你的大数据项目使用的工具正确吗？

工具／产品／解决方案是数据科学家洞察数据的利器。 KDNuggets 网站对此观点进行了年度调查，来分析数据科学家在用哪些类型的工具，并提供了调查的匿名原始数据。

通过主成分析（PCA）法进行降维分析

对所有的工具同时进行关系分析，常规来说，PCA 通过对大样本数据统计性质（eg, 协方差）的分析，试图用主要特征来解释关系。

分析结果：

当前分析的目标：通过一些主成分来分析 95 种工具之间的关系。最终决定以 PCA 的特征值来决定主成分的数目，这里选用了两种规则：一种是以特征值大于 1 的特征值数量来选择主成分数量；一种是画陡坡图（scree plot），通过 95 个特征值你会发现一个拐点的特征值。

特征点点陡坡图显示在第 13 和第 14 特征点时出现拐点，因此，这里选择的 13 个主成分来解释它们之间的关系，见下图。

（点击看大图）

工具分类

下面列出根据主成分析得出的 13 类工具（投票数大于 20）：

1. 大数据生态（Hadoop、Spark）和开源项目：Hadoop, HBase, Hive, Mahout, MLlib, Other Hadoop/HDFS-based tools, Pig, Scala, Spark, SQL on Hadoop tools
2. 微软数据科学家工具：Microsoft Azure ML, Microsoft Power BI, Microsoft SQL Server, Revolution Analytics
3. 基于 Python 的机器学习：Dataiku, H2O (0xdata), Python, scikit-learn, Theano, Vowpal Wabbit
4. SAS 公司产品：JMP, SAS Base, SAS Enterprise Miner
5. MATLAB、R 语言等统计工具：Gnu Octave, MATLAB, Orange, R, RapidMiner, Rattle, Weka
6. IBM 公司产品：IBM Cognos, IBM SPSS Modeler, IBM SPSS Statistics, IBM Watson Analytics
7. Linux 工具和 SQLang：Actian, C/C++, Perl, SQLang, Unix shell/awk/gawk
8. 深度学习：Caffe, Pylearn2
9. 商务智能软件：Pentaho and QlikView
10. 数据分析平台：Datameer and Zementis
11. Excel 和 Word 统计工具：XLSTAT for Excel
12. 其它：Other Deep Learning tools, Other free analytics/data mining tools, Other Hadoop/HDF-based tools, Other paid analytics/data mining/data science software, Other programming languages
13. 数据可视化：C4.5/C5.0/See5, Miner3D, Oracle Data Miner

总结

数据科学家在选择大数据、数据挖掘和数据分析工具时，更倾向于有一定生态基础的工具，这样各个工具间可以相互支持。

为了提高在大数据项目中成功的机会，选择正确的工具是非常重要的。没有一个孤立的工具能够做所有的数据分析，职业的数据专家趋向于使用不止一种相关的工具（分析中发现，数据专家平均使用 5 种数据分析工具）。你可以根据使用相关工具的数据专家来决定自己的选择。

另外一个观点是，要选择大厂的产品，比如，IBM、微软和 SAS，大品牌的产品更丰富，可以使得你的产品更容易扩展。

感谢杜小芳对本文的审校。

给InfoQ 中文站投稿或者参与内容翻译工作，请邮件至 editors@cn.infoq.com 。也欢迎大家通过新浪微博（ @InfoQ ， @丁晓昀），微信（微信号： InfoQChina ）关注我们。