数据科学入门丨选Python还是R

Posted 2023-04-28

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了数据科学入门丨选Python还是R相关的知识，希望对你有一定的参考价值。

数据科学入门丨选Python还是R对于想入门数据科学的新手来说，选择学Python还是R语言是一个难题，本文对两种语言进行了比较，希望能帮助你做

参考技术A 数据科学入门丨选Python还是R
对于想入门数据科学的新手来说，选择学Python还是R语言是一个难题，本文对两种语言进行了比较，希望能帮助你做出选择。
我是德勤的数据科学家主管，多年来我一直在使用Python和R语言，并且与Python社区密切合作了15年。本文是我对这两种语言的一些个人看法。
第三种选择

针对这个问题，Studio的首席数据科学家Htley Wickham认为，比起在二者中选其一，更好的选择是让两种语言合作。因此，这也是我提到的第三种选择，我在文本最后部分会探讨。
如何比较R和Python
对于这两种语言，有以下几点值得进行比较：
· 历史：
R和Python的发展历史明显不同，同时有交错的部分。
· 用户群体：
包含许多复杂的社会学人类学因素。
· 性能：
详细比较以及为何难以比较。
· 第三方支持：
模块、代码库、可视化、存储库、组织和开发环境。
· 用例：
根据具体任务和工作类型有不同的选择。
· 是否能同时使用：
在Python中使用R，在R中使用Python。
· 预测：
内部测试。
· 企业和个人偏好：
揭晓最终答案。
历史

简史：
ABC语言 - > Python 问世(1989年由Guido van Rossum创立) - > Python 2(2000年) - > Python 3(2008年)
Fortan语言 - > S语言(贝尔实验室) - > R语言问世(1991年由Ross Ihaka和Robert Gentleman创立) - > R 1.0.0(2000年) - > R 3.0.2(2013年)
用户群体
在比较Python与R的使用群体时，要注意：

只有50％的Python用户在同时使用R。
假设使用R语言的程序员都用R进行相关“科学和数字”研究。可以确定无论程序员的水平如何，这种统计分布都是真实。
这里回到第二个问题，有哪些用户群体。整个科学和数字社区包含几个子群体，当中存在一些重叠。
使用Python或R语言的子群体：
· 深度学习
· 机器学习
· 高级分析
· 预测分析
· 统计
· 探索和数据分析
· 学术科研
· 大量计算研究领域
虽然每个领域几乎都服务于特定群体，但在统计和探索等方面，使用R语言更为普遍。在不久之前进行数据探索时，比起Python，R语言花的时间更少，而且使用Python还需要花时间进行安装。
这一切都被称为Jupyter Notebooks和Anaconda的颠覆性技术所改变。
Jupyter Notebook：增加了在浏览器中编写Python和R代码的能力;
Anaconda：能够轻松安装和管理Python和R。
现在，你可以在友好的环境中启动和运行Python或R，提供开箱即用的报告和分析，这两项技术消除了完成任务和选择喜欢语言间的障碍。Python现在能以独立于平台的方式打包，并且更快地提供快速简单的分析。
社区中影响语言选择的另一个因素是“开源”。不仅仅是开源的库，还有协作社区对开源的影响。讽刺的是，Tensorflow和GNU Scientific Library等开源软件(分别是Apache和GPL)都与Python和R绑定。虽然使用R语言的用户很多，但使用Python的用户中有很多纯粹的Python支持者。另一方面，更多的企业使用R语言，特别是那些有统计学背景的。
最后，关于社区和协作，Github对Python的支持更多。如果看到最近热门的Python包，会发现Tensorflow等项目有超过3.5万的用户收藏。但看到R的热门软件包，Shiny、Stan等的收藏量则低于2千。
性能
这方面不容易进行比较。
原因是需要测试的指标和情况太多。很难在任何一个特定硬件上测试。有些操作通过其中一种语言优化，而不是另一种。
循环
在此之前让我们想想，如何比较Python与R。你真的想在R语言写很多循环吗？毕竟这两种语言的设计意图不太相同。

"cells": [

"cell_type": "code",
"execution_count": 1,
"metadata": ,
"outputs": [],
"source": [
"import numpy as npn",
"%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": [
"%%Rn",
"do_loop <- function(u1) n",
" n",
" # Initialize `usq`n",
" usq <- 0n",
"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 ?s per loop (mean ± std. dev. of 7 runs, 1000 loops each)n"
]

],
"source": [
"%%timeit -n 1000n",
"%%Rn",
"u1 <- rnorm(100)n",
"do_loop(u1)"
]
,

"cell_type": "code",
"execution_count": 5,
"metadata": ,
"outputs": [

"name": "stdout",
"output_type": "stream",
"text": [
"36.9 ?s ± 5.99 ?s per loop (mean ± std. dev. of 7 runs, 1000 loops each)n"
]

],
"source": [
"%%timeit -n 1000n",
"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为0.000037秒，R为0.00158秒
包括加载时间和在命令行上运行：R需要0.238秒，Python需要0.147秒。强调，这并不是科学严谨的测试。
测试证明，Python的运行速度明显加快。通常这并没有太大影响。
除了运行速度外，对于数据科学家而言哪种性能更重要？两种语言之所以受欢迎是因为它们能被用作命令语言。例如，在使用Python时大多时候我们都很依赖Pandas。这涉及到每种语言中模块和库，以及其执行方式。
第三方支持
Python有PyPI，R语言有CRAN，两者都有Anaconda。
CRAN使用内置的install.packages命令。目前，CRAN上有大约1.2万个包。其中超过1/2的包都能用于数据科学。
PyPi中包的数量超过前者的10倍，约有14.1万个包。专门用于科学工程的有3700个。其中有些也可以用于科学，但没有被标记。
在两者中都有重复的情况。当搜索“随机森林”时，PyPi中可以得到170个项目，但这些包并不相同。
尽管Python包的数量是R的10倍，但数据科学相关的包的数量大致相同。
运行速度
比较DataFrames和Pandas更有意义。
我们进行了一项实验：比较针对复杂探索任务的执行时间，结果如下：

在大多数任务中Python运行速度更快。
http://nbviewer.jupyter.org/gist/brianray/4ce15234e6ac2975b335c8d90a4b6882
可以看到，Python + Pandas比原生的R语言DataFrames更快。注意，这并不意味着Python运行更快，Pandas 是基于Numpy用C语言编写的。
可视化

这里将ggplot2与matplotlib进行比较。
matplotlib是由John D. Hunter编写的，他是我在Python社区中最敬重的人之一，他也是教会我使用Python的人。
Matplotlib虽然不易学习但能进行定制和扩展。ggplot难以进行定制，有些人认为它更难学。
如果你喜欢漂亮的图表，而且无需自定义，那么R是不错的选择。如果你要做更多的事情，那么Matplotlib甚至交互式散景都不错。同样，R的ShinnyR能够增加交互性。
是否能同时使用
可能你会问，为什么不能同时使用Python和R语言?
以下情况你可以同时使用这两种语言：
· 公司或组织允许；
· 两种都能在你的编程环境中轻松设置和维护；
· 你的代码不需要进入另一个系统；
· 不会给合作的人带来麻烦和困扰。
一起使用两种语言的方法是：
· Python提供给R的包：如rpy2、pyRserve、Rpython等；
· R也有相对的包：rPython、PythonInR、reticulate、rJython，SnakeCharmR、XRPython
· 使用Jupyter，同时使用两者，例子如下：

之后可以传递pandas的数据框，接着通过rpy2自动转换为R的数据框，并用“-i df”转换：

http://nbviewer.jupyter.org/gist/brianray/734bd54f468d9a6db9171b2cfc98405a
预测
Kaggle上有人对开发者使用R还是Python写了一个Kernel。他根据数据发现以下有趣的结果：

· 如果你打算明年转向Linux，则更可能是Python用户；
· 如果你研究统计数据，则更可能使用R；如果研究计算机科学，则更可能使用Python；
· 如果你还年轻(18-24岁)，则更可能是Python用户；
· 如果你参加编程比赛，则更可能是Python用户；
· 如果你明年想使用android，则更可能是Python用户；
· 如果你想在明年学习SQL，则更可能是R用户；
· 如果你使用MS office，则更可能是R用户；
· 如果你想在明年使用Rasperry Pi，则更可能是Python用户；
· 如果你是全日制学生，则更可能是Python用户；
· 如果你使用的敏捷方法(Agile methodology)，则更可能是Python用户；
· 如果对待人工智能，比起兴奋你更持担心态度，则更可能是R用户。
企业和个人偏好
当我与Googler和Stack Overflow的大神级人物Alex Martelli交流时，他向我解释了为什么Google最开始只官方支持少数几种语言。即使是在Google相对开发的环境中，也存在一些限制和偏好，其他企业也是如此。
除了企业偏好，企业中第一个使用某种语言的人也会起到决定性作用。第一个在德勤使用R的人他目前仍在公司工作，目前担任首席数据科学家。我的建议是，选择你喜欢的语言，热爱你选择的语言，起到领导作用，并热爱你的事业。
当你在研究某些重要的内容时，犯错是难以避免的。然而，每个精心设计的数据科学项目都为数据科学家留有一些空间，让他们进行实验和学习。重要的是保持开放的心态，拥抱多样性。
最后就我个人而言，我主要使用Python，之后我期待学习更多R的内容。

讨论 | R语言和Python哪个难？我应该如何选择学习？

在数据科学界大门口，新手小白们总是面面相觑，R语言和Python两大巨头各占风骚，势如水火，引起入门选手的诸多疑问——

◆ 编程零基础，我应该选哪个入门比较好？

◆ 我学XX专业，应该用R语言还是Python?

◆ R和Python各自优缺点是什么，哪个更难？

◆ 未来哪个就业更吃香，薪资更高，选择更广？

Emmm连学哪个都选不出来，算了，我还是不学了叭……

万里长征第一步，学院君带带你。究竟R语言和Python在哪些领域使用更佳？新手如何选择学习，才能更快地启航？我们认真来唠唠这个。

友情提示：本文适合收藏！

01 开发目的

任何不聊原始目的的选择都是耍流氓。工具的缘起历史，决定了它使用的偏向性。

▌R语言

R是由统计学家开发的，它的出生就肩负着统计分析、绘图、数据挖掘的重要使命。因此在R的语言体系里，有非常多统计学的原理和知识。

如果你具备一些统计背景，R会令你使用各类model和复杂的公式时更加愉悦有爽感，因为你总能找到对应的package，并且几行代码就可以调用搞定。

▌Python

Python的创始人初衷，是为非专业程序员设计的一种开放型的语言。优雅，明确，简单，是它的标签。因此，总有人高唱「人生苦短，我用Python」。

数据分析、网络爬虫、编程开发、人工智能等，作为一门多功能的胶水语言，Python的使用目的和学习路径更加多样化。

02 适用人群

尽管都是数据科学界的当红炸子鸡，工具的选择会因为你的领域和你想解决的问题因人而异。

▌R语言

起初R在学术研究和调查工作中使用比较多，逐渐延伸至企业商业界。使用人群不一定需要计算机背景，统计、金融、经济、核电、环境、医疗、物流管理，乃至人文学科，都有R语言的立足之地。

同样，鉴于R 在数据探索、统计分析上，是一种更高效的独立数据分析工具，具备良好数理统计知识背景的人使用起来更加得心应手，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等。

▌Python

相比R非标准的代码，Python作为出了名的语法简洁工具，对于一些稍有编程基础的人来说格外友好，可以减少在编程进程中的磕绊。

没有任何基础的编程小白一样可以上手Python，适用范围同样覆盖金融、医疗、管理、传播等各行各业。

如果你在数据分析之余，还需要与诸如Web应用程序相整合，或者需要和数据源的连接、读取，调用其他语言等，使用Python是更加方便的选择，「一站式解决」。

03 学习曲线

这是小白入门前最关心的问题之一，究竟哪个学起来更难？

实际上，由于不了解每个人的知识背景和学习成本，这个问题并不能做出非黑即白的绝对性答案。这也是为什么，各类论坛上R和Python的使用者关于入门难度总是各执一词。

▌R语言

开始学习R，了解了最基本知识和语言逻辑，入门不难。以及数理统计基础好的会越学越爽，相反，如果完全没有数理背景，会感觉到明显增幅的难度。

▌Python

Python看重可读性和易用性，它的学习曲线比较平缓。对于初级小白来讲，比较友好，但如果纵深学习以及拓展方向，还需要掌握大量package的知识和使用方法。

如果你真的需要定义对比二者学习曲线的难度，你需要首先明确，你的学习目的是什么。

04 行业选择&发展方向

网络上有很多R与Python人气对比的数据，综合来看，Python的排名更高，主要原因是R仅在数据科学的环境中使用，而Python作为一种通用语言，使用广泛。

▌R语言

应用R的场景：数据探索、统计分析、数据可视化

应用 R技能的职位：数据分析师、数据科学家、投资分析师、税务人员、管理人员、科研人员等等

发展方向：结合各行业的专业知识，做深度的业务数据处理与统计分析

▌Python

应用Python的场景：数据分析、网络爬虫、系统编程、图形处理、文本处理、数据库编程、网络编程、Web编程、数据库连接、人工智能、机器学习等

应用Python的职位：数据架构师、数据分析师、数据工程师、数据科学家、程序开发员等

发展方向：结合各行业的专业知识，做各类型or协作型工作

05 优缺点对比分析（划重点）

来了！在具体的使用中，两个工具一定有各自的优劣势，各自的侧重点。明确哪一点对你最重要，是你选择的关键。

第一战：数据可视化

字不如表，表不如图。R和可视化是绝配，一些必备的可视化软件包如ggplot2，ggvis，googleVis和rCharts，由于统计模型完善，细节设计精美，在R里能够使用一行或几行代码很快完成漂亮大气装X一百分的数据图，清楚看到数据的特征和走势。

Python也有一些不错的可视化库，诸如Matplotlib, Seaborn，Bokeh和Pygal，它同样可以完成和R一样精美的数据图，但需要你自己写代码去表达和定义，例如线形图、柱状图，横纵坐标的距离与比例，颜色的选择等等。

（Py：不要为难我胖虎，画图可以，要美你自己写！）

第二战：数据分析

R包含更多的数据分析内建功能，可以直接使用summary内建函数，dataframe是R内置的结构。

Python中需要依靠第三方软件包，诸如statsmodels、pandas包，提供强大的数据分析功能。

第三战：数据结构

R中的数据结构非常的简单，主要包括向量(一维)、多维数组(二维时为矩阵)、列表(非结构化数据)、数据框(结构化数据)。R的变量类型比较单一，在不同的包里变量类型是一样的。

Python 则包含更丰富的数据结构来实现数据更精准的访问和内存控制，多维数组(可读写、有序)、元组(只读、有序)、集合(唯一、无序)、字典(Key-Value)等等。在不同的包里，也会有不同的表达来定义变量，例如在pandas包里用series表示列表，而在numpy包里列表的表达则使用array。

相比来说，Python更丰富的数据结构会提升学习成本，但运行更精准，速度也更快。