在資料科學中使用 C 和 C++
讓我們使用 C99 和 C++11 完成常見的資料科學任務。
雖然 Python 和 R 之類的語言在資料科學中越來越受歡迎，但是 C 和 C++ 對於高效的資料科學來說是一個不錯的選擇。在本文中，我們將使用 C99 和 C++11 編寫一個程式，該程式使用 Anscombe 的四重奏資料集，下面將對其進行解釋。
我在一篇涉及 的文章中寫了我不斷學習程式語言的動機，值得大家回顧。這裡所有的程式都需要在命令列上執行，而不是在圖形化使用者介面（GUI）上執行。完整的範例可在 polyglot_fit 儲存庫中找到。
程式設計任務
你將在本系列中編寫的程式：
- 從 CSV 檔案中讀取資料
- 用直線插值資料（即
f(x)=m ⋅ x + q） - 將結果繪製到影象檔案
這是許多資料科學家遇到的普遍情況。範例資料是 Anscombe 的四重奏的第一組，如下表所示。這是一組人工構建的資料，當擬合直線時可以提供相同的結果，但是它們的曲線非常不同。資料檔案是一個文字檔案，其中的製表符用作列分隔符，前幾行作為標題。該任務將僅使用第一組（即前兩列）。
C 語言的方式
C 語言是通用程式語言，是當今使用最廣泛的語言之一（依據 TIOBE 指數、RedMonk 程式語言排名、程式語言流行度指數和 GitHub Octoverse 狀態 得來）。這是一種相當古老的語言（大約誕生在 1973 年），並且用它編寫了許多成功的程式（例如 Linux 核心和 Git 僅是其中的兩個例子）。它也是最接近計算機內部執行機制的語言之一，因為它直接用於操作記憶體。它是一種編譯語言；因此，原始碼必須由編譯器轉換為機器程式碼。它的標準庫很小，功能也不多，因此人們開發了其它庫來提供缺少的功能。
我最常在數位運算中使用該語言，主要是因為其效能。我覺得使用起來很繁瑣，因為它需要很多樣板程式碼，但是它在各種環境中都得到了很好的支援。C99 標準是最新版本，增加了一些漂亮的功能，並且得到了編譯器的良好支援。
我將一路介紹 C 和 C++ 程式設計的必要背景，以便初學者和高階使用者都可以繼續學習。
安裝
要使用 C99 進行開發，你需要一個編譯器。我通常使用 Clang，不過 GCC 是另一個有效的開源編譯器。對於線性擬合，我選擇使用 GNU 科學庫。對於繪圖，我找不到任何明智的庫，因此該程式依賴於外部程式：Gnuplot。該範例還使用動態資料結構來儲存資料，該結構在伯克利軟體分發版（BSD）中定義。
在 Fedora 中安裝很容易：
sudo dnf install clang gnuplot gsl gsl-devel程式碼註釋
在 C99 中，注釋的格式是在行的開頭放置 //，行的其它部分將被直譯器丟棄。另外，/* 和 */ 之間的任何內容也將被丟棄。
// 這是一個注釋，會被直譯器忽略/* 這也被忽略 */必要的庫
庫由兩部分組成：
- 標頭檔案，其中包含函數說明
- 包含函數定義的原始檔
標頭檔案包含在原始檔中，而庫檔案的原始檔則連結到可執行檔案。因此，此範例所需的標頭檔案是：
// 輸入/輸出功能#include <stdio.h>// 標準庫#include <stdlib.h>// 字串操作功能#include <string.h>// BSD 佇列#include <sys/queue.h>// GSL 科學功能#include <gsl/gsl_fit.h>#include <gsl/gsl_statistics_double.h>主函數
在 C 語言中，程式必須位於稱為主函數 main() 的特殊函數內：
int main(void) { ...}這與上一教學中介紹的 Python 不同，後者將執行在原始檔中找到的所有程式碼。
定義變數
在 C 語言中，變數必須在使用前宣告，並且必須與型別關聯。每當你要使用變數時，都必須決定要在其中儲存哪種資料。你也可以指定是否打算將變數用作常數值，這不是必需的，但是編譯器可以從此資訊中受益。 以下來自儲存庫中的 fitting_C99.c 程式：
const char *input_file_name = "anscombe.csv";const char *delimiter = "\t";const unsigned int skip_header = 3;const unsigned int column_x = 0;const unsigned int column_y = 1;const char *output_file_name = "fit_C99.csv";const unsigned int N = 100;C 語言中的陣列不是動態的，從某種意義上說，陣列的長度必須事先確定（即，在編譯之前）：
int data_array[1024];由於你通常不知道檔案中有多少個資料點，因此請使用單鏈列表。這是一個動態資料結構，可以無限增長。幸運的是，BSD 提供了連結串列。這是一個範例定義：
struct data_point { double x; double y; SLIST_ENTRY(data_point) entries;};SLIST_HEAD(data_list, data_point) head = SLIST_HEAD_INITIALIZER(head);SLIST_INIT(&head);該範例定義了一個由結構化值組成的 data_point 列表，該結構化值同時包含 x 值和 y 值。語法相當複雜，但是很直觀，詳細描述它就會太冗長了。
列印輸出
要在終端上列印，可以使用 printf() 函數，其功能類似於 Octave 的 printf() 函數（在第一篇文章中介紹）：
printf("#### Anscombe's first set with C99 ####\n");printf() 函數不會在列印字串的末尾自動新增換行符，因此你必須新增換行符。第一個引數是一個字串，可以包含傳遞給函數的其他引數的格式資訊，例如：
printf("Slope: %f\n", slope);讀取資料
現在來到了困難的部分……有一些用 C 語言解析 CSV 檔案的庫，但是似乎沒有一個庫足夠穩定或流行到可以放入到 Fedora 軟體包儲存庫中。我沒有為本教學新增依賴項，而是決定自己編寫此部分。同樣，討論這些細節太囉嗦了，所以我只會解釋大致的思路。為了簡潔起見，將忽略原始碼中的某些行，但是你可以在儲存庫中找到完整的範例程式碼。
首先，開啟輸入檔案：
FILE* input_file = fopen(input_file_name, "r");然後逐行讀取檔案，直到出現錯誤或檔案結束：
while (!ferror(input_file) && !feof(input_file)) { size_t buffer_size = 0; char *buffer = NULL; getline(&buffer, &buffer_size, input_file); ...}getline() 函數是 POSIX.1-2008 標準新增的一個不錯的函數。它可以讀取檔案中的整行，並負責分配必要的記憶體。然後使用 strtok() 函數將每一行分成字元。遍歷字元，選擇所需的列：
char *token = strtok(buffer, delimiter);while (token != NULL){ double value; sscanf(token, "%lf", &value); if (column == column_x) { x = value; } else if (column == column_y) { y = value; } column += 1; token = strtok(NULL, delimiter);}最後，當選擇了 x 和 y 值時，將新資料點插入連結串列中：
struct data_point *datum = malloc(sizeof(struct data_point));datum->x = x;datum->y = y;SLIST_INSERT_HEAD(&head, datum, entries);malloc() 函數為新資料點動態分配（保留）一些永續性記憶體。
擬合資料
GSL 線性擬合函數 gslfitlinear() 期望其輸入為簡單陣列。因此，由於你將不知道要建立的陣列的大小，因此必須手動分配它們的記憶體：
const size_t entries_number = row - skip_header - 1;double *x = malloc(sizeof(double) * entries_number);double *y = malloc(sizeof(double) * entries_number);然後，遍歷連結串列以將相關資料儲存到陣列：
SLIST_FOREACH(datum, &head, entries) { const double current_x = datum->x; const double current_y = datum->y; x[i] = current_x; y[i] = current_y; i += 1;}現在你已經處理完了連結串列，請清理它。要總是釋放已手動分配的記憶體，以防止記憶體漏失。記憶體漏失是糟糕的、糟糕的、糟糕的（重要的話說三遍）。每次記憶體沒有釋放時，花園侏儒都會找不到自己的頭：
while (!SLIST_EMPTY(&head)) { struct data_point *datum = SLIST_FIRST(&head); SLIST_REMOVE_HEAD(&head, entries); free(datum);}終於，終於！你可以擬合你的資料了：
gsl_fit_linear(x, 1, y, 1, entries_number, &intercept, &slope, &cov00, &cov01, &cov11, &chi_squared);const double r_value = gsl_stats_correlation(x, 1, y, 1, entries_number);printf("Slope: %f\n", slope);printf("Intercept: %f\n", intercept);printf("Correlation coefficient: %f\n", r_value);繪圖
你必須使用外部程式進行繪圖。因此，將擬合資料儲存到外部檔案：
const double step_x = ((max_x + 1) - (min_x - 1)) / N;for (unsigned int i = 0; i < N; i += 1) { const double current_x = (min_x - 1) + step_x * i; const double current_y = intercept + slope * current_x; fprintf(output_file, "%f\t%f\n", current_x, current_y);}用於繪製兩個檔案的 Gnuplot 命令是：
plot 'fit_C99.csv' using 1:2 with lines title 'Fit', 'anscombe.csv' using 1:2 with points pointtype 7 title 'Data'結果
在執行程式之前，你必須編譯它：
clang -std=c99 -I/usr/include/ fitting_C99.c -L/usr/lib/ -L/usr/lib64/ -lgsl -lgslcblas -o fitting_C99這個命令告訴編譯器使用 C99 標準、讀取 fitting_C99.c 檔案、載入 gsl 和 gslcblas 庫、並將結果儲存到 fitting_C99。命令列上的結果輸出為：
#### Anscombe's first set with C99 ####Slope: 0.500091Intercept: 3.000091Correlation coefficient: 0.816421這是用 Gnuplot 生成的結果影象：
C++11 方式
C++ 語言是一種通用程式語言，也是當今使用的最受歡迎的語言之一。它是作為 C 的繼承人建立的（誕生於 1983 年），重點是物件導向程式設計（OOP）。C++ 通常被視為 C 的超集，因此 C 程式應該能夠使用 C++ 編譯器進行編譯。這並非完全正確，因為在某些極端情況下它們的行為有所不同。 根據我的經驗，C++ 與 C 相比需要更少的樣板程式碼，但是如果要進行物件導向開發，語法會更困難。C++11 標準是最新版本，增加了一些漂亮的功能，並且基本上得到了編譯器的支援。
由於 C++ 在很大程度上與 C 相容，因此我將僅強調兩者之間的區別。我在本部分中沒有涵蓋的任何部分，則意味著它與 C 中的相同。
安裝
這個 C++ 範例的依賴項與 C 範例相同。 在 Fedora 上，執行：
sudo dnf install clang gnuplot gsl gsl-devel必要的庫
庫的工作方式與 C 語言相同，但是 include 指令略有不同：
#include <cstdlib>#include <cstring>#include <iostream>#include <fstream>#include <string>#include <vector>#include <algorithm>extern "C" {#include <gsl/gsl_fit.h>#include <gsl/gsl_statistics_double.h>}由於 GSL 庫是用 C 編寫的，因此你必須將這個特殊情況告知編譯器。
定義變數
與 C 語言相比，C++ 支援更多的資料型別（類），例如，與其 C 語言版本相比，string 型別具有更多的功能。相應地更新變數的定義：
const std::string input_file_name("anscombe.csv");對於字串之類的結構化物件，你可以定義變數而無需使用 = 符號。
列印輸出
你可以使用 printf() 函數，但是 cout 物件更慣用。使用運算子 << 來指示要使用 cout 列印的字串（或物件）：
std::cout << "#### Anscombe's first set with C++11 ####" << std::endl;...std::cout << "Slope: " << slope << std::endl;std::cout << "Intercept: " << intercept << std::endl;std::cout << "Correlation coefficient: " << r_value << std::endl;讀取資料
該方案與以前相同。將開啟檔案並逐行讀取檔案，但語法不同：
std::ifstream input_file(input_file_name);while (input_file.good()) { std::string line; getline(input_file, line); ...}使用與 C99 範例相同的功能提取行字元。代替使用標準的 C 陣列，而是使用兩個向量。向量是 C++ 標準庫中對 C 陣列的擴充套件，它允許動態管理記憶體而無需顯式呼叫 malloc()：
std::vector<double> x;std::vector<double> y;// Adding an element to x and y:x.emplace_back(value);y.emplace_back(value);擬合資料
要在 C++ 中擬合，你不必遍歷列表，因為向量可以保證具有連續的記憶體。你可以將向量緩衝區的指標直接傳遞給擬合函數：
gsl_fit_linear(x.data(), 1, y.data(), 1, entries_number, &intercept, &slope, &cov00, &cov01, &cov11, &chi_squared);const double r_value = gsl_stats_correlation(x.data(), 1, y.data(), 1, entries_number);std::cout << "Slope: " << slope << std::endl;std::cout << "Intercept: " << intercept << std::endl;std::cout << "Correlation coefficient: " << r_value << std::endl;繪圖
使用與以前相同的方法進行繪圖。 寫入檔案：
const double step_x = ((max_x + 1) - (min_x - 1)) / N;for (unsigned int i = 0; i < N; i += 1) { const double current_x = (min_x - 1) + step_x * i; const double current_y = intercept + slope * current_x; output_file << current_x << "\t" << current_y << std::endl;}output_file.close();然後使用 Gnuplot 進行繪圖。
結果
在執行程式之前，必須使用類似的命令對其進行編譯：
clang++ -std=c++11 -I/usr/include/ fitting_Cpp11.cpp -L/usr/lib/ -L/usr/lib64/ -lgsl -lgslcblas -o fitting_Cpp11命令列上的結果輸出為：
#### Anscombe's first set with C++11 ####Slope: 0.500091Intercept: 3.00009Correlation coefficient: 0.816421這就是用 Gnuplot 生成的結果影象：
結論
本文提供了用 C99 和 C++11 編寫的資料擬合和繪圖任務的範例。由於 C++ 在很大程度上與 C 相容，因此本文利用了它們的相似性來編寫了第二個範例。在某些方面，C++ 更易於使用，因為它部分減輕了顯式管理記憶體的負擔。但是其語法更加複雜，因為它引入了為 OOP 編寫類的可能性。但是，仍然可以用 C 使用 OOP 方法編寫軟體。由於 OOP 是一種程式設計風格，因此可以在任何語言中使用。在 C 中有一些很好的 OOP 範例，例如 GObject 和 Jansson庫。
對於數位運算，我更喜歡在 C99 中進行，因為它的語法更簡單並且得到了廣泛的支援。直到最近，C++11 還沒有得到廣泛的支援，我傾向於避免使用先前版本中的粗糙不足之處。對於更複雜的軟體，C++ 可能是一個不錯的選擇。
你是否也將 C 或 C++ 用於資料科學？在評論中分享你的經驗。