數據科學入門丨選Python還是R

對于想入門數據科學的新手來說，選擇學Python還是R語言是一個難題，本文對兩種語言進行了比較，希望能幫助你做出選擇。

我是德勤的數據科學家主管，多年來我一直在使用Python和R語言，并且與Python社區密切合作了15年。本文是我對這兩種語言的一些個人看法。

第三種選擇

針對這個問題，Studio的首席數據科學家Htley Wickham認為，比起在二者中選其一，更好的選擇是讓兩種語言合作。因此，這也是我提到的第三種選擇，我在文本最后部分會探討。

如何比較R和Python

對于這兩種語言，有以下幾點值得進行比較：

· 歷史：

R和Python的發展歷史明顯不同，同時有交錯的部分。

· 用戶群體：

包含許多復雜的社會學人類學因素。

· 性能：

詳細比較以及為何難以比較。

· 第三方支持：

模塊、代碼庫、可視化、存儲庫、組織和開發環境。

· 用例：

根據具體任務和工作類型有不同的選擇。

· 是否能同時使用：

在Python中使用R，在R中使用Python。

· 預測：

內部測試。

· 企業和個人偏好：

揭曉最終答案。

歷史

簡史：

ABC語言 - > Python 問世(1989年由Guido van Rossum創立) - > Python 2(2000年) - > Python 3(2008年)

Fortan語言 - > S語言(貝爾實驗室) - > R語言問世(1991年由Ross Ihaka和Robert Gentleman創立) - > R 1.0.0(2000年) - > R 3.0.2(2013年)

用戶群體

在比較Python與R的使用群體時，要注意：

只有50％的Python用戶在同時使用R。

假設使用R語言的程序員都用R進行相關“科學和數字”研究?？梢源_定無論程序員的水平如何，這種統計分布都是真實。

這里回到第二個問題，有哪些用戶群體。整個科學和數字社區包含幾個子群體，當中存在一些重疊。

使用Python或R語言的子群體：

· 深度學習

· 機器學習

· 高級分析

· 預測分析

· 統計

· 探索和數據分析

· 學術科研

· 大量計算研究領域

雖然每個領域幾乎都服務于特定群體，但在統計和探索等方面，使用R語言更為普遍。在不久之前進行數據探索時，比起Python，R語言花的時間更少，而且使用Python還需要花時間進行安裝。

這一切都被稱為Jupyter Notebooks和Anaconda的顛覆性技術所改變。

Jupyter Notebook：增加了在瀏覽器中編寫Python和R代碼的能力;

Anaconda：能夠輕松安裝和管理Python和R。

現在，你可以在友好的環境中啟動和運行Python或R，提供開箱即用的報告和分析，這兩項技術消除了完成任務和選擇喜歡語言間的障礙。Python現在能以獨立于平臺的方式打包，并且更快地提供快速簡單的分析。

社區中影響語言選擇的另一個因素是“開源”。不僅僅是開源的庫，還有協作社區對開源的影響。諷刺的是，Tensorflow和GNU Scientific Library等開源軟件(分別是Apache和GPL)都與Python和R綁定。雖然使用R語言的用戶很多，但使用Python的用戶中有很多純粹的Python支持者。另一方面，更多的企業使用R語言，特別是那些有統計學背景的。

最后，關于社區和協作，Github對Python的支持更多。如果看到最近熱門的Python包，會發現Tensorflow等項目有超過3.5萬的用戶收藏。但看到R的熱門軟件包，Shiny、Stan等的收藏量則低于2千。

性能

這方面不容易進行比較。

原因是需要測試的指標和情況太多。很難在任何一個特定硬件上測試。有些操作通過其中一種語言優化，而不是另一種。

循環

在此之前讓我們想想，如何比較Python與R。你真的想在R語言寫很多循環嗎？畢竟這兩種語言的設計意圖不太相同。

{
 "cells": [
  {
   "cell_type": "code",
   "execution_count": 1,
   "metadata": {},
   "outputs": [],
   "source": [
    "import numpy as np\n",
    "%load_ext rpy2.ipython"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 2,
   "metadata": {},
   "outputs": [],
   "source": [
    "def do_loop(u1):\n",
    "\n",
    "    # Initialize `usq`\n",
    "    usq = {}\n",
    "\n",
    "    for i in range(100):\n",
    "      # i-th element of `u1` squared into `i`-th position of `usq`\n",
    "      usq[i] = u1[i] * u1[i]\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 3,
   "metadata": {},
   "outputs": [],
   "source": [
    "%%R\n",
    "do_loop <- function(u1) {\n",
    "    \n",
    "    # Initialize `usq`\n",
    "    usq <- 0\n",
    "\n",
    "    for(i in 1:100) {\n",
    "      # i-th element of `u1` squared into `i`-th position of `usq`\n",
    "      usq[i] <- u1[i]*u1[i]\n",
    "    }\n",
    "\n",
    "}"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 4,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "1.58 ms ± 42.8 μs per loop (mean ± std. dev. of 7 runs, 1000 loops each)\n"
     ]
    }
   ],
   "source": [
    "%%timeit -n 1000\n",
    "%%R\n",
    "u1 <- rnorm(100)\n",
    "do_loop(u1)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 5,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "36.9 μs ± 5.99 μs per loop (mean ± std. dev. of 7 runs, 1000 loops each)\n"
     ]
    }
   ],
   "source": [
    "%%timeit -n 1000\n",
    "u1  = np.random.randn(100)\n",
    "do_loop(u1)"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.6.3"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 2
}

Python為0.000037秒，R為0.00158秒

包括加載時間和在命令行上運行：R需要0.238秒，Python需要0.147秒。強調，這并不是科學嚴謹的測試。

測試證明，Python的運行速度明顯加快。通常這并沒有太大影響。

除了運行速度外，對于數據科學家而言哪種性能更重要？兩種語言之所以受歡迎是因為它們能被用作命令語言。例如，在使用Python時大多時候我們都很依賴Pandas。這涉及到每種語言中模塊和庫，以及其執行方式。

第三方支持

Python有PyPI，R語言有CRAN，兩者都有Anaconda。

CRAN使用內置的install.packages命令。目前，CRAN上有大約1.2萬個包。其中超過1/2的包都能用于數據科學。

PyPi中包的數量超過前者的10倍，約有14.1萬個包。專門用于科學工程的有3700個。其中有些也可以用于科學，但沒有被標記。

在兩者中都有重復的情況。當搜索“隨機森林”時，PyPi中可以得到170個項目，但這些包并不相同。

盡管Python包的數量是R的10倍，但數據科學相關的包的數量大致相同。

運行速度

比較DataFrames和Pandas更有意義。

我們進行了一項實驗：比較針對復雜探索任務的執行時間，結果如下：

在大多數任務中Python運行速度更快。

來源：

http://nbviewer.jupyter.org/gist/brianray/4ce15234e6ac2975b335c8d90a4b6882

可以看到，Python + Pandas比原生的R語言DataFrames更快。注意，這并不意味著Python運行更快，Pandas 是基于Numpy用C語言編寫的。

可視化

這里將ggplot2與matplotlib進行比較。

matplotlib是由John D. Hunter編寫的，他是我在Python社區中最敬重的人之一，他也是教會我使用Python的人。

Matplotlib雖然不易學習但能進行定制和擴展。ggplot難以進行定制，有些人認為它更難學。

如果你喜歡漂亮的圖表，而且無需自定義，那么R是不錯的選擇。如果你要做更多的事情，那么Matplotlib甚至交互式散景都不錯。同樣，R的ShinnyR能夠增加交互性。

是否能同時使用

可能你會問，為什么不能同時使用Python和R語言?

以下情況你可以同時使用這兩種語言：

· 公司或組織允許；

· 兩種都能在你的編程環境中輕松設置和維護；

· 你的代碼不需要進入另一個系統；

· 不會給合作的人帶來麻煩和困擾。

一起使用兩種語言的方法是：

· Python提供給R的包：如rpy2、pyRserve、Rpython等；

· R也有相對的包：rPython、PythonInR、reticulate、rJython，SnakeCharmR、XRPython

· 使用Jupyter，同時使用兩者，例子如下：

之后可以傳遞pandas的數據框，接著通過rpy2自動轉換為R的數據框，并用“-i df”轉換：

來源：

http://nbviewer.jupyter.org/gist/brianray/734bd54f468d9a6db9171b2cfc98405a

預測

Kaggle上有人對開發者使用R還是Python寫了一個Kernel。他根據數據發現以下有趣的結果：

· 如果你打算明年轉向Linux，則更可能是Python用戶；

· 如果你研究統計數據，則更可能使用R；如果研究計算機科學，則更可能使用Python；

· 如果你還年輕(18-24歲)，則更可能是Python用戶；

· 如果你參加編程比賽，則更可能是Python用戶；

· 如果你明年想使用Android，則更可能是Python用戶；

· 如果你想在明年學習SQL，則更可能是R用戶；

· 如果你使用MS office，則更可能是R用戶；

· 如果你想在明年使用Rasperry Pi，則更可能是Python用戶；

· 如果你是全日制學生，則更可能是Python用戶；

· 如果你使用的敏捷方法(Agile methodology)，則更可能是Python用戶；

· 如果對待人工智能，比起興奮你更持擔心態度，則更可能是R用戶。

企業和個人偏好

當我與Googler和Stack Overflow的大神級人物Alex Martelli交流時，他向我解釋了為什么Google最開始只官方支持少數幾種語言。即使是在Google相對開發的環境中，也存在一些限制和偏好，其他企業也是如此。

除了企業偏好，企業中第一個使用某種語言的人也會起到決定性作用。第一個在德勤使用R的人他目前仍在公司工作，目前擔任首席數據科學家。我的建議是，選擇你喜歡的語言，熱愛你選擇的語言，起到領導作用，并熱愛你的事業。

當你在研究某些重要的內容時，犯錯是難以避免的。然而，每個精心設計的數據科學項目都為數據科學家留有一些空間，讓他們進行實驗和學習。重要的是保持開放的心態，擁抱多樣性。

最后就我個人而言，我主要使用Python，之后我期待學習更多R的內容。