2018資料科學和機器學習調查:Hadoop被拋棄!

　　近日，著名資料科學網站 KDnuggets 釋出了 2018 年資料科學和機器學習工具調查結果。超過 2000 人對自己「過去 12 個月內在專案開發中使用過的資料探勘/機器學習工具和程式語言」進行了投票。該統計還對過去三年來的排名進行了對比分析。

　　這份投票結果既有預料之內，也有預料之外的部分。資料顯示，Python 作為機器學習常用的程式語言正在不斷擴大領先優勢，R 語言的使用率第一次降到了 50% 以下。在深度學習框架上，最近呼聲很高的深度學習框架 PyTorch 僅僅佔據了 6.4% 的使用率，遠遠落後於 TensorFlow 的 29.9% 和 Keras 的 22.2%。

　　Python 繼續侵蝕著 R 的使用者領域，RapidMiner 熱門度增加，SQL 保持穩定，TensorFlow 和 Keras 引領前進，Hadoop 衰落，資料科學平臺整合等等。

　　第 19 次年度 KDnuggets 軟體調查有超過 2300 人參與投票，略微少於 2017 年，可能是因為僅有一個供應商 RapidMiner 積極地參與 KDnuggests 調查的投票。平均來說，每個參與者選擇 7 個使用過的不同工具，因此僅投票一個工具會帶來偏差。KDnuggets 排除了大約 260 個這樣的「獨好」投票(主要來自 RapidMiner)，因為即使他們代表了該工具的合法使用者，他們的行為也是非典型的，並且會歪曲結果。

　　以下是基於 2052 個參與者的初始結果分析，其中「獨好」投票者已被排除。更多詳細分析和匿名資料將在大約兩週內公佈。

　　最受歡迎的分析、資料科學、機器學習工具

　　圖 1：KDnuggests 分析/資料科學 2018 年軟體調查：2018 年最受歡迎工具，以及它們相對於 2016-2017 年的排名變化。(為了更有效的比較，KDnuggests 排除了「獨好」投票者並重新計算了 2016 年、2017 年的調查結果。)

　　上圖顯示了排名前 11 的工具，每個工具的使用率至少為 20%。

▲表 1：KDnuggests 2018 年軟體調查最受歡迎的分析/資料科學/機器學習軟體

　　在這裡，「2018 % share」一欄是指使用該工具的使用者百分比，「% change」是指和 2017 年軟體調查相比的變化比例，綠色和紅色標記表示比例的變化幅度達到了 10% 或更多。

　　每個投票人的平均使用工具數量是 7 個，略微高於 2017 年調查的 6.75 個(也排除了「獨好」投票人)。

　　和 2017 年的軟體調查相比，進入前 11 名的新工具是 Keras。Knime 從第 11 名下跌，可能是因為今年他們並沒有積極調動其使用者參與投票。

　　以下是一些觀察結果。

　　Python 正在吞噬 R 的使用者領域

　　2017 年 Python 的使用率超過 50%，今年它的使用率上升至 66%，而 R 的使用率首次下跌，跌破 50%。

　　RapidMiner

　　在之前的幾次問卷中，RapidMiner 這一頂級資料科學平臺正快速傳播，它的使用者使用率由 2017 年的 33% 增長到了今年的 52.7%。根據 RapidMiner 的創始人和董事長 Ingo Mierswa，他們採取了一些措施鼓勵使用者參與該調查。

　　對於 KDnuggets 的問卷調查，Ingo Mierswa 說：「近兩年我們都向使用者傳送郵件推廣該問卷調查，但今年有超過 400 多位使用者回郵件表示很高興能幫助 RapidMiner 的傳播。而且今年 RapidMiner 月度活躍使用者增長率超出去年 300%，因此我們向更多使用者傳送了關於 KDnuggets 問卷調查的郵件。我很高興看到如此活躍的社群。」

　　SQL 保持穩定

　　作為資料管理系統的程式語言，SQL(包括 Spark SQL 和 SQL to Hadoop 工具)繼續保持著約 40% 的使用率，和之前 3 次調查結果一樣。因此，如果你是一位有雄心壯志的資料科學家，學習 SQL 吧，它在很長一段時間裡都會很有用!

　　趨勢

　　該調查唯一使用率超過 2% 的新工具是 Spark SQL，使用率達到 11.7%。下表列舉了使用率增幅達到 20% 及以上、2018 年使用率為 3% 以上的工具。

▲表 2：使用率增幅最大的主要分析/資料科學/機器學習工具。

　　整合

　　2017 年使用率達到 2% 及以上的 56 個工具中，有 19 個(僅 1/3)工具在 2018 年使用率有所上升，其餘 37 個均下降。這和近期的收購案(Datawatch 收購 Angoss、Minitab 收購 Salford)一道表明資料科學平臺的整合正在進行過程中。

　　2017 年使用率至少 3% 的工具，今年下降了 25% 甚至更多，詳見下表。

▲表 3：使用率跌幅最大的主要分析/資料科學工具。

　　深度學習工具

　　近兩年，該調查中使用深度學習工具的投票者所佔份額保持穩定。2018 年有 33% 的投票者使用深度學習工具，2017 年和 2016 年分別有 32% 和 18%。谷歌維護的 TensorFlow 仍然占主導地位，而發展迅速的 Keras 可作為構建在 TensorFlow 和 MXNet 等框架上的高階 API。

　　另一方面，主要由 Facebook 推動，推出已過一年的 PyTorch 吸引了一批研究者和工程人員，使用率達到 6.4%，排名第三。由於這款深度學習框架已和 Caffe2 合併，在未來我們肯定將會看到 PyTorch 佔據更大的份額。

　　不過 KDnuggets 更關注資料科學，也更常使用淺層的機器學習演算法。我們可能更希望瞭解機器學習及深度學習社群在框架上的選擇，因此讀者可以在文末對常用的深度學習框架進行投票。

　　深度學習工具排名：

　　·Tensorflow, 29.9%

　　·Keras, 22.2%

　　·PyTorch, 6.4%

　　·Theano, 4.9%

　　·Other Deep Learning Tools, 4.9%

　　·DeepLearning4J, 3.4%

　　·Microsoft Cognitive Toolkit (Prev. CNTK), 3.0%

　　·Apache MXnet, 1.5%

　　·Caffe, 1.5%

　　·Caffe2, 1.2%

　　·TFLearn, 1.1%

　　·Torch, 1.0%

　　·Lasagne, 0.3%

　　大資料工具：Hadoop 使用率下降

　　2018 年，大約 33% 的使用者使用大資料工具，要麼是 Hadoop，要麼是 Spark，和 2017 年一樣。但 Hadoop 的使用率顯著下降，跌幅超過 30%。

　　以下是相關細節：

　　程式語言

　　Python 似乎不僅正在取代 R，還包括除了 SQL、Java、C/C++ 之外的大多數其它語言，這三者與 Python 大致處於同一個級別。自 KDnuggets 開始做這項調查以來，R 使用率首次出現下跌。語言也出現了衰落的趨勢。

　　以下是按熱門度排序的主要程式語言：

　　·Python, 65.6% (was 59.0% in 2017), 11% up

　　·R, 48.5% (was 56.6%), 14% down

　　·SQL, 39.6% (was 39.2%), 1% up

　　·Java, 15.1% (was 15.5%), 3% down

　　·Unix, shell/awk/gawk, 9.2% (was 10.8%), 15% down

　　·Other programming and data languages, 6.9%, (was 7.6%), -9% down

　　·C/C++, 6.8%, (was 7.1%), 3% down

　　·Scala, 5.9%, (was 8.3%), 29% down

　　·Perl, 1.0% (was 1.9%), 46% down

　　·Julia, 0.7% (was 1.2%), 45% down

　　·Lisp, 0.3% (was 0.4%), -25% down

　　·Clojure, 0.2% (was 0.3%), -38% down

　　·F, # 0.1% (was 0.5%), -73% down

　　地區參與度

　　本次調查中不同地區的參與比例是：

　　·歐洲，37.5%

　　·美國/加拿大，36.6%

　　·亞洲，11.7%

　　·拉丁美洲，6.6%

　　·非洲/中東，4.5%

　　·澳大利亞/紐西蘭，3.1%

　　和 2017 年相比，主要的變化是歐洲的參與比例變高了(之前為 35.5%)，而美國/加拿大的參與比例變低了(之前為 41.5%)。

　　完整結果和 3 年來的趨勢

　　以下表格展示了調查結果的細節(由於篇幅限制，此處僅列出排名前 12 的工具)：