话说到，去年在上海财经大学讲《R与统计图形》时，提到了Edward Muybridge (1830-1904)的赛马动画。在准备材料的时候，我也比较八卦的翻了翻关于赛马动画的历史，结果发现：这幅图型不但是统计动画的鼻祖，同样是现代电影的先驱。

从 Edward Muybride 拍摄赛马动画后，美国的电影产业开始高速的发展，从此加利福尼亚州顺理成章地成为人类电影发展上的重镇，加州的好莱坞产生了大量的电影技术的创新，好莱坞电影也成为美国文化的主要代表之一。

电影、动画的原理，我就不八卦了，一般理科生大概都有些了解。关于这个赛马动画的产生，很有意思：

1872年，前美国加州州长 Leland Stanford（也是斯坦福大学的创立者）是一个狂热的赛马爱好者，为了证明马在奔跑的时候会有一刻所有的蹄子同时悬空，和人打赌，赌金非常高，达到了$25,000（估计折合到现在应该有几百万美元吧）。而在那个年代很难用肉眼确定马在奔跑时的状态（可以想象一下为什么“马踏飞燕”是那个样子？）于是Stanford找到并雇佣Muybridge这个摄影家帮他解决这个问题。

Muybridge 本来在 1872 年的时候已经接受了 Stanford 的邀请，为 Stanford 提供那旷世赌博的摄像证据。但这家伙怀疑自己老婆有个情人（Larkyns），并且冲动的枪杀了Larkyns（和张灵甫有的一拼）。一直到1877年，Muybridge 被判无罪（Stanford提供的辩护资助），才又继续他的奔马实验，于是有了这个：

后来Muybridge根据这些赛马的图片，创作了人类历史上的第一个小电影。那，下面这个动画就是用最上面的几张图合并而成的（因为偷懒用ImageMagick自动切割，所以这个小电影有点晃～～）

当然，还有一个效果更好的：

哈，这便是统计动画～～

相关文章：

• R之不务正业-批处理漫画
• 全民盛宴《阿凡达》

工作会议就暂且不提了，说说最近参加的两场学术性质的会议。

第一场是在11月12日-13日，上海召开的中国R语言会议，本次会议各种重量级嘉宾：数据挖掘领域鼻祖级人物——谢邦昌，中国最年轻的教授——周涛，来自于奥克兰大学VGAM包的作者THomas W. Yee，等等guru。本着R语言会议一场不能落的原则，于是乎贡献了一篇 Data Mining With RWeka，主要讲了一下关于R语言和Weka之间的算法调用，以及附带讲了一下分类算法的评估。不过很可惜，本来要和舰哥仔细聊聊的，结果时间没排开，只好再找机会了。

第二场是在北京11月26日，由CSDN召集的大数据技术大会，和大家分享了一下R语言主题的《R You Ready？》，没想到结束之后又多位同行对R语言很感兴趣。这次会议有些主题非常有意思，比如淘宝数据团队负责人-赵昆的汇报《淘宝海量数据技术》，演示了一张淘宝卖家卖家交易客户的地域可视化图，等有时间也实现一下。

明天是年终工作总结会，又是一天的会议～～

相关文章：

• 既然没有了，那就随便看看吧~~

## 正文开始

最近在数据挖掘专业网站 KDnuggets 上刊出了2011年度关于数据挖掘/分析语言流行度的调查，不出意料R、SQL、Python果然排在了前三位。当然有看官说了，参与调查的样本数量太少，而且以登录KDnuggets网站的用户为主，样本的信息显然是有偏的。实话说，我也对KDnuggets网站的Poll持保留态度，但它的结果毕竟代表了某一类人群的使用偏好，尤其是在语言角度。

我们看排名前5位的语言：

1. R：世界范围内的标准统计语言，以快速更新的算法，灵活的编程，广泛的扩展，绚丽的图形著称，遵循GPL协议的开源软件
2. SQL：大部分企业使用的，数据仓库、集市的通用查询语言，在大型数据应用上有极大的优势，同时也是数据分析/挖掘的基础
3. Python：传说中的Google的三大开发语言，适用于粘合一些复杂应用，我这里工作暂时没有涉及过
4. Java：太多的应用都基于Java的，不然Oracle也不会花上74亿美元收购SUN了
5. SAS：曾经的数据分析领域老大，当然现在市场份额依旧非常高。但SAS昂贵的使用费用迫使更多的分析工作者转到了开源领域，比如R

后四种语言同R语言还都有一些关系，闲扯起来还真是没完没了，这里就不再赘述，各位可以在搜索引擎上搜索R+XXX。如果我们将范围限制在数据挖掘这个主题，R同SQL的关系则变得非常非常紧密。

众所周知，R的强项在于灵活的算法，以及开发速度，但其所有的计算都是在内存中进行，一旦数据量达到了内存上限，基本上就是叫天天不灵，叫地地不应了。所以在使用R做数据挖掘时，就必须考虑使用其他的数据工具弥补R在这方面的劣势。尤其是在商业应用上，不能搭建R环境的条件下，SQL语言是提供挖掘结果的不二选择。

支持SQL的商用数据库比如Oracle、DB2性能优异，但对系统的占用非常厉害，假如本地装了Oracle，又开了点其他应用，2G的内存很快就会吃到1.5G甚至以上，再想用R做分析那只能用“捉襟见肘”这个词来形容了。当然如果在办公条件下有相应的服务器环境最好，在某些应用环境下，甚至可以通过本地多开R进程来达到并行计算的目的。

或者本地分析比较多，但数据量又时常上到百兆，虽然R也能够处理，但依然建议将数据移植到本地构建的轻量数据库环境，比如MySQL环境。从我的经验上看，虽然MySQL对比Oracle、DB2来说小巧很多，但在同R语言配合的本地应用上，性能更加有保证。

有了支持SQL的数据库环境，就要聊一聊R语言到底和SQL有什么关系：

• 各大数据库厂商已经开发了相关的支持R语言的数据挖掘套件，比如Oracle的RODM，Teradata的 teradataR等。
• R本身就可以通过扩展包来对数据库执行SQL，这时你可以把R语言作为调度环境。R的计算过程结果可以直接作为参数传递到数据库中，并将相应的结果返回，供R环境使用。
• 通过sqldf包，在R内部使用标准SQL对数据进行预处理，包括group by，order by，join，where等操作。
• 当然R最重要的用途是将数据挖掘的结果转义为标准SQL语言，利用数据库来实现挖掘结果。当然有人说了，不是有pmml可以将模型嵌入到数据库么？！扯！到现在我也没见pmml成为应用标准，老老实实的将模型结果转义到SQL才是王道。比如用于概率预测的Logistic回归或者分类模型的Tree-based Models，这些模型的转义工作都不难，这样最终的工程实施都脱离了R环境，更具通用性，且利用了数据库的高速性能。

说句题外话：不知道哪位看官见过70万字符长度的庞大SQL语句——是的，你没看错，70w，R转义的，可以执行，对于数据库而言不过是半分钟的事情。

相关文章：

• Oracle数据库开始支持R语言
• KDnuggets 关于数据挖掘软件的调查
• 2006年至今国内货币供应量的Motion Chart