對(duì)于想入門數(shù)據(jù)科學(xué)的新手來(lái)說(shuō)，選擇學(xué)Python還是R語(yǔ)言是一個(gè)難題，本文對(duì)兩種語(yǔ)言進(jìn)行了比較，希望能幫助你做出選擇。

我是德勤的數(shù)據(jù)科學(xué)家主管，多年來(lái)我一直在使用Python和R語(yǔ)言，并且與Python社區(qū)密切合作了15年。本文是我對(duì)這兩種語(yǔ)言的一些個(gè)人看法。

第三種選擇

針對(duì)這個(gè)問(wèn)題，Studio的首席數(shù)據(jù)科學(xué)家Htley Wickham認(rèn)為，比起在二者中選其一，更好的選擇是讓兩種語(yǔ)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(huì)探討。

如何比較R和Python

對(duì)于這兩種語(yǔ)言，有以下幾點(diǎn)值得進(jìn)行比較：

· 歷史： 
R和Python的發(fā)展歷史明顯不同，同時(shí)有交錯(cuò)的部分。

· 用戶群體： 
包含許多復(fù)雜的社會(huì)學(xué)人類學(xué)因素。

· 性能： 
詳細(xì)比較以及為何難以比較。

· 第三方支持： 
模塊、代碼庫(kù)、可視化、存儲(chǔ)庫(kù)、組織和開發(fā)環(huán)境。

· 用例： 
根據(jù)具體任務(wù)和工作類型有不同的選擇。

· 是否能同時(shí)使用： 
在Python中使用R，在R中使用Python。

· 預(yù)測(cè)： 
內(nèi)部測(cè)試。

· 企業(yè)和個(gè)人偏好： 
揭曉最終答案。

歷史

簡(jiǎn)史：

ABC - > Python 問(wèn)世(1989年由Guido van Rossum創(chuàng)立) - > Python 2(2000年) - > Python 3(2008年)

Fortan語(yǔ)言 - > S語(yǔ)言(貝爾實(shí)驗(yàn)室) - > R語(yǔ)言問(wèn)世(1991年由Ross Ihaka和Robert Gentleman創(chuàng)立) - > R 1.0.0(2000年) - > R 3.0.2(2013年) 

社區(qū)

用戶群體

在比較Python與R的使用群體時(shí)，要注意：

只有50％的Python用戶在同時(shí)使用R

假設(shè)所有使用R語(yǔ)言的程序員都用R進(jìn)行相關(guān)“科學(xué)和數(shù)字”研究?？梢源_定無(wú)論程序員的水平如何，這種統(tǒng)計(jì)分布都是真實(shí)。

這里回到第二個(gè)問(wèn)題，有哪些用戶群體。整個(gè)科學(xué)和數(shù)字社區(qū)包含幾個(gè)子群體，當(dāng)中存在一些重疊。

使用Python或R語(yǔ)言的子群體：

· 深度學(xué)習(xí) 
· 機(jī)器學(xué)習(xí) 
· 高級(jí)分析 
· 預(yù)測(cè)分析 
· 統(tǒng)計(jì) 
· 探索和數(shù)據(jù)分析 
· 學(xué)術(shù)科研 
· 大量計(jì)算研究領(lǐng)域

雖然每個(gè)領(lǐng)域幾乎都服務(wù)于特定群體，但你會(huì)發(fā)現(xiàn)在統(tǒng)計(jì)和探索等方面，使用R語(yǔ)言更為普遍。在不久之前進(jìn)行數(shù)據(jù)探索時(shí)，比起Python，R語(yǔ)言花的時(shí)間更少，而且使用Python還需要花時(shí)間進(jìn)行安裝。

所有這一切都被稱為Jupyter Notebooks和Anaconda的顛覆性技術(shù)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(xiàn)在，你可以在友好的環(huán)境中啟動(dòng)和運(yùn)行Python或R，提供開箱即用的報(bào)告和分析，這兩項(xiàng)技術(shù)消除了完成任務(wù)和選擇喜歡語(yǔ)言間的障礙。Python現(xiàn)在能以獨(dú)立于平臺(tái)的方式打包，并且更快地提供快速簡(jiǎn)單的分析。

社區(qū)中影響語(yǔ)言選擇的另一個(gè)因素是“開源”的概念。不僅僅是開源的庫(kù)，還有協(xié)作社區(qū)對(duì)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(yǔ)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(yè)使用R語(yǔ)言，特別是那些有統(tǒng)計(jì)學(xué)背景的。

最后，關(guān)于社區(qū)和協(xié)作，Github對(duì)Python的支持更多。如果看到最近熱門的Python包，會(huì)發(fā)現(xiàn)Tensorflow等項(xiàng)目有超過(guò)3.5萬(wàn)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(jìn)行比較。

原因是需要測(cè)試的指標(biāo)和情況太多。很難在任何一個(gè)特定硬件上測(cè)試。有些操作通過(guò)其中一種語(yǔ)言優(yōu)化，而不是另一種。

循環(huán)

在此之前讓我們想想如何用Python與R對(duì)比。你真的想在R語(yǔ)言中做很多循環(huán)嗎？畢竟這兩種語(yǔ)言的意圖不太相同。

{ "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}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110

Python為0.000037秒，R為0.00158秒

包括加載時(shí)間和在命令行上運(yùn)行：R需要0.238秒，Python需要0.147秒。強(qiáng)調(diào)，這并不是科學(xué)嚴(yán)謹(jǐn)?shù)臏y(cè)試。

測(cè)試證明Python的運(yùn)行速度明顯加快。通常這并沒(méi)有太大影響。

除了運(yùn)行速度外，對(duì)于數(shù)據(jù)科學(xué)家而言哪種性能更重要？?jī)煞N語(yǔ)言之所以受歡迎是因?yàn)樗鼈兡鼙挥米髅钫Z(yǔ)言。例如，在使用Python時(shí)大多時(shí)候我們都很依賴Pandas。這就涉及到每種語(yǔ)言中模塊和庫(kù)，以及其執(zhí)行方式。

第三方支持

Python有PyPI，R語(yǔ)言有CRAN，兩者都有Anaconda。

CRAN使用內(nèi)置的install.packages命令。目前，CRAN上有大約1.2萬(wàn)個(gè)包。其中超過(guò)1/2的包都能用于數(shù)據(jù)科學(xué)。

PyPi中包的數(shù)量超過(guò)前者的10倍，約有14.1萬(wàn)個(gè)包。專門用于科學(xué)工程的有3700個(gè)。其中有些也可以用于科學(xué)，但沒(méi)有被標(biāo)記。

在兩者中都有重復(fù)的情況。當(dāng)搜索“隨機(jī)森林”時(shí)，PyPi中可以得到170個(gè)項(xiàng)目，但這些包并不相同。

盡管Python包的數(shù)量是R的10倍，但數(shù)據(jù)科學(xué)相關(guān)的包的數(shù)量大致相同。

運(yùn)行速度

比較DataFrames和Pandas更有意義。

我們進(jìn)行了一項(xiàng)實(shí)驗(yàn)：比較針對(duì)復(fù)雜探索任務(wù)的執(zhí)行時(shí)間，結(jié)果如下：

在大多數(shù)任務(wù)中Python運(yùn)行速度更快。

來(lái)源： 
http://nbviewer.jupyter.org/gist/brianray/4ce15234e6ac2975b335c8d90a4b6882

可以看到，Python + Pandas比原生的R語(yǔ)言DataFrames更快。注意，這并不意味著Python運(yùn)行更快，Pandas 是基于Numpy用C語(yǔ)言編寫的。

可視化

這里將ggplot2與matplotlib進(jìn)行比較。 
matplotlib是由John D. Hunter編寫的，他是我在Python社區(qū)中最敬重的人之一，他也是教會(huì)我使用Python的。

Matplotlib雖然不易學(xué)習(xí)但能進(jìn)行定制和擴(kuò)展。ggplot難以進(jìn)行定制，有些人認(rèn)為它更難學(xué)。

如果你喜歡漂亮的圖表，而且無(wú)需自定義，那么R是不錯(cuò)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(cuò)。同樣，R的ShinnyR能夠增加交互性。

是否能同時(shí)使用

可能你會(huì)問(wèn)，為什么不能同時(shí)使用Python和R語(yǔ)言?

以下情況你可以同時(shí)使用這兩種語(yǔ)言：

· 公司或組織允許； 
· 兩種都能在你的編程環(huán)境中輕松設(shè)置和維護(hù)； 
· 你的代碼不需要進(jìn)入另一個(gè)系統(tǒng)； 
· 不會(huì)給合作的人帶來(lái)麻煩和困擾。

一起使用兩種語(yǔ)言的方法是：

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

· R也有相對(duì)的包：rPython、PythonInR、reticulate、rJython，SnakeCharmR、XRPython

· 使用Jupyter，同時(shí)使用兩者，例子如下：

之后可以傳遞pandas的數(shù)據(jù)框，接著通過(guò)rpy2自動(dòng)轉(zhuǎn)換為R的數(shù)據(jù)框，并用“-i df”轉(zhuǎn)換：

來(lái)源： 
http://nbviewer.jupyter.org/gist/brianray/734bd54f468d9a6db9171b2cfc98405a

預(yù)測(cè)

Kaggle上有人對(duì)開發(fā)者使用R還是Python寫了一個(gè)Kernel。他根據(jù)數(shù)據(jù)發(fā)現(xiàn)以下有趣的結(jié)果：

· 如果你打算明年轉(zhuǎn)向Linux，則更可能是Python用戶；

· 如果你研究統(tǒng)計(jì)數(shù)據(jù)，則更可能使用R；如果研究計(jì)算機(jī)科學(xué)，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(xué)習(xí)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(xué)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(duì)待人工智能，比起興奮你更持擔(dān)心態(tài)度，則更可能是R用戶。

企業(yè)和個(gè)人偏好

當(dāng)我與Googler和Stack Overflow的大神級(jí)人物Alex Martelli交流時(shí)，他向我解釋了為什么Google最開始只官方只是少數(shù)幾種語(yǔ)言。即使是在Google相對(duì)開發(fā)的環(huán)境中，也存在一些限制和偏好，其他企業(yè)也是如此。

除了企業(yè)偏好，企業(yè)中第一個(gè)使用某種語(yǔ)言的人也會(huì)起到?jīng)Q定性作用。第一個(gè)在德勤使用R的人他目前仍在公司工作，目前擔(dān)任首席數(shù)據(jù)科學(xué)家。我的建議是，選擇你喜歡的語(yǔ)言，熱愛(ài)你選擇的語(yǔ)言，起到領(lǐng)導(dǎo)作用，并熱愛(ài)你的事業(yè)。

當(dāng)你在研究某些重要的內(nèi)容時(shí)，犯錯(cuò)是難以避免的。然而，每個(gè)精心設(shè)計(jì)的數(shù)據(jù)科學(xué)項(xiàng)目都為數(shù)據(jù)科學(xué)家留有一些空間，讓他們進(jìn)行實(shí)驗(yàn)和學(xué)習(xí)。重要的是保持開放的心態(tài)，擁抱多樣性。

最后就我個(gè)人而言，我主要使用Python，之后我期待學(xué)習(xí)更多R的內(nèi)容。