虽然像 Python 和 R 这样的语言在数据科学领域越来越受欢迎，但 C 和 C++ 也可以成为高效且有效的数据科学的强大选择。在本文中，我们将使用 C99 和 C++11 编写一个程序，该程序使用 Anscombe 四重奏数据集，我将在接下来解释它。
我在一篇关于 Python 和 GNU Octave 的文章中写了关于我不断学习语言的动机，这篇文章值得回顾。所有程序都旨在在 命令行 上运行，而不是使用 图形用户界面 (GUI)。完整的示例可在 polyglot_fit 仓库中找到。
编程任务
您将在本系列中编写的程序
- 从 CSV 文件读取数据
- 用直线插值数据（即，f(x)=m ⋅ x + q）
- 将结果绘制到图像文件
这是许多数据科学家遇到的常见情况。示例数据是 Anscombe 四重奏的第一组，如下表所示。这是一组人工构建的数据，当用直线拟合时会给出相同的结果，但它们的图非常不同。数据文件是一个文本文件，使用制表符作为列分隔符，并使用几行作为标题。此任务将仅使用第一组（即，前两列）。
| I | II | III | IV | ||||
|---|---|---|---|---|---|---|---|
| x | y | x | y | x | y | x | y |
| 10.0 | 8.04 | 10.0 | 9.14 | 10.0 | 7.46 | 8.0 | 6.58 |
| 8.0 | 6.95 | 8.0 | 8.14 | 8.0 | 6.77 | 8.0 | 5.76 |
| 13.0 | 7.58 | 13.0 | 8.74 | 13.0 | 12.74 | 8.0 | 7.71 |
| 9.0 | 8.81 | 9.0 | 8.77 | 9.0 | 7.11 | 8.0 | 8.84 |
| 11.0 | 8.33 | 11.0 | 9.26 | 11.0 | 7.81 | 8.0 | 8.47 |
| 14.0 | 9.96 | 14.0 | 8.10 | 14.0 | 8.84 | 8.0 | 7.04 |
| 6.0 | 7.24 | 6.0 | 6.13 | 6.0 | 6.08 | 8.0 | 5.25 |
| 4.0 | 4.26 | 4.0 | 3.10 | 4.0 | 5.39 | 19.0 | 12.50 |
| 12.0 | 10.84 | 12.0 | 9.13 | 12.0 | 8.15 | 8.0 | 5.56 |
| 7.0 | 4.82 | 7.0 | 7.26 | 7.0 | 6.42 | 8.0 | 7.91 |
| 5.0 | 5.68 | 5.0 | 4.74 | 5.0 | 5.73 | 8.0 | 6.89 |
C 的方式
C 是一种通用编程语言，是当今最流行的语言之一（根据来自 TIOBE 指数、RedMonk 编程语言排名、编程语言流行度指数 和 GitHub Octoverse 状态 的数据）。它是一种相当古老的语言（大约 1973 年），许多成功的程序都是用它编写的（例如，Linux 内核和 Git，仅举两个例子）。它也是最接近计算机内部工作的语言之一，因为它用于直接操作内存。它是一种 编译型语言；因此，源代码必须由 编译器 翻译成 机器代码。它的 标准库 很小且功能较少，因此开发了其他库来提供缺失的功能。
它是我最常用于 数值计算 的语言，主要是因为它的性能。我发现它使用起来相当乏味，因为它需要大量的 样板代码，但在各种环境中都得到了很好的支持。C99 标准是最近的一个修订版，它添加了一些漂亮的功能，并且得到了编译器的良好支持。
我将一路介绍 C 和 C++ 编程的必要背景知识，以便初学者和高级用户都能跟上。
安装
要使用 C99 进行开发，您需要一个编译器。我通常使用 Clang，但 GCC 是另一个有效的开源编译器。对于线性拟合，我选择使用 GNU Scientific Library。对于绘图，我找不到任何合理的库，因此该程序依赖于一个外部程序：Gnuplot。该示例还使用动态数据结构来存储数据，该结构在 Berkeley Software Distribution (BSD) 中定义。
在 Fedora 中安装非常容易，只需运行
sudo dnf install clang gnuplot gsl gsl-devel注释代码
在 C99 中，注释 的格式是在行首放置 //，该行的其余部分将被解释器丢弃。或者，/* 和 */ 之间的任何内容也会被丢弃。
// This is a comment ignored by the interpreter.
/* Also this is ignored */必要的库
库由两部分组成
- 一个 头文件，其中包含函数的描述
- 一个源文件，其中包含函数的定义
头文件包含在源文件中，而库的源文件则 链接 到可执行文件。因此，此示例所需的头文件是
// Input/Output utilities
#include <stdio.h>
// The standard library
#include <stdlib.h>
// String manipulation utilities
#include <string.h>
// BSD queue
#include <sys/queue.h>
// GSL scientific utilities
#include <gsl/gsl_fit.h>
#include <gsl/gsl_statistics_double.h>主函数
在 C 中，程序必须位于一个名为 main() 的特殊函数中：
int main(void) {
...
}这与 Python 不同，正如上次教程中所述，Python 将运行在源文件中找到的任何代码。
定义变量
在 C 中，变量必须在使用前声明，并且必须与类型关联。每当您想使用变量时，都必须决定要将哪种数据存储在其中。您还可以指定是否打算将变量用作常量值，这不是必需的，但编译器可以从中受益。从仓库中的 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 中的数组不是动态的，从某种意义上说，它们的长度必须预先确定（即，在编译之前）
int data_array[1024];由于您通常不知道文件中存在多少个数据点，因此请使用 单链表。这是一种可以无限增长的动态数据结构。幸运的是，BSD 提供了链表。这是一个示例定义
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);此示例定义了一个 data_point 列表，该列表由包含 x 值和 y 值的结构化值组成。语法相当复杂但直观，详细描述它会过于冗长。
打印输出
要在终端上打印，可以使用 printf() 函数，该函数的工作方式类似于 Octave 的 printf() 函数（在第一篇文章中描述）
printf("#### Anscombe's first set with C99 ####\n");printf() 函数不会在打印字符串的末尾自动添加换行符，因此您必须添加它。第一个参数是一个字符串，它可以包含传递给函数的其他参数的格式信息，例如
printf("Slope: %f\n", slope);读取数据
现在到了困难的部分……C 中有一些用于 CSV 文件解析的库，但似乎没有一个足够稳定或流行到可以进入 Fedora 软件包仓库。为了避免为此教程添加依赖项，我决定自己编写这部分。同样，深入细节会过于冗长，因此我只会解释一般思路。为了简洁起见，将忽略源代码中的某些行，但您可以在仓库中找到完整的示例。
首先，打开输入文件
FILE* input_file = fopen(input_file_name, "r");然后逐行读取文件，直到出现错误或文件结束
while (!ferror(input_file) && !feof(input_file)) {
size_t buffer_size = 0;
char *buffer = NULL;
getline(&buffer, &buffer_size, input_file);
...
}getline() 函数是 POSIX.1-2008 标准 中最近添加的一个不错的功能。它可以读取文件中的整行并负责分配必要的内存。然后使用 strtok() 函数将每行拆分为 标记。循环遍历标记，选择您想要的列
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，当选择了 x 和 y 值时，将新的数据点插入链表
struct data_point *datum = malloc(sizeof(struct data_point));
datum->x = x;
datum->y = y;
SLIST_INSERT_HEAD(&head, datum, entries);malloc() 函数为新的数据点动态分配（保留）一些持久性内存。
拟合数据
GSL 线性拟合函数 gsl_fit_linear() 期望其输入是简单的数组。因此，由于您不会预先知道您创建的数组的大小，因此必须手动分配它们的内存
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，循环遍历链表以将相关数据保存到数组
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;
}现在您已经完成了链表，请清理它。始终释放手动分配的内存，以防止 内存泄漏。内存泄漏是糟糕的，糟糕的，糟糕的。每次内存未释放时，花园侏儒都会失去脑袋
while (!SLIST_EMPTY(&head)) {
struct data_point *datum = SLIST_FIRST(&head);
SLIST_REMOVE_HEAD(&head, entries);
free(datum);
}最后，终于（！），您可以拟合您的数据
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);绘图
您必须使用外部程序进行绘图。因此，将拟合函数保存到外部文件
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);
}用于绘制两个文件的 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'结果
在运行程序之前，您必须编译它
clang -std=c99 -I/usr/include/ fitting_C99.c -L/usr/lib/ -L/usr/lib64/ -lgsl -lgslcblas -o fitting_C99此命令告诉编译器使用 C99 标准，读取 fitting_C99.c 文件，加载库 gsl 和 gslcblas，并将结果保存到 fitting_C99。命令行上的结果输出是
#### Anscombe's first set with C99 ####
Slope: 0.500091
Intercept: 3.000091
Correlation coefficient: 0.816421这是使用 Gnuplot 生成的结果图像。
C++11 的方式
C++ 是一种通用编程语言，也是当今最流行的语言之一。它被创建为 C 的后继者（在 1983 年），重点是 面向对象编程 (OOP)。C++ 通常被认为是 C 的超集，因此 C 程序应该能够用 C++ 编译器编译。这并不完全正确，因为在某些极端情况下，它们的行为会有所不同。根据我的经验，C++ 比 C 需要更少的样板代码，但如果您想开发对象，则语法更难。C++11 标准是最近的一个修订版，它添加了一些漂亮的功能，并且或多或少得到了编译器的支持。
由于 C++ 在很大程度上与 C 兼容，因此我将仅突出显示两者之间的差异。如果我没有在本部分中介绍某个部分，则表示它与 C 中的相同。
安装
C++ 示例的依赖项与 C 示例相同。在 Fedora 上，运行
sudo dnf install clang gnuplot gsl gsl-devel必要的库
库的工作方式与 C 中相同，但 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 库是用 C 编写的，因此您必须将此特性告知编译器。
定义变量
C++ 支持比 C 更多的数据类型（类），例如 string 类型，它比其 C 对应物具有更多功能。相应地更新变量的定义
const std::string input_file_name("anscombe.csv");对于像字符串这样的结构化对象，您可以定义变量而不使用 = 符号。
打印输出
您可以使用 printf() 函数，但 cout 对象更符合习惯用法。使用运算符 << 来指示您要使用 cout 打印的字符串（或对象）
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;读取数据
方案与之前相同。文件被打开并逐行读取，但语法不同
std::ifstream input_file(input_file_name);
while (input_file.good()) {
std::string line;
getline(input_file, line);
...
}行标记使用与 C99 示例中相同的函数提取。不要使用标准 C 数组，而是使用两个 向量。向量是 C++ 标准库 中 C 数组的扩展，它允许动态管理内存，而无需显式调用 malloc()
std::vector<double> x;
std::vector<double> y;
// Adding an element to x and y:
x.emplace_back(value);
y.emplace_back(value);拟合数据
对于 C++ 中的拟合，您不必循环遍历列表，因为向量保证具有连续的内存。您可以将指向向量缓冲区的指针直接传递给拟合函数
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;绘图
绘图使用与之前相同的方法完成。写入文件
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 进行绘图。
结果
在运行程序之前，必须使用类似的命令编译它
clang++ -std=c++11 -I/usr/include/ fitting_Cpp11.cpp -L/usr/lib/ -L/usr/lib64/ -lgsl -lgslcblas -o fitting_Cpp11命令行上的结果输出是
#### Anscombe's first set with C++11 ####
Slope: 0.500091
Intercept: 3.00009
Correlation coefficient: 0.816421这是使用 Gnuplot 生成的结果图像。
结论
本文提供了 C99 和 C++11 中数据拟合和绘图任务的示例。由于 C++ 在很大程度上与 C 兼容，因此本文利用了它们的相似性来编写第二个示例。在某些方面，C++ 更易于使用，因为它部分减轻了显式管理内存的负担。但是，语法更复杂，因为它引入了编写 OOP 类的可能性。但是，仍然可以使用 OOP 方法在 C 中编写软件。由于 OOP 是一种编程风格，因此可以在任何语言中使用它。C 中有一些很棒的 OOP 示例，例如 GObject 和 Jansson 库。
对于数值计算，由于其更简单的语法和广泛的支持，我更喜欢在 C99 中工作。直到最近，C++11 还没有得到广泛支持，我倾向于避免以前版本中的粗糙边缘。对于更复杂的软件，C++ 可能是一个不错的选择。
您是否也使用 C 或 C++ 进行数据科学？在评论中分享您的经验。
14 条评论