数据科学是技术领域中最时髦的领域。数据科学专业人员的需求量巨大，以至于Glassdoor连续四年将其评为美国第一名。尽管产生了共鸣，但是数据科学对于许多程序员而言还是令人生畏的，因为它需要强大的数学基础，并且由于编码的先决条件而对数学家来说是不可取的。这就是为什么数据科学中需求与供应之间的差异巨大。那么在数据科学领域中，Java或Python应该学哪个呢？如今有那么一句俗话，如果想获得可以找到工作的技能，那么数据科学是您的最佳选择。

在数据科学之旅的开始，您将需要选择一种编程语言来运行算法。开发人员使用许多编程语言，例如R，Clojure，Julia或Scala。

但是，在这篇文章中，我想比较导致StackOverflow的“顶级软件开发语言”调查的两种语言-Python和Java。让我们讨论这些技术在数据科学中的优点，缺点和应用。

Python：学术界和企业界的热门选择

目前，Python主导了数据科学。根据Kaggle的一项调查，有93%的数据科学家使用该语言-相比之下，SQL的54%和R的46%令人沮丧。在四分之三的程序员选择DS项目语言的情况下，很显然，技术社区对Python的热爱是很强烈的。

在数据科学中如此广泛使用Python的原因是什么?我们仅举几例：

易于收集数据

数据收集是数据科学的核心。处理不同格式的大量信息的能力决定了任何科学家的下一个项目的效率和成功。

在这方面，Python是一个强大的选择：它支持最流行的数据格式(CSV，JSON，TSV等)，并且有许多库可以帮助实现该过程的自动化(例如BeautifulSoup)。健壮的数据收集基础设施在Python的崛起中扮演了重要角色，而Python成为机器学习和AI的默认语言。

面向对象

学习OOP的概念是大多数计算机科学课程的一部分。开发人员最初学习的大多数语言都是面向对象的：Java，C和其他语言。这就是为什么在进行DS项目时，程序员更喜欢使用面向对象的语言-Python是其中之一。

Python的面向对象性质使它比Scala或R更容易学习。我应该提到，就编码的便利性而言，Python并不是A+–例如，我的许多同龄人都不愿意手动加白-隔开他们的代码。

广泛的数据建模工具集

数据建模是执行任何项目的重要组成部分，因为它允许开发人员减小数据集的尺寸并提高算法的执行速度。有很多数据建模操作–数值建模，科学计算等。

拥有在整个过程中发挥作用的基础架构对开发人员而言非常有用-这就是Python完全达到目标的地方。该语言提供了简化数据建模的工具-NumPy用于数值运算，ScikitLearn用于将ML算法应用于数据集，SciPy用于科学计算。

易于学习

开发人员比其他编程语言更多地使用Python的原因之一是，更多的开发人员知道如何使用Python进行编码。该技术已包含在大多数大学CS课程中，并拥有许多教科书，在线课程和教程。

Python学习者社区非常活跃且热忱，以至于您问：“我应该首先学习哪种编程语言?”毫无疑问，在一个技术论坛上，您会收到一些提及Python的回复。

Java：一种我们讨厌讨厌但无法生存的编程语言

许多开发人员都不愿意学习Java–是因为他们对大量学习资料感到害怕，或者是因为他们不同意Oracle做出的行政决策(例如起诉Google侵犯版权)。而且，由于Java已有很长的历史了，它不再给程序员带来新鲜的气氛或刺激。

话虽如此，当您浏览数据科学职位空缺时，通常会在所需技能列表中看到Java和Python。归根结底，该语言在数据科学中起着至关重要的作用，并带来了许多好处：

数据科学工具的骨干网

学习Java进行数据科学的原因之一是它是Hadoop生态系统的基础语言。即使不是直接在Java上构建的工具(例如Storm或Spark，它们都基于Scala)也可以在Java虚拟机上运行。因此，在Java编程中具有扎实的基础将有助于您更快地工作，并充分利用所有可用的工具。

高性能

尽管Java有其弱点(例如，无与伦比的代码冗长性)，但在代码速度和可伸缩性方面，它比Python差强人意。由于Java是在没有Python的地方编译的，因此它可以更快地执行应用程序代码。

至于可伸缩性，Java在以下方面击败了Python：多线程支持。

安全。许多开发人员更喜欢使用Java构建大型工具，因为他们可以使用加密技术，复杂的身份验证和访问控制。

减少了运行时错误的数量–作为一种静态类型的语言，Java具有一种安全系统，可以鼓励开发人员校对其应用程序。

促进算法部署

当技术团队负责人希望开始利用数据科学算法的功能，而不是改变其平台的整个基础结构时，他们更愿意聘请精通Java并将这些算法与代码库其余部分联系起来的候选人。

这就是为什么Java编码现在并将成为企业中大多数DS职位的前提条件。与仅使用Python的开发人员相比，技术团队负责人更喜欢Java/Python的另一个原因是他们的工作场所灵活性。

精通两种语言的编码人员可以轻松分配给新项目或任务。

大量的AI和数据处理库

由于数据科学基础架构的强大功能，Java与Python相当。有许多框架和库可帮助开发人员简化和自动化工作流程。以下是一些使用最广泛的Java编写的数据科学工具：

ADAMS–机器学习中使用的工作流引擎。

Deeplearning4j–用于Scala和Java的健壮的深度学习库，已通过开源许可证分发。

Mahout–基于Java的机器学习框架，是Hadoop生态系统的一部分。

StanfordClassifier–用Java编写的工具，用于将项目分组为k类。

在选择数据科学技术时，Python和R仍然是许多开发人员的首选。但是，这并不意味着有抱负的数据科学家不应将Java视为其学习曲线的一部分。我们主要在部署DS算法时谈论Java-但是，它在机器学习和人工智能中具有大量独立应用程序。

尽管要有足够的决心和经过深思熟虑选择的资源来一次学习两种编程语言并不容易，但是掌握Java和Python并成为熟练，多才多艺的数据科学家，您应该不会遇到任何问题。想了解更多关于数据科学的信息，请继续关注中培伟业。