[原]深刻對比數據科學工具箱：Python和R之爭[2016版]

概述

在真實的數據科學世界裏，咱們會有兩個極端，一個是業務，一個是工程。偏向業務的數據科學被稱爲數據分析（Data Analysis），也就是A型數據科學。偏向工程的數據科學被稱爲數據構建(Data Building)，也就是B型數據科學。

從工具上來看，按由業務到工程的順序，這個兩條是：EXCEL >> R >> Python >> Scala

在實際工做中，對於小數據集的簡單分析來講，使用EXCEL絕對是最佳選擇。當咱們須要更多複雜的統計分析和數據處理時，咱們就須要轉移到 Python 和 R 上。在肯定工程實施和大數據集操做時，咱們就須要依賴 Scala 的靜態類型等工程方法構建完整的數據分析系統。

Scala 和 Excel 是兩個極端，對於大多數創業公司而言，咱們沒有足夠多的人手來實現專業化的分工，更多狀況下，咱們會在 Python 和 R 上花費更多的時間同時完成數據分析（A型）和數據構建（B型）的工做。而許多人也對 Python 和 R 的交叉使用存在疑惑，因此本文將從實踐角度對 Python 和 R 中作了一個詳細的比較。

應用場景對比

應用Python的場景

• 網絡爬蟲/抓取：儘管 rvest 已經讓 R 的網絡爬蟲/抓取變得容易，但 Python 的 beautifulsoup 和 Scrapy 更加成熟、功能更強大，結合django-scrapy咱們能夠很快的構建一個定製化的爬蟲管理系統。
• 鏈接數據庫: R 提供了許多鏈接數據庫的選擇，但 Python 只用 sqlachemy 經過ORM的方式，一個包就解決了多種數據庫鏈接的問題，且在生產環境中普遍使用。Python因爲支持佔位符操做，在拼接SQL語句時也更加方便。
• 內容管理系統：基於Django，Python能夠快速經過ORM創建數據庫、後臺管理系統，而R

中的 Shiny 的鑑權功能暫時還須要付費使用。

• API構建：經過Tornado這個標準的網絡處理庫，Python也能夠快速實現輕量級的API，而R則較爲複雜。

應用R的場景

• 統計分析: 儘管 Python 裏 Scipy、Pandas、statsmodels 提供了一系列統計工具 ，R 自己是專門爲統計分析應用創建的，因此擁有更多此類工具。
• 互動式圖表/面板: 近來 bokeh、plotly、 intuitics 將 Python 的圖形功能擴展到了網頁瀏覽器，甚至咱們能夠用tornado+d3來進一步定製可視化頁面，但 R 的 shiny 和 shiny dashboard 速度更快，所需代碼更少。

此外，當今數據分析團隊擁有許多技能，選擇哪一種語言實際上基於背景知識和經驗。對於一些應用，尤爲是原型設計和開發類，工做人員使用已經熟悉的工具會比較快速。

數據流編程對比

接着，咱們將經過下面幾個方面，對Python 和 R 的數據流編程作出一個詳細的對比。

1. 參數傳遞
2. 數據讀取
3. 基本數據結構對照
4. 矩陣轉化
5. 矩陣計算
6. 數據操做

參數傳遞

Python/R 均可以經過命令行的方式和其餘語言作交互，經過命令行而不是直接調用某個類或方法能夠更好地下降耦合性，在提升團隊協做的效率。

參數傳遞	Python	R
命令行輸入	Python path/to/myscript.py arg1 arg2 arg3	Rscript path/to/myscript.R arg1 arg2 arg3
腳本識別	import sys my_args = sys.argv	myArgs <- commandArgs(trailingOnly = TRUE)

數據傳輸與解析

對於數據傳輸與解析，咱們首推的格式是csv，由於一方面，csv格式的讀寫解析均可以經過 Python 和 R 的原生函數完成，不須要再安裝其餘包。另外一方面，csv格式能夠很快的轉化爲 data frame 格式，而data frame 格式是數據流分析的核心。

不過，實際狀況中，咱們須要傳輸一些非結構化的數據，這時候就必須用到 JSNO 或者 YAML。

數據傳輸與解析	Python	R
CSV(原生)	csv	read.csv
CSV(優化)	pandas.read_csv("nba_2013.csv")	data.table::fread("nba_2013.csv")
JSON	json(原生)	jsonlite
YAML	PyYAML	yaml

基本數據結構

因爲是從科學計算的角度出發，R 中的數據結構很是的簡單，主要包括 向量（一維）、多維數組（二維時爲矩陣）、列表（非結構化數據）、數據框（結構化數據）。而 Python 則包含更豐富的數據結構來實現數據更精準的訪問和內存控制，多維數組（可讀寫、有序）、元組（只讀、有序）、集合（惟1、無序）、字典（Key-Value）等等。

基本數據結構	Python	R
數組	list:[1,'a']	:array:array(c(1,"a"),2)
Key-Value（非結構化數據）	字典:["a":1]	lists
數據框（結構化數據）	dataframe	data.frame

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

R 中數據結構轉化(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

矩陣操做

實際上，Python（numpy） 和 R中的矩陣都是經過一個多維數組（ndarray）實現的。

矩陣轉化	Pyhton	R
維度	data.shape	dim(data)
轉爲向量	data.flatten(1)	as.vector(data)
轉爲矩陣	np.array([[1,2,3],[3,2,1]])	matrix(c(1,2,3,3,2,1),nrow=2,byrow=T)
轉置	data.T	t(data)
矩陣變形	data.reshape(1,np.prod(data.shape))	matrix(data,ncol=nrow(data)*ncol(data))
矩陣按行拼接	np.r_[A,B]	rbind(A,B)
矩陣按列拼接	np.c_[A,B]	cbind(A,B)

矩陣計算	Pyhton	R
矩陣乘法	np.dot(A,B)	A %*% B
矩陣冪指	np.power(A,3)	A^3
全零矩陣	np.zeros((3,3))	matrix(0,nrow=3,ncol=3)
矩陣求逆	np.linalg.inv(A)	solve(A)
協方差	np.cov(A,B)	cov(A,B)
特徵值	np.linalg.eig(A)[0]	eigen(A)$values
特徵向量	np.linalg.eig(A)[1]	eigen(A)$vectors

數據框操做

參考 R 中的 data frame 結構，Python 的 Pandas包也實現了相似的 data frame 數據結構。如今，爲了增強數據框的操做，R 中更是演進出了 data table 格式（簡稱dt），這種格式以 dt[where,select,group by] 的形式支持相似SQL的語法。

數據框操做	Python	R
按Factor的Select操做	df[['a', 'c']]	dt[,.(a,c),]
按Index的Select操做	df.iloc[:,1:2]	dt[,1:2,with=FALSE]
按Index的Filter操做	df[1:2]	dt[1:2]
groupby分組操做	df.groupby(['a','b'])[['c','d']].mean()	aggregate(x=dt[, c("v1", "v2")], by=list(mydt2$by1, mydt2$by2), FUN = mean)
%in% 匹配操做 返回T/F	pd.Series(np.arange(5),dtype=np.float32).isin([2, 4])	0:4 %in% c(2,4)
match 匹配操做 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
查詢操做	df[df.a <= df.b]	dt[ a<=b ]
with操做	pd.DataFrame({'a': np.random.randn(10), 'b': np.random.randn(10)}).eval('a + b')	with(dt,a + b)
plyr操做	df.groupby(['month','week']).agg([np.mean, np.std])	ddply(dt, .(month, week), summarize,mean = round(mean(x), 2),sd = round(sd(x), 2))
多維數組融合	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))))
多維列表融合	pd.DataFrame(list(enumerate(list(range(1,5))+[np.NAN])))	data.frame(melt(as.list(c(1:4, NA))))
數據框融合	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"))
數據透視表 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)
連續型數值因子分類	pd.cut(pd.Series([1,2,3,4,5,6]), 3)	cut(c(1,2,3,4,5,6), 3)
名義型因子分類	pd.Series([1,2,3,2,2,3]).astype("category")	factor(c(1,2,3,2,2,3))

數據流編程對比的示例

Python 的 Pandas 中的管道操做

(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 中的管道操做

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)

數據可視化對比

繪製相關性散點圖

對比數據相關性是數據探索經常使用的一種方法，下面是Python和R的對比。

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")])

雖然咱們最終獲得了相似的圖形，這裏R中GGally是依賴於ggplot2，而Python則是在matplotlib的基礎上結合Seaborn，除了GGally在R中咱們還有不少其餘的相似方法來實現對比製圖，顯然R中的繪圖有更完善的生態系統。

繪製聚類效果圖

這裏以K-means爲例，爲了方便聚類，咱們將非數值型或者有確實數據的列排除在外。

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)

速度對比

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

顯然這裏 R 1.326的成績 比 Python 的 Numpy 3:111 的速度快了很多。

事實上，如今 R 和 Python 的數據操做的速度已經被優化得旗鼓至關了。下面是R中的 data.table、dplyr 與 Python 中的 pandas 的數據操做性能對比：

我曾經用data.table和pandas分別讀取過一個600萬行的IOT數據，反覆10次，data.table以平均10s的成績賽過了pandas平均15s的成績，因此在IO上我傾向於選擇使用data.table來處理大數據，而後餵給spark和hadoop進行進一步的分佈式處理。

結論

Python 的 pandas 從 R 中偷師 dataframes，R 中的 rvest 則借鑑了 Python 的 BeautifulSoup，咱們能夠看出兩種語言在必定程度上存在的互補性，一般，咱們認爲 Python 比 R 在泛型編程上更有優點，而 R 在數據探索、統計分析是一種更高效的獨立數據分析工具。因此說，同時學會Python和R這兩把刷子纔是數據科學的王道。

參考資料

• 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科學計算操做速查表
• 知乎：R 和 Python (numpy scipy pandas) 用於統計學分析，哪一個更好？
• Choosing R or Python for data analysis? An infographic
• 散大大 寫給Python數據科學家們 : 科學計算開發環境排雷

做爲分享主義者(sharism)，本人全部互聯網發佈的圖文均聽從CC版權，轉載請保留做者信息並註明做者 Harry Zhu 的 FinanceR專欄: https://segmentfault.com/blog...，若是涉及源代碼請註明GitHub地址： https://github.com/harryprince。微信號: harryzhustudio 商業使用請聯繫做者。