本博文旨在盘点我在迎接新的一年之际，最令我期待和兴奋的若干数据科学工具。
2026 年展望：我最钟爱的几款数据科学工具
本文翻译自 Ben Schneider 于 2026 年 1 月 21 日发布的博客文章 Some Favorite Data Science Tools Going into 2026，一切权利归原作者所有，本文仅做翻译、学习用途。
在过去一年里，我参与的项目对软件灵活性提出了越来越高的要求。一个可能的典型流程是：先使用 Python 脚本爬取网页数据，接着用 R 语言进行数据清洗并将其加载到数据库中，最后由分析师通过 SQL 进行查询。这些工作既可以在笔记本电脑的本地环境上完成，也可以完全在 Databricks 或 Palantir Foundry 等平台上运行。为了管理不同版本的脚本，我可能周一还在用 GitHub，周二就换成了 GitLab，到了周三又得切换到 Bitbucket。面对今年这些多得令人眼花缭乱的工具，我想花点时间重点介绍几款我真正喜欢使用的利器。希望其他统计学家和数据科学家也能觉得这份清单对自己有价值，并在 2026 年将这些新工具纳入自己的“工具箱”中。
数据处理工具
首先，我想重点介绍几款我日常工作中离不开的数据处理包。
dplyr (R)
R 语言中的 dplyr 包依然是我最喜欢的数据处理工具。其优雅的语法允许使用者将分析过程拆解为一系列清晰的步骤，相比原生 R（Base R）或我在 R 语言之外见过的任何工具，它生成的代码在可读性上都遥遥领先。dplyr 不仅启发了其他编程语言中的相关扩展（例如 Julia 中的 TidierData），还深刻影响了 Python 中两款日益流行的处理包——Polars 和 Ibis （这两者的操作体验都比 Pandas 流畅得多）。
dplyr 今年让我爱不释手的一个强大特性，在于它编写的代码能够无缝适配多种不同的计算后端。同一段 dplyr 代码，既能处理从 CSV 文件加载到 R 环境的数据，也能直接操作存储在数据库中的海量数据集11 通过 dbplyr 包直接操作数据库。。此外，还有一些 R 包支持通过 dplyr 语法处理存储在 Parquet 或 Apache Arrow 文件中的大型数据集22 可参考 R4DS 书中 22 Arrow 章节。33 也可使用 tidypolars 库，使用 tidy 语法操作高性能的 Polars 后端。笔者为该库贡献了不少代码。。最近，我特别热衷于使用 duckplyr 包，它对 dplyr 进行了增强，使其能够调用 DuckDB 计算引擎来高效处理数据库或 Parquet/Arrow 文件中的数据。而这也正引出了我要介绍的下一个工具。
DuckDB
DuckDB 是我近期接触到的心头好之一。作为一款关系型数据库管理系统（RDMS），它极大地简化了数据库内数据的存储与分析流程。有了它，你就能快速处理那些足以让普通电脑罢工的海量数据集。与 PostgreSQL 这种传统的 RDMS 相比，DuckDB 十分轻量且安装简便。而在分析性能上，它也远超 SQLite 或 MariaDB 等其他开源选项，速度更快、效率更高。44 笔者的经验是，相比于 Lazy Polars，DuckDB 常常能带来更高效的内存使用，从而在爆内存的场景下带来更快的速度。
由于 DuckDB 是一款 SQL 数据库，当你的团队成员语言偏好各异时——有人钟情于 R，有人偏爱 Python，还有人仍在使用像 SAS 或 SPSS 这种笨重的古代工具——它便成了一个极佳的协作工具。SQL 是一门通用语言，绝大多数数据科学家都被要求具备其读写能力；而在当下，几乎所有 AI 工具都已经能轻松编写 SQL，或用通俗易懂的语言解析其逻辑。即便如此，如果你想利用 DuckDB 的威力却又想避开原生 SQL，也可以使用 duckplyr 或 Ibis 等工具包55 例如 duckplyr 包能够将 tidy 语法流程和 DuckDB 的超高性能结合起来。。
对于大多数数据科学家来说，安装和使用它的最简单方法是通过 R 包或 Python 库。
Ibis (Python)
在 Python 生态中，与 dplyr 最接近的替代方案当属 Ibis 包。它拥有与 dplyr 相似的语法，并允许你编写能够适配多种不同数据后端的代码。这使得开发者可以轻松编写出既能处理笔记本电脑上的小型数据集，又能应对远程数据库中海量数据的通用代码。目前还有一个名为 narwhals 的类似新项目66 关于 narwhals，推荐阅读 CodeCut 上的这篇文章：Narwhals: Unified DataFrame Functions for pandas, Polars, and PySpark，它更侧重于兼容 Polars 的用户界面，尽管到目前为止，比起 narwhals，我个人还是更青睐 Ibis 的语法和设计。
Polars (Python and R)
本博客已经出过两篇介绍 Polars 的文章了！
Python 的 Polars 库是近年来 Python 数据科学生态系统中出现的最佳利器之一。在几乎所有维度上，它都是 Pandas 绝佳的替代方案。虽然它的代码可读性仍略逊于 dplyr77 笔者认为并不逊色，事实上在接触 Polars 后我已经完全使用 Python 进行数据处理工作了。，但这已是 Python 环境下最接近完美的一次尝试。对我个人而言，选择 Polars 而非 Pandas 的核心动力在于其出色的用户界面（API 设计），而更广泛的 Python 社区则多是被其惊人的计算速度所折服。令人欣慰的是，Polars 在过去两年中迎来了爆发式增长，越来越多的开发者正告别笨重过时的 Pandas，全面拥抱 Polars。
Polars 并不局限于 Python 平台。其核心是一个 Rust 库，只是拥有一个广受欢迎的 Python 接口。但就像 Python 包一样，R 语言中也有几个优秀的包为 Rust 核心提供了用户接口。其中我最钟爱的是 tidypolars，它能让用户在保留习惯的 dplyr 编写方式的同时，获取 Polars 带来的强大性能88 笔者是 tidypolars 包除原作者外贡献最多的人。。此外，还有一个直接命名为 polars 的 R 包，其接口风格与 Polars 的 Rust 及 Python 原生接口高度一致。虽然我个人目前并不经常使用 polars 包提供的原生 R 接口，但不可否认它们在某些特定场景下非常有价值99 tidypolars 并没有为所有的 dplyr、tidyr、stringr 的操作提供接口，因此有些功能必须回退到 polars 包提供的原生表达。此外，对于有些 Polars 难以实现的功能（例如 unnest_wider()），仍然需要和 R 原生数据框进行转换。。
Apache Arrow
此处笔者没有进行完整翻译，因为 Apache Arrow 更多是作为数据后端发光发热，而不是被用户直接使用。
Apache Arrow 项目并非像上面提到的其他工具那样的数据处理软件包，尽管它们密切相关。该项目主要为数据提供了高效的内存格式（arrow）和存储格式（parquet），因此，即使你不直接使用 arrow 包，也可能在不知不觉中受益于 Arrow1010 例如，Polars 默认的数据后端正是 Arrow；Pandas 在 3.0 版本中正式支持以 Arrow 为默认后端，从而极大提高字符串列处理性能；duckplyr 在处理数据时数据也是以 Arrow 格式流转；高效的 Parquet 存储格式也是 Arrow 项目的作品。。
文档沟通工具
Quarto
Quarto 是一款出色的内容创作与交流工具：它可以用来编写报告、演示文稿、书籍、博客、软件文档、网站等等。它是一种“文学化编程”（Literate Programming）工具，将说明文本、代码及其运行输出完美结合。Quarto 是从 RMarkdown 演变而来的更强大的版本，其设计初衷就是让 RMarkdown 用户能够无缝切换。事实上，这个博客网站1111 指原作者的博客网站。本博客网站由 Typst 编写，Typst 是一款出色、轻便、极快的排版软件。最初就是用 RMarkdown 编写的，后来我只花了一个下午的时间就将其转换成了 Quarto。
我非常喜欢使用 Quarto 的一个场景是为 R 包编写文档：R 语言中的 pkgdown 包让生成基于 Quarto 的 R 包文档网站变得异常简单。在 Python 中目前还没有完全与之对等的工具，虽然 Sphinx 和 quartodoc 也能实现类似的功能。今年我一直在使用 Sphinx 来维护一些遗留软件，并尝试进行一些 Python 开发。那段经历让我更加期待 quartodoc（一个用于编写 Python 库文档的包）能在未来一年里流行开来。
Quarto 不仅擅长生成文档，还可以用于制作 Notebook。你可以使用 Quarto 生成 Jupyter 和 marimo notebook，甚至可以在 Quarto 文档中嵌入 Shiny 应用。
WebR, Pyodide 和 Shinylive
开源软件中一个令人兴奋的趋势是，得益于 WebAssembly (Wasm) 技术，现在已经能够完全在浏览器中本地运行数据科学软件。借助 WebR 以及类似的 Python 项目 Pyodide，在浏览器中运行 R 和 Python 已变得轻而易举。这意味着，如果你想分享一些使用 R 或 Python 的代码或 Web 应用程序，不再需要运行动态 Web 服务器。你只需将一系列文件放置在便宜的静态 Web 服务器上，就能以极低的成本服务大量用户1212 因为代码或程序并不运行在服务器上，而是在浏览器提供的沙箱中本地运行。换言之，消耗的并不是远程服务器的资源，而是用户本地机器在执行代码。因此，你可以将程序部署在诸如 GitHub Pages、Cloudfare Pages 等免费的静态站点上，从而既不用花钱购买域名，也不用花钱租用服务器。。
Posit 公司（前身为 RStudio）开发了一个名为 Shinylive 的框架，让我们能够以这种方式部署使用 R 或 Python 编写的 Shiny 应用。这为数据科学家快速部署 Shiny 应用提供了一个极佳的选择。
依赖管理 / 环境管理 (Python)
uv
我以前很讨厌使用 Python，主要原因有两个：
- Pandas 笨重且晦涩的语法
- 令人抓狂的“依赖地狱”
所幸的是，随着新工具的崛起，尤其是 Polars 和 Ibis 的出现，Pandas 在 Python 生态中已不再是唯一的选择。与此同时，一款出色的新型依赖管理工具大大减少了我在 Python 依赖管理方面的头疼事。这款名为 uv 的工具是一个极其强大的包管理和项目管理利器，它拥有令人耳目一新的交互体验和惊人的运行速度。uv 提供了一个更优越的一站式方案，足以替代 pip、poetry、pyenv 以及 virtualenv 等多种工具。它有效地清理并简化了近年来日益碎片化的 Python 包管理生态1313 更多关于 uv 的介绍可见本博客的另一篇文章。。
我在 Python 中使用 uv 的体验，不禁让我希望 R 语言也能拥有类似的利器。总的来说，我发现 R 语言的依赖管理要轻松得多，这很大程度上归功于 CRAN——它维护着一套严格的标准和兼容性保证，而这在 Python 的对应平台 PyPI 中几乎是完全缺失的1414 CRAN 也并非完美无缺，其严格的包审查机制常常导致部分常用包被移除（例如 jiebaR）。。
即便如此，在 R 项目中，你往往还是需要一套正式的依赖管理工具。Docker 和 Nix 固然出色，但它们的学习曲线过于陡峭。目前看来，renv 包似乎是 R 语言中最优秀的轻量级包管理器，尽管在深入体验过 rix 包后，我的看法可能会有所改变。
代码编辑器 / IDE
只要我坐在办公桌前，多半不是在盯着 Outlook、Word 文档，就是在用 RStudio 这样的集成开发环境（IDE）。而最近这段时间，我使用的几乎全是 Positron1515 我个人的推荐是使用 Positron 进行 R 语言编程和开发，但也有不少人依旧习惯 RStudio。Positron 是 Posit 的开发重点，也必然是未来的选择，哪怕仍然使用 RStudio 作为主力开发软件，我也推荐下载、体验、熟悉 Positron。。
Positron
根据我的经验，Positron 是目前数据科学家和统计学家的最佳选择，无论你是在编写 R、Python 还是 Julia 代码。Positron 由 RStudio 的开发商 Posit 公司打造，基于 VS Code 的开源版本构建。因此，它将 RStudio 那些出色的、以数据为中心的功能（如变量监控和绘图面板）与 VS Code 的灵活性及强大的扩展性完美结合。这感觉就像是兼顾了两个世界的长处。
与 VS Code 不同，安装 Positron 后运行 R 或 Python 极其简单，你完全不需要再折腾像 radian 这样的扩展插件。查看图表、渲染 Quarto 文档、预览数据集……所有这些功能都做到了开箱即用。而且相比于 RStudio，在 Positron 中处理远程 SSH 会话或 WSL (Windows Subsystem for Linux) 等高级操作要容易得多。所以，别犹豫了，快去试一试吧。
