1. 我认为 R，Python 和 Julia 是机器学习和数据科学中三个重要的语言。任何人如果想在这个领域有所发展，长远来说这三种语言都需要掌握。

2. 我自己学习数据科学的主要语言当然是 Python，不光是因为用 Python 的人多，也因为我自己比较熟悉这种语言。早在2001年的时候，我就在一家小书店里买到了一本叫做 Learning Python 的书，当时应该是第二版，讲的还是 1.x 的 Python。从那时候起，我断断续续对语言本身下过一些功夫，也在好几件事情里用了 Python，现在回想起来，这些事情全是跟数据处理有关。所以来来回回，对 Python 的数据处理能力多少有些了解。学一个新的领域，入门的时候应当尽量降低不必要的障碍，数据科学和机器学习里要学习的东西太多了，没必要在语言上自找麻烦。既然可以用一个熟悉的语言，当然乐得如此。

Learning Python

3. 但 Python 其实并不是数据科学的“原生语言”，R 才是。R 语言和它的前身 S 语言，本来就是统计学家发明和使用的语言。S 的发明人叫 John Chambers，跟思科的前 CEO 钱伯斯同名同姓，但一点关系都没有。S 从根子上就是为数据科学设计出来的语言，Chambers 在发明 S 语言之前，在这个领域研究了30多年，并且由于 S 语言的成就获得了 1998 年度的 ACM 软件系统奖。当然，老先生现在也已经转到了 R 语言的阵营当中。这里的关键在于，R 是数据科学的母语，R 中包含了丰富、深刻、专业的数据科学思想，是整个数据科学一个重要的原创思想宝库。包括 Python 在内，很多其他语言试图在数据科学领域内拓展的时候，都需要去借（chao）鉴（xi）R 语言。比如 Python 处理表数据的王牌库 pandas，其主要思想就是来自 R 的。尽管现在 R 的风头被 Python 盖过，但是 R 语言中的宝藏太多、积累太厚，想在这个领域深造的人，迟早要进入 R 社区来看一看，学一学。

John M. Chambers，S 语言的发明者

4. Python 是怎样起来的？其实就在短短的三年前，Python 相对于 R、Matlab 甚至 Scala ，都看不出有什么明显优势。当时 Numpy，Scipy，pandas，matplotlib 和 Sklearn 实际上都已经很成熟，但别的语言也各有绝活，Python 并没有占多少便宜。真正令 Python 在数据科学领域脱颖而出的事件还没发生。这个事件是什么呢？有人可能认为是 2015 年 9 月的 TensorFlow 发布，但我不这么认为。TensorFlow 虽然是个重要的事件，但当时它对于深度学习社区之外的人，并没有多大的影响。真正导致 Python 崛起的，其实还是 Alpha Go 这一公关事件。由于 Alpha Go 的胜利，引发全民关注 AI 的热潮，本来并不是很旺盛的 AI 投资也瞬间爆燃，相关工作薪资节节攀升。这样一来，大批本来在数据科学圈子外面的程序员、学生和科研人员就激动了，纷纷加入这个领域。而他们进入数据科学领域的时候，想法估计会跟我差不多。Python 是顶级流行语言中适合数据科学的，是数据科学语言中流行的，所以 Python 成了新人的当然之选。大量新人的涌入，才是 Python 后来居上的关键原因。

5. 在 TIOBE 的编程语言流行度排行榜上，Python 排名第五。排在它前面的是 Java，C，C++ 和 C#，清一色的 C family 语言。这四种语言中只要有一种适合于数据科学，估计也就没 Python 什么事了。但是很可惜，这四种语言都是编译型的系统和应用开发语言，不适合作为数据科学家的首选工作语言。所以虽然 Java 也有 Apache Mahout 这样的机器学习库，但是始终很难进入数据科学的主流。

6. 编译型系统开发语言为什么不适用于机器学习呢？我认为主要有两个原因。比较浅表的原因是系统级语言的抽象层次较低，细节过多，用它来表达机器学习的概念、关系和运算，代码看上去和写起来都不够优雅，会夹杂大量系统层面的细节。但更深层的原因是编译型语言与数据科学语言之间的“哲学冲突” 。用 Java 和 C++ 等编译语言开发系统，无论你迭代速度多快，从根本上还是构建性的，像盖楼，是实现某个你自己主动设计出来的系统，所以要先想清楚，再写代码，编译构建系统，然后看看是不是达成目标。而数据科学或者机器学习的工作则是探索性的，像迷宫寻宝，是摸索某项客观存在的外在的规律，所以需要频繁的试错，快速的反馈，快速的改变方向。比如 Kaggle 的竞赛，优胜者往往要提交几百次才能取得满意的结果。在这样的工作模式中，编译型语言就显得太过麻烦了。

Kaggle 的创始人 Ben Hamner 谈 Kaggle 竞赛获胜者的经验 

7. 数据科学和机器学习应用是性能怪兽，数据量上来了，无论多大的计算力，都很难满足它的胃口。吴恩达在他 2011 年录制的经典的机器学习视频课程中说，一般来说人们会用 Matlab 、Python 等高层次语言来找到佳的模型，然后用 C++ 和 Java 等语言把模型产品化，以追求更高的执行效率。很显然这种方式适合于保质期长的模型，也就是说，一个模型一旦调好，其性能在相当长的一段时间内都能够保持稳定，比如计算机视觉里很多的模型就有这个特点。但随着 AI 和机器学习的应用越来越广泛，我们所用到的很多模型，保质期会越来越短。也就是说，就算你在现阶段找到一个佳的模型，但过了一段时间，外部条件变化了，这个模型的性能会很快下降。比如用来分析社交平台读者的阅读偏好的模型，用来分析网站用户行为的模型，用来分析服装流行趋势的模型，都是保质期很短的模型。开发这种模型就比较两难，只用 Python，R 等动态语言来开发，周期短、灵活度高，但运行效率较低。而如果用 C++、Java来做产品化，可能产品还没做完，模型保质期就过了。

8. 所以在未来，我们很可能需要一种既像 R、Python 那么高层次，又像 C++、Java 一样快的数据科学语言。这种语言现在已经出现了，就是 Julia。Julia 来自 MIT 的 CSAIL （计算机科学与人工智能实验室）。CSAIL 是2003年由 MIT 计算机科学实验室和 AI 实验室合并而来。不了解这两个实验室，尤其是 MIT AI 实验室辉煌历史的人，请自行搜索。Julia 的语法借鉴了 Matlab，高校里出来的人可能会有宾至如归的感觉，但我觉得如果语法上跟 Python、R 或者 C family 一致的话可能会更有利于广大程序员。不过语法始终是个小问题。关键在于，Julia 利用了 LLVM 的基础设施，实时将代码翻译和优化为高效的机器码，并且执行。因此，Julia 成为了种性能全面达到 C 语言级别的高级动态语言。经过了几年的发展，Julia 日臻成熟，预计在今年 6 月份推出 1.0 版本。目前这个语言的社区还是很小，Kaggle 上 Python 的 Kernel 有26,000多个，R 有 12,000 多个，而 Julia 只有100多个，完全不成比例。但是这个事情你不能只看数量。Julia 在高校和科研单位里获得了热烈的欢迎，很多学术大佬现在都在安利 Julia。由于在 AI 和数据科学领域中，高校和科研单位在相当长一段时间里将占据话语权的中心，所以我对 Julia 中长期的发展十分看好。