数据和分析为数字化转型提供了燃料，而企业充分发挥这些燃料的唯一途径是，为其统计学家、数据专家和企业分析专家提供正确的数据科学工具，从而为企业提供宝贵的洞察力。

无论是用于直接统计分析、机器学习建模还是可视化，数据科学工具对于建设数据驱动的企业文化都至关重要。

最近我们采访了各个行业中经验丰富的数据科学家，询问他们最常使用的工具。下面是我们从中精心挑选的5个工具。

1. Python

与用于创建自定义算法的编程方法不同，Python不是一种独特的软件，但它是很多数据科学家的首选。在最近数据科学网站KDnuggets对2052名用户进行的分析/数据科学软件调查中，Python被65.6%的受访者列为首选工具。

Cindicator公司首席数据科学家Alexander Osipenko表示：“我们将Python用于数据科学和后端，这为我们提供了快速开发和机器学习模型部署。对于我们来说，同样重要的是确保部署工具的安全性。”

Katie Malone最初是一名粒子物理学家，现在她是Civis Analystic公司的数据科学研究团队的负责人之一，她指出，Python是她作为物理学家首选的数据科学工具，而现在她在商业世界也在继续使用它。对于她而言，最吸引她的是围绕Python强大的开源生态系统，这使她能够利用各种数据科学库来帮助她解决特定的分析问题。

她表示：“这个社区拥有非常充满活力的开源人群，他们使用Python来解决有趣的数据科学问题。”

Wovenware公司创新总监兼首席数据科学家Leslie De Jesus对此表示赞同，她非常依赖Python库。

“我们使用 Python库（包括Scrapy）用于网络抓取，并能够从互联网上提取数据并将其上传到数据框架进行分析，”De Jesus说。 “同时，我们使用Pandas和NumPy Python库进行数据分析和矩阵操作。这些都有助于我们更快创建代码，而NumPy还允许复杂的广播功能。”

Tiger Analytics公司数据科学和创新主管Niranjan Krishnan解释说，Python的用例非常多。

Krishnan说：“我们已经成功部署Python数据科学模型，用于优化直接面向客户的营销活动和人寿保险承保，以及改善在线广告的实时定价。”

这里的缺点是，Python是基于代码，这里需要高水平的编程和分析技能。

他指出：“而Knime和Alteryx是优秀的菜单驱动的低代码替代品，也可供一般数据科学家和业务分析师使用。”

2. R

与Python类似，R是很多数据科学专业人员喜爱的另一种编程语言，它更加简单且更专注于数据科学。在KDnuggets调查中，R排名第三，48.5%的受访者将其列为首选数据科学工具之一。

Civis Analytics公司的Malone表示，R具有非常复杂的机器学习和统计功能，这是她的团队成员除Python之外的常用选择。

她指出：“这取决于具体情况，我们有多种需求，所以这两个我们都喜欢。从统计和定量社会科学方面来看，R更多一些。”

根据Untapt公司首席数据科学家Jon Krohn的说法，R是他的首选数据探索工具。

他指出：“我可以快速查看平均值、中位数和四分位数等摘要统计数据；快速创建不同的图表；以及创建测试数据集，这些可轻松地共享并导出位CSV格式。”

3. Jupyter Notebook

从数据可视化和数据通信来看，很多数据科学团队的数据科学工具列表中还会有Jupyter Notebook。

HackerRank公司数据科学副总裁SofusMacskássy表示：“Jupyter Notebook支持R和Python，对数据访问和可视化提供强大库支持。该工具还使团队能够轻松导出工作簿用于演示，它正成为数据科学领域的标准。”

对于Anexinet公司数字和分析服务高级副总裁Michael Golub而言，Jupyter的另一个好处是，可灵活使用最受欢迎的数据科学库。Golub解释说Jupyter是他团队最喜欢的协作开发环境。

Golub称：“Jupyter Notebook是我们协作数据科学项目工作的首选工具，在涉及需要教育的时候，它也非常有用。”

此外，Untapt公司的Krohn称，Jupyter Notebook是交互式构建原型模型的绝佳工具。

他表示：“在Untapt，我们利用Jupyter Notebook来编写原型代码，也用于打印数据表、摘要指标和图表。”

4. Tableau

在硬数据科学团队和更多以业务为中心的分析人员之间，Tableau可提供良好的桥梁。

Entersoft Security公司的SEO高级主管Pooja Pandey表示：“对于数据科学家和数据科学新手来说，这是很棒的工具。这是一个快速仪表板工具，可提供可视化洞察力和分析数据，它有着非常短的学习曲线。”

Tableau的可视化和报告功能的速度可为各种用户提供洞察力。

QuotesAdvisor.com首席执行官Sophie Miles表示：“它可以很快部署、易于学习且非常直观。通过Tableau，该公司的不同部门可根据需要制定详尽的报告。

Miles解释称，由于该仪表板非常灵活，因此对数据组合的临时请求数量有所减少。因此，QuotesAdvisor.com的效率提高了95％。她说道：“现在人们花更多的时间来思考问题，而不是生成报告。”

5. Keras

根据日立Vantara公司首席技术官办公室首席数据科学家Wei Lin表示，他最常用的数据科学工具是Python、R和Keras。他使用Python和R用于上述所有原因，而利用Keras的深度学习功能。

Lin称：“Keras是使用Python编写的开源神经网络库，以快速通过深度神经网络进行实验。并且，它能够运行在TensorFlow、微软Cognitive Toolkit或Thea。”

Kera的优势在于高维模式匹配。

他表示：“例如，图像和自然语言处理以及支持完善的深度学习分析模型，包括卷积神经网络和短期记忆。”

根据Cindicator公司的Osipenko表示，Keras的最大吸引点在于它可帮助节省大量时间。

他指出：“我们添加新工具的主要标准是，它是否能让你作为数据科学家的工作变得更轻松。这里的例子就是Keras，这个开源高级包装器，可大大加快开发神经网络的过程。任何在TensorFlow编写神经网络的人都会明白我在说什么。即使Keras不完美，但它可以改变这个开发流程，让你的代码对其他开发人员更具可读性。”