為什么是Python

先來聊聊為什么做數(shù)據(jù)分析一定要用Python或R語言。編程語言這么多種，Java,PHP都很成熟，但是為什么在最近熱火的數(shù)據(jù)分析領域，很多人選擇用Python語言？

數(shù)據(jù)分析只是一個需求，理論上來講，任何語言都可以滿足任何需求，只是麻煩與簡易之別。Python這門語言誕生也相當之早，它的第一個版本是26年前發(fā)表的，曾經（或者說當前）也被用于web開發(fā)，但是就流行程度來說，遠遠干不過Java和PHP。東方不亮西方亮，在與Java干仗失敗的這20幾年時光里，Python練就了一身獨門武藝，是Java和PHP遠遠不及的（當然以后是不是能追得上來，目前還不好說）。你要說做個博客網站，Python的特長不在這里，PHP和Java也是分分鐘的事情。你要說做個BBS網站，做個電商網站，PHP手到擒來。Python在這些方面和Java或者PHP競爭，基本就是作死的節(jié)奏，雖然也有django這樣的框架，但流行程度遠遠不及其他語言。但在這些年默默的失敗背后，有一幫研究人員用Python干出了一些驚天地泣鬼神的神器，使Python在數(shù)據(jù)研究領域做到了除了R語言以外基本無人能及的地步。

Jupyter

首先，第一神器是Jupyter。如果你是第一次使用，可能搞不清楚它的開發(fā)者做這么個鬼東西出來干什么，說它是博客系統(tǒng)也不像，說它是web服務器也不像，但它就是有用。因為我們傳統(tǒng)的web開發(fā)首先想的就是面向公眾，你做一個服務器就是要服務成千上萬瀏覽器的，當然Jupyter也可以服務眾多瀏覽器，但它更多的還是方便研究人員，對研究人員來說簡直是太方便了，你把代碼像寫文章一樣直接寫在輸入框里，然后在本頁面直接就看到了這個代碼的結果，隨時修改，隨時展現(xiàn)，文碼混排，是Markdown的一個增強版，畢竟Markdown還只能顯示文字，最多再加上一些圖片，而Jupyter是可以直接運行Python代碼的。當然，也有些人試圖在Jupyter里運行PHP或Java代碼，但顯然成不了氣候。因為Python這個語言天生就是腳本語言，可能將來唯一有希望往里移植的就是Javascript，這貨也是一個腳本語言。腳本語言的好處就是不用編譯，一行一個結果?？v觀計算機語言發(fā)展歷史，就是一個從繁到簡的過程，C語言需要編譯+鏈接才能運行，Java只要javac一下，把編譯和鏈接合二為一，PHP更簡單，直接運行就行了，連編譯都省了。但是還不夠直接，因為還要編寫一個.php文件存盤，然后才能運行，到了Python以及其它腳本語言這里，可以直接在殼里運行，但最大的問題是運行可以運行，無法保存，要保存就又要跟傳統(tǒng)方式一樣，找個編輯器來，或者vi，存成文件以后才可以運行。Jupyter最大的優(yōu)點就是：它本身還是一個外殼環(huán)境，可以運行腳本，但同時也幫你自動把這些腳本代碼保存了下來，不但保存腳本代碼，并且你插在腳本代碼當中的所有注釋不是普通注釋，而是各種格式化的Markdown都一并幫你保存下來，并且可以隨時修改。所以它兼具了腳本外殼和文件管理系統(tǒng)的優(yōu)點，從此你開發(fā)Python代碼再也不用先在IDE里寫好代碼，然后再到終端里去運行，而直接在一個web頁面上就全部搞定了。Java有這樣的工具嗎？PHP有這樣的工具嗎？沒有，所以我們必須選擇Python。

Pandas

第二神器是Pandas。如果我讓你讀取一個csv文件，然后求每一列數(shù)據(jù)的平均值，最大值，最小值，方差，用Java或PHP怎么做？你首先要fopen一個文件，然后一行一行讀進來，再給它整個數(shù)據(jù)結構，然后弄個循環(huán)計算，最后你可能還要fclose這個文件?？傊a一坨，麻煩死。而Python語言因為有Pandas這個神器，一行代碼搞定：

df = pd.read_csv('a.csv')

行了，從此以后，df就是這個DataFrame，它本身就是一個強大的數(shù)據(jù)結構，也可以把它理解成mysql數(shù)據(jù)庫中的一張表吧，各種增刪改查，求總和，求平均都是一行代碼的事情。所以有這樣強大的庫，研究人員有什么理由選擇Java？

scikit-learn

第三神器scikit-learn，一般縮寫為sklearn，各種機器學習算法，基本上只要你能想得到的，線性回歸，邏輯回歸，SVM，隨機森林，最近鄰居等等等等，各種算法全部在這里面（http://scikit-learn.org/stable/user_guide.html），簡而言之，只有你想不到，沒有它做不到，不詳述。所以這就是為什么玩機器學習必選Python的原因，你給我找一個Java或者PHP有這樣多種算法的庫來？

matplotlib

第四神器是matplotlib。如果我讓你根據(jù)上面csv文件里的信息，畫一個圖，用Java該怎么做？你當然會去找第三方插件庫，然后又是一通折騰，終于把圖做出來，然后編譯，然后運行。如果我要改配色呢？如果我要求畫地圖呢？如果要畫熱力圖呢？那個麻煩就不是一星半點，而對于matplotlib來說，簡直就是小菜一碟。簡單的直方圖就不說了，下面重點介紹如何用matplotlib配合Basemap畫一個中國地圖。

安裝Basemap

先安裝相應的組件。我假定你已經都安裝好了Python以及Jupyter等等。如果沒有安裝的話，就去嘗試一下brew install python3和brew install jupyter吧，網上有很多教程。

然后你需要用pip3 install很多我們下面可能需要用到的庫。但是因為我們要用一個叫做Basemap的庫，而這個庫沒有辦法用簡單的pip3 install安裝，所以稍多兩個步驟：

brew install geos pip3 install https://github.com/matplotlib/basemap/archive/v1.1.0.tar.gz

開始畫圖

啟動Jupyter之后，我們還是本著從最簡單的代碼開始。先畫一個世界地圖：

import matplotlib.pyplot as pltfrom mpl_toolkits.basemap import Basemapplt.figure(figsize=(16,8))m = Basemap()m.drawcoastlines()plt.show()

前面兩行引入相應的庫，真正的代碼就4行，夠簡單吧。第1行甚至可以不寫，它定義了圖的大小。第2行我們創(chuàng)建一個地圖，第3行把海岸線畫上，第4行顯示這個地圖，就是這樣：

你用Java的4行代碼畫一個地圖出來？

然后我們開始畫上國家，又是1行代碼：

m.drawcountries(linewidth=1.5)

就變成了這樣：

用Java可能嗎？用PHP可能嗎？

如果我們想顯示中國地圖，只需要在創(chuàng)建Basemap時指定一下經緯度就行了：

m = Basemap(llcrnrlon=73, llcrnrlat=18, urcrnrlon=135, urcrnrlat=53)

然后就得到了中國地圖：

看上去有點變形，這是因為我們沒有添加任何投影的原因，Basemap提供24種不同的投影方式，你可以自己一個個試一下，比較常用的是蘭勃特投影，我們添加一下：

m = Basemap(llcrnrlon=77, llcrnrlat=14, urcrnrlon=140, urcrnrlat=51, projection='lcc', lat_1=33, lat_2=45, lon_0=100)

這次終于看上去比較正常了：

我們想加上省的邊界怎么辦呢？Basemap缺省的包里沒有中國的省區(qū)，只有美國的州，畢竟是美國人做的嘛。不過好在世界很大，有專門的國際組織干這事，在這里(https://gadm.org/download_country_v3.html)你可以下載全世界任何一個國家的行政區(qū)劃Shape文件，然后我們給它加上：

m.readshapefile('CHN_adm_shp/CHN_adm1', 'states', drawbounds=True)

然后就得到了下圖：

再往后，你還可以往圖上改顏色啦，寫數(shù)字啦，這些就留待你研究吧?？傊?，我想說的是，用Python畫地圖真的超容易。

最后再為Java和PHP美言幾句：大家分工不同，Java和PHP雖然做這樣的數(shù)字研究不是很方便，但還是非常適合web開發(fā)的，而Python在這方面并不適合。所以通常的做法是：首先用Python驗證算法，經過一系列復雜的計算，把算法確定下來之后，當要應用到web上的時候，再用Java或者PHP把最終形成的結論重寫一遍，這樣就能充分利用各種語言的優(yōu)勢。