Rust 用于数据科学：高效数据分析与机器学习

数据是新的黄金，但处理数据不仅需要算力，更需要可靠性。《Rust 用于数据科学》一书是您通往这样一个世界的向导：在这里，C++ 的速度与 Python 的安全性相遇，内存控制不以牺牲性能为代价。作者阿列克谢·沃罗诺夫（Alexey Voronov）是一位资深数据工程师，他展示了 Rust 如何成为传统数据科学工具的有力替代品，尤其是在处理海量数据、流式处理和产品级部署时。

本书以实践指南的形式构建：您将从 Rust 语法基础开始，但到第三章时，您将能够编写高效的管道来读取、过滤和聚合数 GB 大小的 CSV 文件。本书特别关注生态系统：您将接触到 polars（基于 Rust 的 DataFrame，比 Pandas 更快）、用于数值计算的 ndarray、用于机器学习的 burn 和 candle，以及用于并行和异步计算的 rayon 和 tokio 等库。

• 第 1–2 章。 Rust 入门：所有权、借用、生命周期——针对数据任务，理论最少，实践最多。
• 第 3–4 章。 数据处理：读写 CSV、JSON、Parquet；使用 Polars 进行清洗和转换。
• 第 5–6 章。 统计分析及可视化（通过 plotters 并导出至 Plotly）。
• 第 7–8 章。 机器学习：线性回归、决策树、基于 Rust 的神经网络。
• 第 9–10 章。 优化：并行计算、SIMD、通过 wgpu 使用 GPU。
• 第 11 章。 模型部署：用于浏览器的 WebAssembly、基于 Actix 的 REST API、CLI 工具。

本书适合以下人群：

• 厌倦了缓慢的 Python 脚本、寻求性能而不牺牲代码可读性的数据科学家。
• 希望将机器学习管道集成到高负载系统中的后端开发者。
• 构建需要可靠性和速度的 ETL 流程的数据工程师。

阅读本书后，您将能够：

• 编写安全、快速且并行的数据处理程序。
• 创建生产就绪的管道，其运行速度比 Python 对应方案快 10–100 倍。
• 通过 FFI 或 WebAssembly 将 Rust 代码集成到现有项目中。
• 使用基于 Rust 的现代机器学习库。

本书假设读者具备基本的编程知识（Python 或 C/C++），但不需要预先掌握 Rust 经验。所有代码示例均可在代码仓库中找到，并附有分步说明。如果您希望将数据处理工作提升到速度和可靠性的新高度——这本书就是为您准备的。