大数据，why python
ps,
2015-12-4 20:47:46
http://www.open-open.com/news/view/fbffc4
《机器学习编程语言之争，Python夺魁》，又是一只黑天鹅
--------
在《zwPython 3.0 初步规划》blog中，我们极大地强化了大数据功能，并作为首个All-in-one大数据分析平台。参见： http://blog.sina.com.cn/s/blog_7100d4220102vlpa.html
zwPython 3.0目标：目前最强的集成式Python开发平台，大数据分析平台，没有之一：
- 比pythonXY更加强大，内置全中文用户手册；
- 苹果“开箱即用”模式，绿色软件，解压即可，零配置。
- 首个All-in-one大数据分析平台：内置pandas、Scala、R语言、Q语言、Quant、matlab、hadoop、spark模块库和API接口支持。（仅限V3.0版本）
- 超强功能:图像处理、AI人工智能、机器学习、openCV人像识别、gpu、openCL并行超算开发、pygame游戏设计......
为什么是python，而不是r语言、Julia、matlab、Scala、Hadoop、Spark，等目前热门的解决方案。
这个，主要是因为python发展太快，太猛，尤其是在AI人工智能、机器学习领域，已经超越lisp，成为行业标准。
而国内，因为中英语言、区域分隔等种种原因，通常要落后欧美2-3年。
像大数据架构，目前欧美IT行业：“强烈推崇Spark技术，宣称Spark是大数据的未来，同时宣布了Hadoop的死刑”
无他，因为Spark比Hadoop快一百倍。
而国内，今天百度了一下大数据人才需求，90%还是：Hadoop
大数据的核心是数据分析，数据分析的核心是模式匹配、机器学习方面的算法模型。
简单但说，就是一个类似字符串匹配的算法，不过这个字符串是一个超长的字符串，可能超过1000T字节。
算法、模型，向来是AI人工智能理论方面的范畴，这个类似于量子理论物理学，和理论天文学。
目前人工智能尚处于0.1版本阶段，大体上相当于哥白尼以前的天文学“地球中心说”、和量子物理以前的经典物理学阶段。
因此，大数据、人工智能，基本上，就和理论物理学差不多，AI的算法模型，99%都是靠理论推测，说白点，基本上靠“蒙”
（参见《人工智能永远差500年》 http://blog.sina.com.cn/s/blog_7100d4220102vmlm.html）
这里“蒙”，并非贬义词，是指，大部分相关的理论，很多都是经验参数、经验理论，既然是经验，就有可能成功，更多的可能是失败，特别是推而广之的时候。
（参见《国内首个大数据网络推广实战案例》http://blog.sina.com.cn/s/blog_7100d4220102vmlm.html）
我说“蒙”大家可能不服气，这个却是老老实实，来自一线的实战经验，庆幸的是，国外的顶级AI学者的观点也差不多：
“对于（大数据、人工智能）这个词，我觉得最近社交网络上比较流行的那个笑话非常贴切，把大数据比作青少年性行为：每个人都在谈论它，没人知道到底怎么做，每个人都以为其他人知道怎么做，所以每个人都声称自己也在做、”
（参见附录）
当然，这个0.1阶段，也已经能够解决N多实际问题了，例如目前的人脸识别、车牌识别、客户行为模式分析、网络广告点击分析、关联商品推荐等算法都比较成熟。
我谈大数据，特别是黑天鹅算法，更加强调我们提出的“小数据理论”,原因有以下两个：
首先，简单来说，国内除了进入“国际500强”的企业，例如阿里、百度、四大银行、移动等巨无霸企业。
99%的企业，基本上并不需要大数据，这些企业所谓的大数据，其实只是最简单的数据库、数据分析。
简单做个大数据的量化门槛标准，可以分为以下两条：
1、企业的活跃用户规模超过一个亿。
2、每天的活跃用户更新数据的数据量，超过数据总量的1%，换句话说，每天有过百万的活跃用户数据更新。
如果符合以上两条，可以导入真正的大数据平台:hadoop、spark,其他的，用pandas、R语言、matlab，或者其他传统数据库，可能效果更佳好。
例如淘宝、阿里的用户就完全符合以上两条，是典型的大数据企业。
而中国民政部门，负责人口统计管理的信息中心，每个人的记录就那么几十条记录，例如：出生日期、籍贯、性别等，基本都是关系数据库表格可以高效处理的，即使数据库规模，超过十亿人，也无需采用什么大数据系统，一台i7的的笔记本，基本上就可以搞掂。
当然，这里的一亿用户、1%，日过百万活跃用户，也都是笔者根据一线实战，总结的经验参数。
这些参数，不一定完全正确，但还是有过十年的专业经验做背书的。
例如，笔者得知百度世界杯足球预测十八连胜，就断言，百度的大数据、人工智能算法不靠谱，里面绝对有大量的人工干扰。
果然，不断两个月，百度的大数据图像识别，被K了，（百度在ImageNet图像识别测试中有违规行为）
参见《又一只黑天鹅爆掉了》， http://blog.sina.com.cn/s/blog_7100d4220102vnm2.html
注意这个blog日期，和zw大数据系列blog，最早断言，百度大数据有问题的blog发表日期，这个是真实的案例。
这个也可以视为一种经验模型，因为我们的黑天鹅算法，自身数据回测，准确度，也不会超过90%。谷歌、微软的准确度在50-60%左右。
我们强调“小数据理论”的第二个原因，以目前大数据应用最广泛的、最深入的量化交易为例。
无论什么模型、算法，无论是pc集群、云计算、天河巨型机系统，归根到底，就是一个“涨”和“跌”的问题。
简而言之，就是一个1与0的问题。
这个，说来说去，又绕到了最基本的哲学问题，非三言两语能够说清。
ps,2015.8.11 补充，本文发布后，发现也有学者开始强调“小数据”了
《大数据，小数据，哪道才是你的菜？》
http://blog.sina.com.cn/s/blog_7100d4220102vkdb.html
看来，zw的大方向，还是正确的 ：）
事实上，对于大数据而言，比金融股票更好的数据算法对象，是足彩数据，
因为足彩的结果是3、1、0，胜、平、负，三种状态结果
这三种状态结果，可以适用于所有的模型框架，暗合易经之道：
一生二，二生三，三生万物。
至于为什么，我也在研究。
有兴趣的朋友，可以参考《文科生、易经与大数据》
http://blog.sina.com.cn/s/blog_7100d4220102vne7.html
关于大数据、高频交易和人工智能，个人的基本观点：凡是无法通过“足彩数据”实盘测试的方案、算法，都是在耍流氓。
足彩数据是最透明的数据源，如果足彩不是 就没有更加公平的了博弈模型，
如果 这个都通不过其他都是扯蛋
所以说：足彩是最合适的数据源有历史数据 还有横向对比
其他任何数据源都没有这种实时的“矩阵”数据源
2014年世界杯对于大数据人工智能 是个分水岭 是元年
微软 谷歌 百度都有相关的项目胜率<50%
参见《字王看：大数据观点补充》
http://blog.sina.com.cn/s/blog_7100d4220102vkdb.html
AI人工智能理论专家，和理论物理学家、理论天文学，大部分不是程序员（实验员），
因此，要求他们学习c，可能需要等上一百年，还不一定靠谱。
不过，“生命总是会找到自己的进化之路。”（侏罗纪公园）
转来转去，AI人工智能、大数据方面的理论专家,不约而同地找到了python
同样的，目前量化投资领域，一线交易员必须自己code，他们的选择也是python
“目前，量化投资、高频交易领域，一线操盘手自己编程，将投资策略直接程序化，已经成为国际大投行的标配。”
“在数据处理领域，特别在量化交易方面，python已成为“统治级”编程语言。”
参见《零起点，python大数据与量化交易》
http://blog.sina.com.cn/s/blog_7100d4220102vlpa.html
事实上，目前，python已经是天文学、化学行业的标准编程语言
既然，这些地球上最聪明的家伙，都不约而同选择了python，我们为什么不“跟进”呢？
目前，python在人工智能、机器学习方面积累的资源，可能比c、r语言、matlab等加起来都要多，而且全部是“TOP one”级别的：
scikit-learn、Orange、NLTK、MDP、PyBrain、BigML、PyML、Pattern 、Theano、Pylearn等
r语言虽然凭借统计背景，在早期的大数据、人工智能方面有些热，
不过，到2012、2013年，涉及到深层的AI理论、算法模型时，r语言就力不从心了
而此时，无论是厚积薄发的scikit-learn、NLTK,还是pandas、Theano、Pylearn的异军突起，
一下子,就把r语言上升的势头给掐死了，顺便把，matlab给伤大了，就像加多宝PK王老吉，把和其正给灭了。:)
Hadoop、Spark虽然都内置编程语言，特别是spark，内置的scala，完全lisp风格
lisp近年因函数编程大热，事实上，lisp和prolog，也一直是AI人工智能的行业标准语言。
lisp的逆波兰语法虽然小众，不过作为AI行业的笔者，还是比较熟悉的，而且比起曾经用过的，100%纯
逆波兰风格的
forth，语法要简单、传统N倍
尽管如此，笔者还是义无反顾，选择了python。
因为，目前大数据、人工智能、机器学习都尚处于0.1版本阶段
这个阶段，需要的是，大量的建模、分析、测试
而python，可能是地球上建模最快的编程语言，再加上，python有这么多的数据分析、机器学习模块库，而且大部分是开源的
AI行业，国际顶级的专家学者也如是说：（参见附录）
“基本上（机器学习）工具有两个推荐：Torch7（lua）、Theano + Pylearn2（python）”
python最大的缺点是速度，一般比c慢十倍左右，不过大数据分析的瓶颈在IO，
目前，全内存计算是趋势，而且intel前几天发布的xpoint，号称能够提高内存速度1000倍，基本上是cpu内部cache级别
（事实上，目前最前沿的高频、黑池交易软件，已经开始基于cpu的cache进行加速编程）
另外一个大杀器是，gpu并行运算，无论是cuda、opencl，2014年，千元左右的GPU，已经能够提速3-500倍，未来几年，2020前，提速3000-5000倍，甚至上万倍，应该没有问题。
具体到python，虽然有衰减，不过目前，非官方的GPU模块库，提速100-200倍，已经完全ok。
至于gpu并行运算的门槛，目前已经很低了，最简单的，只要在相关函数前，加一个python的修饰符"@jit"，就全自动加速。
无需修改任何其他代码，至于超级复杂的cpu、gpu内存拷贝、交换，cl异构运算语法、矢量编程，完全可以无视，比matlab还方便
pandas、scikit-learn的GPU加速模块，也已经发布了多种版本，
目前，python与c、fortran，已经是cuda官方认可的三大gpu并行编程语言。
工业级的大数据分析，离开gpu，即使是计算机集群，无论在投资产出、还是实时运算方面，完全就是扯淡。
相比c、fortran,无疑，python要可爱的多，特别是“小白”般的理论学者。
python号称：胶水语言，是目前唯一能够打通:
pandas、Scala、R语言、Q语言、Quant、matlab、hadoop、spark
等目前、以及未来，各种大数据架构的平台，
统一的开发环境、统一的数据分析平台，无论在前期的建模、测试，还是后期的数据分析、系统维护，
在管理维护、培训研发成本方面，至少可以降低一个数量级。
想象一下，同时维护windows、linux，甚至还有ios、bsd，以及手机安卓app，
更何况，大数据往往还需要提供集群，gpu异构运算支持。。。。。
这些，仅仅是维护的硬件、软件名录清单，就可以把一个企业的IT部门主管，以及所有的工程师逼疯。
既然，python如此美好？
大数据， why python？
应该说得通吧。
（ps，本文是因《zwPython 3.0 初步规划》blog，有感而作，没有详细核对资料，可能有不少bug，请大家谅解）
ps2.2015.8.10
《大数据， why python？》，原本以为只是一家之言
blog发布不到几天，发现了一篇类似的blog
《大数据全栈式开发语言 – Python》
http://news.cnblogs.com/n/526283/
Python 可以称为大数据全栈式开发语言。因为 Python 在云基础设施，DevOps，大数据处理等领域都是炙手可热的语言。
像只要会 JavaScript 就可以写出完整的 Web 应用，只要会 Python，就可以实现一个完整的大数据处理平台。
看来，《大数据， why python？》，又召唤到一只黑天鹅
---------------
【附录】
blog的部分引用，来自对国际顶尖AI专家Yann LeCun（燕乐存）的访问记录
http://www.cnblogs.com/yymn/p/4619320.html
Yann LeCun（燕乐存），Facebook人工智能实验室主任，NYU数据科学中心创始人，计算机科学、神经科学、电子电气科学教授。
他1983年在ESIEE获得电气工程学位，1987年在UPMC获得计算机博士学位。在多伦多大学做了一段时间博士后，于1988年加入位于新泽西州的AT&T贝尔实验室。
1996年他成为图像处理研究部的主任，2003年，在普林斯顿NEC研究院经历短暂的Fellow生活以后，加入NYU。
2013年，他被Facebook聘请为人工智能实验室主任，同时仍在NYU兼职。
？深度学习可不是一个容易用的方法，你能给大家推荐一些工具和教程么？大家都挺想从在自己的数据上跑跑深度学习。
答：基本上工具有两个推荐：
Torch7
Theano + Pylearn2
他们的设计哲学不尽相同，各有千秋。Torch7是LuaJIT语言的一个扩展，提供了多维数组和数值计算库。它还包括一个面向对象的深度学习开发包，可用于计算机视觉等研究。
Torch7的主要优点在于LuaJIT非常快，使用起来也非常灵活（它是流行脚本语言Lua的编译版本）。
Theano加上Pylearn先天就有Python语言带来的优势（Python是广泛应用的脚本语言，很多领域都有对应的开发库），劣势也是应为用Python，速度慢。
？xxxx
答：“对于（大数据、人工智能）这个词，我觉得最近社交网络上比较流行的那个笑话非常贴切，把大数据比作青少年性行为：每个人都在谈论它，没人知道到底怎么做，每个人都以为其他人知道怎么做，所以每个人都声称自己也在做、”
-----------
ps，8月11日，新浪blog审核，老是不让发新文章，只能先把
《大数据·实战个案“宏”分析》作为附件发这里
------------
大数据·实战个案“宏”分析
MBA教育体系最成功之处，就在于导入了科学的个案分析。
Ps，二战最伟大的技术成功，不是原子弹、导弹、喷气机，而是流水线。流水线提供的生产力，比二战所有科技提高的总和还要高。
至于“宏”，学过c语言的，都知道宏定义、宏替换。
本文不玩文字游戏，也不玩数字游戏，只是简简单单，对几个大数据实战个案，进行宏观的定性分析。
目前，大数据，和大数据分析的核心，人工智能，都处于v0.1的黑暗期，这个阶段，“宏”分析，可能比大量的数字堆砌，更加重要。
还记得量子物理学爆发前的原子轨道模型吗？
当时，有几个人能够想象、理解原子轨道的跳变模型？
还记得天圆地方、地球中心学吗？
要不是哥伦布，“宏”分析一把，认为地球是个“球”，敢去环球探险？
废话少说，言归正传。
本文“宏”分析，包括以下几个大数据案例：
l 经典“啤酒+尿布”案例
l 2015中国股市“七·七”股灾
l 国内首个大数据网络推广个案
个案1：经典“啤酒+尿布”案例
“啤酒+尿布”案例，是最经典、最古老的大数据个案，其历史甚至比大数据这个名词更悠久。
早在上个世纪，dbase时代，数据仓库，数据分析，都用其做过案例。
久而久之，“啤酒+尿布”案例，似乎成了“神”一样的存在。
好像三大几何原理，成为大数据的基本“公理”。
不过，这个“神”，是“伪神”。
参见：《字王看：大数据观点补充》
http://blog.sina.com.cn/s/blog_7100d4220102vkdb.html
【黑天鹅才是新常态】
"啤酒和尿布有什么关系",这个十年前经典案例, 目前我是作为反面课件来说的
这个是冰岛的一个数据分析结果，至少 在中国 不存在
参见：《大数据与黑天鹅等》
http://blog.sina.com.cn/s/blog_7100d4220102vkxa.html
大数据，再多的专家，再nb的模型，再炫的demo，
也不如自己亲自去沃尔玛、家乐福、华润等超市亲眼看看，再回头问问这些大师们，"啤酒和尿布"模型，怎么玩砸了？
个案2：2015中国股市“七·七”股灾
blog《股灾、马云、大数据》
http://blog.sina.com.cn/s/blog_7100d4220102vpzv.html
blog，虽然发布与7月20日，但成文要早得多。
“这篇blog，股市关头“七·七”之日，就差不多构思，因为事件敏感，一直压住没有发布。”
笔者的这篇blog，可能是全网第一个，从大数据分析、技术层面，对“七·七”股灾，进行“宏”分析，断定事件：
“七·七”股灾，根本就不关华尔街、美帝什么事？
幸运的是，笔者blog当中，对于“七·七”股灾的“宏”分析，及其推断，目前，已经证明是科学的、正确的。
“七·七”股灾前后，整个社会好像“三战”核弹爆发，经济、金融的“灭国”之战，国家经济有倒退十年的危险。。。。。
连外访总理都匆忙回国，好像美国华尔街、联合欧洲、日本等全球资本，恶意做空中国，
更加关键的是，这种错误的推断，引发了政府部门实质性的的救市行为，上万亿的资金被导入股市，
好似当年三个代表，有关政府部门，近期言必“大数据”，这次股灾应对，必然会极大的参考大数据方面的资料。
可惜，政府主导的大数据，和其他政府项目一样，往往换来的是是十倍、百倍的失败。
面对“七·七”股灾，政府种种应对措施，全面失败，而且，闹出了个世界金融史上的超级“大乌龙”事件，居然找错了“靶标”。
“七·七”股灾的最终调查结果，目前虽然没有发布，但有消息称，虽然不一定正确：
前期，不过是江浙的一些土老板，为防止风险，做的空头对冲保险，因为配资杠杆，引发的技术性股市大幅度下调。
后期，则是因为程序化交易系统，对阀值K值的设定，引发的一系列自动抛盘，
就像前几年光大乌龙事件，专业人员一听，就知道是因为交易系统，相关参数，未进行初始化设置，直接上线引发的自动抛盘
也许，“七·七”股灾，根本就不关华尔街、美帝什么事？
完全是躺枪。
ps,8月10日新增片段：笔者很少引用中华网的资料，因为基本是TG的文宣。不过这次，过了一个月，这些blog也羞羞答答、间接认可了上面的推断。
《大老虎想在中国玩双头政治？白日做梦》 http://jnwct.blog.china.com/201508/13458004.html
欧洲最近有点看中国的笑话。大老虎作乱。欧美都看笑话。
(ps，应该就是这个“七·七”股灾的超级“大乌龙”事件)
个案3：国内首个大数据网络推广个案
2004年，我们利用AI人工智能和大数据分析技术，研发成功国内首个海量级社区营销软件：百万社区营销系统（软件著作权登记号：2005sr5133）。社区数据库超过一百万个，比同期类似产品，高两个数量级。
2008年，依托百万社区营销系统，在北京联合创办国内首家4A级的专业网络公关公司：wowa传媒，首年业绩突破一千万。
同年，“特仑苏” 危机公关案爆发，wowa受中国国际公关协会委托，在北京，首度对国内大型公关公司，统一进行专业的网络公关培训，被协会誉为：中国网络公关事业的开拓者和启蒙者。
Wowa服务过150+国际500强客户；是微软公司首家官方认证的网络公关服务商；新华美通首选网络传媒合作伙伴；国内TOP10网络公关公司，50%采购过wowa的服务。
2007年，操盘惠普笔记本“数码混搭”推广个案，成为年度十大公关行业经典案例（注意，非仅指网络公关）；被业界誉为：史上最强之网络推广案例，没有之一；不可逾越的概念营销“标杆之作”。
我们在惠普笔记本“数码混搭”推广个案当中，首度提出的百度、谷歌搜索引擎：覆盖率指标，NLP反向链接数，等参数，目前已经成为网络公关行业的基础指数。
这个也是大数据技术，首度在网络推广方面的应用个案，我们当时的经验参数：1:1000。（百度NLP反向链接数-抽样采集率）。
按照客户要求，利用自行开发的AI语义分析系统，针对“笔记本电脑”，“数码混搭”两个主关键词，结合百度、搜狗的行业分类关键词，将发布主题帖，细分为数十组不同风格的软文，并在每篇软文前后，插入系统细分的关键词组。
硬件方面，我们采用了近百台PC，组成了一个简单的发布集群系统，通过1-2周时间，围绕关键词：hp笔记本、数码混搭，发布了过百万条网络推广软文。
最终，hp笔记本“数码混搭”的网络推广方案，获得了“空前绝后满天飞”的成功，软文的存活率非常高。
“数码混搭”个案当中高至70-80%的覆盖率，至今，国内外尚没有一家团队、公司能够超越，包括百度、谷歌自身。
技术博客：http://blog.sina.com.cn/zbrow
--------------
zwPython 3.0 初步规划
zwPython 3.0目标：目前最强的集成式Python开发平台，大数据分析平台，没有之一：
- :: 比pythonXY更加强大，内置全中文用户手册；
- :: 苹果“开箱即用”模式，绿色软件，解压即可，零配置。
- :: 首个All-in-one大数据分析平台：内置pandas、Scala、R语言、Q语言、Quant、matlab、hadoop、spark模块库和API接口支持。（仅限V3.0版本）
- :: 超强功能:图像处理、AI人工智能、机器学习、openCV人像识别、gpu、openCL并行超算开发、pygame游戏设计......
因为“All-in-one”大数据分析平台，增加了N多第三方软件，许多都是目前IT领域最前沿的大型系统，
测试相关脚本代码很耗时间，相关软件，包括python本身，也都在不断更新当中（而且非常活跃），
目前无法确定最终发布时间，初步预计需要6-10个月。
幸运的是，zwPython 3.0，基本平台框架，和80%的新增模块，都已经到位
至于为什么选择python，作为大数据分析平台，请参见blog《大数据，why python》
http://blog.sina.com.cn/
---
更多参见blog《大喜，python版opencv3发布 》
http://blog.sina.com.cn/s/blog_7100d4220102vo2m.html
zwPython3的升级也可以启动了，一直在等这个，zwPython会直接升级到版本3：zwPython3
大喜python版opencv3发布，demo脚本抢鲜版发布
zwPython3采用64位python3，支持opencv3
zwPython3的重点会由原来偏重于字库、图像处理，延展到大数据领域，会重点强化以下模块：
pandas数据分析
theano、Scikit Learn机器学习
cuda、gpu并行超算
采用python3，是因为v3的内码是unicode，而且是趋势，目前模块库也n多了，超过一万个
原来用2.7版，最主要的是因为opencv2对python3 的支持很差
遗憾的是，opencv3的demo脚本还都是python2的，连GitHub的官方包都是
为方便大家学习opencv3，用2to3.py把demo脚本升级到python3，并修改了数据包目录
测试了一下，70%可以直接运行
作为抢鲜版，大家先凑合用用
下载还是在zw项目的百度网盘:
http://pan.baidu.com/s/1tY7Wq
文件名：cv3python3demo.zip
