Python、R、Java、 C++等：从业界反馈看机器学习语言趋势

对于开发者来说，掌握什么编程语言能更容易找到机器学习或者数据科学的工作？

这是个许多人关心的问题，非常实际，也在许多论坛被翻来覆去地讨论过。非常显著的是 “Python 是大趋势”这一论调，似乎它即将在机器学习领域一统天下。那么这种说法到底有几分事实？

首先要指出的是，大多数对编程语言的讨论都比较主观。

比如说，有的开发者（尤其是初学者）会因为一门语言的某个特性很契合自己的使用习惯、用着最顺手，就狂赞这门语言，而对其他语言的优点选择性失明。而这篇 IBM 开发者论坛的文章，则尽量避免了主观判断，用数据来展示各门开发语言在工业界的实际使用情况，可以说是十分难得。毕竟，统计学习的核心就是用数据说话。 AI 开发者应该更明白可靠数据相比主观臆测的价值。

闲话少说，我们来看看 2016 年开发语言使用情况统计，到底哪门语言的使用人数上升最快？居前几位的都是哪些？

图1：机器学习与数据科学领域各语言的雇主招聘指数对比

如图所示，这是利用美国职位搜索引擎 indeed.com 得出的机器学习、数据科学招聘趋势：对这些领域内开发职位所列出的编程语言要求进行了统计。它展示出公司、雇主们都在寻找哪些语言技能。但注意：

这并不能精确体现各公司开发人员正在使用哪些语言。
这是美国的机器学习业界趋势，与中国、学界关系不是那么紧密。
没有包涵在搜索结果内的语言，不代表它们的招聘职位比上述语言要少。

我们可以清楚看出，美国雇主最需要的前四大语言排名是 Python，Java，R，C++。其中，Python 在 2015 年中超过 Java 跃升至第一。

然后，把搜索结果限制在机器学习领域（去掉数据科学），数据其实差不多：

图2：机器学习领域各语言的雇主招聘指数对比

这张折线图中包含了 Lua，但由于它的招聘职位实在太少，代表 Lua 的线与坐标轴重合。

我们能从这两组数据中推断出什么？

Python 是市场的领先者，作为最受欢迎的机器学习语言当之无愧。另外，Python 与 Java 之间的差距正在被拉开。但是 Java 与 R 之间的差距正在被缩小。雷锋网获知，有业内人士对居第二位的语言是 Java 而不是 R 感到惊讶。通常，大家的主观感受是除了 Python，使用 R 语言开发机器学习应用最普遍。
Python 并没有成为霸主。各主流语言的招聘需求都很多。对小众语言如 Lua 和 Julia ，目前业界的需求确实小些，但其他语言都占有了相当的比例。
进入 2016 年后，市场对所有语言的需求都大幅上涨。Python 并没有与其他语言拉开明显差距。这表现出，最近一年里业界对机器学习和数据科学整体的兴趣和重视。
Scala 在 2014 年之后的增长十分惊人。2014 年之前，对它几乎没有招聘需求。但那年之后一直在稳定增长。2016 年，它赶上了 Javacript，达到主流语言阵营的水平。
作为一门口碑不错的新兴语言，Julia 的普及程度还很低。但在 2016 下半年有了巨幅增长。现在还看不出来它是否会成为主流语言。

关于 Scala 和 Julia 的增长趋势，在它们的增长率折线图中，我们可以很明显的看出来：

图3：Scala，Julia，Lua 在机器学习、数据科学领域的雇主招聘指数增长率

然后，当我们省略掉 Scala、Julia 和 Lua，统计主流语言的增长率，可以明白无误看出 Python 和 R 的增长速度远超其他主流语言：

图4：机器学习与数据科学领域，主流语言的雇主招聘增长率

R 的增长率始终高于 Python，位居第一，更是远超 Java。以此来看，在可预测的将来，R 不但不会消失，还会成为更受欢迎的主流机器学习语言。因此，说“Python 是未来大趋势”肯定是不对的。

但是，当我们聚焦于细分领域“深度学习”，数据就变得很不一样：

图4：深度学习领域各语言的雇主招聘指数对比

在深度学习市场，对 Python 的招聘需求仍然最高。但前五大语言的排序变成了 Python，C++，Java，C，R。这里有很明显的对高性能计算语言的侧重。而且，Java 的增长速度惊人，它可能很快成为深度学习市场的第二位。在可预期的将来，R 还不会成为最受欢迎的深度学习语言。令人惊讶的是 Lua 的存在感之低。要知道，开源框架巨头之一的 Torch 便是基于 Lua，许多开发者因此会认为它在深度学习市场占有特殊地位。

对于文章开头提出的问题——雇主需要掌握什么语言的开发者，答案已经很明确了：

在机器学习和数据科学市场，Python, Java, 和 R 的招聘需求最大；
在深度学习领域， Python, Java, C++ 以及 C 更被公司欢迎。

但雷锋网的读者们请注意，这只是私营公司的招聘需求。学界研究人员的偏好会有很大出入。另外，自学 AI 的业余爱好者、暂时没打算在这行谋生的，也不需要对这些数据太过在意。

至于文章原作者的个人观点，他本人较倾向 Python。原因有二：

1. 基于 Python 的顶级机器学习框架选择较多。

2. 作者来自计算机专业背景，Python 的逻辑更适合。相比之下，R 语言就更适合统计学、数学背景的开发者。在 Python 之外，作者更倾向于使用 C++，这是因为他用 C++ 写代码写了半辈子，已经习惯了。其他人、新人可能更适合学习其他语言。比如说，写代码功底不深的统计学背景开发者通常用 R 语言更顺手。经验丰富的 Java 开发者可以接着用 Java，尤其有那么多开源 Java API 。

归纳起来，还是程序猿的个人学习、开发经历，以及知识背景影响了他的语言偏好。

很少有人能够涉猎所有主流语言，即便只掌握几门语言，也未必在每一门上的开发经验都够深。因此，老司机对新入门开发者的语言推荐都带有强烈主观色彩。即使拿这篇以陈述数据为主的文章来说，也有它的主观局限：Matlab/Octave 和 Lisp，这两门重头语言并没有包括在内。这大约是由于作者并没有充分接触这三门语言。而 AI 大牛吴恩达对新手的建议就是选择 Octave 或者 Matlab 起步。

对于新入门、正犹豫选择哪门语言的技术宅，关键还是在投入大量时间之前多听、多看、多了解；比较不同人的观点，选择最适合自己的。