R语言vs Python：硬碰硬的数据分析

  我们将在已有的数十篇从主观角度对比Python和R的文章中加入自己的观点，但是这篇文章旨在更客观地看待这两门语言。我们会平行使用Python和R分析一个数据集，展示两种语言在实现相同结果时需要使用什么样的代码。这让我们了解每种语言的优缺点，而不是猜想。
     我们将会分析一个NBA数据集，包含运动员和他们在2013-2014赛季的表现，可以在这里下载这个数据集。我们展示Python和R的代码，同时做出一些解释和讨论。事不宜迟，现在就开始这场硬碰硬的对决吧！

读取CSV文件

R

nba <- read.csv("nba_2013.csv")

Python

import pandas
nba = pandas.read_csv("nba_2013.csv")

上面的代码分别在两种语言中将包含2013-2014赛季NBA球员的数据的 nba_2013.csv 文件加载为变量nba。Python中实际的唯一不同是需要加载pandas库以使用Dataframe。Dataframe在R和Python中都可用，它是一个二维数组（矩阵），其中每列都可以是不同的数据类型。在完成这一步后，csv文件在两种语言中都加载为dataframe。
统计球员数量

R

print(dim(nba))

[1] 481  31

Python

print(nba.shape)

(481, 31)

两者分别输出球员数量和数据列数量。我们有481行，或者说球员，和31列关于球员的数据。
查看数据的第一行

R

print(head(nba, 1))

      player pos age bref_team_id
1 Quincy Acy  SF  23          TOT
[output truncated]

Python

print(nba.head(1))

       player pos  age bref_team_id
0  Quincy Acy  SF   23          TOT
[output truncated]

它们几乎完全相同。两种语言都打印出数据的第一行，语法也非常类似。Python在这里更面向对象一些，head是dataframe对象的一个方法，而R具有一个单独的head函数。当开始使用这些语言做分析时，这是一个共同的主题，可以看到Python更加面向对象而R更函数化。
计算每个指标的均值
让我们为每个指标计算均值。如你所见，数据列以类似fg（field goals made）和ast（assists）的名称命名。它们都是球员的赛季统计指标。如果想得到指标的完整说明，参阅这里。

R

meanNoNA <- function(values){
    mean(values, na.rm=TRUE)
}
sapply(nba, meanNoNA)

player NA
pos NAage 26.5093555093555
bref_team_id NA
[output truncated]

Python

import numpy
nba_numeric = nba._get_numeric_data()
nba_numeric.apply(numpy,.mean, axis=0)

age             26.509356
g               53.253638
gs              25.571726
[output truncated]

这里有一些明显的分歧。在两种方法中，我们均在dataframe的列上应用了一个函数。在python中，如果我们在非数值列（例如球员姓名）上应用函数，会返回一个错误。要避免这种情况，我们只有在取平均值之前选择数值列。
在R中，对字符串列求均值会得到NA——not available（不可用）。然而，我们在取均值时需要确实忽略NA（因此需要构建我们自己的函数）。否则类似x3p.这样的一些列的均值将会为NA，这一列代表三分球的比例。有些球员没有投出三分球，他们的百分比就是缺失的。如果我们直接使用R中的mean函数，就会得到NA，除非我们指定na.rm=TRUE，在计算均值时忽略缺失值。
绘制成对散点图
一个探索数据的常用方法是查看列与列之间有多相关。我们将会比较ast,fg和trb。
R
library(GGally)
ggpairs(nba[, c("ast", "fg", "trb")])

import seaborn as snsimport matplotlib.pyplot as plt
sns.pairplot(nba[["ast", "fg", "trb"]])

plt.show()

我们会得到非常相似的两张图，但是可以看到R的数据科学生态中有许多较小的软件包（GGally是最常用的R绘图包ggplot2的辅助包）和更多的通用可视化软件包。在Python中，matplotlib是主要的绘图包，seaborn是一个广泛用于matplotlib上的图层。Python中的可视化通常只有一种蛀牙哦的方法完成某件事，而R中可能有许多包支持不同的方法（例如，至少有半打绘制成对散点图的包）。

对球员聚类

另一个很好探索数据的方式是生成类别图。这将会显示哪些球员更相似。

R

library(cluster) set.seed(1) isGoodCol <- function(col){ sum(is.na(col)) ==0&& is.numeric(col) } goodCols <- sapply(nba, isGoodCol) clusters <- kmeans(nba[,goodCols], centers=5) labels <- clusters$cluster

Python

from sklearn.cluster import KMeans kmeans_model = KMeans(n_clusters=5, random_state=1) good_columns = nba._get_numeric_data().dropna(axis=1) kmeans_model.fit(good_columns) labels = kmeans_model.labels_

为了正确的聚类，我们移除了所有非数值列，以及包含缺失值的列。在R中，我们在每一列上应用一个函数，如果该列包含任何缺失值或不是数值，则删除它。接下来我们使用cluster包实施k-means聚类，在数据中发现5个簇。通过set.seed设置随机种子以使结果可复现。

在Python中，我们使用了主要的Python机器学习包scikit-learn拟合k-means模型并得到类别标签。数据准备的过程和R非常类似，但是用到了get_numeric_data和dropna方法。

绘制类别图

我们现在可以按类别绘制球员分布图以发现模式。首先使用PCA将数据降至2维，然后画图，用不同标记或深浅的点标志类别。

nba2d <- prcomp(nba[,goodCols], center=TRUE) twoColumns <- nba2d$x[,1:2] clusplot(twoColumns, labels)

Python

from sklearn.decomposition import PCA pca_2 = PCA(2) plot_columns = pca_2.fit_transform(good_columns) plt.scatter(x=plot_columns[:,0], y=plot_columns[:,1], c=labels) plt.show()

在R中，我们通过聚类库中的函数clusplot函数绘图，使用内建函数pccomp实行PCA。

在Python中，我们使用scikit-learn库中的PCA类，使用matplotlib创建图形。