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 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。

来源：

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：

来源：

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。