功能，试图在大数据系统中可视化模式和关联时可以发挥作用。像ggplot2这样的软件包可以进一步增强R的数据可视化功能，并使生成高质量图形变得容易。

然而，R不是一种通用语言，这意味着开发人员和数据科学家可能会遇到一些麻烦，与传统的编程语言相比。对于任何接近它的人来说，如果没有统计学基础，它都有一个陡峭的学习曲线。此外，R的用户可能会遇到一些速度和效率的问题。

使用R编程语言的数据科学家，平均年薪为115531美元。

Python

Python是通用编程语言，开发人员和程序员可能更熟悉它，而且近年来它非常流行。Python更容易学习，并且针对它，有很多免费的在线教程来普及基础知识。Python被认为是一种“胶水”语言，这意味着它适合于数据分析任务需要与Web应用程序集成的情况。

Python是数据科学家用来探索大数据的最流行语言，这要归功于其大量有用的工具和库，比如pandas和matplotlib。Python对于数据科学任务也具有出色的性能和可伸缩性，并且可以通过可用的Python API与快速大数据引擎（如Apache Spark）一起使用。

缺点是用于探索和学习的社区数据，不像专用统计语言R那样广泛。拥有Python编程技能的数据科学家，平均年薪可达93185美元。

Scala

Scala是一种通用编程语言，也有声音指出，Scala能够在大数据领域替代Java。Apache Spark集群计算解决方案是用Scala编写的，这也证明了这种语言在数据科学中的流行性，特别是大数据分析。

Scala过去一直强制与Spark合作，但这已经通过打开其他语言访问的API端点获得了解决。但是，它仍然是目前大数据工具事实上的语言，例如Finagle。Scala具有出色的并发支持，这对于并发大量数据集所需的处理来说是必不可少。 Scala运行在Java虚拟机（JVM）上，非常适合与像Apache Hadoop这样的框架一起使用。

具有Scala技能的数据科学家的平均年薪为102980美元。

总之，选择以上三种语言进行大数据编程都不会出错。但作为最通用的语言，开发人员和数据科学家可花费最少的时间来熟悉的话，Python是首选，特别是由于其具有Apache Spark等引擎的良好API终端，通常用于大数据分析。