我們從下圖可以看出 R 的 TIOBE 指數(shù)，在2018年1月達(dá)到峰值后，該語言開始出現(xiàn)顯著下降。然而，自3月份以來，指數(shù)明顯回升。 

這是什么原因?

很明顯是因?yàn)樾鹿诓《驹谌虮l(fā)，而引發(fā)了大家對(duì)統(tǒng)計(jì)數(shù)據(jù)的興趣。 

因此，如果一個(gè)人想快速進(jìn)行有效的統(tǒng)計(jì)分析，就應(yīng)該尋求一個(gè)直觀的統(tǒng)計(jì)環(huán)境來計(jì)算數(shù)據(jù)。而 R 在數(shù)據(jù)的統(tǒng)計(jì)分析中占主導(dǎo)地位。

下面是我對(duì) R 如何優(yōu)于 Python 的經(jīng)驗(yàn):

1.在分析時(shí)間序列數(shù)據(jù)時(shí)，R 可以優(yōu)于 Python

如果你從事過時(shí)間序列分析，那么你可能很熟悉所謂的 ARIMA(自回歸綜合移動(dòng)平均線)模型。

這是一個(gè)可以用來根據(jù)時(shí)間序列的結(jié)構(gòu)進(jìn)行預(yù)測(cè)的模型。ARIMA 模型由坐標(biāo)(p、d、q)組成：

• p 代表自回歸項(xiàng)的數(shù)量，即用于預(yù)測(cè)未來值的過去時(shí)間值的觀察數(shù)。例如，如果 p 的值是2，那么這意味著序列中前兩次時(shí)間觀測(cè)值被用來預(yù)測(cè)未來的趨勢(shì)。
• d 表示使時(shí)間序列平穩(wěn)所需的差異數(shù)(即具有恒定均值、方差和自相關(guān)的差分)。例如，如果d=1，則意味著必須獲得級(jí)數(shù)的第一個(gè)差分才能將其轉(zhuǎn)換為平穩(wěn)差。
• q 代表模型中先前預(yù)測(cè)誤差的移動(dòng)平均值，或誤差項(xiàng)的滯后值。例如，如果 q 的值為1，那么這意味著我們?cè)谀Ｐ椭杏幸粋€(gè)誤差項(xiàng)的滯后值。

但是，R 和 Python 都允許基于最佳擬合自動(dòng)選擇這些坐標(biāo)?？梢允褂?R 中的 auto.arima 和Python中的 pyramid 來完成。金字塔中的 auto-arima 函數(shù)是在原有的 R 函數(shù)的基礎(chǔ)上發(fā)展起來的，即 R 是第一個(gè)能夠自動(dòng)選擇 p、d、q 坐標(biāo)的語言。

2.回歸分析

對(duì)于回歸分析，在某些情況下，與 Python 相比，R 可以使用更少的代碼行來運(yùn)行分析。

讓我們舉個(gè)例子。假設(shè)我們正在運(yùn)行回歸以基于各種因素來預(yù)測(cè)股票收益，例如公司股息、收益和債轉(zhuǎn)股。

現(xiàn)在，假設(shè)我們希望測(cè)試多重共線性，即測(cè)試是否有任何自變量彼此顯著相關(guān)，從而導(dǎo)致結(jié)果的偏差。 回歸(reg1)運(yùn)行如下： 

現(xiàn)在，我們需要計(jì)算方差膨脹因子。 計(jì)算方法如下： 

但是，我們不需要在 R 中手動(dòng)計(jì)算該值。相反，可以使用 car 庫，按如下所示調(diào)用 VIF 函數(shù)： 

VIF 統(tǒng)計(jì)數(shù)據(jù)處于常用閾值5和10之下，這表明模型中不存在多重共線性。

但是，使用 Python 的過程要復(fù)雜一些。

使用 sklearn 時(shí)，我們將分別獲得每個(gè)變量的 VIF。例如，讓我們?cè)囍业焦上⒆兞康?VIF 值。 

在上述示例中，必須首先手動(dòng)計(jì)算 R 平方統(tǒng)計(jì)，然后僅計(jì)算一個(gè)變量的 VIF 統(tǒng)計(jì)： 

我們已經(jīng)得到了這個(gè)變量的 VIF，但是為了達(dá)到這個(gè)目的還需要采取更多的步驟。此外，要找到其他兩個(gè)變量的 VIF 值，必須對(duì)每個(gè)變量重復(fù)此過程。

從這個(gè)角度來看，R 仍然可以證明在快速生成統(tǒng)計(jì)信息時(shí)更直觀。

3.直觀的統(tǒng)計(jì)分析

Python中的 pyplot 和 seaborn 等庫在生成統(tǒng)計(jì)圖時(shí)已經(jīng)變得非常流行。

但是，除了 shinny 的交互式可視化功能之外，R 的快速生成統(tǒng)計(jì)信息能力更加強(qiáng)大。

這是一個(gè)在 Shiny 中生成的累積二項(xiàng)式概率圖的示例，可以通過操縱左側(cè)的滑塊(單個(gè)概率)來計(jì)算某個(gè)事件在指定次數(shù)的試驗(yàn)中發(fā)生的累積概率。 

對(duì)于那些可能不擅長編寫代碼，但正在尋找一種有效的方式來操縱統(tǒng)計(jì)信息并快速產(chǎn)生洞察力的人來說，這種工具具有巨大的價(jià)值。 而且，Shiny 本身就是一個(gè)非常直觀的 R 語言庫，并不難學(xué)!

你可以直接在以下 GitHub 庫中使用Shiny Web App：

• https://github.com/MGCodesandStats/shiny-web-apps/tree/master/probability

要運(yùn)行該應(yīng)用程序，只需：

• 下載資料庫
• 單擊 Shiny Web App 文件夾，然后在 RStudio 中打開 ui.R 和 server.R 文件。
• 完成此操作后，只需選擇“運(yùn)行應(yīng)用程序”按鈕，上面的應(yīng)用程序就會(huì)顯示： 

總結(jié)

Python在機(jī)器學(xué)習(xí)方面表現(xiàn)出色，并且在通用編程方面將繼續(xù)主導(dǎo)R。

從技術(shù)上講，R 不是編程語言，而是一種統(tǒng)計(jì)環(huán)境。

但是，統(tǒng)計(jì)學(xué)作為一個(gè)領(lǐng)域?qū)⒁驗(yàn)?R 語言而繼續(xù)存在。