[原]深入对比数据科学工具箱：Python和R之争[2016版]

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。

1. 参数传递
2. 数据读取
3. 基本数据结构对照
4. 矩阵转化
5. 矩阵计算
6. 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。

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。

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。

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

MapReduce

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。

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。

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。

参考资料

• pandas doucumentation: Comparison with R / R libraries
• Comparison – R vs. Python: head to head data analysis
• Hacker News: Comparison – R vs. Python
• Quora: How does R compare with pandas?
• yhat: R and pandas and what I've learned about each
• Why are pandas merges in python faster than data.table merges in R?
• Python和R科学计算操作速查表
• 知乎：R 和 Python (numpy scipy pandas) 用于统计学分析，哪个更好？
• Choosing R or Python for data analysis? An infographic
• 散大大 写给Python数据科学家们 : 科学计算开发环境排雷

作为分享主义者(sharism)，本人所有互联网发布的图文均遵从CC版权，转载请保留作者信息并注明作者 Harry Zhu 的 FinanceR专栏: https://segmentfault.com/blog...，如果涉及源代码请注明GitHub地址： https://github.com/harryprince。微信号: harryzhustudio
商业使用请联系作者。