桌面端数据分析程序语言

  桌面端数据分析程序语言，其重点是使用方便且计算能力强。考察某种语言是否适合进行桌面端数据分析，可以用六个指标来衡量：应用环境、文件处理、文本和字符串处理、结构化数据处理、模型预测算法、其他非重点指标。
    

一、应用环境

  进行桌面数据分析的用户绝大多数都不是专业程序员，他们更习惯在windows下工作，他们缺乏专业程序员拥有的配置环境的技能，因此桌面端分析程序语言的应用环境应当足够简单，应当支持windows，应当易于安装部署。
  集算器和R语言这方面做得都不错，应用环境简单，直接安装即可使用；Python本身也问题不大，但经常要用到的Pandas包（加强Python计算能力）在linux下的安装较轻松，在windows下的安装却很复杂，对版本很挑剔；SSAS是微软产品，对Windows支持很好，但安装配置过程有些复杂。
    

二、文件处理

  TXT和XLS文件是日常工作中最容易产生出来的文件格式，对这两种文件格式的支持越好，则说明分析语言越好用。
  各分析语言一般都直接支持TXT，但XLS的情况复杂些，尤其是第三方模块的安装和版本兼容性。Excel和SSAS都是微软产品，因此SSAS可以无缝支持XLS。集算器、SPSS、SAS也不需要安装第三方包，可以直接访问XLS。Pandas的情况有点特殊，Pandas直接支持XLS，但Pandas本身就是第三方库函数，另外Pandas对某些版本的XLS支持不好。R需要安装第三方库函数和Perl运行环境，而R、第三方库函数、Perl，这三者的版本要匹配才行，安装过程很麻烦。
  读写操作方面，SSAS最易用，Pandas和R提供的参数较丰富。
  文件处理还要考虑对大文件的支持，比如边读边处理的能力。这方面集算器最擅长，代码也最简练。
    

三、文本和字符串处理

  原始数据有时不够规整，经常是半结构化或非结构化的，这时就需要对数据进行前期处理，从而形成易于使用的结构化数据，因此文本和字符串处理能力也是分析语言的考察重点。
  Python在这方面最擅长，R也不错，集算器稍次，SSAS最不擅长。
    

四、结构化数据处理

  在桌面端分析的数据事实上大多是结构化数据，因此结构化计算是桌面数据分析中最常见的计算形式，结构化计算能力也是桌面端数据分析程序语言的核心能力。
  集算器的设计目标就是结构化数据计算，因此在这方面最专业。R新加了数据框这种数据类型，但仍不够专业，特别在有序计算方面要弱于集算器。Pandas的数据框仿照R并做了优化，能力和R不相上下但会更好理解一些。相比之下，SPSS、SAS、SSAS，这三种工具的结构化计算能力偏弱。
 有序计算是指同期比、比上期、相对区间取数、分组中的排名、分组中取前后几名等算法。有序计算经常涉及到相对位置和跨行组，是桌面端数据分析中的典型问题。集算器天生具有序号，在有序计算方面表现最好。Python、R在这方面也很强，但它们以向量为基本元素，而不是记录，因此代码比较难懂，更适合科学家使用。
    

五、模型预测算法

  模型和预测主要用于科学领域，虽然在桌面端数据分析中不多见，但仍然是不可或缺的一项指标。
  R在这方面拥有最新和最丰富而且最成熟的第三方算法，SASS要简单易用但不够灵活，Python/Pandas一直在追赶模仿R，语法更易理解但成熟度还有差距，SAS和SPSS更为权威。相比之下，集算器几乎没有现成的模型预测算法。
    

六、其他非重点指标

  还有些非重点的指标在特定情况下也会被关注，比如对数据库的支持，绘图能力，对并行计算的支持。
  SASS对数据库支持最好，但不擅长文本文件、数据库、自定义数据之间的混合计算。集算器对数据库的支持也不错，对异构数据源之间也支持良好。Pandas、R、SAS、SPSS对数据库的支持一般，对异构数据源支持也不够好。
  SASS在绘图方面最美观，但灵活性不足。R、集算器、Pandas的灵活性足够强，内置的统计图也很多。
  并行计算方面，集算器内置并行计算引擎，配置方便，容易开发。R要通过第三方软件才能支持并行计算，而且配置复杂，开发困难。