Intel® Scalable Dataframe Compiler
Numba* Extension For Pandas* Operations Compilation
Intel® Scalable Dataframe Compiler (Intel® SDC) is an extension of Numba*
that enables compilation of Pandas* operations. It automatically vectorizes and parallelizes
the code by leveraging modern hardware instructions and by utilizing all available cores.
Intel® SDC documentation can be found here.
Note
For maximum performance and stability, please use numba from intel/label/beta channel.
Installing Binary Packages (conda and wheel)
Intel® SDC is available on the Anaconda Cloud intel/label/beta channel.
Distribution includes Intel® SDC for Python 3.6 and Python 3.7 for Windows and Linux platforms.
Intel® SDC conda package can be installed using the steps below:
> conda create -n sdc-env python=<3.7 or 3.6> pyarrow=0.17.0 pandas=1.0.5 -c anaconda -c conda-forge
> conda activate sdc-env
> conda install sdc -c intel/label/beta -c intel -c defaults -c conda-forge --override-channels
Intel® SDC wheel package can be installed using the steps below:
> conda create -n sdc-env python=<3.7 or 3.6> pip pyarrow=0.17.0 pandas=1.0.5 -c anaconda -c conda-forge
> conda activate sdc-env
> pip install --index-url https://pypi.anaconda.org/intel/label/beta/simple --extra-index-url https://pypi.anaconda.org/intel/simple --extra-index-url https://pypi.org/simple sdc
Building Intel® SDC from Source on Linux
We use Anaconda distribution of
Python for setting up Intel® SDC build environment.
If you do not have conda, we recommend using Miniconda3:
wget https://repo.continuum.io/miniconda/Miniconda3-latest-Linux-x86_64.sh -O miniconda.sh
chmod +x miniconda.sh
./miniconda.sh -b
export PATH=$HOME/miniconda3/bin:$PATH
Note
For maximum performance and stability, please use numba from intel/label/beta channel.
It is possible to build Intel® SDC via conda-build or setuptools. Follow one of the
cases below to install Intel® SDC and its dependencies on Linux.
Building on Linux with conda-build
PYVER=<3.6 or 3.7>
NUMPYVER=<1.16 or 1.17>
conda create -n conda-build-env python=$PYVER conda-build
source activate conda-build-env
git clone https://github.com/IntelPython/sdc.git
cd sdc
conda build --python $PYVER --numpy $NUMPYVER --output-folder= -c intel/label/beta -c defaults -c intel -c conda-forge --override-channels conda-recipe
Building on Linux with setuptools
export PYVER=<3.6 or 3.7>
export NUMPYVER=<1.16 or 1.17>
conda create -n sdc-env -q -y -c intel/label/beta -c defaults -c intel -c conda-forge python=$PYVER numpy=$NUMPYVER tbb-devel tbb4py numba=0.49 pandas=1.0.5 pyarrow=0.17.0 gcc_linux-64 gxx_linux-64
source activate sdc-env
git clone https://github.com/IntelPython/sdc.git
cd sdc
python setup.py install
In case of issues, reinstalling in a new conda environment is recommended.
Building Intel® SDC from Source on Windows
Building Intel® SDC on Windows requires Build Tools for Visual Studio 2019 (with component MSVC v140 - VS 2015 C++ build tools (v14.00)):
It is possible to build Intel® SDC via conda-build or setuptools. Follow one of the
cases below to install Intel® SDC and its dependencies on Windows.
Building on Windows with conda-build
set PYVER=<3.6 or 3.7>
set NUMPYVER=<1.16 or 1.17>
conda create -n conda-build-env -q -y python=%PYVER% conda-build conda-verify vc vs2015_runtime vs2015_win-64
conda activate conda-build-env
git clone https://github.com/IntelPython/sdc.git
cd sdc
conda build --python %PYVER% --numpy %NUMPYVER% --output-folder= -c intel/label/beta -c defaults -c intel -c conda-forge --override-channels conda-recipe
Building on Windows with setuptools
set PYVER=<3.6 or 3.7>
set NUMPYVER=<1.16 or 1.17>
conda create -n sdc-env -c intel/label/beta -c defaults -c intel -c conda-forge python=%PYVER% numpy=%NUMPYVER% tbb-devel tbb4py numba=0.49 pandas=1.0.5 pyarrow=0.17.0
conda activate sdc-env
set INCLUDE=%INCLUDE%;%CONDA_PREFIX%\Library\include
set LIB=%LIB%;%CONDA_PREFIX%\Library\lib
git clone https://github.com/IntelPython/sdc.git
cd sdc
python setup.py install
Troubleshooting Windows Build
If the cl compiler throws the error fatal error LNK1158: cannot run 'rc.exe',
add Windows Kits to your PATH (e.g. C:\Program Files (x86)\Windows Kits\8.0\bin\x86).
Some errors can be mitigated by set DISTUTILS_USE_SDK=1.
For setting up Visual Studio, one might need go to registry at
HKEY_LOCAL_MACHINE\SOFTWARE\WOW6432Node\Microsoft\VisualStudio\SxS\VS7,
and add a string value named 14.0 whose data is C:\Program Files (x86)\Microsoft Visual Studio 14.0\.
Sometimes if the conda version or visual studio version being used are not latest then
building Intel® SDC can throw some vague error about a keyword used in a file.
So make sure you are using the latest versions.
Building documentation
Building Intel® SDC User's Guide documentation requires pre-installed Intel® SDC package
along with compatible Pandas* version as well as Sphinx* 2.2.1 or later.
Intel® SDC documentation includes Intel® SDC examples output which is pasted to functions description in the API Reference.
Use pip to install Sphinx* and extensions:
pip install sphinx sphinxcontrib-programoutput
Currently the build precedure is based on make located at ./sdc/docs/ folder.
While it is not generally required we recommended that you clean up the system from previous documentaiton build by running:
make clean
To build HTML documentation you will need to run:
make html
The built documentation will be located in the ./sdc/docs/build/html directory.
To preview the documentation open index.html file.
More information about building and adding documentation can be found here.
Running unit tests
python sdc/tests/gen_test_data.py
python -m unittest
References
Intel® SDC follows ideas and initial code base of High-Performance Analytics Toolkit (HPAT). These academic papers describe ideas and methods behind HPAT:

随着智能手机的出现，用户的所有足迹和所有在线行为都可以被记录下来，在线和离线数据可以完美地连接起来。过去十年，大数据的发展可以说是由于智能手机和移动互联网的普及带来的。但现在，红利似乎已经消失，因为作为运营商的智能手机将不再增长。然而，这并不意味着大数据领域没有得到发展。尽管数据载体的增长速度放缓，但数据的规模不断扩大，数据的价值也日益突出。随着数据维度越来越多，如何处理多源异构的数据，使之创造出商业价值成为了行业最为关注的问题。
为此，各行各业都在探索大数据的应用场景，以期为自身带来增长，营销行业更是如此，这从数字营销的快速发展便可见一斑。如今，伴随着AI的发展，数据的“智能”一词更是被广泛提及，那么数据和算法在营销闭环中到底能产生什么样的价值？如何实现数据的共享与分享，并为品牌营销带来增长呢？
像石油一样去炼数据
要想让数据为企业和品牌营销所用，首先企业自身便要有丰富的数据，对于每家企业来说，他们都或多或少有一些自己的数据，但内部之间的数据却并不能被有效整合，更不用说产生聚合的价值了。那如何聚合多个数据源，产生更多的数据呢？其实，数据就像是新时代的石油，数据中台就是帮企业生产数据的，作为今年的热门概念，很多企业在打造自己的数据中台。
大数据的精神就是数据的共享与分享，在T11 2018数据智能峰会上前阿里巴巴集团副总裁车品觉就强调了数据中台的共享能力。在他看来，数据中台的核心是在于在多源异构的数据集下怎样处理数据共享。
不过，一般提到“共享”，大家又会存在一些误区，认为共享就是索取彼此的数据。数据中台说的是连接，而不是拥有。未来，谁也不会拥有谁的数据，而是将数据做连接，把所有的身份匹配、映射。而且，他还认为检验中台是否成功的唯一标准就是共享能力，因为数据中台理念的由来是“共享”。
当然，数据的共享必然也会导致数据安全问题的发生。但这个问题并非完全无法解决，可以通过“数据不动、算法流动”的方式解决，利用完全脱敏并进行隐私保护的TDID做数据打通，在数据做连接、关联之后，再提供类似于安全沙箱的环境，将数据在里面做整合，来保证应用、建模时的数据安全。
数据分析助力营销闭环形成
数据中台使得数据得以共享，对于品牌来说，掌握更多的消费者数据无疑可以帮助他们触达更多消费者，但要最终影响消费者并驱动业务增长，还需要找到品牌精准的目标人群。在合适的时间、合适的地点，对合适的人，做合适的事情，即数据使用的四个要点KYC、KYP、KYS、KYT。
而且，品牌的核心是增长，品牌关注的也是增长和发展。大数据平台不仅能帮品牌找到目标人群，还能对人群做分析，通过分析他们的设备属性、地域分布、媒介偏好等各种特征，帮品牌找到更优质的媒体或者投放方式。而这也是一个选择→分析→触达→评估→迭代的营销场景闭环的形成过程。
选择需要实时的数据全覆盖；分析则是要看选择的目标人群特征与实际业务上的特征，是否相互匹配，如媒体属性、LBS属性、业务属性、环境属性等；而触达过程中也需要有数据作为支撑，帮助判断投放方式和触达方式是合理的；TA评估能够通过数据全程链追踪，发现哪个环节是作弊、哪个环节是异常、哪个环节是可修正的等等；TA迭代能够针对TA人群进行迭代与优化，比如该人群如果是通过线下的特征定义获取的，便可以针对LBS地理位置属性进行优化。
如何利用大数据提升品牌营销ROI？
中琛魔方大数据
(www.zcmorefun.com)
表
示：整个营销场景闭环的形成都离不开数据和算法的支持，数据和算法的结合也使得营销越来越智能化和高效。随着未来技术的进一步发展，大数据在营销场景中的应用必将越来越广泛。

在当前大数据的学习过程中，python语言的突然崛起掩盖住了R语言的一些光彩，但本身这两门语言的实质性的差别在哪里，我们从下面的文章中来进行分析。
在当下，人工智能的浪潮席卷而来。从AlphaGo、无人驾驶技术、人脸识别、语音对话，到商城推荐系统，金融业的风控，量化运营、用户洞察、企业征信、智能投顾等，人工智能的应用广泛渗透到各行各业，也让数据科学家们供不应求。Python和R作为机器学习的主流语言，受到了越来越多的关注。数据学习领域的新兵们经常不清楚如何在二者之间做出抉择，本文就语言特性与使用场景为大家对比剖析。
一．Python和R的概念与特性
Python是一种面向对象、解释型免费开源高级语言。它功能强大，有活跃的社区支持和各式各样的类库，同时具备简洁、易读以及可扩展等优点，在近几年成为高人气的编程语言。
Python的优势：
1、Python的使用场景非常多，不仅和R一样可以用于统计分析，更广泛应用于系统编程、图形处理、文本处理、数据库编程、网络编程、Web编程、网络爬虫等，非常适合那些想深入钻研数据分析或者应用统计技术的程序员。
2、目前主流的大数据和机器学习框架对Python都提供了很好的支持，比如Hadoop、Spark、Tensorflow；同时，Python也有着强大的社区支持，特别是近年来随着人工智能的兴起，越来越多的开发者活跃在Python的社区中。
3、Python作为一种胶水语言，能够和其他语言连结在一起，比如你的统计分析部分可以用R语言写，然后封装为Python可以调用的扩展类库。
R语言是一种用来进行数据探索、统计分析和作图的解释型语言，但更像一种数学计算的环境。它模块丰富，为数学计算提供了极为方便的编程方式，特别是针对矩阵的计算。
R语言的优势：
1、R语言拥有许多优雅直观的图表，常见的数据可视化的工具包有：
·         交互式图表rCharts、Plotly，交互时序图dygraphs，交互树状图TreeMap
·     ggplot2-一个基于图形语法的绘图系统
·     lattice-R语言格子图形
·     rbokeh-针对Bokeh的R语言接口
·     RGL-使用了OpenGL的3D可视化
·     Shiny-用于创建交互式应用和可视化的框架
·     visNetwork-交互式网络可视化
散点图
时序图
词云图
2、拥有大量专门面向统计人员的实用功能和丰富的数学工具包。自带base一R的基础模块、mle一极大似然估计模块、ts一时间序列分析模块、mva一多元统计分析模块、survival一生存分析模块等，同时用户可以灵活使用数组和矩阵的操作运算符，及一系列连贯而又完整的数据分析中间工具。
3、语言简洁上手快，不需要明确定义变量类型。比如下面简简单单三行代码，就能定义一元线性回归，是不是很酷炫：
x 
同时，R语言对向量化的支持程度高，通过向量化运算，数据在计算过程中前后不依赖，是一种高度并行计算的实现，也避免了许多循环结构的使用。
当然了，相比于Python它也存在着一些劣势。比如内存管理问题，在大样本的回归中，如使用不当就会出现内存不足的情况，但目前spark也提供了对R的支持，开发者可以使用sparkR进行大数据的计算处理。
二.Python和R在文本信息挖掘和时序分析方面的区别
Python和R都有非常强大的代码库，Python有PyPi，R有CRAN。但两者方向不同，Python使用的范围更加广泛，涉及到方方面面；R更专注统计方面，但在数据量大时运行速度很慢。下面我针对数据分析中的两种使用场景来比较Python和R：
1.   文本信息挖掘：
文本信息挖掘的应用非常广泛，例如根据网购评价、社交网站的推文或者新闻进行情感极性分析等。这里我们用例子分析比较一下。
Python有良好的程序包帮助我们进行分析。比如NLTK，以及专门针对中文的SnowNLP，包含了中文分词、词性标注、情感分析，文本分类、TextRank、TF-IDF等模块。
在用Python做情感极性分析时，首先需要将句子分解为单词，这里我们可以使用Python中jieba分词，使用起来也非常简单：
word=jieba.cut(m,cut_all=False)
然后操作特征提取，可以利用NLTK中的stopwords先去除停用词。如果有需要，可以对文本进行向量化处理，这里我们可以采用Bag of Words，选择TF-IDF进行基于权重的向量转化，也可以使用Word2Vec进行基于相似度的转化。接下来，使用sklearn包中的pca进行降维：
pca=PCA(n_components=1)
newData=pca.fit_transform(data)
除了pca，还可以选择使用互信息或者信息熵等其他方法。
之后，我们进行分类算法模型训练和模型评估，可以使用朴素贝叶斯(NaiveBayes)，决策树(Decision Tree)等NLTK 自带的机器学习方法。
使用R进行情感极性分析
首先需要对数据进行预处理，安装Rwordseg/rJava(其中有不少坑)两个包；
进行数据清理清除掉没用的符号后，进行分词：Rwordseg中的segmentCN方法可以对中文进行分词。当然，也可以使用jiebaR；
接下来构建单词-文档-标签数据集，去除停用词；
创建文档-词项矩阵，可以选择TermDocumentMatrix，使用weightTfIdf方法得到tf-idf矩阵；
最后用e1071包中的贝叶斯方法进行文本分类，或者可以用RTextTools包中的其他机器学习算法来完成分类，其中包含九种算法：BAGGING(ipred:bagging)：bagging集成分类
BOOSTING (caTools:LogitBoost)：Logit Boosting 集成分类
GLMNET(glmnet:glmnet)：基于最大似然的广义线性回归
MAXENT(maxent:maxent)：最大熵模型
NNET(nnet:nnet) ：神经网络
RF(randomForest:randomForest)：随机森林
SLDA(ipred:slda)：scaled 线性判别分析
SVM(e1071:svm) ：支持向量机
TREE (tree:tree)：递归分类树
2.时序分析：
时间序列分析是根据系统观察得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法，通常用于金融领域、气象预测、市场分析领域等。R语言拥有许多程序包可用于处理规则和不规则时间序列，因而更有优势。
Python进行时序分析的时常用ARIMA(p,d,q)模型，其中d指的是差分项，p和q分别代表自回归项和移动平均项。构建ARIMA模型使用最多的就是statsmodels模块，该模块可以用来进行时间序列的差分，建模和模型的检验。这里例举一个周期性预测的例子：
下面是一组数据，代表美国某公交公司发布的五十年中每年的乘客相关数据(比如1950-2000)：
data = [9930, 9318, 9595, 9972, 6706, 5756, 8092, 9551, 8722, 9913, 10151, 7186, 5422, 5337, 10649, 10652, 9310, 11043, 6937, 5476, 8662, 8570, 8981, 8331, 8449, 5773, 5304, 8355, 9477, 9148, 9395, 10261, 7713, 6299, 9424,9795, 10069, 10602, 10427, 8095, 6707, 9767, 11136, 11812, 11006, 11528, 9329, 6818, 10719, 10683]
1).首先，使用pandas进行处理和存储数据：
data=pd.Series(data)
2).然后需要对数据进行平稳性检验，一般利用单位根检验，常用的方法有ADF、DFGLS、PP等等：
Python中直接用ADF(data), DFGLS(data)就可以得出pvalue的结果
3).序列平稳性是进行时间序列分析的前提条件,如果上一个步骤显示结果不平稳，就需要对时间序列做平稳性处理，一般用差分法最多：
diff1 = data.diff(2)
其中diff(object)表示差分的阶数，这里我们使用2阶，当然你也可以用1阶、3阶、4阶等等
4).进行白噪声检验：
value=acorr_ljungbox(data,lags=1)
5).现在，我们的ARIMA(p,d,q)中的d=2，接下来我们进行模型选择。第一步是计算出p和q，首先检查平稳时间序列的自相关图和偏自相关图，通过sm.graphics.tsa.plot_acf (data)和sm.graphics.tsa.plot_pacf(data)，然后通过系数情况进行模型选择，可供选择的有AR,MA,ARMA,ARIMA。
6).模型训练：model=sm.tsa.ARMA(data,(p,d,q)).fit()，此处用ARMA模型计算出p和q，从而训练出模型。
用R来构建时间序列模型
R针对时间序列有各式各样的工具包，比如：
library(xts)，library(timeSeires)，library(zoo)—时间基础包
library(urca)–进行单位根检验
library(tseries)–arma模型
library(fUnitRoots)–进行单位根检验
library(FinTS)–调用其中的自回归检验函数
library(fGarch)–GARCH模型
library(nlme)–调用其中的gls函数
library(fArma)–进行拟合和检验
library(forecast)—arima建模
下面我介绍一下R语言中forecast工具包里面两个很强大的工具：ets和auto.arima。用户什么都不需要做，这两个函数会自动挑选一个最恰当的算法去分析数据。比如用ets来处理：
fit
accuracy(predict(fit,12),test)
或者用auto.arima处理：
fit
accuracy(forecast(fit,h=12),test)
除此之外，forecast包中有针对增长或者降低趋势并且存在季节性波动的时间序列算法Holt-Winters。Holt-Winters的思想是把数据分解成三个成分：平均水平(level)，趋势(trend)，周期性(seasonality)。R里面一个简单的函数stl就可以把原始数据进行分解。
本文主要从各自优势及具体例子中分析了Python与R两种编程语言。不难看出，二者在“综合实力”上难分伯仲，具体选择哪一种深入学习，依然需要考虑自己实际期望解决的问题、应用的领域等等方面。

说说我知道的几家，都是在各自领域最好的。
大数据平台
星环，做Hadoop生态系列的大数据底层平台公司。也是国内唯一入选过Gartner魔力象限的大数据平台公司。Hadoop是开源的，星环主要做的是把Hadoop不稳定的部分优化，功能细化，为企业提供Hadoop大数据引擎及数据库工具。
通用数据分析产品
帆软，其实大家不知道他是国内做数据分析产品最好的公司。在企业数据分析领域低调做了十几年，2017年入选Gartner市场指南。一开始做报表工具finereport，后来研发BI商业智能finebi，产品打磨了好多年。之后又增值行业化的数据管理解决方案，包括阿米巴经营管理，数字化运营体系搭建项目，很成熟很老牌的厂商。
互联网数据分析产品
Gowing IO，神策数据这两家都OK，互联网运营分析的一套体系已经很成熟，都拥有无埋点技术。如果有网站，有APP产品，有流量运营、用户运营的需求可以二者选其一。
这里没有推荐管理咨询公司，虽然他会有一套站在管理层面的数据治理和统筹方案，但往往就是洗脑，很难落地。
要知道，数据分析关键对象是数据，数据哪里来，数据怎么用，数据是否正确？这些都离不开工具，离不开IT。数据分析要能落地，需要好用的工具，需要培养数据分析人才，需要形成一套数据化管理体系，所谓“道术器”。
如果真有做数据分析的需求，还是推荐IT类的咨询公司(比如埃森哲)或者比较成熟的IT厂商。如果是外包服务，据我所知电信，金融行业很常见，这个就另当别论。