深入对比数据科学工具箱：Python和R之争

建议：
如果只是处理（小）数据的，用R。结果更可靠，速度可以接受，上手方便，多有现成的命令、程序可以用。
要自己搞个算法、处理大数据、计算量大的，用python。开发效率高，一切尽在掌握。

概述

在真实的数据科学世界里，我们会有两个极端，一个是业务，一个是工程。偏向业务的数据科学被称为数据分析（Data Analysis），也就是A型数据科学。偏向工程的数据科学被称为数据构建(Data Building)，也就是B型数据科学。

从工具上来看，按由业务到工程的顺序，这个两条是：EXCEL >> R >> Python >> Scala

在实际工作中，对于小数据集的简单分析来说，使用EXCEL绝对是最佳选择。当我们需要更多复杂的统计分析和数据处理时，我们就需要转移到 Python 和 R 上。在确定工程实施和大数据集操作时，我们就需要依赖 Scala 的静态类型等工程方法构建完整的数据分析系统。

Scala 和 Excel 是两个极端，对于大多数创业公司而言，我们没有足够多的人手来实现专业化的分工，更多情况下，我们会在 Python 和 R 上花费更多的时间同时完成数据分析（A型）和数据构建（B型）的工作。而许多人也对 Python 和 R 的交叉使用存在疑惑，所以本文将从实践角度对 Python 和 R 中做了一个详细的比较。

应用场景对比

应用Python的场景

网络爬虫/抓取：尽管 rvest 已经让 R 的网络爬虫/抓取变得容易，但 Python 的 beautifulsoup 和 Scrapy 更加成熟、功能更强大，结合django-scrapy我们可以很快的构建一个定制化的爬虫管理系统。
连接数据库: R 提供了许多连接数据库的选择，但 Python 只用 sqlachemy 通过ORM的方式，一个包就解决了多种数据库连接的问题，且在生产环境中广泛使用。Python由于支持占位符操作，在拼接SQL语句时也更加方便。
内容管理系统：基于Django，Python可以快速通过ORM建立数据库、后台管理系统，而R中的 Shiny 的鉴权功能暂时还需要付费使用。
API构建：通过Tornado这个标准的网络处理库，Python也可以快速实现轻量级的API，而R则较为复杂。

应用R的场景

统计分析: 尽管 Python 里 Scipy、Pandas、statsmodels 提供了一系列统计工具，R 本身是专门为统计分析应用建立的，所以拥有更多此类工具。
互动式图表/面板: 近来 bokeh、plotly、 intuitics 将 Python 的图形功能扩展到了网页浏览器，甚至我们可以用tornado+d3来进一步定制可视化页面，但 R 的 shiny 和 shiny dashboard 速度更快，所需代码更少。

此外，当今数据分析团队拥有许多技能，选择哪种语言实际上基于背景知识和经验。对于一些应用，尤其是原型设计和开发类，工作人员使用已经熟悉的工具会比较快速。

数据流编程对比

接着，我们将通过下面几个方面，对Python 和 R 的数据流编程做出一个详细的对比。

参数传递
数据读取
基本数据结构对照
矩阵转化
矩阵计算
数据操作

参数传递

Python/R 都可以通过命令行的方式和其他语言做交互，通过命令行而不是直接调用某个类或方法可以更好地降低耦合性，在提高团队协作的效率。

参数传递	Python	R
命令行输入	Python path/to/myscript.py arg1 arg2 arg3	Rscript path/to/myscript.R arg1 arg2 arg3
脚本识别	import sys my_args = sys.argv	myArgs <- commandArgs(trailingOnly = TRUE)

数据传输与解析

对于数据传输与解析，我们首推的格式是csv，因为一方面，csv格式的读写解析都可以通过 Python 和 R 的原生函数完成，不需要再安装其他包。另一方面，csv格式可以很快的转化为 data frame 格式，而data frame 格式是数据流分析的核心。

不过，实际情况中，我们需要传输一些非结构化的数据，这时候就必须用到 JSNO 或者 YAML。

数据传输与解析	Python	R
CSV(原生)	csv	read.csv
CSV(优化)	pandas.read_csv("nba_2013.csv")	data.table::fread("nba_2013.csv")
JSON	json(原生)	jsonlite
YAML	PyYAML	yaml

基本数据结构

由于是从科学计算的角度出发，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）。而 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。

基本数据结构	Python	R
数组	list:[1,'a']	:array:array(c(1,"a"),2)
Key-Value（非结构化数据）	字典:["a":1]	lists
数据框（结构化数据）	dataframe	data.frame

Python dict 操作：dict["key"] 或者 dict.get("key","default_return")R list 操作: list["key"] 或者 list$key

R 中数据结构转化(plyr)	list	data frame	array
list	llply()	ldply()	laply()
data frame	dlply()	ddply()	daply()
array	alply()	adply()	aaply()

MapReduce

Python	R
map	Map
reduce	Reduce
filter	filter

矩阵操作

实际上，Python（numpy）和 R中的矩阵都是通过一个多维数组（ndarray）实现的。

矩阵转化	Pyhton	R
维度	data.shape	dim(data)
转为向量	data.flatten(1)	as.vector(data)
转为矩阵	np.array([[1,2,3],[3,2,1]])	matrix(c(1,2,3,3,2,1),nrow=2,byrow=T)
转置	data.T	t(data)
矩阵变形	data.reshape(1,np.prod(data.shape))	matrix(data,ncol=nrow(data)*ncol(data))
矩阵按行拼接	np.r_[A,B]	rbind(A,B)
矩阵按列拼接	np.c_[A,B]	cbind(A,B)

矩阵计算	Pyhton	R
矩阵乘法	np.dot(A,B)	A %*% B
矩阵幂指	np.power(A,3)	A^3
全零矩阵	np.zeros((3,3))	matrix(0,nrow=3,ncol=3)
矩阵求逆	np.linalg.inv(A)	solve(A)
协方差	np.cov(A,B)	cov(A,B)
特征值	np.linalg.eig(A)[0]	eigen(A)$values
特征向量	np.linalg.eig(A)[1]	eigen(A)$vectors

数据框操作

参考 R 中的 data frame 结构，Python 的 Pandas包也实现了类似的 data frame 数据结构。现在，为了加强数据框的操作，R 中更是演进出了 data table 格式（简称dt），这种格式以 dt[where,select,group by] 的形式支持类似SQL的语法。

数据框操作	Python	R
按Factor的Select操作	df[['a', 'c']]	dt[,.(a,c),]
按Index的Select操作	df.iloc[:,1:2]	dt[,1:2,with=FALSE]
按Index的Filter操作	df[1:2]	dt[1:2]
groupby分组操作	df.groupby(['a','b'])[['c','d']].mean()	aggregate(x=dt[, c("v1", "v2")], by=list(mydt2$by1, mydt2$by2), FUN = mean)
%in% 匹配操作返回T/F	pd.Series(np.arange(5),dtype=np.float32).isin([2, 4])	0:4 %in% c(2,4)
match 匹配操作返回Index	pd.Series(pd.match(pd.Series(np.arange(5),dtype=np.float32),[2,4],np.nan))	match(0:4, c(2,4))
tapply	df.pivot_table(values='a', columns='c', aggfunc=np.max)	tapply(dt$a,dt$c,max)#其中dt$a是numeric，dt$c是nominal
查询操作	df[df.a <= df.b]	dt[ a<=b ]
with操作	pd.DataFrame({'a': np.random.randn(10), 'b': np.random.randn(10)}).eval('a + b')	with(dt,a + b)
plyr操作	df.groupby(['month','week']).agg([np.mean, np.std])	ddply(dt, .(month, week), summarize,mean = round(mean(x), 2),sd = round(sd(x), 2))
多维数组融合	pd.DataFrame([tuple(list(x)+[val]) for x, val in np.ndenumerate(np.array(list(range(1,24))+[np.NAN]).reshape(2,3,4))])	data.frame(melt(array(c(1:23, NA), c(2,3,4))))
多维列表融合	pd.DataFrame(list(enumerate(list(range(1,5))+[np.NAN])))	data.frame(melt(as.list(c(1:4, NA))))
数据框融合	pd.melt(pd.DataFrame({'first' : ['John', 'Mary'],'last' : ['Doe', 'Bo'],'height' : [5.5, 6.0],'weight' : [130, 150]}), id_vars=['first', 'last'])	melt(data.frame(first = c('John', 'Mary'),last = c('Doe', 'Bo'),height = c(5.5, 6.0),weight = c(130, 150), id=c("first", "last"))
数据透视表 pivot table	pd.pivot_table(pd.melt(pd.DataFrame({ 'x': np.random.uniform(1., 168., 12), 'y': np.random.uniform(7., 334., 12), 'z': np.random.uniform(1.7, 20.7, 12), 'month': [5,6,7]4, 'week': [1,2]6}), id_vars=['month', 'week']), values='value', index=['variable','week'],columns=['month'], aggfunc=np.mean)	acast(melt(data.frame(x = runif(12, 1, 168),y = runif(12, 7, 334),z = runif(12, 1.7, 20.7),month = rep(c(5,6,7),4),week = rep(c(1,2), 6)), id=c("month", "week")), week ~ month ~ variable, mean)
连续型数值因子分类	pd.cut(pd.Series([1,2,3,4,5,6]), 3)	cut(c(1,2,3,4,5,6), 3)
名义型因子分类	pd.Series([1,2,3,2,2,3]).astype("category")	factor(c(1,2,3,2,2,3))

数据流编程对比的示例

Python 的 Pandas 中的管道操作

  (df

   .groupby(['a', 'b', 'c'], as_index=False)

   .agg({'d': sum, 'e': mean, 'f', np.std})

   .assign(g=lambda x: x.a / x.c)

   .query("g > 0.05")

   .merge(df2, on='a'))

R 的 dplyr 中的管道操作

flights %>% group_by(year, month, day) %>%

  select(arr_delay, dep_delay) 

  summarise(

    arr = mean(arr_delay, na.rm = TRUE),

    dep = mean(dep_delay, na.rm = TRUE)) %>%

  filter(arr > 30 | dep > 30)

数据可视化对比

绘制相关性散点图

对比数据相关性是数据探索常用的一种方法，下面是Python和R的对比。

Python

import seaborn as sns

import matplotlib.pyplot as plt

sns.pairplot(nba[["ast", "fg", "trb"]])

plt.show()

R

library(GGally)

ggpairs(nba[,c("ast", "fg", "trb")])

虽然我们最终得到了类似的图形，这里R中GGally是依赖于ggplot2，而Python则是在matplotlib的基础上结合Seaborn，除了GGally在R中我们还有很多其他的类似方法来实现对比制图，显然R中的绘图有更完善的生态系统。

绘制聚类效果图

这里以K-means为例，为了方便聚类，我们将非数值型或者有确实数据的列排除在外。

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_

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()

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

nba2d <- prcomp(nba[,goodCols], center=TRUE)

twoColumns <- nba2d$x[,1:2]

clusplot(twoColumns, labels)

速度对比

Python

import numpy as np

xx = np.zeros(100000000)

%timeit xx[:] = 1

The slowest run took 9.29 times longer than the fastest. This could mean that an intermediate result is being cached

1 loops, best of 3: 111 ms per loop

R

xx <- rep(0, 100000000)

system.time(xx[] <- 1)

user  system elapsed

  1.326   0.103   1.433

显然这里 R 1.326的成绩比 Python 的 Numpy 3:111 的速度快了不少。

事实上，现在 R 和 Python 的数据操作的速度已经被优化得旗鼓相当了。下面是R中的 data.table、dplyr 与 Python 中的 pandas 的数据操作性能对比：

我曾经用data.table和pandas分别读取过一个600万行的IOT数据，反复10次，data.table以平均10s的成绩胜过了pandas平均15s的成绩，所以在IO上我倾向于选择使用data.table来处理大数据，然后喂给spark和hadoop进行进一步的分布式处理。

summary(fit)

##结果

Call:

lm(formula = ast ~ fg, data = train)

Residuals:

    Min      1Q  Median      3Q     Max

-228.26  -35.38  -11.45   11.99  559.61

[output truncated]

Python

import statsmodels.formula.api as sm

model = sm.ols(formula='ast ~ fga', data=train)

fitted = model.fit()

fitted.summary()

##结果

Call:

lm(formula = ast ~ fg, data = train)

Residuals:

    Min      1Q  Median      3Q     Max

-228.26  -35.38  -11.45   11.99  559.61

[output truncated]

通过以上对比：

R在做统计分析，更加简单粗暴！毕竟R是统计科班出身嘛

结论

Python 的 pandas 从 R 中偷师 dataframes，R 中的 rvest 则借鉴了 Python 的 BeautifulSoup，我们可以看出两种语言在一定程度上存在的互补性，通常，我们认为 Python 比 R 在泛型编程上更有优势，而 R 在数据探索、统计分析是一种更高效的独立数据分析工具。所以说，同时学会Python和R这两把刷子才是数据科学的王道。

［转自］：https://segmentfault.com/a/1190000004879349