业界 | 除了R、Python，还有这些重要的数据科学工具

这年头，如果你不会点儿R或者Python，你都不好意思说你是混数据圈的。

在你向一些大神请教的时候，他可能也会推荐你学习这两个高级编程语言，然后顺便在推荐你了解一下SQL以及Math。如果讲究点的，可能还会传授你一些Spark、AWS/云计算的经验。

嗯！差不多就这些了~

当前主流数据科学领域用的工具就是这些了。

但是，如果你想成为一个数据科学“英雄”，仅仅掌握一些主流的东西是不够的。

今天就给你推荐几个好用到爆的小工具~~

Linux

Linux名字应该是如雷贯耳了吧！但很多数据科学家对它的命令行并不熟悉。Bash脚本是计算机科学中最基本的工具，并且数据科学中很大一部分需要编程，因此这项技能至关重要。

我的Linux启动小企鹅

几乎可以肯定的是，你的代码会在linux上开发和部署，使用命令行完成一些工作是非常酷的。与数据科学一样，Python也无法独立于环境工作，并且你必须通过一些命令行界面来处理包、框架管理、环境变量、访问路径（$PATH）等等。

Git

Git听名字，你也应该不陌生。大多数数据科学家对git似懂非懂。由于数据科学定义模糊，很多人都不遵循良好的软件开发实践。例如，有人甚至很长一段时间都不知道单元测试。

当你在团队中编码时，你就会知道git是很重要的。如果团队成员提交的代码发生冲突，你得知道如何处理。或者你需要挑选部分代码修复bug、更新……将代码提交到开源或私有的repo（如Github）时，你也可以使用Coveralls之类的东西进行代码测试，并且还有其他框架帮助你在提交时方便地将代码部署到生产中。

REST APIs

现在，你已经训练好了一个模型——然后该怎么办？没有人想看你的Jupyter notebook或者某种蹩脚的交互式shell脚本。此外，除非你在共享环境中进行训练，否则你的模型只能自己使用。仅仅拥有模型是不够的，而这正是大多数据科学家遇到困难的地方。

要从模型中获得实际的预测结果，最好通过标准API调用或开发可用的应用程序。像Amazon SageMaker这样的服务已经得到普及，因为它可以让你的模型和可用程序无缝衔接。

如果你功力深厚，当然你也可以使用Python中的Flask框架自己构建一个。

此外，在后端有许多Python包可进行API调用，因此了解API是什么以及如何在开发中使用API，这会让你有点儿与众不同。

Docker & Kubernetes

这两个工具棒极了。docker允许用户拥有一个生产就绪（production ready）的应用环境，而无需为每个在其上运行的单个服务集中配置生产服务器。与需要安装完整操作系统的虚拟机不同，docker容器在与主机相同的内核上运行，并且轻量得多。

想象一下像Python的venv这样的docker容器，有更多功能。 更高级的机器学习库（如Google的Tensorflow）需要特定的配置，而这些配置很难在某些主机上进行故障排除。因此，docker经常与Tensorflow一起使用，以确保用于模型训练的环境是开发就绪（development-ready）的。

容器化且可扩展的应用程序

随着市场趋向于更多的微型服务和容器化应用，docker因其强大的功能越来越受欢迎。Docker不仅适用于训练模型，也适用于部署。将模型视作服务，你就可以将它们容器化，以便它们具有运行所需的环境，然后可以与应用程序的其他服务无缝交互。这样，你的模型具有可扩展性同时也具有了便携性。

Kubernetes（K8s）是一个在多主机上进行规模管理和部署容器化服务的平台。本质上，这意味着您可以轻松地通过跨水平可扩展集群，管理和部署docker容器。

由于谷歌正在使用Kubernetes来管理他们的Tensorflow容器（还有其他东西），他们进一步开发了Kubeflow，一个在Kubernetes上用于训练和部署模型的开源工作流。容器化的开发和生产正不断与机器学习和数据科学相结合，我相信这些技能对于2019年的数据科学家来说将是重要的。

Apache Airflow

Airflow平台虽然很小众，但是却很酷。Airflow是一个Python平台，可以使用有向无环图（DAG）程序化地创建、调度和监控工作流。

DAG（有向无环图）

这基本上只是意味着你可以随时根据需要轻松地设置Python或bash脚本。与可自定义但不太方便的定时任务（cron job）相比，Airflow能让你在用户友好的GUI中控制调度作业。

Elasticsearch

Elasticsearch同样比较小众。这个有点特别，取决于你是否有搜索/ NLP用例。但是，我可以告诉你在财富50强公司工作，我们有大量的搜索用例，这是我们堆栈中最重要的框架之一。与在Python中从头开始构建某些东西相反，Elastic通过Python客户端便捷地提供了所需的一切。

Elasticsearch让你可以轻松地以容错和可扩展的方式索引和搜索文档。你拥有的数据越多，启动的节点就越多，查询执行的速度就越快。Elastic使用Okapi BM25算法，该算法在功能上非常类似于TF-IDF（词频-逆向文件频率，Elastic以前使用的算法）。它有一大堆花里胡哨的东西，甚至支持多语言分析器等定制插件。

由于它本质上是比较查询到的与索引中文档的相似性，因此它也可用于比较文档间的相似性。强烈建议先查看一下Elasticsearch是否提供了所需的一切，而不是直接从scikit-learn包中导入TF-IDF使用。

Homebrew(mac系统

Ubuntu有apt-get，Redhat有yum，而Windows 10甚至有OneGet 。这些包管理器通过命令行界面（CLI）安装、管理依赖项，并自动更新路径（$PATH）。虽然mac系统不能开箱即用，但Homebrew可以通过终端命令轻易安装。

弥补了OS系统无包管理的缺陷

不能在本地安装Apache Spark的小伙伴。可以访问官网，下载后解压，并将spark-shell命令添加到$ PATH中，或者在终端输入brew install apache-spark（注意：要想使用spark，你需要安装scala和java）。

原文发布时间为：2018-11-21

本文作者：蒋晔、小七、蒋宝尚

本文来自云栖社区合作伙伴“CDA数据分析师”，了解相关信息可以关注“CDA数据分析师”。