转载来源
公众号：论智
来源：semanti.ca
“
阅读本文大概需要 3 分钟。
”
编者按：semanti.ca 整理的数据科学、机器学习 IDE 概览，涵盖 R、Python、Scala、Julia.
IDE 提供的丰富特性对软件开发极为有用，大大提高了程序员的生活质量。这一点同样适用于数据科学家。然而，因为数据科学家除了可以选择传统的 IDE，还可以选择 Jupyter notebook 这样在浏览器中运行的新工具。因此，数据科学家——特别是刚入门数据科学的新手——可能会困惑该使用哪个开发环境。
本文我们将根据数据科学家最常使用的四种编程语言（R、Python、Scala、Julia），推荐相应的 IDE。
我们将根据 semanti.ca 的数据科学家和机器学习工程师的使用情况，排序每种语言推荐的 IDE。
Python
PyCharm
PyCharm 是 JetBrains 出品的跨平台的 Python IDE。
PyCharm 为 Python 提供了一流的支持，包括代码补全、错误检测、在线代码修正。智能搜索可以跳转至任意类、文件、符号，甚至是IDE行动或工具窗口。一次点击即可切换声明、超方法、测试、用法、实现，等等。
PyCharm 包括很多工具，集成的调试器和测试运行器，性能调试工具，内置终端，集成主要版本控制系统（包括 Git、SVN、Mercurial），远程开发（远程解释器），集成 ssh 终端，集成 Docker 和 Vagrant。
PyCharm 集成了 Jupyter Notebook，具备一个交互 Python 控制台，并支持 Anaconda 以及多种科学计算包，包括 Matplotlib 和 NumPy。
PyCharm 的暗色主题效果不错，对许多 semanti.ca 的数据科学家和开发者而言，这是一项巨大的优势。
https://www.jetbrains.com/pycharm/
Spyder
Spyder 是主要为科学家、工程师、数据分析师设计的强大科学环境。这一全面的开发工具提供了高级的编辑、分析、调试、性能调试功能，以及数据探索、交互执行、深度检查、可视化功能。Spyder 可以通过插件和 API 进一步扩展功能。
Spyder 的多语言编辑器具有函数/类浏览器，代码分析工具，自动代码补全，横向/纵向分割，跳转到定义等功能。
Spyder 自身也是用 Python 编写的。
https://www.spyder-ide.org/
R
RStudio
RStudio 是 R 下特性最丰富的 IDE。它既有供桌面使用的开源版本和商业版本（Windows、Mac、Linux），又可以在浏览器中使用（基于运行 RStudio Server 或 RStudio Server Pro 的 Linux 服务器）。
RStudio 提供代码高亮、代码补全、智能缩进等功能。在源代码编辑器中可以直接执行 R 代码。开发者可以迅速地跳转到函数定义，阅读帮助和文档，方便地基于项目管理多个工作目录。集成的数据查看器可供查看表格数据，在调试模式下结合逐步执行可以实时检查数据是如何更新的。
RStudio 集成了 Git 和 SVN 支持，同时支持编写 HTML、PDF、Word 文档、幻灯片、交互式图形（基于 Shiny 和 ggvis）。
https://www.rstudio.com/
Eclipse 的 StatET 插件
Eclipse 是最流行的 Java IDE 之一。通过安装插件，它可以支持其他编程语言。StatET 是一个基于 Eclipse 的 R IDE。它提供了编写 R 代码和构建 R 软件包的一组工具，包括集成的 R 控制台、对象浏览器、包管理起、调试器、数据查看器、R 帮助系统，并支持本地和远程安装的多个 R 版本。可选的 Sweave 和 Wikitext（Markdown 和 Textile）附加组件提供了带有 R 代码段的 LaTeX / Wikitext 文档的源代码编辑器和构建工具。
代码编辑器提供了语法高亮，折叠 Roxygen 注释、函数定义、其他代码块，自动修正行缩进，输入和粘贴的自动缩进等功能。
内建的调试器可以很方便地管理断点和条件断点。调试器提供了一个清晰的调用栈，可以直接访问选定的变量、源代码和指令指针，当然也支持逐步执行源代码。
StatET 还包括一个数据查看器，可供查看向量、矩阵、dataframe，可以快速显示很大的表格。
http://www.walware.de/goto/statet
R Tools for Visual Studio
Visual Studio 是 .NET、C 最常使用的 IDE。R Tools for Visual Studio（RTVS）是一个基于 MIT 许可发布的自由、开源的 Visual Studio 扩展。
在 Visual Studio 下，数据科学家能够以便利的结构组织和管理相关文件，并使用 R 代码、R 文档、R Markdown、SQL 请求、保存的过程等的模板。同时提供了包管理器和 SQL Server 集成。
RTVS 可以绑定本地和远程的工作区，这让开发者可以在本地基于较小的数据集编写 R 代码，然后很方便地在更强大的云计算机中的更大的数据集上运行代码。
和任何现代的 IDE 一样，RTVS 包括语法高亮、代码格式化、签名帮助、跳转到定义、查找所有引用、代码片段功能。
开发者可以通过 R Markdown 文档分享数据结果，markdown 的代码段可以使用集成的 R 代码。
RTVS 为 R 提供了完整的 REPL 体验，可以在交互窗口中直接运行源文件的代码。
绘图是 R 的一个重要部分。为了方便用 R 绘图，RTVS 支持多个独立的绘图窗口，每个具有独立的历史，并支持在窗口间移动图形。图形可以保存为图像或 PDF 文件，或者复制到剪贴板。
变量探索器可供检查全局作用域和指定包的作用域中的变量，还能查看可排序的表格，并导出至 CSV。
https://github.com/Microsoft/RTVS
Jupyter Notebook 的 R 核心
和许多数据科学家设想的不同，Jupyter 并不局限于使用 Python：notebook 应用是语言无关的，这意味着它可以使用其他编程语言。
加载 IRKernel 并启用后，就可以在 notebook 环境下使用 R 了。
https://irkernel.github.io/
R-Brain
R-Brain 提供了一个数据科学云平台（也可自行部署在内部服务器上）。R-Brain 基于 Jupyter，提供了 IDE、控制台、notebook、markdown 的集成环境（支持 R 和 Python）。它也集成了代码补全、调试、打包、发布功能。
R-Brain 以灵活的用户界面提供了经典的 Jupyter notebook 的标准功能（交互式 notebook、终端、文本编辑器、文件浏览器、丰富的输出形式，等等）。它使用了 Docker 容器技术，所以这一解决方案可以方便地部署在云上或内部服务器上。
数据科学家可以开发、打包、分享、发布分析工作区，数据集，用 R、Python、SQL 编写的应用。R-Brain 同样提供了便利的交互浏览数据库纲要、查看表格内容、导出数据的功能。
https://r-brain.io
Scala
Scala IDE for Eclipse
Scala IDE for Eclipse 为开发纯 Scala 应用及 Scala-Java 混合应用提供了高级编辑、调试支持，可以在 Scala 和 Java 引用之间跳转。
和任何现代 IDE 一样，它具备代码补全、代码语义高亮、跳转到定义功能。它可以实时捕捉编译错误（在你输入代码的同时）。
Scala 调试器可供在闭包间跳转，并提供了为Scala定制的调试信息。
Scala 向导简化了类、对象、特质（trait）、包的创建过程。重构功能可以让你修改标识符名，组织引入，提取部分代码为新方法，等等。
Scala IDE 的特性还包括代码格式化，智能缩进器，标记文件内的任意标识符，完整的语法高亮支持（包括注释、控制结构、嵌入的 XML），代码折叠。
http://scala-ide.org/
IntelliJ IDEA 的 Scala插件
IntelliJ IDEA 是另一个 JetBrains 出品的知名 IDE。Scala 插件使 IntelliJ IDE 可以支持 Scala、SBT、Scala.js、Hocon、Play 框架。
Scala 插件支持以下特性：代码辅助（高亮、补全、格式化、重构），浏览，查找，类型和隐式转换信息。该插件同样支持 SBT 等构建工具，ScalaTest、Specs2、uTest 等测试框架。还有 Scala 调试器、工作表、Ammonite 脚本。
https://plugins.jetbrains.com/plugin/1347-scala
Jupyter Notebooks
Scala 或 Apache Toree 核心相当容易安装，都具有增加 Maven / SBT 依赖和JAR 的功能。和 Python、R 一样，notebook 中的单元可以分别运行，这让数据科学家可以训练一次模型后多次使用。
单元支持可以 markdown（含 LaTeX 公式支持），这让数据科学家可以使用 notebook 作为和客户、同事分享的报告。
和其他语言一样，使用 Jupyter Notebook 的不足在于核心容易出错或功能有限，非常有限的调试功能，甚至没有调试功能。数据科学家需要仔细地组织他们的单元，否则可能导致很多困惑。
- Scale 核心：http://almond-sh.github.io/almond/stable/docs/intro
- Apache Toree: https://github.com/apache/incubator-toree
Julia
Juno
Juno 使用 Julia 这一结合了易用和性能的语言构建。Juno 的目标是移除编程的沮丧和猜测，将乐趣带回编程。Juno 的混合风格结合了 notebook 的探索能力和 IDE 的高效。
Juno 基于 GitHub 出品的 Atom 编辑器，继承了 Atom 强大的编辑功能和美观的用户界面。
Juno 同时包含 Julia 和 Atom 包，以提供 Julia 特定的增强，例如语法高亮，绘图面板，集成 Julia 调试器 Gallium，运行代码的控制台，等等。
它的定制性很强，具备面向高级用户的特性，例如多光标、模糊文件搜索、vim键绑定。
http://junolab.org/
Jupyter Notebooks
IJulia 提供了 Julia 语言后端，可以让你在 Jupyter Notebook 中使用 Julia 语言。IJulia 允许定制 Julia 运行环境，安装额外的 Julia 核心。IJulia 还有一个贴心的功能，当你输入 IPython 魔法命令时，IJulia 会提示效果相似的 Julia 代码。例如，输入 %load filename 会提示你使用 IJulia.load("filename")。
https://github.com/JuliaLang/IJulia.jl
Visual Studio Code 的 Julia 扩展
Visual Studio Code 的 Julia 扩展提供了语法高亮、代码片段、LaTex 片段、Julia 特定命令、集成 REPL、代码补全、悬浮提示、代码检查、代码导航等功能，以及用于运行测试、构建、性能评测、构建文档的 Visual Studio Code 任务。
https://marketplace.visualstudio.com/items?itemName=julialang.language-julia
原文地址：https://semanti.ca/blog/?recommended-ide-for-data-scientists-and-machine-learning-engineers
