工具／产品／解决方案是数据科学家洞察数据的利器。KDNuggets网站对此观点进行了年度调查，来分析数据科学家在用哪些类型的工具。下面大圣众包小编整理了对大数据从业的你可能会有些帮助的工具！

数据科学常用的工具有哪些？

大数据生态（Hadoop、Spark）和开源项目：

Hadoop，HBase，Hive，Mahout，MLlib，OtherHadoop／HDFSbasedtools，Pig，Scala，Spark，SQLonHadooptools

微软数据科学家工具：

MicrosoftAzureML，MicrosoftPowerBI，MicrosoftSQLServer，RevolutionAnalytics

基于Python的机器学习：

Dataiku，H2O（0xdata），Python，scikit-learn，Theano，Vowpal Wabbit

SAS公司产品：

JMP，SAS Base，SAS Enterprise Miner

MATLAB、R语言等统计工具：

GnuOctave，MATLAB，Orange，R，Rapid Miner，Rattle，Weka

IBM公司产品：

IBM Cognos，IBM SPSSModeler，IBM SPSSStatistics，IBM WatsonAnalytics

Linux工具和SQLang：

Actian，C/C++，Perl，SQLang，Unixshell／awk／gawk

深度学习：

Caffe，Pylearn2

商务智能软件：

PentahoandQlikView

数据分析平台：

Datameer and Zementis

Excel和Word统计工具：

XLSTAT for Excel

其它：

OtherDeep Learningtools，Other free analytics／data mining tools，Other Hadoop／HDF based tools，Other paid analytics／datamining／datascience software，Other programming languages

数据可视化：

C4.5／C5.0／See5，Miner3D，OracleDataMiner

    数据科学家在选择大数据、数据挖掘和数据分析工具时，更倾向于有一定生态基础的工具，这样各个工具间可以相互支持。

    为了提高在大数据项目中成功的机会，选择正确的工具是非常重要的。没有一个孤立的工具能够做所有的数据分析，职业的数据专家趋向于使用不止一种相关的工具（分析中发现，数据专家平均使用5种数据分析工具）。你可以根据使用相关工具的数据专家来决定自己的选择。

    另外一个观点是，要选择大厂的产品，比如，IBM、微软和SAS，大品牌的产品更丰富，可以使得你的产品更容易扩展。