编程语言哪家强？4种数据分析领域语言优缺点对比

来源：大数据DT（ID：hzdashuju）

本文约2600字，建议阅读5分钟
“哪门语言更好”？本文介绍了4种数据分析领域语言的优缺点。

编程语言的好坏及排行之争由来已久。“PHP是世界上最好的语言”，这是一个流传于程序员圈子的梗。

笔者无意加入“哪门语言更好”的战争。每门语言的诞生，都有其特定的背景和需求，都能解决相应的问题，脱离需求和背景争论哪门语言更好是没有意义的。

最重要的是，我们需要搞清楚到底要解决什么问题，这样才能更方便地找到对应的工具。

在数据分析领域（包括量化投资），编程语言具有两大作用，一个是科学计算、统计等算法层面，主要用于业务的相关研究；另一个是系统应用开发，主要用来搭建基础IT设施，比如数据库、交易平台等。

Matlab和R主要用于业务层面的研究工作。C++和Java则主要是用于系统搭建工作。业务研究和系统搭建的区别还是很明显的，每类语言适应的场景都不太一样，否则也没有必要存在那么多种语言了。比如，使用Matlab搭建一个交易系统，那么其速度一定会慢得让人无法忍受。如果用C++或者Java做数据分析，那么其效率一定也会非常低。

至于Python，其优势在于作为一种胶水语言，其适用面非常广。换句话说，Python是可以同时完成数据分析和系统搭建两种工作的，而且性能和效率有着非常好的平衡。使用Python既可以编写机器学习的复杂模型，也可以搭建支撑亿级别访问量的网站系统，又或者搭建微秒级的程序化交易系统。

什么都能做，而且还能做得很不错，这是Python能够迅速流行的核心原因之一。

下面将对上面提到的部分常见的语言做一个简单的介绍。

01 Matlab

截至目前，在国内量化研究领域，Matlab的使用率应该是最高的。这个数据来源于Wind，在他们的量化接口中，Matlab的使用率是最高的，Python其次。但是Python是增长速度最快的。

Matlab作为商业软件，功能很全很强大，可靠性也很好。最早一批做科学计算和数据分析的，很多都是使用的Matlab。量化投资在国内刚出现的时候，Python和R的社区生态还没有像现在这样完善，所以很多量化投资的业内人士都更习惯于使用Matlab。

如果不考虑授权费用的问题，那么Matlab确实是一款非常好用的数据分析乃至量化投资分析的工具，毕竟有实力雄厚的公司在支持Matlab的开发，性能和工具包都能得到保证。

不过，Matlab与Python相比，除了费用问题之外，还存在很多缺陷，而且是无法弥补的缺陷。特别是涉及系统级别的开发时，比如交易系统、爬虫系统等。在这些领域，Matlab不仅缺少相应的库，而且速度非常慢，因此其很难在工业界得到广泛应用。

02 R

R是一个开源的数据分析软件。实际上，R的诞生，就是为了协助完成统计和数据分析。由于R在研究机构和大学非常流行，因此这些机构反过来也开发了大量相应的开源项目，这也使得R的各种统计功能和函数琳琅满目。

R很多常用的统计功能都经过了大量实践的检验，是非常完善和成熟的，比如，时间序列分析、经典统计模型、贝叶斯统计、机器学习等。R也有一些量化相关的库，比如quantmod。

当然，R也有它的缺点，比如，对于大量的数据处理，R还是力有不逮。由于R更多的是由统计界人士完成的，所以偏底层的数据管理并不是R的强项。

总体上讲，R的统计和数据分析相关功能非常强大，更适合做研究，不适合开发大型的系统。

03 C++

C++最大的好处就是性能强，速度极快。几乎所有需要高性能的科学计算功能都是基于C++或者Fortran开发的。比如，Python的底层其实就是用C语言实现的。

因为速度快，C++在高频交易领域也是独占一席。然而，在进行日常的数据分析和研究中使用C++其实是非常不方便的。因为C++语言偏底层，对编程人员的要求很高，同样的功能，开发难度高很多，调试起来也比较麻烦。

所以除非是在对性能有极高要求的地方，一般不推荐使用C++进行开发。

04 Python

Python语法非常易学易懂，很容易快速上手。很多人刚开始学习编程的时候，往往会选择从Python入手。

与Matlab、R一样，Python也是脚本语言，写好了就可以直接运行，省去了编译链接的麻烦，对于需要快速开发和进行验证的程序，可以省去很多编码和调试的时间。

Python也是面向对象的语言，但它的面向对象不像C++那样强调概念，而是更注重实用。它能使用最简单的方法让编程者享受到面向对象带来的好处。这也是Python能像Java、C#那样吸引众多支持者的原因之一。

虽然Python是一种脚本语言，但它的速度并不是很慢，特别是在一些库经过优化之后（直接基于C语言编写接口），速度比纯C语言慢不了多少。在这方面，它远胜于R和Matlab。

Python是一种功能丰富的语言，它拥有一个强大的基本类库和数量众多的第三方扩展生态。

Python几乎在各个领域都有对应的开源项目，因此我们不必重新造轮子。使用Scrapy，我们可以编写网络爬虫系统，爬取网络相关数据；使用各种数据库接口，我们可以将数据的存储、读取工作标准化；使用PyAlgoTrader，我们可以构建策略回测系统和自动交易系统。

Python还有很多优秀的量化、数据分析、机器学习（ML）工具，比如NumPy、SciPy、Pandas、Scikit-Learn和Maplotlib等。

虽然Python在机器学习和一般的数据分析中非常出色，但仍然存在短板，比如，其在一部分传统领域里表现就不算太好，包括很多传统统计模型、时间序列分析等，Python就不如Matlab和R。

简而言之，我们可以用Python构建一条完整的量化投资生产线。当然，不可否认的是，对于某些环节，有些语言相对于Python也有其优势，比如R的统计库、Matlab的科学计算、SAS的可靠性、C++构建高速交易系统等。不过这些优势只是95分和90分的区别，除了少数极端业务场景之外，绝大部分工作Python其实都能胜任。

在量化投资领域，大多数需求都可以用Python完成，这可以为团队节省大量的时间。毕竟在不同的语言之间不断切换，也是一件很耗费精力的事情。

05 其他语言

除了上面介绍的语言之外，其实还有很多其他的语言在量化投资领域中也都有应用。比如Java、C#、Scala等，这些语言也都有其相应的优势和特点。不过相对于上面介绍的语言来说，这些语言在国内的使用群体仍然是偏小众的。对于初学者来说，建议还是选择Python语言。

关于作者：赵志强，金融量化与建模专家，目前在金融科技公司负责金融大数据产品工作，专注于研究Al在金融领域的落地应用。曾在由诺奖得主Robert Engle领导的上海纽约大学波动研究所研究全球金融风险，并和上交所、中金所合作完成多项科研项目。曾在摩根士丹利华鑫基金、明汯投资负责量化投资研究工作，内容包括股票多因子、期货CTA和高频交易等。

刘志伟，在中国银联云闪付事业部从事数据分析、数据挖掘等工作。对自然语言处理、文本分类、实体识别、关系抽取、传统机器学习，以及大数据技术栈均有实践经验。目前正在探索相关技术在金融场景内的落地应用，包括自动知识图谱、大规模文本信息抽取结构化、异常识别等领域，关注人工智能行业前沿技术发展。

本文摘编自《Python量化投资：技术、模型与策略》，经出版方授权发布。

编辑：王菁

校对：汪雨晴