工程、科学和研究编程语言——全面比较
在工程、科学和研究领域，选择 编程语言 Python 可以极大地影响项目成果和效率。有超过 800 万开发人员利用 Python 完成从数据分析到机器学习等各种任务，它的流行彰显了软件选择的重要趋势（Stack Overflow，2023 年）。本文将根据性能、易用性、可用库、社区支持和成本等标准，列出适合工程和科学应用的编程语言的完整列表并进行比较。我们还将概述 C++、MATLAB 和 Fortran 等主要编程语言，同时剖析它们在特定工程任务中的优缺点。
关键要点
- 重点关注计算密集型任务的性能。
- 编程图书馆增强功能；评估其可用性。
- 考虑易用性，加快项目迭代。
- 社区支持影响解决问题的资源。
- 评估所用工具和图书馆的成本。
- 关注新兴语言的未来功能。
比较标准
编程语言的评估必须基于几个标准，其中包括可读性、易用性和社区支持。
- 可读性： 它确保工程师可以轻松理解和修改代码。例如，Python 以其清晰的语法而著称，即使是新手也能 从事 快速完成复杂的任务。此外，大量的文档和社区论坛也为用户提供了支持。 用户体验使故障排除和协作解决问题更加有效。
- 性能和计算效率： C 和 C++ 等语言速度极快、效率极高，是时间敏感型工程应用的理想选择。相比之下，Python 等解释型语言虽然在原始性能上可能略逊一筹，但却在原型设计和实验方面提供了极大的便利。性能对比可以通过模拟来体现，在某些情况下，C++ 的执行速度可能是 Python 的 10 倍，这可以从基准测试中看出。 有限元 分析。
- 特定任务所需的库和工具包的可用性它极大地影响了语言在科学计算中的实用性。一种语言如果拥有丰富的特定领域库，就能促进快速开发。例如，R 语言拥有大量统计分析软件包，而 MATLAB 则为线性代数提供了大量函数，从而使工程师能够专注于解决问题而非编码要领。
- 大型在线社区： 对于一门复杂的编程语言来说，庞大的集体知识库能让人更容易找到晦涩问题的解决方案，并在遇到困难概念时获得帮助。这种活跃的社区通常会带来更多现成的学习资源，如教程、文档和示例代码，从而大大缩短学习曲线。此外，活跃的社区通常意味着第三方库和工具的生态系统更加丰富，语言及其软件包的错误修复和更新也会更快。
提示： 检查可能会增强功能或优化的最新程序库更新，因为它们会显著改变编程语言的实用性。
提示： 在选择时，要考虑项目时间表和每个步骤的性能要求。混合解决方案可能是有益的，例如用 Python 制作原型，然后在生产需要时过渡到 C++。
典型工程和科学计算的性能基准
在评估用于工程和科学计算的编程语言时，关键性能指标包括执行速度、内存使用和并行处理。C 和 C++ 凭借高效的内存访问，在执行速度方面表现出色，是实时仿真的理想选择，而 Python 虽然功能多样，但除非使用 NumPy 等库进行优化，否则在数值任务中通常表现较慢。例如，经过优化的 C 语言在矩阵乘法方面的性能可比 Python 高出近 10 倍。Julia 和 Rust 等新兴语言分别在数值计算和内存安全方面表现出色。
由于性能主要取决于具体的应用，而具体的库可能会显著改变性能，因此我们选择只对*至***这一参数进行评级。
新兴编程语言和未来趋势
像 Julia 或 Rust 这样的新兴编程语言正在对技术和工程产生重大影响。Julia 在数值计算领域表现出色，具有高性能和用户友好的语法，自 2020 年以来在科学界取得了 50% 的增长。Rust 增强了系统工程的安全性和性能，吸引了波音和福特等公司来减少运行时错误。Swift，尤其是 Swift for TensorFlow，为机器学习提供了高效的数据操作，据说与传统的 Python 库相比，训练时间最多可减少 30%。
提示： 考虑探索结合多种语言优势的混合解决方案，例如使用 Python 进行数据分析，使用 Julia 进行数值计算，以优化项目成果，使用 javascript/D3 进行图形汇总。
| 语言 | 主要用途 | 优点 | 缺点 | 估计新增图书馆总数 | 估计科学图书馆 | 社区和从业人员 | 大数据复杂数学的估计速度 | 特点 |
|---|---|---|---|---|---|---|---|---|
| Python | 数据科学、机器学习、科学计算、网络开发 | 易学易用，拥有大量库（如 NumPy、Pandas、SciPy、Matplotlib），拥有活跃的大型社区，具有通用功能，适合编写脚本和实现自动化。 | 与编译语言相比，CPU 密集型任务的处理速度较慢（尽管 C 语言集成有所帮助），全局解释器锁（GIL）会限制 CPU 绑定任务的真正并行性，内存消耗较高。 | 500 000+（来自 PyPI） | 20,000+（核心科学堆栈，如 SciPy、Pandas、scikit-learn，外加专用工具） | *** | ** （***使用 NumPy/Cython 等优化库） | 解释型、动态类型、面向对象、强大的集成能力、丰富的文档。 |
| R | Statistical computing, Data analysis, Data visualization | 专为统计设计，拥有大量统计建模和可视化软件包（CRAN），强大的图形功能，在学术和研究领域拥有强大的社区。 | 对于非统计背景的人来说，学习曲线较长；对于通用编程和某些大规模计算来说，速度可能较慢；对于超大数据集来说，内存管理可能是个问题。 | 20,000+ (from CRAN, Bioconductor adds thousands more for 生物信息学) | 18,000+（CRAN 的大部分内容都针对特定领域） | *** | **（针对统计运算进行了优化，在一般数学运算中可能比其他一些运算慢）。 | 围绕向量、矩阵、数据帧等数据对象设计的解释型、面向数组的函数式编程功能。 |
| 朱莉娅 | 科学计算、高性能数值分析、机器学习 | 高性能（接近 C/Fortran），专为科学计算而设计，语法简单（类似 Python/MATLAB），与其他语言有很强的互操作性，内置并行性，多重调度。 | 与 Python 或 R 相比，社区和生态系统较小（尽管发展迅速），存在 "首次绘图时间 "问题（函数/包的初始编译滞后），在某些领域仍未成熟。 | 10,000+ （注册套餐） | 5,000+ （重点关注科学领域） | ** | *** | Dynamically typed with optional type annotations, JIT (准时制) compiled, designed for parallelism and distributed computing, multiple dispatch. |
| MATLAB | 数值计算、工程模拟、算法开发、数据可视化 | 广泛的内置数学函数和工具箱适用于各种工程和科学领域，集成开发环境（IDE）专为数值工作量身定制，具有高质量的绘图功能，适合矩阵运算。 | 专有且昂贵（基础和工具箱的许可证），在非矢量化操作或通用任务方面可能比编译语言慢，资源密集。 | 5,000+（结合官方工具箱（通常每个工具箱有数十种功能）和广泛的文件交换社区提交内容 | 4,500+（大多数工具箱和大部分文件交换都是针对特定域的） | ***（特别是在工程和特定学术领域） | ***（针对矩阵运算进行了高度优化）。 | Matrix-based language, interpreted with JIT compilation for some operations, extensive toolboxes, graphical environment (Simulink). |
| C++ | 高性能科学计算、游戏开发（物理引擎）、系统编程、嵌入式系统 | 卓越的性能和速度（接近硬件）、细粒度内存控制、大量库（Boost、Eigen、GSL）、成熟的语言、面向对象、过程式和通用编程。 | 学习曲线较长、手动内存管理（可能容易出错）、与高级语言相比开发时间较长、语法较复杂、编译时间较长。 | 10,000+（考虑到 Boost、Qt 等主要库，以及通过软件包管理器（如 Conan、vcpkg）或直接获取的众多小型库 | 500+（关键的、影响力大的库，如 Eigen、GSL、Boost.Math、ROOT、Armadillo、deal.II、Trilos、PETSc） | *** | *** | 编译语言、静态类型、支持手动内存管理、对系统硬件的高度控制、多范式。 |
| Java | 大型企业应用、大数据系统（如 Hadoop 生态系统）、安卓应用程序开发 | 由于采用了 JVM，因此与平台无关（"一次编写，随处运行" - WORA）；强大的内存管理（自动垃圾回收）；大型标准库和生态系统（Maven Central）；适合构建大型、健壮的系统；支持多线程。 | 可能比 Python 更啰嗦；与 C++/Fortran 相比，纯数值任务的性能较慢（尽管 JIT 编译有很大帮助）；内存消耗比 C++ 高。 | 500,000+（Maven Central 上的唯一库/工件） | 2,000+ （如 Apache Commons Math、Weka、Deeplearning4j、ND4J、Smile、各种专用科学工具） | *** | ** | 面向对象、静态类型、在 JVM 上运行、自动垃圾收集、可移植、通过 JIT 编译解释字节码。 |
| SAS | Advanced statistical analysis, Business intelligence, 临床试验 data analysis, Data mining | 全面且经过验证的统计程序，处理大型数据集的强大数据处理能力，在受监管行业（如制药、金融）得到广泛应用和认可，有利于报告和数据管理。 | 专有且非常昂贵，灵活性不如通用语言，除基本程序外，编程方面的学习曲线较长、 图形用户界面 可能很复杂。 | 200+（指 SAS 研究所提供的不同程序和模块） | 200+ （几乎所有 SAS 模块都用于统计、分析或数据管理任务） | ** | **（针对其特定的统计程序和处理磁盘上的大型数据集进行了优化）。 | 主要是 4GL 的数据操作步骤和分析过程步骤，侧重于数据管理和报告。 |
| 斯卡拉 | 大数据处理（尤其是使用 Apache Spark）、分布式系统、并发编程、函数式编程应用 | 结合了函数式编程和面向对象编程，在 JVM 上运行（可与 Java 库互操作），并发性和并行性出色，具有类型推断的静态类型（代码简洁），适合构建可扩展系统。 | 由于其丰富的功能集（函数式编程概念），学习曲线可能比较陡峭；与 Java 或 Python 相比，社区规模较小（尽管在不断扩大）；构建时间有时可能较慢。 | 50,000+（通过 JVM 和 Scaladex/Scala Index 利用 Java 的生态系统） | 500 多项（例如，用于数值计算的 Breeze、Spark MLlib、Saddle，以及用于其他方面的 Java 交互操作） | ** | **（利用 JVM 性能，在使用 Spark 进行大数据处理时速度非常快）。 | 混合函数式/面向对象、静态类型、在 JVM 上运行、鼓励不可变数据结构、用于并发的 Actor 模型（Akka）。 |
| Fortran | 高性能数值计算、科学和工程模拟（CFD、天气建模、物理学） | 数值任务（尤其是数组/矩阵操作）的卓越性能、成熟且高度优化的编译器、专为数值工作而设计（语法接近数学符号）、拥有大量遗留代码和库的悠久历史、本地支持并行（共数组）。 | 对于通用编程（如网络开发、图形用户界面）而言，通用性较差；社区规模较小，专业化程度较高；对于非数值任务而言，可能比较啰嗦；与其他一些语言相比，采用现代功能的速度较慢。 | 500+（来自 Netlib 等来源的重要、公开的已知库，特定于供应商的库，以及新兴的 fpm 生态系统） | 400 多个（大多数成熟的 Fortran 库都用于科学/工程计算） | * 总体规模较小，但在高性能计算和特定科学领域非常强大）。 | *** | 编译、静态类型、对数组操作的强大支持、针对数值精度和速度而设计、用于并行编程的 Coarrays。 |
| 沃尔夫拉姆数学 | 符号计算、技术计算、数据可视化、算法开发 | 功能强大的符号操作、集成的数字和符号计算、丰富的内置数学函数和数据、笔记本界面、高级编程语言、Wolfram 知识库访问。 | 专有且非常昂贵；如果编写不慎，在执行纯数值任务时可能比编译语言慢；某些高级功能的学习曲线较长；不太适合通用应用程序开发。 | 5,000+（如果将 Wolfram 图书馆档案中的大量内置函数、策划数据集和软件包视为等同于图书馆的内容） | 4,800+（核心优势；大部分功能以数学/科学/工程为主） | **（在学术界和特定研究领域实力雄厚） | **至***（对于符号运算非常出色，如果编写得好，对于数值运算也不错，但与 C/Fortran 相比，对于非常大的原始数值数据而言，会造成很大的开销。） | 符号语言、术语重写、基于规则的编程、笔记本界面、万物皆表达、函数式编程结构。 |
| 枫木 | 符号计算、数学教育、工程学 问题解决算法开发 | 强大的符号计算能力、用于数学探索的友好用户界面、广泛的数学函数和工具箱、适合教育和交互式问题解决。 | 专有且昂贵，超大规模数值计算的性能可能落后于专门的数值语言，在某些领域的社区规模小于 Mathematica 或 MATLAB。 | 3,000+（包括内置软件包、工具箱和通过 MapleCloud 提供的社区内容） | 2,800+ （主要侧重于数学和工程学） | *（数学教育和具体研究方面的强项） | **（适用于符号运算和中等数值运算，但不是其用于大量原始数据运算的主要设计）**（适用于符号运算和中等数值运算，但不是其用于大量原始数据运算的主要设计 | 符号计算引擎、程序和函数式编程、基于工作表的界面、重点强调数学符号。 |
| JavaScript | 网络开发（使用 Node.js 的前端和后端）、交互式数据可视化（如 D3.js、Plotly.js）、移动应用程序（通过框架） | Node.js 的无阻塞 I/O，非常适合 I/O 绑定任务，在数据科学（TensorFlow.js）中的应用日益广泛。 | 动态类型的特性可能会导致运行时出错，CPU 密集型科学任务的性能可能低于专业语言（不过，WebAssembly 和 Node.js C++ 附加组件可以改善性能），"回调地狱 "或承诺管理如果处理不当可能会很复杂。 | 2,000,000+（npm 上的软件包） | 1,000+（例如 TensorFlow.js、stdlib-js、math.js、Plotly.js、D3.js 和各种专用实用程序） | ***（总体而言，最大的社区之一） | * 改进，尤其是使用 WebAssembly 或利用 C++ 库的服务器端 Node.js，但基本 JS 在这方面的速度较慢 | 解释或 JIT 编译、基于原型的面向对象、单线程事件循环模型、动态类型、多范式。 |
| 斯威夫特 | iOS、macOS、watchOS、tvOS 应用程序开发，服务器端开发（不断发展），对科学计算有一定兴趣 | 现代语法、快速性能（编译）、强大的类型安全性、自动内存管理 (ARC)、与 Objective-C 和 C 的良好互操作性、不断壮大的开源社区。 | 主要侧重于 苹果 与 Python/R 相比，科学计算生态系统较小；语言较新，成熟的科学库较少。 | 20,000+（Swift 包裹索引跟踪包裹） | 100+ （新出现的数值库、绘图工具、一些装订；还不是主要重点） | **（在苹果生态系统内表现强劲，在其他地方也在增长） | **（编译语言，速度可能很快，但取决于库的可用性和对科学任务的优化） | 编译、静态类型、面向协议、可选类型、值和引用类型、ARC（自动引用计数）。 |
| Go (Golang) | 网络服务、分布式系统、云基础设施、命令行工具、系统编程 | 出色的并发性支持（goroutines、channel）、快速编译、具有良好性能的静态类型、简单的语法、强大的标准库、适合构建可扩展的可靠系统。 | 与 Python/R 相比，用于数据科学和数值计算的生态系统较小；手动错误处理可能过于冗长；最近才添加了泛型；图形用户界面选项不太丰富。 | 50,000+（可发现模块） | 100+ （例如，用于数值计算的 Gonum，一些机器学习库工作，但并不广泛） | ** | **（编译高效，适合数据处理管道，但数值库不如 C++/Fortran成熟） | 编译、静态类型、并发原语（goroutines、channel）、垃圾回收、强调简洁性。 |
| C# | Windows 桌面应用程序、网络开发（ASP.NET）、游戏开发（Unity）、企业软件、使用 .NET 的跨平台应用程序 | Powerful and versatile, Strong support from Microsoft (.NET ecosystem), Good performance (JIT compiled), Type safety, Large standard library (BCL), Good IDE support (Visual Studio), Asynchronous programming features. | 历来以 Windows 为中心（尽管 .NET Core/.NET 5+ 是跨平台的），在编写脚本时可能比 Python 更啰嗦，科学计算生态系统不如 Python 或 R 那么广泛，但在不断壮大（如 Math.NET Numerics）。 | 300,000+（NuGet 上的唯一软件包） | 500+ （例如，Math.NET Numerics、Accord.NET、ML.NET、ScottPlot、OxyPlot） | *** | **（JIT 编译，性能良好，可通过 P/Invoke 或 C++/CLI 与 C++/Fortran 交互运行） | 面向对象、静态类型、运行于 .NET CLR（通用语言运行时）、垃圾回收、用于数据查询的 LINQ、面向组件。 |
| Perl | 文本处理、系统管理、生物信息学（历史悠久）、网络开发（CGI、旧框架和一些现代框架，如 Mojolicious） | 强大的文本处理能力（正则表达式）、成熟的语言、CPAN（Comprehensive Perl Archive Network，Perl 综合存档网络）提供的大量模块、良好的脚本和自动化功能。 | 与 Python 相比，它在许多任务中的受欢迎程度有所下降，在重型数值计算方面的性能不是它的核心优势，一些面向对象的功能让人感觉是附加的。 | 200,000+（在 CPAN 上发布；单个模块数量更多） | 500 多个（如 PDL - Perl 数据语言、大量 BioPerl 模块、各种统计模块） | * （仍然活跃，但规模小于其高峰期，忠实社区） | 解释型语言，PDL 在数值数组方面可以改进，但在重型数学计算方面通常不如编译型语言快）* （解释型语言，PDL 在数值数组方面可以改进，但在重型数学计算方面通常不如编译型语言快 | 解释型、动态类型、强大的正则表达式引擎、"There's More Than One Way To Do It"（TMTOWTDI）理念、上下文相关。 |
| LISP | 人工智能（历史上）、符号计算、可扩展软件系统、研究、特定领域语言 (DSL) | 强大的宏系统，用于元编程（写代码的代码）、动态和交互式开发、同构性（代码即数据）、适用于复杂的符号操作和人工智能算法。(Clojure 增加了 JVM/JS 互操作和并发功能）。 | 小众语言，主流社区规模较小（Clojure 除外，其他语言的主流社区都很活跃）；括号式语法对某些人来说可能是个障碍；通用科学/数值库生态系统不如 Python/R 广泛。 | 10,000+（针对 Common Lisp 的 Quicklisp 有 ~1,500 个项目，针对 Clojure 的 Clojars 有 >30,000 个库；估计包括主要方言的总和）。 | 150+ （CL 中有一些专门的数值/人工智能库，如 GSLL；Clojure 广泛利用 Java/JS 数值库） | 每种方言都有规模较小的专门社区；Clojure 的社区规模更大，在行业中也更活跃）* （每种方言都有规模较小的专门社区；Clojure 的社区规模更大，在行业中也更活跃 | * 解释/编译取决于方言和实现，如果优化，速度会更快。Clojure 可获得 JVM/JS 的速度优势) | 语言家族、同源（代码即数据）、宏系统、强调函数式编程（在 Scheme/Clojure 中很强）、动态类型（Common Lisp、Scheme）或动态强类型（Clojure）。 |
| 哈士奇 | Academic research, Financial modeling, Building robust and correct software, 编译器 development, DSLs | 纯函数式语言，具有类型推断功能的强大静态类型，强调正确性和可靠性（懒评估、纯粹性），出色的并发和并行支持。 | 学习曲线较陡（函数式概念、单子）；与主流语言相比，社区规模较小；用于一般科学任务的生态系统开发较少；如果不小心，高度迭代数值算法的性能可能比命令式语言更难优化。 | 15,000+ （Hackage 上的套餐） | 100 多个（例如，用于数值线性代数的 HMatrix、一些统计软件包、与其他库的绑定，但不如 Python/R 全面） | * | *（已编译，但对于数字任务，如果不仔细管理，懒惰的评估和功能风格可能会影响性能；经过努力可以实现高性能） | 纯函数式、带强类型推断的静态类型、懒评估、类型类、单子。 |
| Prolog | Artificial intelligence (logic programming, expert systems, 自然语言处理), Database programming, Symbolic reasoning, Theorem proving | 基于逻辑的声明式语言，内置回溯和搜索机制，适用于涉及规则和关系的问题，符号推理。 | 小众语言，社区规模较小；不适合数值计算或通用应用程序开发；如果结构不严谨，在处理大规模问题时可能会出现性能问题；调试具有挑战性。 | 300+ （例如，SWI-Prolog 的软件包系统和用于特定实现的库） | 20+（一般数值数学很少；有限域或有理数上的约束逻辑编程较多） | * | * 不是为此设计的；速度在于其逻辑推理能力，而不是原始的数字运算能力 | 逻辑编程范式、声明式、基于 Horn 子句、统一、回溯。 |
包起来
正如我们在对工程、科学和研究专用编程语言的研究中所看到的，每种语言都有其独特的优势和局限性。工程师们关于哪种语言最能满足特定项目需求的持续对话凸显了语境和应用的重要性。例如，虽然 Python 的广泛使用展示了其 多功能性在性能密集型任务中，C++ 仍然是一个强大的选择。
最终，正确的选择取决于项目要求、现有基础设施和团队对语言的熟悉程度等因素。
相关主题
- 与硬件集成： 了解编程语言如何与工程应用中使用的各种硬件组件连接。
- 实时系统： 研究使用编程语言开发工程项目所需的响应系统。
- 代码优化技术 研究提高用于科学计算的程序代码性能的方法。
- 数据格式和管理： 比较不同编程语言如何处理数据存储和检索过程。
- 并行计算方法： 探索便于在多处理器上执行的编程范式，以提高计算速度。
- 编程中的统计方法 研究编程语言如何将统计技术融入数据分析。
- 开源软件与专利软件： 权衡工程领域开源语言与商业授权语言的利弊。
- 与现有工具集成： 检查编程语言与业界成熟的工程软件和工具的配合情况。
有关科学编程语言的外部链接
国际标准
（将鼠标悬停在链接上即可查看内容描述）