數據和分析為數字化轉型提供了燃料，而企業充分發揮這些燃料的唯一途徑是，為其統計學家、數據專家和企業分析專家提供正確的數據科學工具，從而為企業提供寶貴的洞察力。

無論是用于直接統計分析、機器學習建模還是可視化，數據科學工具對于建設數據驅動的企業文化都至關重要。

最近我們采訪了各個行業中經驗豐富的數據科學家，詢問他們最常使用的工具。下面是我們從中精心挑選的5個工具。

1. Python

與用于創建自定義算法的編程方法不同，Python不是一種獨特的軟件，但它是很多數據科學家的首選。在最近數據科學網站KDnuggets對2052名用戶進行的分析/數據科學軟件調查中，Python被65.6%的受訪者列為首選工具。

Cindicator公司首席數據科學家Alexander Osipenko表示：“我們將Python用于數據科學和后端，這為我們提供了快速開發和機器學習模型部署。對于我們來說，同樣重要的是確保部署工具的安全性。”

Katie Malone最初是一名粒子物理學家，現在她是Civis Analystic公司的數據科學研究團隊的負責人之一，她指出，Python是她作為物理學家首選的數據科學工具，而現在她在商業世界也在繼續使用它。對于她而言，最吸引她的是圍繞Python強大的開源生態系統，這使她能夠利用各種數據科學庫來幫助她解決特定的分析問題。

她表示：“這個社區擁有非常充滿活力的開源人群，他們使用Python來解決有趣的數據科學問題。”

Wovenware公司創新總監兼首席數據科學家Leslie De Jesus對此表示贊同，她非常依賴Python庫。

“我們使用 Python庫(包括Scrapy)用于網絡抓取，并能夠從互聯網上提取數據并將其上傳到數據框架進行分析，”De Jesus說。 “同時，我們使用Pandas和NumPy Python庫進行數據分析和矩陣操作。這些都有助于我們更快創建代碼，而NumPy還允許復雜的廣播功能。”

Tiger Analytics公司數據科學和創新主管Niranjan Krishnan解釋說，Python的用例非常多。

Krishnan說：“我們已經成功部署Python數據科學模型，用于優化直接面向客戶的營銷活動和人壽保險承保，以及改善在線廣告的實時定價。”

這里的缺點是，Python是基于代碼，這里需要高水平的編程和分析技能。

他指出：“而Knime和Alteryx是優秀的菜單驅動的低代碼替代品，也可供一般數據科學家和業務分析師使用。”

2. R

與Python類似，R是很多數據科學專業人員喜愛的另一種編程語言，它更加簡單且更專注于數據科學。在KDnuggets調查中，R排名第三，48.5%的受訪者將其列為首選數據科學工具之一。

Civis Analytics公司的Malone表示，R具有非常復雜的機器學習和統計功能，這是她的團隊成員除Python之外的常用選擇。

她指出：“這取決于具體情況，我們有多種需求，所以這兩個我們都喜歡。從統計和定量社會科學方面來看，R更多一些。”

根據Untapt公司首席數據科學家Jon Krohn的說法，R是他的首選數據探索工具。

他指出：“我可以快速查看平均值、中位數和四分位數等摘要統計數據;快速創建不同的圖表;以及創建測試數據集，這些可輕松地共享并導出位CSV格式。”

3. Jupyter Notebook

從數據可視化和數據通信來看，很多數據科學團隊的數據科學工具列表中還會有Jupyter Notebook。

HackerRank公司數據科學副總裁SofusMacskássy表示：“Jupyter Notebook支持R和Python，對數據訪問和可視化提供強大庫支持。該工具還使團隊能夠輕松導出工作簿用于演示，它正成為數據科學領域的標準。”

對于Anexinet公司數字和分析服務高級副總裁Michael Golub而言，Jupyter的另一個好處是，可靈活使用最受歡迎的數據科學庫。Golub解釋說Jupyter是他團隊最喜歡的協作開發環境。

Golub稱：“Jupyter Notebook是我們協作數據科學項目工作的首選工具，在涉及需要教育的時候，它也非常有用。”

此外，Untapt公司的Krohn稱，Jupyter Notebook是交互式構建原型模型的絕佳工具。

他表示：“在Untapt，我們利用Jupyter Notebook來編寫原型代碼，也用于打印數據表、摘要指標和圖表。”

[[248255]]

4. Tableau

在硬數據科學團隊和更多以業務為中心的分析人員之間，Tableau可提供良好的橋梁。

Entersoft Security公司的SEO高級主管Pooja Pandey表示：“對于數據科學家和數據科學新手來說，這是很棒的工具。這是一個快速儀表板工具，可提供可視化洞察力和分析數據，它有著非常短的學習曲線。”

Tableau的可視化和報告功能的速度可為各種用戶提供洞察力。

QuotesAdvisor.com首席執行官Sophie Miles表示：“它可以很快部署、易于學習且非常直觀。通過Tableau，該公司的不同部門可根據需要制定詳盡的報告。

Miles解釋稱，由于該儀表板非常靈活，因此對數據組合的臨時請求數量有所減少。因此，QuotesAdvisor.com的效率提高了95%。她說道：“現在人們花更多的時間來思考問題，而不是生成報告。”

5. Keras

根據日立Vantara公司首席技術官辦公室首席數據科學家Wei Lin表示，他最常用的數據科學工具是Python、R和Keras。他使用Python和R用于上述所有原因，而利用Keras的深度學習功能。

Lin稱：“Keras是使用Python編寫的開源神經網絡庫，以快速通過深度神經網絡進行實驗。并且，它能夠運行在TensorFlow、微軟Cognitive Toolkit或Thea。”

Kera的優勢在于高維模式匹配。

他表示：“例如，圖像和自然語言處理以及支持完善的深度學習分析模型，包括卷積神經網絡和短期記憶。”

根據Cindicator公司的Osipenko表示，Keras的最大吸引點在于它可幫助節省大量時間。

他指出：“我們添加新工具的主要標準是，它是否能讓你作為數據科學家的工作變得更輕松。這里的例子就是Keras，這個開源高級包裝器，可大大加快開發神經網絡的過程。任何在TensorFlow編寫神經網絡的人都會明白我在說什么。即使Keras不完美，但它可以改變這個開發流程，讓你的代碼對其他開發人員更具可讀性。”成都加米谷大數據培訓機構，小班教學，免費試聽。