數(shù)據(jù)科學有一個很大的優(yōu)點是，數(shù)據(jù)科學家使用的許多先進的工具都是免費的。事實上，業(yè)內(nèi)免費工具的數(shù)量已經(jīng)非常之大，有時甚至會讓人頭疼，不知該如何選擇。為了幫助大家確定自己該選擇哪些工具，這里列出了用于數(shù)據(jù)處理的五個值得了解的免費軟件工具。

[[258366]]

Anaconda Distribution

Python之所以成為數(shù)據(jù)科學領域的一個偉大工具，是因為有大量開發(fā)人員構(gòu)建了基于Python的數(shù)據(jù)科學庫。對于使用Python完成工作的數(shù)據(jù)科學家來說，諸如NumPy、SciPy、panda、scikit-learn等庫是必不可少的。不幸的是，即使對于經(jīng)驗最豐富的開發(fā)者來說，處理所有這些Python庫也是一個挑戰(zhàn)。它們可能很難安裝，而且許多都依賴于Python之外的某個軟件。

Anaconda是一個免費的Python發(fā)行版和包管理器，它解決了這個問題。Anaconda Python發(fā)行版預先安裝了超過200個流行的數(shù)據(jù)科學Python庫，并且它的包管理器提供了一種簡單的方式來安裝超過2000個額外的包，且無需擔心軟件依賴關系。Anaconda還附帶許多其他流行的工具，包括Jupyter Notebook——它使數(shù)據(jù)科學家能夠在基于瀏覽器的環(huán)境中交互工作。

RStudio & RStudio Server

RStudio是一個集成開發(fā)環(huán)境(IDE)，是為在R語言中執(zhí)行交互式數(shù)據(jù)分析和更正式的編程而定制的。RStudio為交互式工作環(huán)境提供了一個很好的平衡，它支持R控制臺和數(shù)據(jù)可視化面板，以及功能齊全的文本編輯器，該文本編輯器可以實現(xiàn)語法高亮顯示和代碼補全。

一個不太為人所知的工具是RStudio Server，它是RStudio IDE的一個功能完整的版本，運行在服務器上，可以通過瀏覽器訪問。這意味著您可以通過網(wǎng)絡連接從任何地方訪問RStudio IDE，并將計算轉(zhuǎn)移到專用資源上。這使得數(shù)據(jù)科學家可以處理潛在的敏感數(shù)據(jù)，而不必將其下載到個人設備上，也可以在任何設備上用R執(zhí)行復雜且計算量大的工作。

OpenRefine

OpenRefine最初由谷歌的工程師開發(fā)，是一種用于數(shù)據(jù)清理的開源工具。它允許從業(yè)者讀取混亂或損壞的數(shù)據(jù)，執(zhí)行批量轉(zhuǎn)換以修復錯誤，并生成干凈的數(shù)據(jù)，并以一系列有用的格式導出結(jié)果。

OpenRefine的優(yōu)質(zhì)特性之一是，它能夠跟蹤在數(shù)據(jù)集上執(zhí)行的每個操作，使步驟跟蹤和工作流的重新創(chuàng)建變得非常容易。當您有許多文件都具有相同的數(shù)據(jù)完整性問題，并且需要相同的轉(zhuǎn)換時，這尤其有用。OpenRefine允許導出對頭一個數(shù)據(jù)文件所做的更改序列，并將其應用于第二個數(shù)據(jù)文件，從而節(jié)省重復工作的時間并降低人為操作出現(xiàn)錯誤的可能性。

OpenRefine還提供了非常強大的工具來處理凌亂的文本字段。例如，如果數(shù)據(jù)集中有一列的條目是“Vancouver, BC”。、“VANCOUVER BC”和“vancouver b.c.”， OpenRefine的文本聚類工具就會識別出它們可能是相同的，并執(zhí)行批量轉(zhuǎn)換，以便對每個事件應用單個標簽。

Apache Airflow

在大多數(shù)組織中，數(shù)據(jù)并不是存留在一個地方，也不是只使用一種方法訪問的。通常有多個數(shù)據(jù)庫、數(shù)據(jù)存儲系統(tǒng)、API和其他進程，來跟蹤整個組織中的數(shù)據(jù)。數(shù)據(jù)團隊的主要工作是將數(shù)據(jù)從存留的位置移動到需要進行分析的位置，并根據(jù)需要進行轉(zhuǎn)換。理想情況下，這項工作應該盡可能自動化，Apache Airflow可以完成此事。

Airflow是Airbnb的工程師為內(nèi)部使用開發(fā)的，2015年開源。它是一個映射、自動化和調(diào)度復雜工作流的工具，這些工作流涉及了許多具有相互依賴關系的不同系統(tǒng)。它可以監(jiān)控這些流程是否成功，并在出現(xiàn)問題時提醒工程師。Airflow還有一個基于Web的用戶界面，它將工作流表示為一個小作業(yè)網(wǎng)絡，這樣依賴關系就可以很容易地實現(xiàn)可視化。

H2O

隨著機器學習技術(shù)的成熟，一些基本算法得到了廣泛的應用。廣義線性模型、基于樹的模型和神經(jīng)網(wǎng)絡都已成為機器學習工具包中的基本元素。然而，盡管R和Python中那些算法的許多實現(xiàn)對于原型設計和概念驗證非常有用，但它們并不能很好地擴展到生產(chǎn)環(huán)境中。

H2O是一個開源工具，它提供了流行的統(tǒng)計和機器學習算法的高效和可擴展實現(xiàn)。它可以連接到許多不同類型的數(shù)據(jù)存儲系統(tǒng)，可以在包括從筆記本電腦到大型計算集群的任何設備上運行。它擁有強大和靈活的工具，來構(gòu)建模型原型并進行微調(diào)，而且在H2O中構(gòu)建的模型非常易于部署到生產(chǎn)環(huán)境中。最重要的是，H2O有Python和R的API，因此數(shù)據(jù)科學家可以無縫地將其與現(xiàn)有環(huán)境集成。

目前數(shù)據(jù)科學領域的軟件工具數(shù)不勝數(shù)，在項目啟動時，選擇足夠優(yōu)秀的免費工具來加速和優(yōu)化數(shù)據(jù)流程是一個不錯的選擇。

原文來源：BrainStation