數(shù)據(jù)科學(xué)大Battle，你站Python還是R
大數(shù)據(jù)文摘出品
編譯：Marcy、浩哥兒、Charlene、云舟
Python 或 R，這是一個(gè)問(wèn)題。在數(shù)據(jù)科學(xué)工作中，你可能也經(jīng)常遇到這個(gè)選擇困難問(wèn)題。本文作者Brian Ray基于數(shù)十年的Python和R在數(shù)據(jù)科學(xué)領(lǐng)域的使用檢驗(yàn)，分享了自己的看法，希望能夠幫大家做出更好的選擇。
希望這篇文章能幫助那些在數(shù)據(jù)科學(xué)中糾結(jié)于選擇Python還是R的小伙伴們。如果你是數(shù)據(jù)科學(xué)領(lǐng)域的新手，或者你需要在項(xiàng)目中選擇一個(gè)語(yǔ)言來(lái)用，這篇文章一定能幫到你。
一、也許存在第三種選項(xiàng)
Hadley Wickham，RStudio的首席數(shù)據(jù)科學(xué)家，已經(jīng)給出了回答：與其說(shuō)選擇其中一種語(yǔ)言(R“還是”Python)更好，還不如說(shuō)讓兩種語(yǔ)言相互合作 (R“和”Python)是最佳的選擇。所以，我所說(shuō)的第三種選項(xiàng)就是同時(shí)使用Python和R。這讓我很感興趣，我也將在本文末尾處詳細(xì)闡述。
Hadley Wickham推特：https://twitter.com/hadleywickham
二、如何比較R和Python
以下不是兩種語(yǔ)言的詳細(xì)對(duì)比清單，只是一些值得進(jìn)行對(duì)比的要素：
- 歷史：R和Python有著差異明顯又相互交錯(cuò)的歷史。
- 使用群體：實(shí)地調(diào)查顯示了許多復(fù)雜的社會(huì)學(xué)和人類學(xué)因素。
- 性能：詳細(xì)的性能比較，以及為什么很難比較兩種語(yǔ)言的原因。
- 第三方支持：模塊、代碼庫(kù)、可視化工具、組織及開(kāi)發(fā)環(huán)境。
- 用例：某些類型的工作或任務(wù)中，更適用于使用兩種語(yǔ)言中的一種。
- 同時(shí)使用兩種語(yǔ)言：在Python中使用R，在R中使用Python。
- R與Python預(yù)測(cè)能力的比較：介紹一個(gè)“自給自足”的練習(xí)。
- 企業(yè)和個(gè)人偏好：揭曉最終答案
1. 歷史
簡(jiǎn)史：
- ABC語(yǔ)言 ->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)
2. 使用群體
比較Python與R的用戶時(shí)，要謹(jǐn)記以下圖表：
只有50%的Python用戶同時(shí)使用R
上述結(jié)果假設(shè)所有的R程序員都用R來(lái)做“科學(xué)與數(shù)據(jù)研究”，無(wú)論程序員水平如何，我們能夠確定以上統(tǒng)計(jì)分布是真實(shí)的。
想進(jìn)一步了解Python的“熱潮”，可以閱讀我的文章，里面有關(guān)于Python熱潮的調(diào)查結(jié)果。
文章鏈接：
https://www.linkedin.com/pulse/python-hype-survey-results-experience-any-drastic-decline-brian-ray/
如果我們僅從“科學(xué)與數(shù)據(jù)研究”群體來(lái)看，這就引出了我們的第二個(gè)觀點(diǎn)，即R/Python究竟適用于哪些群體?整個(gè)“科學(xué)與數(shù)據(jù)研究”群體存在著很多子群體，雖然這些子群體存在交叉，你可能會(huì)疑惑他們?cè)诟鼜V的大群體中是如何交互并有著不同的表現(xiàn)的。
以下是Python/R適用的一些子群體：
- 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)學(xué)
- 探索性數(shù)據(jù)分析學(xué)術(shù)研究
- 近乎所有的計(jì)算研究領(lǐng)域
雖然每個(gè)專業(yè)領(lǐng)域似乎都服務(wù)于特定的群體，但你會(huì)發(fā)現(xiàn)R在統(tǒng)計(jì)學(xué)和數(shù)據(jù)探索領(lǐng)域使用更廣泛。不久之前，比起使用Python進(jìn)行數(shù)據(jù)探索，啟動(dòng)并運(yùn)行R能花費(fèi)較少的時(shí)間，況且你還需要花時(shí)間安裝Python。
所有一切都將被Jupyter Notebooks 和Anaconda技術(shù)顛覆。
注意：Jupyter Notebooks增加了在瀏覽器中編寫Python/R的功能;Anaconda可以輕松安裝并管理Python和R及其語(yǔ)言包。
現(xiàn)在你可以在友好的環(huán)境中編程，并用創(chuàng)造性的方式來(lái)生成報(bào)表和完成數(shù)據(jù)分析。程序員與他們鐘愛(ài)的編程語(yǔ)言之間已不存在屏障?，F(xiàn)在，Python能夠在一個(gè)平臺(tái)獨(dú)立運(yùn)行，并且提供前所未有的快速、簡(jiǎn)潔的分析功能。
影響人們選擇編程語(yǔ)言的另一個(gè)區(qū)別在于“開(kāi)源”，不僅僅在于開(kāi)源庫(kù)，還包括協(xié)作群體對(duì)于開(kāi)源的貢獻(xiàn)。諷刺的是，像Tensorflow和GNU科學(xué)計(jì)算庫(kù)(分別隸屬于Apache和GPL)這類開(kāi)源許可軟件，似乎同時(shí)綁定Python和R。
盡管還存在不少R的支持者，但Python使用群體中更多人是Python的純粹支持者。另一方面，似乎有更多的企業(yè)支持R，尤其是那些曾經(jīng)廣泛使用統(tǒng)計(jì)學(xué)來(lái)做分析的企業(yè)。
最后，關(guān)于群體和協(xié)作，在Github中Python的支持者更多。在最新的Python語(yǔ)言包中，像Tensorflow這樣的包擁有超過(guò)3.5萬(wàn)顆星的用戶收藏。相反，再看一下最新的R語(yǔ)言包，像Shiny和Stan，都只有少于2千顆星的用戶收藏。
3. 性能
Python和R的比較一直都不太容易，因?yàn)橛刑嘀笜?biāo)和情況需要測(cè)試。在任何一個(gè)特定的硬件環(huán)境上測(cè)試都很困難。有些操作分析在一種語(yǔ)言上已經(jīng)進(jìn)行了優(yōu)化，但在另一種語(yǔ)言上卻沒(méi)有。但無(wú)論如何，我們還是要進(jìn)行這項(xiàng)比較。
非常簡(jiǎn)單的循環(huán)語(yǔ)句比較
開(kāi)始之前，我們先思考一下在使用層面Python和R的區(qū)別。你真的想要用R寫很多循環(huán)嗎?我覺(jué)得不同的語(yǔ)言在被開(kāi)發(fā)時(shí)的意圖上應(yīng)該是各不相同的。
- import numpy as np
- %load_ext rpy2.ipython
- defdef do_loopdo_loop(u1):
- # Initialize `usq`
- usq = {}
- for i in range(100):
- # i-th element of `u1` squared into `i`-th position of `usq`
- usq[i] = u1[i] * u1[i]
- %%R
- do_loop <- function(u1) {
- # Initialize `usq`
- usq <- 0
- for(i in 1:100) {
- # i-th element of `u1` squared into `i`-th position of `usq`
- usq[i] <- u1[i]*u1[i]
- }
- }
- %%timeit -n 1000
- %%R
- u1 <- rnorm(100)
- do_loop(u1)
運(yùn)行結(jié)果：
- 1.58 ms ± 42.8 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
- %%%%timeittimeit --nn 10001000
- u1u1 == npnp..randomrandom..randnrandn((100100))
- do_loopdo_loop(u1)
運(yùn)行結(jié)果：
- 36.9 µs ± 5.99 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
在程序的合理性檢驗(yàn)中，加載時(shí)間以及在命令行上的總運(yùn)行時(shí)間：R語(yǔ)言是0m0.238s，Python是0m0.147s。再次強(qiáng)調(diào)，這并不是一個(gè)嚴(yán)謹(jǐn)?shù)目茖W(xué)測(cè)試。
但這個(gè)簡(jiǎn)單的測(cè)試表明，Python的速度明顯更快。雖然在大多數(shù)情況下，這并不是十分重要。
一種語(yǔ)言的速度快慢對(duì)于一個(gè)數(shù)據(jù)科學(xué)家而言的意義在哪里呢?這兩種語(yǔ)言的興起是因?yàn)樗鼈兛梢员划?dāng)作“命令語(yǔ)言”來(lái)使用。例如，我們使用Python工作時(shí)，對(duì)Pandas語(yǔ)言包的依賴性很大。這就引出了兩種語(yǔ)言模塊和庫(kù)上更深層次的比較，事實(shí)上，這也是一個(gè)更具意義的比較。
4. 第三方支持
Python擁有PyPI，而R使用CRAN，并且它們都可以使用Anaconda。
CRAN使用其內(nèi)置的“install.packages”命令進(jìn)行使用。截止撰寫本文時(shí)止，CRAN上大約有1.2萬(wàn)個(gè)包可以使用。其中有超過(guò)二分之一(大約6千多個(gè))甚至更多的包跟數(shù)據(jù)科學(xué)相關(guān)。
PyPi擁有10倍于R的包數(shù)量，14.1萬(wàn)個(gè)包。其中有3700個(gè)包被標(biāo)記為用于特定的科學(xué)工程領(lǐng)域。還有很多包雖然沒(méi)被標(biāo)記但的確也用于科學(xué)應(yīng)用。
在這兩種語(yǔ)言中，似乎都沒(méi)有太多完全重復(fù)的包。當(dāng)我在PyPi中搜索“Random Forest”時(shí)，我們得到了170個(gè)項(xiàng)目，但是都不盡相同。
盡管Python的軟件包數(shù)量是R的10倍，但數(shù)據(jù)科學(xué)相關(guān)的軟件包的數(shù)量大致相同。
第三方工具包的可用性是非常重要的。為了用指定的開(kāi)發(fā)語(yǔ)言而不得不從頭開(kāi)始寫程序很令人沮喪。但與此同時(shí)，如果你確實(shí)需要這樣做，我希望你能將你的成果貢獻(xiàn)給開(kāi)源社區(qū)。
5. 特定任務(wù)下執(zhí)行速度的比較
DataFrames與Pandas的比較可能更有意義。
我們進(jìn)行了一項(xiàng)實(shí)驗(yàn)，在同一環(huán)境下比較它們針對(duì)復(fù)雜分析任務(wù)時(shí)，每一個(gè)步驟的執(zhí)行時(shí)間，結(jié)果如下。
大多數(shù)任務(wù)下Python比R更快
來(lái)源鏈接:
http://nbviewer.jupyter.org/gist/brianray/4ce15234e6ac2975b335c8d90a4b6882
實(shí)驗(yàn)源碼：
http://nbviewer.jupyter.org/gist/brianray/4ce15234e6ac2975b335c8d90a4b6882
如我們看到的，Python+Pandas比R中原生的DataFrames要快的多。請(qǐng)注意，這并不意味著Python運(yùn)行的更快。Pandas庫(kù)是在Numpy的基礎(chǔ)上用C語(yǔ)言編譯的.
6. 數(shù)據(jù)可視化的比較
我真正想表現(xiàn)的是ggplot2和matplotlib的比較。
Matplotlib是一只800磅的大猩猩，雖然學(xué)習(xí)起來(lái)不是那么容易，但是支持自定義并且非常容易擴(kuò)展。而基于ggplot的自定義不是那么簡(jiǎn)單，甚至有些時(shí)候會(huì)非常難。
如果你喜歡漂亮的圖表，并且不怎么需要自定義，R是個(gè)好選擇。如果你需要更多的功能，那么Matplotlib甚至其他交互式的制圖工具會(huì)對(duì)你更有幫助。R中的ShinnyR也可以為你提供這種交互性制圖。
7. 我們只能二選一?
肯定有人會(huì)說(shuō)，為什么不能同時(shí)使用呢?
在如下一些情況下，你可以兩個(gè)同時(shí)使用：
- 你的小組或公司允許你這么干
- 你可以在你的編程環(huán)境中輕松安裝和維護(hù)
- 你的代碼不需要進(jìn)入另一個(gè)系統(tǒng)
- 這不會(huì)讓別人與你合作時(shí)感到困惑。
兩種語(yǔ)言同時(shí)使用的一些方法：
- Python為R提供的開(kāi)發(fā)包比如：rpy2、pyRserve、Rpython等等
- R也有相對(duì)應(yīng)的包：rPython、PythonInR、reticulate、rJython、SnakeCharmR、XRPython。
- 使用Jupyter，同時(shí)使用，示例如下：
reticulate地址：
https://blog.rstudio.com/2018/03/26/reticulate-r-interface-to-python/
然后我們就可以直接傳遞Pandas的DataFrames，rpy2會(huì)自動(dòng)將其轉(zhuǎn)換為R的DataFrames，并通過(guò)“-i df”進(jìn)行切換。
來(lái)源鏈接:
http://nbviewer.jupyter.org/gist/brianray/734bd54f468d9a6db9171b2cfc98405a
源碼地址：
http://nbviewer.jupyter.org/gist/brianray/734bd54f468d9a6db9171b2cfc98405a
8. 預(yù)測(cè)R和Python的未來(lái)
有人在Kaggle的Kernel平臺(tái)上發(fā)表了關(guān)于“預(yù)測(cè)開(kāi)發(fā)者們用R還是Python”的分析，他基于已有數(shù)據(jù)提出了一些有意思的看法。
- 如果你打算來(lái)年向Linux靠攏，那么你更可能是Python用戶
- 如果你學(xué)習(xí)統(tǒng)計(jì)學(xué)，你更可能用R;如果學(xué)計(jì)算機(jī)科學(xué)，那么更可能用Python
- 如果你還年輕(18-24歲)，你更可能是Python用戶
- 如果你參加代碼競(jìng)賽，你更可能是Python用戶
- 如果你來(lái)年想使用android，你更可能是一個(gè)Python用戶
- 如果你來(lái)年想學(xué)習(xí)SQL，你更可能是R用戶
- 如果你使用MS Office，你更可能是R用戶
- 如果你來(lái)年想要Rasperry Pi，你更可能是一個(gè)Python用戶
- 如果你是全職學(xué)生，你更有可能成為Python用戶
- 如果您使用敏捷方法(Agile methodology)，您更可能成為Python用戶
- 如果你對(duì)Ai的擔(dān)心大于期待，那么你更有可能成為R用戶
9. 企業(yè)和個(gè)人偏好
當(dāng)我與Google員工 、Stack Overflow 的領(lǐng)導(dǎo)人物Alex Martelli進(jìn)行交流時(shí)，他向我解釋了google為什么最開(kāi)始只官方支持少數(shù)幾種開(kāi)發(fā)語(yǔ)言。即使在像google這樣自由創(chuàng)新的環(huán)境下，似乎也有一些限制。這就是企業(yè)的一些選擇偏好。
除了企業(yè)偏好外，組織中第一個(gè)使用某種語(yǔ)言的人也可能是決定企業(yè)偏好的關(guān)鍵人物。比如在Deloitte第一個(gè)使用R的人，他仍然在公司工作，并且現(xiàn)在成為了首席數(shù)據(jù)科學(xué)家。我認(rèn)為，不管用什么語(yǔ)言，關(guān)鍵是追求并熱愛(ài)你的項(xiàng)目并努力成為最好的那一個(gè)。
雖然我不是首次嘗試這些工具的智者，但在此我還是要鄭重聲明，如果你正在研究一些重要的項(xiàng)目，那么在項(xiàng)目中去比較兩種語(yǔ)言的差距是不可取的。
當(dāng)然，雖然錯(cuò)誤在所難免，但每一個(gè)精心規(guī)劃的項(xiàng)目都應(yīng)該為數(shù)據(jù)科學(xué)家預(yù)留一部分空間，讓他們學(xué)習(xí)和實(shí)驗(yàn)。保持開(kāi)放的態(tài)度，并擁抱多元化。
最后，從個(gè)人角度來(lái)說(shuō)，我將主要使用Python。同時(shí)不管未來(lái)是和Python一起使用還是獨(dú)立使用R，我都期待學(xué)習(xí)更多的R知識(shí)。
相關(guān)報(bào)道：
https://blog.usejournal.com/python-vs-and-r-for-data-science-833b48ccc91d
【本文是51CTO專欄機(jī)構(gòu)大數(shù)據(jù)文摘的原創(chuàng)譯文，微信公眾號(hào)“大數(shù)據(jù)文摘（ id: BigDataDigest）”】
