如何選擇大數據的編程語言

A. 學大數據需要學什麼語言

java基礎。目前大數據框架90%以上都是使用Java開發語言，所以如果要學習大數據技術，首先要掌握Java基礎語法以及JavaEE方向的相關知識。
MySQL資料庫。這是學習大數據必須掌握的知識之一。數據的操作語言是SQL，因此很多工具的開發目標就是能夠在Hadoop上使用SQL。
Linux系統。大數據的框架都是安裝在Linux操作系統上，因此熟練掌握Linux相關知識也是學習大數據的基礎知識。
真正的大數據的學習不能僅僅停留在理論的層面上，大數據的方向的切入是全方位的，基礎語言的學習只是很小的一個方面，編程落實到最後到編程思想，有了指導思想學習起來就能方便很多。

B. 大數據開發常用的編程語言有哪些

大數據常用的編程語言是Java。Java可以用來做大數據工作，大數據開發或者應用不必要用Java。目前最火的大數據開發平台是Hadoop，而Hadoop則是採用Java語言編寫。一方面由於hadoop的歷史原因，Hadoop的項目誕生於一個Java高手；另一方面，也有Java跨平台方面的優勢；基於這兩個方面的原因，所以Hadoop採用了Java語言。

C. 大數據學python還是java

今天給大家介紹一下關於如何選擇大數據的編程語言？

首先比如有一個大數據項目，你知道問題領域(problemdomain)，也知道使用什麼基礎設施，甚至可能已決定使用哪種框架來處理所有這些數據，但是有一個決定遲遲未能做出：

我該選擇哪種語言?(或者可能更有針對性的問題是，我該迫使我的所有開發人員和數據科學家非要用哪種語言?這個問題不會推遲太久，遲早要定奪。

如何選擇大數據的編程語言

當然，沒有什麼阻止得了你使用其他機制(比如XSLT轉換)來處理大數據工作。但通常來說，如今大數據方面有多種語言可以選擇，比如Java、Python、R和Scala。那麼，你該選擇哪種語言?為何要選擇它，或者說何時選擇它? 下面我們照著介紹Python和Java這兩種語言。

Python

如果你的數據科學家不使用R，他們可能就會徹底了解Python。十多年來，Python在學術界當中一直很流行，尤其是在自然語言處理(NLP)等領域。因而，如果你有一個需要NLP處理的項目，就會面臨數量多得讓人眼花繚亂的選擇，包括經典的NTLK、使用GenSim的主題建模，或者超快、准確的spaCy。同樣，說到神經網路，Python同樣游刃有餘，有Theano和Tensorflow;隨後還有面向機器學習的scikit-learn，以及面向數據分析的NumPy和Pandas。

還有Juypter/iPython――這種基於Web的筆記本伺服器框架讓你可以使用一種可共享的日誌格式，將代碼、圖形以及幾乎任何對象混合起來。這一直是Python的殺手級功能之一，不過這年頭，這個概念證明大有用途，以至於出現在了奉行讀取-讀取-輸出-循環(REPL)概念的幾乎所有語言上，包括Scala和R。

Python往往在大數據處理框架中得到支持，但與此同時，它往往又不是「一等公民」。比如說，Spark中的新功能幾乎總是出現在Scala/Java綁定的首位，可能需要用PySpark編寫面向那些更新版的幾個次要版本(對SparkStreaming/MLLib方面的開發工具而言尤為如此)。

Java

最終，總是少不了Java――這種語言沒人愛，被遺棄，歸一家只有通過起訴谷歌才有錢可賺時才似乎關心它的公司(註：Oracle)所有，完全不時髦。只有企業界的無人機才使用Java!不過，Java可能很適合你的大數據項目。想一想HadoopMapRece，它用Java編寫。HDFS呢?也用Java來編寫。連Storm、Kafka和Spark都可以在JVM上運行(使用Clojure和Scala)，這意味著Java是這些項目中的「一等公民」。另外還有像GoogleCloudDataflow(現在是ApacheBeam)這些新技術，直到最近它們還只支持Java。

Java也許不是搖滾明星般備受喜愛的首選語言。但是由於研發人員在竭力理清Node.js應用程序中的一套回調，使用Java讓你可以訪問一個龐大的生態系統(包括分析器、調試器、監控工具以及確保企業安全和互操作性的庫)，以及除此之外的更多內容，大多數內容在過去二十年已久經考驗(很遺憾，Java今年迎來21歲，我們都老矣)。

炮轟Java的一個主要理由是，非常繁瑣冗長，而且缺少互動式開發所需的REPL(R、Python和Scala都有)。我見過10行基於Scala的Spark代碼迅速變成用Java編寫的變態的200行代碼，還有龐大的類型語句，它們占據了屏幕的大部分空間。然而，Java8中新的Lambda支持功能對於改善這種情況大有幫助。Java從來不會像Scala那麼緊湊，但是Java8確確實實使得用Java進行開發不那麼痛苦。

你該使用哪種語言用於大數據項目?恐怕這還得「視情況而定」。如果跨GPU進行NLP或密集的神經網路處理，Python是很好的選擇。如果想要一種加固的、面向生產環境的數據流解決方案，又擁有所有重要的操作工具，Java絕對是出色的選擇。

推薦課程：python基礎語法全講解視頻（馬哥教育2014版）

D. 大數據主要學什麼語言

java可以說是大數據最基礎的編程語言，據我這些年的經驗，我接觸的很大一部分的大數據開發都是從Jave Web開發轉崗過來的（當然也不是絕對我甚至見過產品轉崗大數據開發的，逆了個天）。

一是因為大數據的本質無非就是海量數據的計算，查詢與存儲，後台開發很容易接觸到大數據量存取的應用場景
二就是java語言本事了，天然的優勢，因為大數據的組件很多都是用java開發的像HDFS,Yarn,Hbase,MR,Zookeeper等等，想要深入學習，填上生產環境中踩到的各種坑，必須得先學會java然後去啃源碼。
說到啃源碼順便說一句，開始的時候肯定是會很難，需要對組件本身和開發語言都有比較深入的理解，熟能生巧慢慢來，等你過了這個階段，習慣了看源碼解決問題的時候你會發現源碼真香。

E. 大數據學什麼語言

1、Python語言

十多年來，Python在學術界當中一直很流行，尤其是在自然語言處理（NLP）等領域。因而，如果你有一個需要NLP處理的項目，就會面臨數量多得讓人眼花繚亂的選擇，包括經典的NTLK、使用GenSim的主題建模，或者超快、准確的spaCy。同樣，說到神經網路，Python同樣游刃有餘，有Theano和Tensorflow；隨後還有面向機器學習的scikit-learn，以及面向數據分析的NumPy和Pandas。

還有Juypter/iPython――這種基於Web的筆記本伺服器框架讓你可以使用一種可共享的日誌格式，將代碼、圖形以及幾乎任何對象混合起來。這一直是Python的殺手級功能之一，不過這年頭，這個概念證明大有用途，以至於出現在了奉行讀取－讀取－輸出－循環（REPL）概念的幾乎所有語言上，包括Scala和R。

Python往往在大數據處理框架中得到支持，但與此同時，它往往又不是「一等公民」。比如說，Spark中的新功能幾乎總是出現在Scala/Java綁定的首位，可能需要用PySpark編寫面向那些更新版的幾個次要版本（對Spark Streaming/MLLib方面的開發工具而言尤為如此）。

與R相反，Python是一種傳統的面向對象語言，所以大多數開發人員用起來會相當得心應手，而初次接觸R或Scala會讓人心生畏懼。一個小問題就是你的代碼中需要留出正確的空白處。這將人員分成兩大陣營，一派覺得「這非常有助於確保可讀性」，另一派則認為，我們應該不需要就因為一行代碼有個字元不在適當的位置，就要迫使解釋器讓程序運行起來。

2、R語言

在過去的幾年時間中，R語言已經成為了數據科學的寵兒——數據科學現在不僅僅在書獃子一樣的統計學家中人盡皆知，而且也為華爾街交易員，生物學家，和矽谷開發者所家喻戶曉。各種行業的公司，例如Google，Facebook，美國銀行，以及紐約時報都使用R語言，R語言正在商業用途上持續蔓延和擴散。

R語言有著簡單而明顯的吸引力。使用R語言，只需要短短的幾行代碼，你就可以在復雜的數據集中篩選，通過先進的建模函數處理數據，以及創建平整的圖形來代表數字。它被比喻為是Excel的一個極度活躍版本。

R語言最偉大的資本是已圍繞它開發的充滿活力的生態系統：R語言社區總是在不斷地添加新的軟體包和功能到它已經相當豐富的功能集中。據估計，超過200萬的人使用R語言，並且最近的一次投票表明，R語言是迄今為止在科學數據中最流行的語言，被61%的受訪者使用(其次是Python，39%)。

3、JAVA

Java，以及基於Java的框架，被發現儼然成為了矽谷最大的那些高科技公司的骨骼支架。 「如果你去看Twitter，LinkedIn和Facebook，那麼你會發現，Java是它們所有數據工程基礎設施的基礎語言，」Driscoll說。

Java不能提供R和Python同樣質量的可視化，並且它並非統計建模的最佳選擇。但是，如果你移動到過去的原型製作並需要建立大型系統，那麼Java往往是你的最佳選擇。

F. 大數據現在用什麼語言來做

大數據是一種在獲取、存儲、管理、分析等方面大大超出了傳統資料庫軟體工具能力范圍的數據集合。它具有大量的數據規模、快速的數據流轉、多樣的數據類型和價值密度低四大特徵。
未來大數據相關人才缺口巨大。
其實挺多編程語言是相通的，都可以用來做大數據
Java因為其語言的優勢，更多人使用Java語言
另外Python語言在數據分析，數據挖掘方面具備優勢，精通Java的基礎上，再學學Python，有利於提升工作效率

如果你是0基礎，想後期走大數據方向，建議先學Java，精通Java後，再轉大數據會更容易一些

希望能給你帶來參考

G. 大數據應該學習什麼語言

大數據專業語言主要以java、python為主，課程知識點多，難度大，而且有本科學歷要求！

大數據學習內容主要有：

①JavaSE核心技術；

②Hadoop平台核心技術、Hive開發、HBase開發；

③Spark相關技術、Scala基本編程；

④掌握Python基本使用、核心庫的使用、Python爬蟲、簡單數據分析；理解Python機器學習；

⑤大數據項目開發實戰，大數據系統管理優化等。

你可以考察對比一下南京課工場、北大青鳥、中博軟體學院等開設有大數據專業的學校。祝你學有所成，望採納。

北大青鳥中博軟體學院大數據課堂實拍

H. 大數據用什麼語言開發

目前全世界的開發人員，編碼人員和軟體工程師都使用許多編程語言。根據一項調查，計算機語言的總數總計達9000種。但是，如今，其中只有50種編程語言是首選。

編程語言會根據大數據和AI等行業而有所不同。科技市場由大數據主導，因此，如果作為大數據專業人士，必須學習最重要的編程語言。

大數據中最喜歡的編程語言：

Python

Python在全球擁有500萬用戶，目前被其視為開發人員最常用的編程語言之一。讓我們感受到Python是未來流行編程的是，世界上一些成功的公司選擇Python編程語言進行產品開發，比如：NASA，Google，Instagram，Spotify，Uber，Netflix，Dropbox，Reddit和Pinterest，而且初學者和專業人員都認為Python是一種功能強大的語言。

Python由Guido van Rossum於1991年開發，Python成為程序員第一個學習入門級編程語言。

Python最適合針對大數據職業的技術專業人員，將在數據分析，Web應用程序或統計代碼與生產資料庫集成一起時，Python成為了最佳選擇。此外，它還具有強大的庫軟體包作為後盾，可幫助滿足大數據和分析需求，使其成為大數據愛好者的首選。Pandas，NumPy，SciPy，Matplotlib，Theano，SymPy，Scikit學習是大數據中最常用的一些庫。

R

R編程語言為數據表示提供了多種圖形功能，例如條形圖，餅圖，時間序列，點圖，3D表面，圖像圖，地圖，散點圖等。藉助R語言，可以輕松地自定義圖形並開發新鮮個性的圖形。

R語言由Ross Ihaka和Robert Gentleman編寫；但是，它現在是由R開發核心團隊開發的。它是一種可編程語言，有助於有效地存儲和處理數據。R不是資料庫，而是一種可以輕松連接到資料庫管理系統（DBMS）的語言。R可以輕松連接到excel和MS Office，但它本身不提供任何電子表格數據視圖。編程語言是數據分析的理想選擇，它有助於訪問分析結果的所有領域，並與分析方法結合使用，從而得出對公司重要的肯定結論。

Scala

Scala是金融行業主要使用的一種開源高級編程語言。Scala特點是可確保其在大數據可用性方面的重要性。

Apache Spark是用於大數據應用程序的集群計算框架，是用Scala編寫的。大數據專業人員需要在Scala中具有深入的知識和動手經驗。

Java

Java進入技術行業已有一段時間了，自Java誕生以來，它就以其在數據科學技術中的多功能性而聞名。值得注意的是，用於處理和存儲大數據應用程序的開源框架Hadoop HDFS已完全用Java編寫。Java被廣泛用於構建各種ETL應用程序，例如Apache，Apache Kafka和Apache Camel等，這些應用程序用於運行數據提取，數據轉換以及在大數據環境中的載入。

收入最高的編程語言

根據Stack Overflow的調查，Scala，Go和Objective-C是目前豐厚報酬的編程語言。

• Scala– 150,000美元

• java– 120,000美元

• Python– 120,000

• R – 109,000美元

Twitter，Airbnb，Verizon和Apple等公司都使用Scala。因此，使其成為收入最高的編程語言是完全有符合現實的。

今天有超過250種編程語言，盡管有多種語言可供選擇，但多數開發者認為Python仍然是贏家，擁有70,000多個庫和820萬用戶。除了Python，你還需要不斷提高自己的技能並學習新的編程語言，以保持與行業的聯系。

I. 大數據專業主要學習什麼語言

大數據專業需要學習哪些技術：

一、編程語言

想要學習大數據技術，首先要掌握一門基礎編程語言。Java編程語言的使用率最廣泛，因此就業機會會更多一些，而Python編程語言正在高速推廣應用中，同時學習Python的就業方向會更多一些。

二、Linux

學習大數據一定要掌握一定的Linux技術知識，不要求技術水平達到就業的層次，但是一定要掌握Linux系統的基本操作。能夠處理在實際工作中遇到的相關問題。

三、SQL

大數據的特點就是數據量非常大，因此大數據的核心之一就是數據倉儲相關工作。因此大數據工作對於資料庫要求是非常的高。甚至很多公司單獨設置資料庫開發工程師。

四、Hadoop

Hadoop是分布式系統的基礎框架，以一種可靠、高效、可伸縮的方式進行數據處理。具有高可靠性、高擴展性、高效性、高容錯性、低成本等優點，從事大數據相關工作Hadoop是必學的知識點。

五、Spark

Spark是專門為大規模數據處理而設計的快速通用的計算引擎。可以用它來完成各種各樣的運算，包括SQL查詢、文本處理、機器學習等等。

六、機器學習

機器學習是目前人工智慧領域的核心技術，在大數據專業中也有非常廣泛的引用。在演算法和自動化的發展過程中，機器學習扮演著非常重要的角色。可以大大拓展自己的就業方向。

互聯網行業里大數據和雲智能是當下最重要板塊，企業藉助大數據技術不僅能避免企業發展時會面臨的各種風險，更能解決發展過程中所遇到的種種難題。近些年來大數據的公司越來越多，但是大數據人才需求還存在著很大缺口，為了響應市場需求未來我國還會需要更多的大數據人才。網路、阿里、京東等互聯網高企依仗自身的強大技術和數據優勢，均已將大數據作為企業的重要戰略部署。

大數據專業未來就業方向解析：

一、ETL研發

企業數據種類與來源的不斷增加，對數據進行整合與處理變得越來越困難，企業迫切需要一種有數據整合能力的人才。ETL開發者這是在此需求基礎下而誕生的一個職業崗位。ETL人才在大數據時代炙手可熱的原因之一是：在企業大數據應用的早期階段，Hadoop只是窮人的ETL.

二、Hadoop開發

隨著數據規模不斷增大，傳統BI的數據處理成本過高企業負擔加重。而Hadoop廉價的數據處理能力被重新挖掘，企業需求持續增長。並成為大數據人才必須掌握的一種技術。

三、可視化工具開發

可視化開發就是在可視化工具提供的圖形用戶界面上，通過操作界面元素，有可視化開發工具自動生成相關應用軟體，輕松跨越多個資源和層次連接所有數據。過去，數據可視化屬於商業智能開發者類別，但是隨著Hadoop的崛起，數據可視化已經成了一項獨立的專業技能和崗位。

四、信息架構開發

大數據重新激發了主數據管理的熱潮。充分開發利用企業數據並支持決策需要非常專業的技能。信息架構師必須了解如何定義和存檔關鍵元素，確保以最有效的方式進行數據管理和利用。信息架構師的關鍵技能包括主數據管理、業務知識和數據建模等。

五、數據倉庫研究

為方便企業決策，出於分析性報告和決策支持的目的而創建的數據倉庫研究崗位是一種所有類型數據的戰略集合。為企業提供業務智能服務，指導業務流程改進和監視時間、成本、質量和控制。

六、OLAP開發

OLAP在線聯機分析開發者，負責將數據從關系型或非關系型數據源中抽取出來建立模型，然後創建數據訪問的用戶界面，提供高性能的預定義查詢功能。

七、數據科學研究

數據科學家是一個全新的工種，能夠將企業的數據和技術轉化為企業的商業價值。隨著數據學的進展，越來越多的實際工作將會直接針對數據進行，這將使人類認識數據，從而認識自然和行為。

八、數據預測分析

營銷部門經常使用預測分析預測用戶行為或鎖定目標用戶。預測分析開發者有些場景看上有些類似數據科學家，即在企業歷史數據的基礎上通過假設來測試閾值並預測未來的表現。

九、企業數據管理

企業要提高數據質量必須考慮進行數據管理，並需要為此設立數據管家職位，這一職位的人員需要能夠利用各種技術工具匯集企業周圍的大量數據，並將數據清洗和規范化，將數據導入數據倉庫中，成為一個可用的版本。

十、數據安全研究

數據安全這一職位，主要負責企業內部大型伺服器、存儲、數據安全管理工作，並對網路、信息安全項目進行規劃、設計和實施。

大數據的特點就是能夠靈活、快速、高效的響應各種市場需求。大數據的受眾領域非常廣泛，不僅改善著人們的社會活動和生活方式，運用好大數據技術還能為企業帶了更多的商機和商業價值。大數據不僅與IT行業關系密切，眾多行業都已經開始了大數據運營的布局，例如金融、醫療、政府等。撼地大數據就是以大數據技術為基礎研發出了屬於自己的大數據數智招商系統，為產業招商打造了一個精準招商服務雲平台，極大的改善了現階段產業園招商難的窘境。