ในส่วนแรกของบล็อกเกี่ยวกับภาษาโปรแกรมที่ดีที่สุดสำหรับ Data Science เราพูดถึง 7 ภาษา รวมถึงภาษาที่ผู้จัดการ Big Data ใช้มากที่สุด
ในบล็อกนี้ เราจะรายการครึ่งที่เหลือ ซึ่งเป็นผู้เข้ามาใหม่ (newcomers) เทียบกับภาษาในส่วนแรก บางภาษาได้รับความนิยมเทียบเท่า Java, Hadoop, R และ SQL ส่วนบางภาษาสร้างตำแหน่งที่โดดเด่นในตลาดด้วยคุณสมบัติที่โดดเด่น
รายการภาษาโปรแกรมสำหรับ Data Science:
1. Python –
Python เป็นหนึ่งในภาษาโปรแกรมโอเพนซอร์สที่ดีที่สุดสำหรับทำงานกับชุดข้อมูลขนาดใหญ่และซับซ้อนที่จำเป็นสำหรับ Big Data Python ได้รับความนิยมในหมู่โปรแกรมเมอร์ที่ใช้ภาษาเชิงวัตถุ Python เข้าใจง่ายและเรียนรู้ง่ายกว่า R และแพลตฟอร์มเติบโตอย่างน่าทึ่งในช่วงไม่กี่ปีผ่านมา ทำให้มีความสามารถด้านการวิเคราะห์สถิติเทียบเท่า R จุดขายที่โดดเด่น (USP) ของ Python คือ ความอ่านง่ายและกระชับ
แอปพลิเคชันสมัยใหม่อย่าง Pinterest และ Instagram สร้างด้วย Python เป็นภาษาเชิงวัตถุแบบดั้งเดิม เน้นระดับการผลิตและความอ่านง่ายที่เพิ่มขึ้น Python ยังเหมาะสำหรับโปรเจกต์ Big Data ที่เกี่ยวข่ายกับ neural networks
2. MATLAB –
MATLAB เป็นหนึ่งในภาษาโปรแกรมที่ดีที่สุดสำหรับ Data Science หากคุณต้องทำงานกับเมทริกซ์ (matrices) ไม่ใช่ภาษาโอเพนซอร์ส แต่ใช้มากในวงการวิชาการ เพราะเหมาะสำหรับการสร้างแบบจำลองทางคณิตศาสตร์และการได้มาข้อมูล MATLAB ออกแบบมาสำหรับทำงานกับเมทริกซ์ตั้งแต่แรก ทำให้เป็นตัวเลือกดีสำหรับการสร้างแบบจำลองทางสถิติและการสร้างอัลกอริทึม MATLAB ยังดีสำหรับงาน Data Science ที่เกี่ยวข้องกับการคำนวณพีชคณิตเชิงเส้น การจำลอง และการคำนวณเมทริกซ์
ข้อจำกัดของ MATLAB คือ มีข้อจำกัดด้านการพกพาโค้ด (code portability)
3. Scala –
Scala เป็นภาษาโปรแกรมที่ผสานระหว่างเชิงวัตถุและฟังก์ชันนัล ช่วยสร้างแอปพลิเคชัน Data Science ที่แข็งแกรบและขยายได้ (Scalable) ทำงานร่วมกับ Java และ JavaScript ได้ Scala รวมคุณสมบัติที่ดีของภาษาอื่นๆ เข้าไว้ในเครื่องมือเดียวที่ใช้ง่าย
Scala 基于 Java และโค้ดที่คอมไพล์รันบนระบบนิเวศ JVM ทำให้มีพลังและความยืดหยุ่นตั้งแต่เริ่มต้น เพราะรันบนแพลตฟอร์มไหนก็ได้ Scala สำหรับ Data Science ต้องการทักษะการนามธรรมและการคิดเพิ่มเติม คุณสมบัติด้าน Scalability และการประมวลผลตัวเลขทำให้ Scala อยู่ในอันดับหนึ่งของภาษาสำหรับ Data Science
4. Hive QL –
Apache Hive เป็นโครงสร้างพื้นฐานคลังข้อมูล (data warehouse) สร้างบน Hadoop เพื่อให้การสรุปข้อมูล การสอบถาม และการวิเคราะห์ Hive QL คือภาษาสอบถามของ Hive มีอินเตอร์เฟซคล้าย SQL สำหรับสอบถามข้อมูลที่จัดเก็บในฐานข้อมูลและระบบไฟล์ต่างๆ ที่รวมกับ Hadoop Hive ไม่รองรับการแทรก แก้ไข ลบระดับแถว (row-level)
Hive QL ออกแบบทำงานบน Apache Hadoop หรือแพลตฟอร์มจัดเก็บแบบกระจายอื่นๆ เช่น Amazon S3 แนวคิดฐานข้อมูลของ Hive คือแค่แคตตาล็อกหรือ namespace ของตาราง ด้วย Hive เราได้ abstraction ของ SQL ที่จำเป็น เพื่อนำ Hive QL queries ไปใช้กับ Java API โดยไม่ต้อง implement queries ใน Java API ระดับต่ำ
5. Julia –
Julia เป็นภาษาที่ใหม่กว่าในกลุ่ม Data Languages ภาษาที่เลือกใช้มากที่สุดคือ R, Python และ Java แต่ยังมีช่องว่างที่ต้องดู Julia ที่รู้จักมาเพียงไม่กี่ปี กำลังพิสูจน์ตัวเองว่าเป็นตัวเลือกที่ดี Julia เป็นภาษาระดับสูง (high-level) เร็วมาก (insanely fast) และมีความสามารถในการแสดงออก (expressive)
Julia เหมาะที่สุดสำหรับทำงานกับสตรีม Big Data แบบ real-time เพราะคุณสมบัติสร้างบนแกนหลักของภาษา ระบบนิเวศของ extensions และ libraries ของ Julia ยังไม่成熟 (mature) หรือพัฒนาเต็มที่เท่าภาษาที่มาก่อน แต่ฟังก์ชันยอดนิยมส่วนใหญ่พร้อมใช้งาน และเพิ่มขึ้นอย่างสม่ำเสมอ
6. Pig Latin –
Pig Latin เป็นหนึ่งในภาษาโปรแกรมที่ดีที่สุดสำหรับ Data Science ที่เชื่อมโยงกับ Hadoop และเป็นระบบโอเพนซอร์ส มันเป็น Language layer ของแพลตฟอร์ม Apache Pig ซึ่งจัดเรียงและใช้ฟังก์ชันคณิตศาสตร์กับชุดข้อมูลขนาดใหญ่ที่กระจายอยู่
Pig สามารถรันงาน Hadoop ได้ใน MapReduce, Apache Tez, หรือ Apache Spark
สามารถขยายได้โดยใช้ user-defined functions ที่เขียนในภาษาที่รองรับ เช่น Java, Python, JavaScript, Ruby หรือ Groovy การเรียกฟังก์ชันเหล่านี้ทำได้โดยตรงจากโค้ด Pig Latin
7. GO –
Go พัฒนาโดย Google ในปี 2007 เป็นภาษาโปรแกรมฟรีและโอเพนซอร์ส แม้เป็นผู้เข้ามาใหม่ในโลก Data Science แต่กำลังได้รับความนิยมเพราะความเรียบง่าย ตั้งแต่แรก Go ไม่ได้พัฒนาสำหรับสถิติ แต่เร็วๆ เข้าสู่ mainstream ด้วยความเร็วและความคุ้นเคย
Syntax ของ Go 基于 C ซึ่งช่วยมากในการนำมาใช้ Go ยังสามารถเรียกโปรแกรม routine ที่เขียนในภาษาอื่น เช่น Python เพื่อทำฟังก์ชันที่ Go ไม่รองรับ
รายการข้างต้นบอกเกี่ยวกับ 15 ภาษาข้อมูลที่ดีที่สุด ที่คุณสามารถเลือกสำหรับองค์กร Big Data ของคุณ
ด้วยนี้เราจบส่วนของ Functional Layer Architecture แตก็ไม่ใช่จบ Big Data ทุกวันมีความลับใหม่ของ Big Data เปิดเผย แม้เรียนรู้เครื่องมือทั้งหมดแล้ว ยังมีอะไรมากมายที่ต้องรู้ เข้าใจ วิเคราะห์ เรียนรู้ และบรรลุใน Big Data
