在数据科学中使用 C 和 C++

让我们使用 C99 和 C++11 完成常见的数据科学任务。

虽然 Python 和 R 之类的语言在数据科学中越来越受欢迎，但是 C 和 C++ 对于高效的数据科学来说是一个不错的选择。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 的四重奏数据集，下面将对其进行解释。

我在一篇涉及 Python 和 GNU Octave 的文章中写了我不断学习编程语言的动机，值得大家回顾。这里所有的程序都需要在命令行上运行，而不是在图形用户界面(GUI)上运行。完整的示例可在 polyglot_fit 存储库中找到。

编程任务

你将在本系列中编写的程序：

• 从 CSV 文件中读取数据
• 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普遍情况。示例数据是 Anscombe 的四重奏的第一组，如下表所示。这是一组人工构建的数据，当拟合直线时可以提供相同的结果，但是它们的曲线非常不同。数据文件是一个文本文件，其中的制表符用作列分隔符，前几行作为标题。该任务将仅使用第一组(即前两列)。

C 语言的方式

C 语言是通用编程语言，是当今使用最广泛的语言之一(依据 TIOBE 指数、RedMonk 编程语言排名、编程语言流行度指数和 GitHub Octoverse 状态 得来)。这是一种相当古老的语言(大约诞生在 1973 年)，并且用它编写了许多成功的程序(例如 Linux 内核和 Git 仅是其中的两个例子)。它也是最接近计算机内部运行机制的语言之一，因为它直接用于操作内存。它是一种编译语言;因此，源代码必须由编译器转换为机器代码。它的标准库很小，功能也不多，因此人们开发了其它库来提供缺少的功能。

我最常在数字运算中使用该语言，主要是因为其性能。我觉得使用起来很繁琐，因为它需要很多样板代码，但是它在各种环境中都得到了很好的支持。C99 标准是最新版本，增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，以便初学者和高级用户都可以继续学习。

安装

要使用 C99 进行开发，你需要一个编译器。我通常使用 Clang，不过 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 科学库。对于绘图，我找不到任何明智的库，因此该程序依赖于外部程序：Gnuplot。该示例还使用动态数据结构来存储数据，该结构在伯克利软件分发版(BSD)中定义。

在 Fedora 中安装很容易：

sudo dnf install clang gnuplot gsl gsl-devel 

代码注释

在 C99 中，注释的格式是在行的开头放置 //，行的其它部分将被解释器丢弃。另外，/* 和 */ 之间的任何内容也将被丢弃。

// 这是一个注释，会被解释器忽略 
/* 这也被忽略 */ 

必要的库

库由两部分组成：

• 头文件，其中包含函数说明
• 包含函数定义的源文件

头文件包含在源文件中，而库文件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：

// 输入/输出功能 
#include <stdio.h> 
// 标准库 
#include <stdlib.h> 
// 字符串操作功能 
#include <string.h> 
// BSD 队列 
#include <sys/queue.h> 
// GSL 科学功能 
#include <gsl/gsl_fit.h> 
#include <gsl/gsl_statistics_double.h> 

主函数

在 C 语言中，程序必须位于称为主函数 main() 的特殊函数内：

int main(void) { 
    ... 
} 

这与上一教程中介绍的 Python 不同，后者将运行在源文件中找到的所有代码。

定义变量

在 C 语言中，变量必须在使用前声明，并且必须与类型关联。每当你要使用变量时，都必须决定要在其中存储哪种数据。你也可以指定是否打算将变量用作常量值，这不是必需的，但是编译器可以从此信息中受益。 以下来自存储库中的 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 语言中的数组不是动态的，从某种意义上说，数组的长度必须事先确定(即，在编译之前)：

int data_array[1024]; 

由于你通常不知道文件中有多少个数据点，因此请使用单链列表。这是一个动态数据结构，可以无限增长。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); 

该示例定义了一个由结构化值组成的 data_point 列表，该结构化值同时包含 x 值和 y 值。语法相当复杂，但是很直观，详细描述它就会太冗长了。

打印输出

要在终端上打印，可以使用 printf() 函数，其功能类似于 Octave 的 printf() 函数(在第一篇文章中介绍)：

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，因此你必须添加换行符。第一个参数是一个字符串，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

现在来到了困难的部分……有一些用 C 语言解析 CSV 文件的库，但是似乎没有一个库足够稳定或流行到可以放入到 Fedora 软件包存储库中。我没有为本教程添加依赖项，而是决定自己编写此部分。同样，讨论这些细节太啰嗦了，所以我只会解释大致的思路。为了简洁起见，将忽略源代码中的某些行，但是你可以在存储库中找到完整的示例代码。

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 标准新增的一个不错的函数。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() 函数将每一行分成字元token。遍历字元，选择所需的列：

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，当选择了 x 和 y 值时，将新数据点插入链表中：

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

malloc() 函数为新数据点动态分配(保留)一些持久性内存。

拟合数据

GSL 线性拟合函数 gslfitlinear() 期望其输入为简单数组。因此，由于你将不知道要创建的数组的大小，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，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; 
} 

现在你已经处理完了链表，请清理它。要总是释放已手动分配的内存，以防止内存泄漏。内存泄漏是糟糕的、糟糕的、糟糕的(重要的话说三遍)。每次内存没有释放时，花园侏儒都会找不到自己的头：

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

终于，终于!你可以拟合你的数据了：

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); 

绘图

你必须使用外部程序进行绘图。因此，将拟合数据保存到外部文件：

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，你必须编译它：

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

这个命令告诉编译器使用 C99 标准、读取 fitting_C99.c 文件、加载 gsl 和 gslcblas 库、并将结果保存到 fitting_C99。命令行上的结果输出为：

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

这是用 Gnuplot 生成的结果图像：

C++11 方式

C++ 语言是一种通用编程语言，也是当今使用的最受欢迎的语言之一。它是作为 C 的继承人创建的(诞生于 1983 年)，重点是面向对象程序设计(OOP)。C++ 通常被视为 C 的超集，因此 C 程序应该能够使用 C++ 编译器进行编译。这并非完全正确，因为在某些极端情况下它们的行为有所不同。 根据我的经验，C++ 与 C 相比需要更少的样板代码，但是如果要进行面向对象开发，语法会更困难。C++11 标准是最新版本，增加了一些漂亮的功能，并且基本上得到了编译器的支持。

由于 C++ 在很大程度上与 C 兼容，因此我将仅强调两者之间的区别。我在本部分中没有涵盖的任何部分，则意味着它与 C 中的相同。

安装

这个 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 语言相同，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 库是用 C 编写的，因此你必须将这个特殊情况告知编译器。

定义变量

与 C 语言相比，C++ 支持更多的数据类型(类)，例如，与其 C 语言版本相比，string 类型具有更多的功能。相应地更新变量的定义：

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

对于字符串之类的结构化对象，你可以定义变量而无需使用 = 符号。

打印输出

你可以使用 printf() 函数，但是 cout 对象更惯用。使用运算符 << 来指示要使用 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

该方案与以前相同。将打开文件并逐行读取文件，但语法不同：

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

使用与 C99 示例相同的功能提取行字元。代替使用标准的 C 数组，而是使用两个向量。向量是 C++ 标准库中对 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

要在 C++ 中拟合，你不必遍历列表，因为向量可以保证具有连续的内存。你可以将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

使用与以前相同的方法进行绘图。 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对其进行编译：

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为：

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

这就是用 Gnuplot 生成的结果图像：

结论

本文提供了用 C99 和 C++11 编写的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了第二个示例。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。但是其语法更加复杂，因为它引入了为 OOP 编写类的可能性。但是，仍然可以用 C 使用 OOP 方法编写软件。由于 OOP 是一种编程风格，因此可以在任何语言中使用。在 C 中有一些很好的 OOP 示例，例如 GObject 和 Jansson库。

对于数字运算，我更喜欢在 C99 中进行，因为它的语法更简单并且得到了广泛的支持。直到最近，C++11 还没有得到广泛的支持，我倾向于避免使用先前版本中的粗糙不足之处。对于更复杂的软件，C++ 可能是一个不错的选择。

你是否也将 C 或 C++ 用于数据科学?在评论中分享你的经验。