讓我們使用 C99 和 C++11 完成常見的數據科學任務。-- Cristiano L. Fontana（作者）
雖然 Python 和 R 之類的語言在數據科學中越來越受歡迎，但是 C 和 C++ 對於高效的數據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 編寫一個程序，該程序使用 Anscombe 的四重奏 數據集，下面將對其進行解釋。
我在一篇涉及 Python 和 GNU Octave 的文章中寫了我不斷學習編程語言的動機，值得大家回顧。這裡所有的程序都需要在 命令行 上運行，而不是在 圖形用戶界面（GUI） 上運行。完整的示例可在 polyglot_fit 存儲庫 中找到。
編程任務
你將在本系列中編寫的程序：
- 從 CSV 文件 中讀取數據
- 用直線插值數據（即 f(x)=m ⋅ x + q）
- 將結果繪製到圖像文件
這是許多數據科學家遇到的普遍情況。示例數據是 Anscombe 的四重奏 的第一組，如下表所示。這是一組人工構建的數據，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。數據文件是一個文本文件，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 語言是通用編程語言，是當今使用最廣泛的語言之一（依據 TIOBE 指數 、 RedMonk 編程語言排名 、 編程語言流行度指數 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序（例如 Linux 內核和 Git 僅是其中的兩個例子）。它也是最接近計算機內部運行機制的語言之一，因為它直接用於操作內存。它是一種 編譯語言 ；因此，源代碼必須由 編譯器 轉換為 機器代碼 。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 數字運算 中使用該語言，主要是因為其性能。我覺得使用起來很繁瑣，因為它需要很多 樣板代碼 ，但是它在各種環境中都得到了很好的支持。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持。
我將一路介紹 C 和 C++ 編程的必要背景，以便初學者和高級用戶都可以繼續學習。
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，因此該程序依賴於外部程序： Gnuplot 。該示例還使用動態數據結構來存儲數據，該結構在 伯克利軟件分發版（BSD） 中定義。
在 Fedora 中安裝很容易：
<code>sudo dnf install clang gnuplot gsl gsl-devel/<code>
代碼註釋
在 C99 中， 註釋 的格式是在行的開頭放置 //，行的其它部分將被解釋器丟棄。另外，/* 和 */ 之間的任何內容也將被丟棄。
<code>// 這是一個註釋，會被解釋器忽略
/* 這也被忽略 *//<code>
必要的庫
庫由兩部分組成：
- 頭文件 ，其中包含函數說明
- 包含函數定義的源文件
頭文件包含在源文件中，而庫文件的源文件則 鏈接 到可執行文件。因此，此示例所需的頭文件是：
<code>// 輸入/輸出功能
#include <stdio.h>
// 標準庫
#include <stdlib.h>
// 字符串操作功能
#include <string.h>
// BSD 隊列
#include/<string.h>/<stdlib.h>/<stdio.h>/<code>
// GSL 科學功能
#include
#include
主函數
在 C 語言中，程序必須位於稱為主函數 main() 的特殊函數內：
<code>int main(void) {
...
}/<code>這與上一教程中介紹的 Python 不同，後者將運行在源文件中找到的所有代碼。
定義變量
在 C 語言中，變量必須在使用前聲明，並且必須與類型關聯。每當你要使用變量時，都必須決定要在其中存儲哪種數據。你也可以指定是否打算將變量用作常量值，這不是必需的，但是編譯器可以從此信息中受益。 以下來自存儲庫中的 fitting_C99.c 程序 ：
<code>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;/<code>
C 語言中的數組不是動態的，從某種意義上說，數組的長度必須事先確定（即，在編譯之前）：
<code>int data_array[1024];/<code>
由於你通常不知道文件中有多少個數據點，因此請使用 單鏈列表 。這是一個動態數據結構，可以無限增長。幸運的是，BSD 提供了鏈表 。這是一個示例定義：
<code>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);/<code>該示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。
打印輸出
要在終端上打印，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）：
<code>printf("#### Anscombe's first set with C99 ####\\n");/<code> printf() 函數不會在打印字符串的末尾自動添加換行符，因此你必須添加換行符。第一個參數是一個字符串，可以包含傳遞給函數的其他參數的格式信息，例如：
<code>printf("Slope: %f\\n", slope);/<code>讀取數據
現在來到了困難的部分……有一些用 C 語言解析 CSV 文件的庫，但是似乎沒有一個庫足夠穩定或流行到可以放入到 Fedora 軟件包存儲庫中。我沒有為本教程添加依賴項，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，將忽略源代碼中的某些行，但是你可以在存儲庫中找到完整的示例代碼。
首先，打開輸入文件：
<code>FILE* input_file = fopen(input_file_name, "r");/<code>
然後逐行讀取文件，直到出現錯誤或文件結束：
<code>while (!ferror(input_file) && !feof(input_file)) {
size_t buffer_size = 0;
char *buffer = NULL;
getline(&buffer, &buffer_size, input_file);
...
}/<code> getline() 函數是 POSIX.1-2008 標準 新增的一個不錯的函數。它可以讀取文件中的整行，並負責分配必要的內存。然後使用 strtok() 函數將每一行分成 字元 (token)。遍歷字元，選擇所需的列：
<code>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);
}/<code>
最後，當選擇了 x 和 y 值時，將新數據點插入鏈表中：
<code>struct data_point *datum = malloc(sizeof(struct data_point));
datum->x = x;
datum->y = y;
SLIST_INSERT_HEAD(&head, datum, entries);/<code>
malloc() 函數為新數據點動態分配（保留）一些持久性內存。
擬合數據
GSL 線性擬合函數 gslfitlinear() 期望其輸入為簡單數組。因此，由於你將不知道要創建的數組的大小，因此必須手動分配它們的內存：
<code>const size_t entries_number = row - skip_header - 1;
double *x = malloc(sizeof(double) * entries_number);
double *y = malloc(sizeof(double) * entries_number);/<code>
然後，遍歷鏈表以將相關數據保存到數組：
<code>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;
}/<code>現在你已經處理完了鏈表，請清理它。要總是釋放已手動分配的內存，以防止 內存洩漏 。內存洩漏是糟糕的、糟糕的、糟糕的（重要的話說三遍）。每次內存沒有釋放時，花園侏儒都會找不到自己的頭：
<code>while (!SLIST_EMPTY(&head)) {
struct data_point *datum = SLIST_FIRST(&head);
SLIST_REMOVE_HEAD(&head, entries);
free(datum);
}/<code>終於，終於！你可以擬合你的數據了：
<code>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);/<code>
繪圖
你必須使用外部程序進行繪圖。因此，將擬合數據保存到外部文件：
<code>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);
}/<code>
用於繪製兩個文件的 Gnuplot 命令是：
<code>plot 'fit_C99.csv' using 1:2 with lines title 'Fit', 'anscombe.csv' using 1:2 with points pointtype 7 title 'Data'/<code>
結果
在運行程序之前，你必須編譯它：
<code>clang -std=c99 -I/usr/include/ fitting_C99.c -L/usr/lib/ -L/usr/lib64/ -lgsl -lgslcblas -o fitting_C99/<code>
這個命令告訴編譯器使用 C99 標準、讀取 fitting_C99.c 文件、加載 gsl 和 gslcblas 庫、並將結果保存到 fitting_C99。命令行上的結果輸出為：
<code>#### Anscombe's first set with C99 ####
Slope: 0.500091
Intercept: 3.000091
Correlation coefficient: 0.816421/<code>
這是用 Gnuplot 生成的結果圖像：
Plot and fit of the dataset obtained with C99
C++11 方式
C++ 語言是一種通用編程語言，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 創建的（誕生於 1983 年），重點是 面向對象程序設計（OOP） 。C++ 通常被視為 C 的超集，因此 C 程序應該能夠使用 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代碼，但是如果要進行面向對象開發，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持。
由於 C++ 在很大程度上與 C 兼容，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++ 示例的依賴項與 C 示例相同。 在 Fedora 上，運行：
<code>sudo dnf install clang gnuplot gsl gsl-devel/<code>
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：
<code>#include <cstdlib>
#include <cstring>
#include <iostream>
#include <fstream>
#include <string>
#include <vector>
#include <algorithm>
extern "C" {
#include/<algorithm>/<vector>/<string>/<fstream>/<iostream>/<cstring>/<cstdlib>/<code>
#include
}
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。
定義變量
與 C 語言相比，C++ 支持更多的數據類型（類），例如，與其 C 語言版本相比，string 類型具有更多的功能。相應地更新變量的定義：
<code>const std::string input_file_name("anscombe.csv");/<code>對於字符串之類的結構化對象，你可以定義變量而無需使用 = 符號。
打印輸出
你可以使用 printf() 函數，但是 cout 對象更慣用。使用運算符 << 來指示要使用 cout 打印的字符串（或對象）：
<code>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;/<code>
讀取數據
該方案與以前相同。將打開文件並逐行讀取文件，但語法不同：
<code>std::ifstream input_file(input_file_name);
while (input_file.good()) {
std::string line;
getline(input_file, line);
...
}/<code>
使用與 C99 示例相同的功能提取行字元。代替使用標準的 C 數組，而是使用兩個 向量 。向量是 C++ 標準庫 中對 C 數組的擴展，它允許動態管理內存而無需顯式調用 malloc()：
<code>std::vector<double> x;
std::vector<double> y;
// Adding an element to x and y:
x.emplace_back(value);
y.emplace_back(value);/<double>/<double>/<code>
擬合數據
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內存。你可以將向量緩衝區的指針直接傳遞給擬合函數：
<code>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;/<code>
繪圖
使用與以前相同的方法進行繪圖。 寫入文件：
<code>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();/<code>
然後使用 Gnuplot 進行繪圖。
結果
在運行程序之前，必須使用類似的命令對其進行編譯：
<code>clang++ -std=c++11 -I/usr/include/ fitting_Cpp11.cpp -L/usr/lib/ -L/usr/lib64/ -lgsl -lgslcblas -o fitting_Cpp11/<code>
命令行上的結果輸出為：
<code>#### Anscombe's first set with C++11 ####
Slope: 0.500091
Intercept: 3.00009
Correlation coefficient: 0.816421/<code>
這就是用 Gnuplot 生成的結果圖像：
Plot and fit of the dataset obtained with C++11
結論
本文提供了用 C99 和 C++11 編寫的數據擬合和繪圖任務的示例。由於 C++ 在很大程度上與 C 兼容，因此本文利用了它們的相似性來編寫了第二個示例。在某些方面，C++ 更易於使用，因為它部分減輕了顯式管理內存的負擔。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 方法編寫軟件。由於 OOP 是一種編程風格，因此可以在任何語言中使用。在 C 中有一些很好的 OOP 示例，例如 GObject 和 Jansson 庫。
對於數字運算，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持。直到最近，C++11 還沒有得到廣泛的支持，我傾向於避免使用先前版本中的粗糙不足之處。對於更復雜的軟件，C++ 可能是一個不錯的選擇。
你是否也將 C 或 C++ 用於數據科學？在評論中分享你的經驗。
via: https://opensource.com/article/20/2/c-data-science
作者： Cristiano L. Fontana 選題： lujun9972 譯者： wxy 校對： wxy
本文由 LCTT 原創編譯， Linux中國 榮譽推出
閱讀更多 Linux技術 的文章
