怎么在數據科學中使用C和C++

本篇內容主要講解“怎么在數據科學中使用C和C++”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學習“怎么在數據科學中使用C和C++”吧!

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)

• 將結果繪制到圖像文件

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，其中的制表符用作列分隔符，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)，并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，因為它直接用于操作內存。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，并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。對于線性擬合，我選擇使用 GNU  科學庫。對于繪圖，我找不到任何明智的庫，因此該程序依賴于外部程序：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：

sudo dnf install clang gnuplot gsl gsl-devel

代碼注釋

在 C99 中，注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。

// 這是一個注釋，會被解釋器忽略 /* 這也被忽略 */

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：

// 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 <sys/queue.h> // GSL 科學功能 #include <gsl/gsl_fit.h> #include <gsl/gsl_statistics_double.h>

主函數

在 C 語言中，程序必須位于稱為主函數 main() 的特殊函數內：

int main(void) {     ... }

這與上一教程中介紹的 Python 不同，后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，并且必須與類型關聯。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：

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;

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)：

int data_array[1024];

由于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：

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);

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。語法相當復雜，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，其功能類似于 Octave 的 printf() 函數(在第一篇文章中介紹)：

printf("#### Anscombe's first set with C99 ####\n");

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：

printf("Slope: %f\n", slope);

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，討論這些細節太啰嗦了，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：

FILE* input_file = fopen(input_file_name, "r");

然后逐行讀取文件，直到出現錯誤或文件結束：

while (!ferror(input_file) && !feof(input_file)) {     size_t buffer_size = 0;     char *buffer = NULL;         getline(&buffer, &buffer_size, input_file);     ... }

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，并負責分配必要的內存。然后使用 strtok()  函數將每一行分成字元token。遍歷字元，選擇所需的列：

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); }

最后，當選擇了 x 和 y 值時，將新數據點插入鏈表中：

struct data_point *datum = malloc(sizeof(struct data_point)); datum->x = x; datum->y = y; SLIST_INSERT_HEAD(&head, datum, entries);

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，由于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：

const size_t entries_number = row - skip_header - 1; double *x = malloc(sizeof(double) * entries_number); double *y = malloc(sizeof(double) * entries_number);

然后，遍歷鏈表以將相關數據保存到數組：

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; }

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，以防止內存泄漏。內存泄漏是糟糕的、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：

while (!SLIST_EMPTY(&head)) {     struct data_point *datum = SLIST_FIRST(&head);     SLIST_REMOVE_HEAD(&head, entries);     free(datum); }

終于，終于!你可以擬合你的數據了：

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);

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：

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); }

用于繪制兩個文件的 Gnuplot 命令是：

plot 'fit_C99.csv' using 1:2 with lines title 'Fit', 'anscombe.csv' using 1:2 with points pointtype 7 title 'Data'

結果

在運行程序之前，你必須編譯它：

clang -std=c99 -I/usr/include/ fitting_C99.c -L/usr/lib/ -L/usr/lib64/ -lgsl -lgslcblas -o fitting_C99

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、并將結果保存到  fitting_C99。命令行上的結果輸出為：

#### Anscombe's first set with C99 #### Slope: 0.500091 Intercept: 3.000091 Correlation coefficient: 0.816421

這是用 Gnuplot 生成的結果圖像：

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(誕生于 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。這并非完全正確，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，并且基本上得到了編譯器的支持。

由于 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：

sudo dnf install clang gnuplot gsl gsl-devel

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：

#include <cstdlib> #include <cstring> #include <iostream> #include <fstream> #include <string> #include <vector> #include <algorithm> extern "C" { #include <gsl/gsl_fit.h> #include <gsl/gsl_statistics_double.h> }

由于 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：

const std::string input_file_name("anscombe.csv");

對于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)：

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;

讀取數據

該方案與以前相同。將打開文件并逐行讀取文件，但語法不同：

std::ifstream input_file(input_file_name); while (input_file.good()) {     std::string line;     getline(input_file, line);     ... }

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()：

std::vector<double> x; std::vector<double> y; // Adding an element to x and y: x.emplace_back(value); y.emplace_back(value);

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。你可以將向量緩沖區的指針直接傳遞給擬合函數：

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;

繪圖

使用與以前相同的方法進行繪圖。 寫入文件：

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();

然后使用 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：

clang++ -std=c++11 -I/usr/include/ fitting_Cpp11.cpp -L/usr/lib/ -L/usr/lib64/ -lgsl -lgslcblas -o fitting_Cpp11

命令行上的結果輸出為：

#### Anscombe's first set with C++11 #### Slope: 0.500091 Intercept: 3.00009 Correlation coefficient: 0.816421

這就是用 Gnuplot 生成的結果圖像：

到此，相信大家對“怎么在數據科學中使用C和C++”有了更深的了解，不妨來實際操作一番吧！這里是億速云網站，更多相關內容可以進入相關頻道進行查詢，關注我們，繼續學習！