数据分析语言工具 介绍材料
语言一览
在这么多年在于数据和程序打交道的过程中，逐渐总结出一些适合用于数据分析的语言，列举如下：
- Quantum
- R
- Python
- SQL
- Excel
- Scala
当然还有其他的比如：SPSS、SAS等，只是他们更偏向于界面操作，而不是作为一个语言，所以不适合使用。
那是不是上面的都可以用呢？是的，就目前的了解，上面列举的六门语言都能够在一定程度上完成工作上需要的数据分析工作。具体能做什么不能做什么，有什么优劣下面会逐一讲。那为什么要列这么多，而不是用一门或着两门来完成？即时是大公司也只会倾向于少而不是多。这里我的解释是：每一门语言既然能存在，那就有它的优势，本着一种开放包容的态度，无论你喜欢哪一门语言，我们都会赞成和鼓励，让你尽情发挥他的优势，这样才能最好最有效率的完成工作，当然，也不是真的所有语言都可以，如果它的发展不适合工作需要，那肯定还是会反对的；至于大公司倾向于一门语言，个人认为更多的是因为管理的需要而不是效率，因为代码量太大了，各种语言的乱入维护是个大麻烦。
Quantum
这个是我进公司所学的第一门实用型语言，现在也是公司用得最多的。
优势
- 语法简单易学
- 贴近现有工作的统计要求，编程效率高
- 对于特殊复杂的项目依然可以简单高效的完成
劣势
- 无法与数据库相结合 （有Java写的数据转换程序，需编写配置文件column.txt）
- 数据的存储单元是码位，与问卷的题号方式不同，需要进行转换，会增加工作量且容易出错 （有Java写的程序导出工具，能部分解决这个问题）
- 仅支持32位Windows系统，过时了
所以，曾经想的最好的解决方案是重新编写一个Quantum语言解释器，将码位改为题号，如后直连数据库，后来觉得工程太大，实力不足，所以放弃了。
R
R语言，开源、自由软件，跨平台（Linux/Windows/Mac等)，具备统计学特性（统计学家发明的），广泛用于统计分析、绘图、数据挖掘，是一门专业的数据分析语言，发展潜力很大。对比产品：SPSS、SAS、MATLAB。
优势
- 专业的数据分析语言
- 良好的绘图功能支持
- 数据分析包主够多，只要能想到的分析方法应该都有
- 入门简单
劣势
- 运行较慢 （只是一种感觉，未经严格测试）
- 非程序语言，无法与其他语言或工具相结合，例如无法直接部署到Web平台（例外：R语言可以与大数据平台相结合，因为Spark实现了R语言的部分算法)
Python
一门开源且流行的通用性解释语言，应用范围广，Linux发行版默认安装，与Shell同为服务器运维基础工具。脚本式运行，什么意思呢？写好代码双击直接运行，还有一个很有意思的特性：强制缩进。扩展包超多，有良好的数据分析包可供工作使用。
优势
- 脚本语言，即编即用
- 通用型语言，应用范围广
- 网络编程，良好的Web支持，可直接用于Web开发
- 可同时用于大数据
劣势
- 数据分析包不确定是否主够使用
- 可视化支持不足
- 易学难精
SQL
这个不用多做介绍了，数据库的基础，仅仅列一下优劣
优势
- 简单易学，是个人应该都能学两句
- 与数据库绑定到一起
劣势
- 仅是数据语言，结果呈现需要与其他语言或工具相结合
- 功能简单，不支持复杂的数据分析功能
Excel
这个可能很多人不理解，为什么列到这里，其实列在这里更多是一种无奈，MS Office垄断了市场，基本上，我们工作上的统计报告，都要准备一份Excel格式，无法避免，既然无法避免，何不直接用Excel好了？省得用其他语言写程序
优势
- 简单易学，是个人应该都能学两句
- 客户交流的通用格式
- 一步到位，省去其他语言的转换工作
劣势
- 仅用于Windows，不支持垮平台
- 公式运算效率低，数量多之后容易卡死
- 界面操作，重复性的工作效率低，鼠标点到吐
Scala
这个不熟，列在这里是充数的，不确定是否能用于数据分析，Spark平台适用Scala，不详细介绍了