隨著大資料的熱潮不斷升溫，幾乎各個領域都有洪水傾瀉般的資訊湧來，面對使用者成千上萬的瀏覽記錄、記錄行為資料，如果就單純的Excel來進行資料處理是遠遠不能滿足的。但如果只用一些操作軟體來分析，而不怎麼如何用邏輯資料來分析的話，那也只是簡單的資料處理。
替代性很高的工作，而無法深入規劃策略的核心。
當然，基本功是最不可忽略的環節，想要成為資料科學家，對於這幾個程式你應該要有一定的認識：
R
若要列出所有程式語言，你能忘記其他的沒關係，但最不能忘的就是R。從1997年悄悄地出現，最大的優勢就是它免費，為昂貴的統計軟體像是Matlab或SAS的另一種選擇。
但是在過去幾年來，它的身價大翻轉，變成了資料科學界眼中的寶。不只是木訥的統計學家熟知它，包括WallStreet交易員、生物學家，以及矽谷開發者，他們都相當熟悉R。多元化的公司像是Google、Facebook、美國銀行以及NewYorkTimes通通都使用R，它的商業效用持續提高。
R的好處在於它簡單易上手，透過R，你可以從複雜的資料集中篩選你要的資料，從複雜的模型函式中運算元據，建立井然有序的圖表來呈現數字，這些都只需要幾行程式程式碼就可以了，打個比方，它就像是好動版本的Excel。
R最棒的資產就是活躍的動態系統，R社群持續地增加新的軟體包，還有以內建豐富的功能集為特點。目前估計已有超過200萬人使用R，最近的調查顯示，R在資料科學界裡，到目前為止最受歡迎的語言，佔了回覆者的61%（緊追在後的是39%的Python）。
它也吸引了WallStreet的注目。傳統而言，證券分析師在Excel檔從白天看到晚上，但現在R在財務建模的使用率逐漸增加，特別是視覺化工具，美國銀行的副總裁NiallO’Conno說，「R讓我們俗氣的表格變得突出」。
在資料建模上，它正在往逐漸成熟的專業語言邁進，雖然R仍受限於當公司需要製造大規模的產品時，而有的人說他被其他語言篡奪地位了。
“R更有用的是在畫圖，而不是建模。”頂尖資料分析公司Metamarkets的CEO，MichaelDriscoll表示，
“你不會在Google的網頁排名核心或是Facebook的朋友們推薦演算法時看到R的蹤影，工程師會在R裡建立一個原型，然後再到Java或Python裡寫模型語法”。
舉一個使用R很有名的例子，在2010年時，PaulButler用R來建立Facebook的世界地圖，證明了這個語言有多豐富多強大的視覺化資料能力，雖然他現在比以前更少使用R了。
“R已經逐漸過時了，在龐大的資料集底下它跑的慢又笨重”Butler說。
所以接下來他用什麼呢?
Python
如果說R是神經質又令人喜愛的Geek，那Python就是隨和又好相處的女生。
Python結合了R的快速、處理複雜資料採礦的能力以及更務實的語言等各個特質，迅速地成為主流，Python比起R，學起來更加簡單也更直觀，而且它的生態系統近幾年來不可思議地快速成長，在統計分析上比起R功能更強。
Butler說，“過去兩年間，從R到Python地顯著改變，就像是一個巨人不斷地推動向前進”。
在資料處理範疇內，通常在規模與複雜之間要有個取捨，而Python以折衷的姿態出現。IPythonNotebook（記事本軟體）和NumPy被用來暫時存取較低負擔的工作量，然而Python對於中等規模的資料處理是相當好的工具；Python擁有豐富的資料族，提供大量的工具包和統計特徵。
美國銀行用Python來建立新產品和在銀行的基礎建設介面，同時也處理財務資料，“Python是更廣泛又相當有彈性，所以大家會對它趨之若鶩。”O’Donnell如是說。
然而，雖然它的優點能夠彌補R的缺點，它仍然不是最高效能的語言，偶爾才能處理龐大規模、核心的基礎建設。Driscoll是這麼認為的。
Julia
今日大多數的資料科學都是透過R、Python、Java、Matlab及SAS為主，但仍然存在著鴻溝要去彌補，而這個時候，新進者Julia看到了這個痛點。
Julia仍太過於神祕而尚未被業界廣泛的採用，但是當談到它的潛力足以搶奪R和Python的寶座時，資料黑客也難以解釋。原因在於Julia是個高階、不可思議的快速和善於表達的語言，比起R要快的許多，比起Python又有潛力處理更具規模的資料，也很容易上手。
“Julia會變的日漸重要，最終，在R和Python可以做的事情在Julia也可以”。Butler是這麼認為的。
就現在而言，若要說Julia發展會倒退的原因，大概就是它太年輕了。Julia的資料小區還在初始階段，在它要能夠和R或Python競爭前，它還需要更多的工具包和軟體包。
Driscoll說，它就是因為它年輕，才會有可能變成主流又有前景。
Java
Driscoll說，Java和以Java為基礎的架構，是由矽谷裡最大的幾家科技公司的核心所建立的，如果你從Twitter、Linkedin或是Facebook裡觀察，你會發現Java對於所有資料工程基礎架構而言，是非常基礎的語言。
Java沒有和R和Python一樣好的視覺化功能，它也不是統計建模的最佳工具，但是如果你需要建立一個龐大的系統、使用過去的原型，那Java通常會是你最基的選擇。
Hadoop and Hive
為了迎合大量資料處理的需求，以Java為基礎的工具群興起。Hadoop為處理一批批資料處理，發展以Java為基礎的架構關鍵；相較於其他處理工具，Hadoop慢許多，但是無比的準確和可被後端資料庫分析廣泛使用。和Hive搭配的很好，Hive是基於查詢的架構下，運作的相當好。
Scala
又是另一個以Java為基礎的語言，和Java很像，對任何想要進行大規模的機械學習或是建立高階的演算法，Scala會是逐漸興起的工具。它是善於呈現且擁有建立可靠系統的能力。
“Java像是用鋼鐵建造的；Scala則是讓你能夠把它拿進窯烤然後變成鋼的黏土”Driscoll說。
Kafka andStorm
說到當你需要快速的、實時的分析時，你會想到什麼?Kafka將會是你的最佳夥伴。其實它已經出現五年有了，只是因為最近串流處理興起才變的越來越流行。
Kafka是從Linkedin內誕生的，是一個特別快速的查詢訊息系統。Kafka的缺點呢?就是它太快了，因此在實時操作時它會犯錯，有時候會漏掉東西。
魚與熊掌不可兼得，「必須要在準確度跟速度之間做一個選擇」，Driscoll說。所以全部在矽谷的科技大公司都利用兩個管道：用Kafka或Storm處理實時資料，接下來開啟Hadoop處理一批批處理資料系統，這樣聽起來有點麻煩又會有些慢，但好處是，它非常非常精準。
Storm是另一個從Scala寫出來的架構，在矽谷逐漸大幅增加它在串流處理的受歡迎程度，被Twitter併購，這並不意外，因為Twitter對快速事件處理有極大的興趣。
Matlab
Matlab可以說是歷久不衰，即使它標價很高；在非常特定的利基市場它使用的相當廣泛，包括密集的研究機器學習、訊號處理、影像辨識等等。
Octave
Octave和Matlab很像，除了它是免費的之外。然而，在學術訊號處理的圈子，幾乎都會提到它。
GO
GO是另一個逐漸興起的新進者，從Google開發出來的，放寬點說，它是從C語言來的，並且在建立強大的基礎架構上，漸漸地成為Java和Python的競爭者。
這麼多的軟體可以使用，但我認為不見得每個都一定要會才行，知道你的目標和方向是什麼，就選定一個最適合的工具使用吧!可以幫助你提升效率又達到精準的結果。