机器之心编译
世界上最好的 编辑器或 IDE 是什么？炫酷的界面、流畅的体验，我们投 一票，那么你呢？本文介绍了 、 和 在内的 5 种主流 IDE，每一种都各有优缺点。不过结合经验教训，不论是纯文本编辑器还是集成开发环境，总有一款是你的最爱，那么快在文末为你最爱的 IDE 投上一票吧。
1991 年, Guido van 创建了该编程语言并发布了它的第一个版本。这种被开发出来用于通用编程目的的解释型高级编程语言, 在像是 Linux 、 MacOS 这样的操作系统中, 都包含着用来运行它的解释器程序。
在经过差不多30年这么长时间的发展过程当中, 这个语言在编程社区里面变成了非常受欢迎的一种存在, 用IDLE或者Shell来进行编码写法的话呢, 它更加适合去应对一些小型项目里面的需求, 但是一旦涉及到那些已经比较成熟了的机器学习或者是数据科学项目的时候这种方法就没法去应对了。
在这种状态下, 你非得弄一个集成开发环境或者专门的代码编辑工具不可。因为它是现在特别火的那几种编程语言中的一个, 所以能选的开发环境数量非常多。这就让大家碰到一个实际的问题: 到底哪一个开发环境才是真的最对口、最好用的是哪种呢?
很明显, 没有哪一个 IDE 或者代码编辑器可以称得上是「最好」的 IDE 或者编辑器, 这是因为它们各有各的优点和缺点, 此外呢, 从为数众多的 IDE 当中去进行挑选, 这件事情做起来实在是太过地浪费时间了。
可是你完全不需要有担心, 因为这篇文章就已经帮你全部整理好了。为了能够帮助你做出正确的选择动作, 下面这段文字将为你重点介绍几种非常适合的集成开发环境, 也就是IDE, 它们被专门用于处理数据科学项目这一方面的工作内容。
Atom
这个平台是Linux或者是 macOS, 官网的类型是通用文本编辑器。
Atom是一种免费的、开源的文本编辑器和源代码编辑器。它适用于Java、PHP等多种编程语言。该文本编辑器支持使用由Node.js编写的插件。尽管Atom适用于多种语言, 但它对某一特定语言情有独钟。其有趣的数据科学特性非常适合用来处理这一特定语言相关的内容。
Atom 的最大特点之一是支持 SQL 查询，但你需要安装 Data Atom 插件才能获取该特性。它支持 SQL 、MySQL 及 。而且，你还可以可视化 Atom 的结果，无需打开其他任何窗口。
还有一个Atom插件, 能够帮助到数据科学家, 它就是Plus, 这个插件可以为编辑以及可视化文件提供相应的支持, 让你能够去预览、渲染Latex这些公式等等内容。
优点：
有一个非常活跃的社区提供支持, 而且这个工具和 Git 能够完美地集成在一起, 这样就可以为管理多个项目提供有力的支撑。
缺点：
在那些相对老一些的处理器上面去执行, 很有可能会碰见一些性能方面表现不太好的一些问题, 同时也有可能遇到和迁移过程有关的问题。
平台：Linux/macOS/官网：类型：基于 Web 的 IDE
这东西是 2014 年开始有的。它是一种网页应用, 用的是服务器和客户端搭配的那种结构。它可以让咱们弄代码文件, 还能在上面操作这些文件。它还有一种立马就能跑起来的方法, 这就是它最关键的地方, 也是最厉害的特性。
对于那些搞数据科学的人来说, 这东西基本是少不了的。因为它给出了一个既直接又简单好用的环境, 让大家可以一边互动一边做数据科学相关的工作。
对于刚刚进入这个行当的数据科学家来说, 最简单易用且效果最佳的工具就是它。咱们在编写完某一段代码之后, 能够立马执行这段局部代码去观察运行结果, 正因有了这样的特点, 所以它的交互功能表现极其到位。
另外还可以注意到一点是在该环境下的单元格组成部分里面, 不仅支持插入常规性的程序代码类型内容, 同样也允许添加类似文字说明性质的普通文档材料, 当选定为记录文本形式的那一个选项时候的话, 使用者就可以直接依照所依托平台规定的规范样式来书写出自己打算实现的功能模块或者是对所有相关素材整体进行一次详细讲解描述外加自身感悟体会以及涉及到的基础理论常识方面信息等详尽资料。
通过使用某些可视化工具, 我们可以直接在代码单元下输出想要的可视化图信息。当然我们也可以将整个相关的文件导出为 PDF、HTML 或者纯文本代码文件。
这样做非常有利于文件在不同平台间的传播。所以像谷歌的 Colab 等平台也都默认使用这种形式。和......相同......是一系列的各个项目的总的称呼, 里面包含了......、还有......以及......这些东西。
优点：
允许使用直接创建博客的这种方式, 或者创建代码演示的方式, 这样做的目的是为了确保研究和解释具备可复现的特质。在执行整体的流程之前, 大家可以先对局部出现的代码块进行运行和修正, 这一点是可行的且被允许的。
缺点：
安装的过程是复杂的。你也可以直接去安装那个集成开发环境。
这个平台支持Linux和macOS系统, 其官网提供的类型是一种专用的集成开发环境。
它是 的专用集成开发环境, 它在编程工具当中的地位, 和 Java 语言所用的 IDE 非常相似。这个功能极其强大的集成开发平台, 同时对外提供收费版本以及免费使用版本, 具体分为了专业版这一个选项和社区版这一个选项。
它的安装速度在各类 IDE 之中是最快的, 并且安装完成后续的配置操作也变得十分简单轻松, 所以 几乎成为了绝大多数数据科学家群体以及算法工程师群体首选用来进行开发的集成开发环境。
对于喜欢那些发行版的人来说, 他们也可以很方便地把 和 NumPy 这样的工具集成进去。这代表当我们在进行数据科学项目的时候, 可以很轻松地使用数组查看器以及交互式图表这些功能。另外来说的话, 这个集成开发环境还扩展了对 和 JS 语言的支持情况。因此它也很适合用于进行 Web 端的开发工作。
当安装工作完成之后, 大家就可以快速地创建一个新项目, 并且去选定解释器以及全新的代码文件。
通常情况下, 我们可能会借助于 conda 这些工具来管理不同的运行环境, 例如某些名称的环境或者另一些名称的环境之类的地方, 在新建项目的时候, 只要从这些地方里面去挑选对应的 主程序就可以了, 这样做的效果呢, 就等同于选中了对应的新环境了。
再往后面的方面说, 除了给用户提供直接进行代码调试和运行程序的这种功能之外, 该软件开发环境还向使用者提供了对于源代码内容还有整个项目整体的管控支持能力。
优点：
活跃的社区支持支持着全面的开发工作, 无论是在进行数据科学研究还是在开展非数据科学项目的时候, 不管是刚入门的新手还是经验丰富的大佬, 都能轻松上手并且实现快速运行以及随时编辑和调试的代码, 这整个过程都不需要额外的支持参与。
缺点：
加载的速度可能会比较慢一些, 所以在开始使用现有的项目之前, 大家可能需要先调整一下那些默认的设定。
Redeo
这个平台支持Linux和macOS系统, 其官网提供的类型是一种专用的集成开发环境。
Redeo 的这个 logo 其实是在向大家暗示, 这款集成开发环境是专门为了数据分析工作而进行开发的, 如果你曾经实际使用过它的相关产品或者类似工具去对比的话, 你就会很明显地发觉 Redeo 和那个产品在好几个关键的 上面都有非常相似的地方。
对于那些目前对 Redeo 还不怎么了解的人来说, 你们真正需要知道的核心事实就是, 它是目前在 R 语言的用户圈子里面最广为人知的一个集成开发环境, 同时也是最流行的一款。
和那个东西一样, Rodeo 的窗口被分成了四个部分, 分别是代码文本编辑器, 还有控制台, 另外一个是变量可视化环境, 最后一个则是图形以及库和文件的查看窗口。非常有意思的是, 那个东西和 Redeo 都与 Rodeo 有着很多相似的地方。
Redeo这一款工具, 它存在的一个最大优势, 是新手和老兵这两类人群, 都能非常方便地去使用它。
之所以它能够被称作为最好的数据科学环境之一, 是因为它在编写代码的那个过程当中, 允许你随时去查看变量, 以及可视化这样的细节内容, 而且除此之外, Redeo这一款工具里面, 还包含了内置的课程资料, 以及相关的辅助材料在里面了。
优点：
大量的定制化设计在实时监控代码的编写过程中, 实际上到底创建了哪些具体的东西这一事实, 可以通过利用自动补全功能以及语法高亮功能来得到体现, 因为正是借助了这两种技术手段, 写代码的速度才会变得更快。
缺点：
BUG的数量并不少, 社区提供的支持力度也很有限, 在内存方面存在的问题依然比较突出。
这个平台支持Linux和macOS系统, 其官网提供的类型是一种专用的集成开发环境。
它是一个专用的、用一种开源的方式做出的那种集成开发环境, 它的独特之处在于它是专门为了给那些和数据处理还有科学计算有关的工作流程能够更好地进行优化而存在的。它和那个叫做软件包管理器的东西是捆绑在一起的。
这个软件包管理器, 是那个R语言这种程序的标准版本或者叫标准发行版。这个开发环境, 是拥有所有必须有的那种集成开发环境的特性的, 这里头就包括了代码完整性或者是说智能的代码补全功能, 还包括了集成的文件浏览器这种东西。
这个工具是专门为了进行数据科学项目所打造的, 它具备一个相当平缓的学习曲线, 让用户可以即学即用。系统里面提供的在线帮助选项能够容许用户在一边并行地开发项目, 另外一边去寻找关于我们库的专门性信息。
此外, 这个单独的集成开发环境与相关对象是非常相似的, 所以, 当用户准备从软件R转换到其他环境时, 这将会是一个比较合适的选择。
它适用于库的集成支持, 这些集成支持包括了类似这样的内容, 还有 SciPy 等等。这种情况更进一步地证明了, 它是为数据科学家量身定制的东西。
除了那些可以被感觉到、被察觉到的关于集成的事情之外, 这个地方还有一个非常独特的一个特性, 这个特性的名字叫做「 」, 它允许人们使用那种基于表格的一种布局方式来展示数据。
优点：
代码具有非常强的完备性, 而且变量的探索使用起来也很方便, 这些都是数据科学项目的理想工具界面整洁, 并且有活跃的社区支持。
缺点：
对于那些不是做数据科学项目的人来说, 它是不适用的, 而对于那些水平比较高的开发人员来说, 它是太过基础的内容了。
如何为 选择理想的 IDE？
这完全要看你的需求到底是啥。以下是几点具体建议给到你。
如果你刚开始使用的话, 请找一个定制化较少并且附加功能也较少的开发环境。干扰得越少一点儿, 那么上手就会容易得多。你应当把这些开发环境的实际功能和你的期望来进行对比。多尝试几种不同的开发环境你就会清楚地知道哪一种才是最适合你自身实际需求的那个工具。
原文链接：