1.美国

笔者演示如下示例代码的目的为：探索美国数据科学从业者未来将会学习的机器学习工具。具体的数据处理与分析逻辑同7.5节，区别仅在于将变量更改为MLToolNext-YearSelect。示例代码具体如下：

---

> df_MLT_USA <- responses %>% # 筛选出MLToolNextYearSelect不为空且为美国Kaggle的观测。
filter(MLToolNextYearSelect != '' & Country == 'United States') %>%
group_by(MLToolNextYearSelect) %>%
summarise(Count = n()) %>%
arrange(desc(Count))
> data <- head(df_MLT_USA, 3)
> xname <- '机器学习语言'
> yname <- '人数'
> fun1(data, reorder(data$MLToolNextYearSelect, data$Count), data$Count, xname, yname)

---

图7-6显示了可视化结果。

2.新西兰

逻辑同上节美国的示例代码，具体代码演示如下：

---

>df_MLT_NZ <- responses %>% # 筛选出MLToolNextYearSelect不为空且为新西兰Kaggle的观测。
filter(MLToolNextYearSelect != '' & Country == 'New Zealand') %>%
group_by(MLToolNextYearSelect) %>%
summarise(Count = n()) %>%
arrange(desc(Count)) 
    > data <- head(df_MLT_NZ, 3)
    > xname <- '机器学习语言'
    > yname <- '人数'
    > fun1(data, reorder(data$MLToolNextYearSelect, data$Count), data$Count, xname, yname)

---

上述代码可视化结果如图7-7所示。

对比图7-7和图7-8，我们可以得出如下两点结论。

1）美国受访者未来将会学习的最热门的工具是TensorFlow、Python和Spark/Millib。

2）新西兰受访者希望学习的工具则为TensorFlow、R和Python。笔者猜测之所以R会成为新西兰第二热门的工具，很大原因可能是因为R诞生于新西兰的奥克兰大学，相较于美国，R在新西兰有比较良好的群众基础。 8I2j1zyEvEPnPubO1cpaTay7HqbVcFH7p2uKdwZOoHP4BzIbdAyWbbZnctcFZapS