octave和python
本文比较了四种机器学习编程语言(工具)：R、Python、MATLAB和OCTAVE。列出了这些语言(工具)的优缺点，希望对想开始学习它们的人有用。更多机器学习相关内容
R语言
R是一种用于统计计算和图的语言及环境。它是一个GNU项目，与贝尔实验室的JohnChambers及其同事开发的S语言及环境类似。R可以视为S的一种不同实现。二者存在一些重要差异，但使用S写的很多代码在R下运行时无需修改。
更多机器学习相关内容
优点：
端到端开发到执行(一些brokerspackage允许执行，IB)
开发速度快(比Python的代码少60%)
开源包多
成熟的量化交易包(quantstrat、quantmod、performanceanalyitics、xts)
社区最大
使用rcpp可以整合R和C++/C
缺点：
比Python慢，尤其是在迭代循环和非向量化函数中
比Matlab绘图差，难以实现交互式图表
创建独立应用程序的能力有限
更多机器学习相关内容
Python
Python是一种用于通用编程的解释型高级编程语言，由GuidovanRossum创建并于1991年首次发布。Python的设计强调代码可读性，使用了大量空格。它的结构使其在大规模和小规模编程中都能清晰明了。
优点：
端到端开发到执行(一些brokerspackage允许执行，IB)
开源包(Pandas、Numpy、scipy)
交易包(zipline、pybacktest、pyalgotrade)
最适合一般编程和应用程序开发
可连接R、C++和其他语言的「胶水」语言
总体速度最快，尤其是在迭代循环中
缺点：
有一些不成熟的包，尤其是交易包
有些包与其他包不兼容或包含重叠
在金融领域的社区比R小
与R或Matlab相比，相同操作需要更多代码
追踪静默错误(silenterror)可能需要很长时间(即使使用可视化调试器/IDE)
MATLAB
MATLAB(matrixlaboratory)是一种多范型数值计算环境。作为MathWorks开发的一种专用编程语言，MATLAB允许矩阵运算、函数和数据绘图、算法实现、用户界面创建，以及与用其他语言(包括C、C++、C#、Java、Fortran、Python)写成的程序进行交互。
尽管MATLAB的设计初衷是数值计算，但其中的可选工具箱使用MuPADsymbolicengine，具备符号计算能力。额外的包Simulink添加了图多领域模拟和针对动态和嵌入系统的基于模型的设计。
优点：
最快的数学和计算平台，尤其是向量化运算／线性矩阵代数。
适合所有数学和交易领域的商业级软件。
脚本简短，但高度集成了所有包。
拥有图和交互式图表的最佳可视化
具备良好测试和支持。
易于管理多线程支持和垃圾收集
最好的调试器
缺点：
无法执行，必须转换成另一种语言。
昂贵：每个license大约1000美元，每添加一个包需要额外支付50+美元。
无法与其他语言很好地集成。
很难检测出交易系统中的偏差(它是为数学和工程模拟而构建的)，因此可能需要广泛的测试。
糟糕的迭代循环性能。
无法开发单独的应用。
Octave
Octave可以看作是商业语言MATLAB的GNU版本，它是一种脚本矩阵语言(scriptingmatrixlanguage)，其语法有大约95%可与MATLAB兼容。Octave由工程师设计，因此预装了工程师常用的程序，其中很多时间序列分析程序、统计程序、文件命令和绘图命令与MATLAB语言相同。
优点：
首先，目前没有可用的鲁棒性Octave编译器，且没有必要有，因为该软件可以免费安装。
Octave和Matlab的语言元素相同，除了一些个例，如嵌套函数。Octave仍然处于积极开发的状态，每一个偏离Matlab语法之处都被视为bug或者至少是待解决问题。
Octave有很多可用工具箱，只要程序不要求图输出，那么在不进行大量更改的前提下，使用Octave运行和使用Matlab运行差不多。
图方面的能力是Matlab的优势。Matlab最新版本包括GUI设计器，包含大量很棒的可视化特征。
Octave使用GNUPlot或JHandles作为图程序包，JHandles与Matlab中的图程序包更接近一些。但是，Octave不具备类似GUI设计器的组件，其可视化机制很受限且不与Matlab兼容。
集成开发环境也是类似的情况：Octave有一个QTOctave项目，但仍处于早期阶段。
Octave社区的合作很可能帮助该软件很快提供更好、更兼容的图以及GUI能力。
缺点：
它只是MATLAB的免费开源版本，无法带给用户新的东西。
下表列举了数据科学家和机器学习工程师的常用工具，读者可以查看这些工具的流行度。