讓我們使用 C99 和 C++11 完成常見的數據科學任務。

雖然 Python 和 R 之類的語言在數據科學中越來越受歡迎，但是 C 和 C++ 對于高效的數據科學來說是一個不錯的選擇。在本文中，我們將使用 C99 和 C++11 編寫一個程序，該程序使用 Anscombe 的四重奏數據集，下面將對其進行解釋。

我在一篇涉及 Python 和 GNU Octave 的文章中寫了我不斷學習編程語言的動機，值得大家回顧。這里所有的程序都需要在命令行上運行，而不是在圖形用戶界面(GUI)上運行。完整的示例可在 polyglot_fit 存儲庫中找到。

編程任務

你將在本系列中編寫的程序：

• 從 CSV 文件中讀取數據
• 用直線插值數據(即 f(x)=m ⋅ x + q)
• 將結果繪制到圖像文件

這是許多數據科學家遇到的普遍情況。示例數據是 Anscombe 的四重奏的第一組，如下表所示。這是一組人工構建的數據，當擬合直線時可以提供相同的結果，但是它們的曲線非常不同。數據文件是一個文本文件，其中的制表符用作列分隔符，前幾行作為標題。該任務將僅使用第一組(即前兩列)。

C 語言的方式

C 語言是通用編程語言，是當今使用最廣泛的語言之一(依據 TIOBE 指數、RedMonk 編程語言排名、編程語言流行度指數和 GitHub Octoverse 狀態 得來)。這是一種相當古老的語言(大約誕生在 1973 年)，并且用它編寫了許多成功的程序(例如 Linux 內核和 Git 僅是其中的兩個例子)。它也是最接近計算機內部運行機制的語言之一，因為它直接用于操作內存。它是一種編譯語言;因此，源代碼必須由編譯器轉換為機器代碼。它的標準庫很小，功能也不多，因此人們開發了其它庫來提供缺少的功能。

我最常在數字運算中使用該語言，主要是因為其性能。我覺得使用起來很繁瑣，因為它需要很多樣板代碼，但是它在各種環境中都得到了很好的支持。C99 標準是最新版本，增加了一些漂亮的功能，并且得到了編譯器的良好支持。

我將一路介紹 C 和 C++ 編程的必要背景，以便初學者和高級用戶都可以繼續學習。

安裝

要使用 C99 進行開發，你需要一個編譯器。我通常使用 Clang，不過 GCC 是另一個有效的開源編譯器。對于線性擬合，我選擇使用 GNU 科學庫。對于繪圖，我找不到任何明智的庫，因此該程序依賴于外部程序：Gnuplot。該示例還使用動態數據結構來存儲數據，該結構在伯克利軟件分發版(BSD)中定義。

在 Fedora 中安裝很容易：

sudo dnf install clang gnuplot gsl gsl-devel 

代碼注釋

在 C99 中，注釋的格式是在行的開頭放置 //，行的其它部分將被解釋器丟棄。另外，/* 和 */ 之間的任何內容也將被丟棄。

// 這是一個注釋，會被解釋器忽略 
/* 這也被忽略 */ 

必要的庫

庫由兩部分組成：

• 頭文件，其中包含函數說明
• 包含函數定義的源文件

頭文件包含在源文件中，而庫文件的源文件則鏈接到可執行文件。因此，此示例所需的頭文件是：

// 輸入/輸出功能 
#include <stdio.h> 
// 標準庫 
#include <stdlib.h> 
// 字符串操作功能 
#include <string.h> 
// BSD 隊列 
#include <sys/queue.h> 
// GSL 科學功能 
#include <gsl/gsl_fit.h> 
#include <gsl/gsl_statistics_double.h> 

主函數

在 C 語言中，程序必須位于稱為主函數 main() 的特殊函數內：

int main(void) { 
    ... 
} 

這與上一教程中介紹的 Python 不同，后者將運行在源文件中找到的所有代碼。

定義變量

在 C 語言中，變量必須在使用前聲明，并且必須與類型關聯。每當你要使用變量時，都必須決定要在其中存儲哪種數據。你也可以指定是否打算將變量用作常量值，這不是必需的，但是編譯器可以從此信息中受益。 以下來自存儲庫中的 fitting_C99.c 程序：

const char *input_file_name = "anscombe.csv"; 
const char *delimiter = "\t"; 
const unsigned int skip_header = 3; 
const unsigned int column_x = 0; 
const unsigned int column_y = 1; 
const char *output_file_name = "fit_C99.csv"; 
const unsigned int N = 100; 

C 語言中的數組不是動態的，從某種意義上說，數組的長度必須事先確定(即，在編譯之前)：

int data_array[1024]; 

由于你通常不知道文件中有多少個數據點，因此請使用單鏈列表。這是一個動態數據結構，可以無限增長。幸運的是，BSD 提供了鏈表。這是一個示例定義：

struct data_point { 
    double x; 
    double y; 
    SLIST_ENTRY(data_point) entries; 
}; 
SLIST_HEAD(data_list, data_point) head = SLIST_HEAD_INITIALIZER(head); 
SLIST_INIT(&head); 

該示例定義了一個由結構化值組成的 data_point 列表，該結構化值同時包含 x 值和 y 值。語法相當復雜，但是很直觀，詳細描述它就會太冗長了。

打印輸出

要在終端上打印，可以使用 printf() 函數，其功能類似于 Octave 的 printf() 函數(在第一篇文章中介紹)：

printf("#### Anscombe's first set with C99 ####\n"); 

printf() 函數不會在打印字符串的末尾自動添加換行符，因此你必須添加換行符。第一個參數是一個字符串，可以包含傳遞給函數的其他參數的格式信息，例如：

printf("Slope: %f\n", slope); 

讀取數據

現在來到了困難的部分……有一些用 C 語言解析 CSV 文件的庫，但是似乎沒有一個庫足夠穩定或流行到可以放入到 Fedora 軟件包存儲庫中。我沒有為本教程添加依賴項，而是決定自己編寫此部分。同樣，討論這些細節太啰嗦了，所以我只會解釋大致的思路。為了簡潔起見，將忽略源代碼中的某些行，但是你可以在存儲庫中找到完整的示例代碼。

首先，打開輸入文件：

FILE* input_file = fopen(input_file_name, "r"); 

然后逐行讀取文件，直到出現錯誤或文件結束：

while (!ferror(input_file) && !feof(input_file)) { 
    size_t buffer_size = 0; 
    char *buffer = NULL; 
    
    getline(&buffer, &buffer_size, input_file); 
    ... 
} 

getline() 函數是 POSIX.1-2008 標準新增的一個不錯的函數。它可以讀取文件中的整行，并負責分配必要的內存。然后使用 strtok() 函數將每一行分成字元token。遍歷字元，選擇所需的列：

char *token = strtok(buffer, delimiter); 
while (token != NULL) 
{ 
    double value; 
    sscanf(token, "%lf", &value); 
    if (column == column_x) { 
        x = value; 
    } else if (column == column_y) { 
        y = value; 
    } 
    column += 1; 
    token = strtok(NULL, delimiter); 
} 

最后，當選擇了 x 和 y 值時，將新數據點插入鏈表中：

struct data_point *datum = malloc(sizeof(struct data_point)); 
datum->x = x; 
datum->y = y; 
SLIST_INSERT_HEAD(&head, datum, entries); 

malloc() 函數為新數據點動態分配(保留)一些持久性內存。

擬合數據

GSL 線性擬合函數 gslfitlinear() 期望其輸入為簡單數組。因此，由于你將不知道要創建的數組的大小，因此必須手動分配它們的內存：

const size_t entries_number = row - skip_header - 1; 
double *x = malloc(sizeof(double) * entries_number); 
double *y = malloc(sizeof(double) * entries_number); 

然后，遍歷鏈表以將相關數據保存到數組：

SLIST_FOREACH(datum, &head, entries) { 
    const double current_x = datum->x; 
    const double current_y = datum->y; 
    x[i] = current_x; 
    y[i] = current_y; 
    i += 1; 
} 

現在你已經處理完了鏈表，請清理它。要總是釋放已手動分配的內存，以防止內存泄漏。內存泄漏是糟糕的、糟糕的、糟糕的(重要的話說三遍)。每次內存沒有釋放時，花園侏儒都會找不到自己的頭：

while (!SLIST_EMPTY(&head)) { 
    struct data_point *datum = SLIST_FIRST(&head); 
    SLIST_REMOVE_HEAD(&head, entries); 
    free(datum); 
} 

終于，終于!你可以擬合你的數據了：

gsl_fit_linear(x, 1, y, 1, entries_number, 
               &intercept, &slope, 
               &cov00, &cov01, &cov11, &chi_squared); 
const double r_value = gsl_stats_correlation(x, 1, y, 1, entries_number); 
printf("Slope: %f\n", slope); 
printf("Intercept: %f\n", intercept); 
printf("Correlation coefficient: %f\n", r_value); 

繪圖

你必須使用外部程序進行繪圖。因此，將擬合數據保存到外部文件：

const double step_x = ((max_x + 1) - (min_x - 1)) / N; 
for (unsigned int i = 0; i < N; i += 1) { 
    const double current_x = (min_x - 1) + step_x * i; 
    const double current_y = intercept + slope * current_x; 
    fprintf(output_file, "%f\t%f\n", current_x, current_y); 
} 

用于繪制兩個文件的 Gnuplot 命令是：

plot 'fit_C99.csv' using 1:2 with lines title 'Fit', 'anscombe.csv' using 1:2 with points pointtype 7 title 'Data' 

結果

在運行程序之前，你必須編譯它：

clang -std=c99 -I/usr/include/ fitting_C99.c -L/usr/lib/ -L/usr/lib64/ -lgsl -lgslcblas -o fitting_C99 

這個命令告訴編譯器使用 C99 標準、讀取 fitting_C99.c 文件、加載 gsl 和 gslcblas 庫、并將結果保存到 fitting_C99。命令行上的結果輸出為：

#### Anscombe's first set with C99 #### 
Slope: 0.500091 
Intercept: 3.000091 
Correlation coefficient: 0.816421 

這是用 Gnuplot 生成的結果圖像：

C++11 方式

C++ 語言是一種通用編程語言，也是當今使用的最受歡迎的語言之一。它是作為 C 的繼承人創建的(誕生于 1983 年)，重點是面向對象程序設計(OOP)。C++ 通常被視為 C 的超集，因此 C 程序應該能夠使用 C++ 編譯器進行編譯。這并非完全正確，因為在某些極端情況下它們的行為有所不同。 根據我的經驗，C++ 與 C 相比需要更少的樣板代碼，但是如果要進行面向對象開發，語法會更困難。C++11 標準是最新版本，增加了一些漂亮的功能，并且基本上得到了編譯器的支持。

由于 C++ 在很大程度上與 C 兼容，因此我將僅強調兩者之間的區別。我在本部分中沒有涵蓋的任何部分，則意味著它與 C 中的相同。

安裝

這個 C++ 示例的依賴項與 C 示例相同。 在 Fedora 上，運行：

sudo dnf install clang gnuplot gsl gsl-devel 

必要的庫

庫的工作方式與 C 語言相同，但是 include 指令略有不同：

#include <cstdlib> 
#include <cstring> 
#include <iostream> 
#include <fstream> 
#include <string> 
#include <vector> 
#include <algorithm> 
extern "C" { 
#include <gsl/gsl_fit.h> 
#include <gsl/gsl_statistics_double.h> 
} 

由于 GSL 庫是用 C 編寫的，因此你必須將這個特殊情況告知編譯器。

定義變量

與 C 語言相比，C++ 支持更多的數據類型(類)，例如，與其 C 語言版本相比，string 類型具有更多的功能。相應地更新變量的定義：

const std::string input_file_name("anscombe.csv"); 

對于字符串之類的結構化對象，你可以定義變量而無需使用 = 符號。

打印輸出

你可以使用 printf() 函數，但是 cout 對象更慣用。使用運算符 << 來指示要使用 cout 打印的字符串(或對象)：

std::cout << "#### Anscombe's first set with C++11 ####" << std::endl; 
... 
std::cout << "Slope: " << slope << std::endl; 
std::cout << "Intercept: " << intercept << std::endl; 
std::cout << "Correlation coefficient: " << r_value << std::endl; 

讀取數據

該方案與以前相同。將打開文件并逐行讀取文件，但語法不同：

std::ifstream input_file(input_file_name); 
while (input_file.good()) { 
    std::string line; 
    getline(input_file, line); 
    ... 
} 

使用與 C99 示例相同的功能提取行字元。代替使用標準的 C 數組，而是使用兩個向量。向量是 C++ 標準庫中對 C 數組的擴展，它允許動態管理內存而無需顯式調用 malloc()：

std::vector<double> x; 
std::vector<double> y; 
// Adding an element to x and y: 
x.emplace_back(value); 
y.emplace_back(value); 

擬合數據

要在 C++ 中擬合，你不必遍歷列表，因為向量可以保證具有連續的內存。你可以將向量緩沖區的指針直接傳遞給擬合函數：

gsl_fit_linear(x.data(), 1, y.data(), 1, entries_number, 
               &intercept, &slope, 
               &cov00, &cov01, &cov11, &chi_squared); 
const double r_value = gsl_stats_correlation(x.data(), 1, y.data(), 1, entries_number); 
std::cout << "Slope: " << slope << std::endl; 
std::cout << "Intercept: " << intercept << std::endl; 
std::cout << "Correlation coefficient: " << r_value << std::endl; 

繪圖

使用與以前相同的方法進行繪圖。 寫入文件：

const double step_x = ((max_x + 1) - (min_x - 1)) / N; 
for (unsigned int i = 0; i < N; i += 1) { 
    const double current_x = (min_x - 1) + step_x * i; 
    const double current_y = intercept + slope * current_x; 
    output_file << current_x << "\t" << current_y << std::endl; 
} 
output_file.close(); 

然后使用 Gnuplot 進行繪圖。

結果

在運行程序之前，必須使用類似的命令對其進行編譯：

clang++ -std=c++11 -I/usr/include/ fitting_Cpp11.cpp -L/usr/lib/ -L/usr/lib64/ -lgsl -lgslcblas -o fitting_Cpp11 

命令行上的結果輸出為：

#### Anscombe's first set with C++11 #### 
Slope: 0.500091 
Intercept: 3.00009 
Correlation coefficient: 0.816421 

這就是用 Gnuplot 生成的結果圖像：

結論

本文提供了用 C99 和 C++11 編寫的數據擬合和繪圖任務的示例。由于 C++ 在很大程度上與 C 兼容，因此本文利用了它們的相似性來編寫了第二個示例。在某些方面，C++ 更易于使用，因為它部分減輕了顯式管理內存的負擔。但是其語法更加復雜，因為它引入了為 OOP 編寫類的可能性。但是，仍然可以用 C 使用 OOP 方法編寫軟件。由于 OOP 是一種編程風格，因此可以在任何語言中使用。在 C 中有一些很好的 OOP 示例，例如 GObject 和 Jansson庫。

對于數字運算，我更喜歡在 C99 中進行，因為它的語法更簡單并且得到了廣泛的支持。直到最近，C++11 還沒有得到廣泛的支持，我傾向于避免使用先前版本中的粗糙不足之處。對于更復雜的軟件，C++ 可能是一個不錯的選擇。

你是否也將 C 或 C++ 用于數據科學?在評論中分享你的經驗。