數據科學界華山論劍：Python 與 R 巔峰對決

文章出處：大數據文摘

如果你是數據分析領域的新兵，那么你一定很難抉擇——在進行數據分析時，到底應該使用哪個語言，R還是Python？在網絡上，也經常出現諸如“我想學習機器語言，我應該用哪個編程語言”或者“我想快速解決問題，我應該用R還是Python”等這類問題。盡管兩個編程語言目前都是數據分析社區的佼佼者，但是它們仍在為成為數據科學家的首選編程語言而戰斗。今天，就讓我們從數據科學的角度，一步步比較這兩大編程語言。

1 對陣雙方介紹

Ladies and Gentlemen，讓我們隆重的介紹今天的對陣雙方：R和Python！

R語言當前版本是2015年6月更新的3.2.1版。Python 2當前版本是2015年5月更新的2.7.10版，Python 3當前的版本是2015年2月更新的3.4.3版。

R語言是Ross Ihaka和Robert Gentleman于1995年開發的，作為貝爾實驗室S編程語言的一種實現，其開發環境主要由C語言，Fortran和R來完成。Python的發布年份其實遠在R之前。Guido Van Rossum于1991年開發完成了Python，并由Python軟件基金會(PSF)負責其發展。其開發靈感主要來自C語言和Modula-3，部分來自ABC語言。Python的名字取自喜劇蒙提·派森的飛行馬戲團（Monty Python’s Flying Circus）。

從定位角度看，R致力于提供更好的，對用戶友好的數據分析、統計分析和繪圖模型；而Python則強調生產效率和代碼的可讀性。

雙方的用戶群也有一定的差異。R主要用于學術和研究領域，如今正在快速拓展其企業市場的運用。Python的使用者，是那些想深入鉆研數據分析或者應用統計技術的程序員，以及向數據科學尋求幫護的開發者。用一句話總結：“越接近統計研究跟數據分析人，越傾向R；越接近工程開發工程環境的人，越傾向 Python”。

R和Python都得到大量的社區支持，包括郵件列表(Mailing Lists)、用戶貢獻的文檔、以及Stackoverflow網站。此外，R還可以從研究人員、數據科學家、統計學家和數量分析專家那里得到更多的支持；而Python則從開發者和程序員那里得到的支持。

從實用性來講，R通過幾行代碼就可以寫出統計模型，盡管R有樣式表，但并不是每個人都使用它們，可以用若干種方式寫出同樣的功能。在Python中寫代碼和調試代碼則更容易一些，主要是因為它的“優美”語法。但是代碼的縮進會影響它的意思。并且，在Python中，永遠只有一種方式來寫同樣的功能。

在靈活性方面，在R中使用復雜的公式很容易。各種各樣的統計檢驗和統計模型都是現成的并且容易使用；相比R，Python在完成以前沒有做過的新奇的事情上，很靈活，開發人員也會用它寫網站或其它應用的腳本。

關于易學習性，開始學習R時有一個陡峭的學習曲線，一旦了解了最基本知識，就能很容易地學習更高級的知識。因此，對于有經驗的程序員，R并不難。建議R的學習者查看DataCamp上的練習和教程。

由于Python看重可讀性和易用性，使得它的學習曲線相對比較低并且平緩。因此，對于初級程序員，Python 被認為是一個很好的編程語言。對于Python學習者的建議是，嘗試用《笨辦法學Python》學習的同時看視頻做練習。

兩者都有自己的代碼庫。CRAN（The Comprehensive R Archive Network）是一個很大的R包庫，用戶很容易為其貢獻代碼。R包是一個包含R函數、數據和編譯代碼的集合，R包在R中用一行代碼即可安裝。 PyPi（Python Package Index）是Python軟件庫，用戶可以為PyPi貢獻代碼，但實踐起來有點困難。

計算機科學教授Norm Matloff 曾說過，“Python并未建立起一個能與CRAN媲美的巨大的代碼庫，R在這方面領先巨大。但是，統計學并不是Python的中心任務。”

其實R與Python并不是完全孤立的，在R中用戶可以通過rPython包運行Python代碼，從Python傳遞或獲取數據，調用Python函數或者方法。而在Python中也可以使用RPy2包運行R代碼，這提供了一個從Python到R的底層接口。

以上，從定性的角度進行了比較。現在，看看雙方的定量數據。小二，上數據！

先看人氣排名，下圖左邊為2013-2015年2月R和Python人氣比較（Tiobe指標），右邊為Redmonk排名，它比較了GitHub和Stackoverflow上編程語言的相對性能。

再看工作和薪資，2014 Dice Tech薪金調查顯示，具有高薪技能和豐富經驗的R使用者的平均工資為115,531美元，而Python則為94,139美

2 數據分析戰場

首先是用途。R的主要應用場景是，當數據分析任務需要獨立運算，或者需要在單個服務器上分析；Python的一般應用場景是，數據分析任務需要與網頁應用整合，或者當統計代碼需要并入成品數據庫。

按任務類型劃分，做探索性研究時，R語言很適合初學者。幾行代碼便可寫出統計模型；而作為一個完整成熟的程序語言，Python是為產品使用進行算法執行的一個工具。

數據處理能力上，使用R進行數據分析很容易上手，因為它具有龐大數量的包、方便使用的檢驗以及在使用公式方面的優勢。做基本數據分析時，R語言更方便，不需要額外安裝包，大的數據庫需要使用類似data.table和dplyr包。過去，Python數據分析包的幼年期曾是個問題，但是現在已經得到很大的改善，用Python進行數據分析時，你需要使用NumPy、Pandas和其它的程序包。

如何上手也是比拼的一個方面。R的集成開發環境(IDE)可以選擇RStudio。R最受歡迎的程序包有：dply、plyr和 data.table（易于操作數據），stringr（易于操作字符串），zoo（處理規則和不規則時間序列），ggvis、lattice和 ggplot2（數據可視化），caret（機器學習），建議初學者查看DataCamp上的課程和教程。

Python的集成開發環境(IDE)有很多，其中Spyder和Python Notebook最受歡迎。建議初學者查看Rodeo（被稱為“Python到數據科學IDE”）。Python最受歡迎的程序包有：pandas （易于操作數據），SciPy/NumPy（科學計算），sckikit-learn（機器學習），matplotlib（用于作圖），statsmodels（數據探索、統計模型估計、統計檢驗和單元測試）。

［建議］給Python初學者推薦“8步從Python白丁到專家”（點擊查看）。若想了解更多Python包，請看“數據科學家之5個最佳Python庫，為初學者定制的教程” （點擊查看）。

關于技術支持，使用R進行數據分析有很多技術支持，包括Stackoverflow、Rdocumentation,（R文檔整合）和R-help 郵件列表。

Python的數據分析問題可以通過以下方式獲得支持：Stackoverflow和郵件列表。

郵件列表包括pydata（關于使用Python進行數據分析和Pandas包）、pystatsmodels （Statsmodels和pandas包的問題）、numpy-discussion （Numpy包的問題）和sci-py user（大部分是SciPy或者科學問題）

同樣，定性對比后再看看R和Python的量化戰爭！

從整體數據來看，在做數據分析時使用R的人數要多于使用Python（下圖左：2014用于數據分析的程序語言）。在2014年，有23.45%的人同時使用R與Python（下圖右：2014年R和Python使用分析）。

在2008-2014年5月之間，Stack Overflow上問題標簽是”R” 和／或 “Python”、“Pandas”的數量，R明顯領先。在2015年3月12日到4月10日之間，在推ter上統計rstats, python numpy, python pandas和numpy這幾個關鍵詞，活躍度最大的是rstats。

工作和薪資方面，O’Reilly 2014數據科學工資調查顯示，R和Python平均年收入范圍都是11萬美元到12.5萬美元之間。Indeed.com上R與Python的工作趨勢顯示，Python的工作需求量高于R。

現在很多人都選擇同時使用R和Python。有的策略是利用兩種語言最好的部分——初始分析在R語言中進行，在需要更嚴格的分析、團隊工作或者發布代碼和數據產品時開始轉換到Python。有人是用R進行統計檢驗、畫圖和檢查大數據，必須寫算法時，則更傾向于用Python。也有人說，更傾向于在通用語言中做數學計算，而不是用數學語言進行通用編程。

［建議］選定語言只是萬里長征第一步。如果你想要成為數據科學家，推薦你看一篇受歡迎度很高的文章“天龍八步：8步讓你變成數據科學家”（點擊查看）。

3 總決選：優缺點

現在來比較一下兩者的優缺點。R最大的優點在于其作圖能力，俗話說，一圖抵千言，相比單看原始數據，可視化后的數據能被更高效、更有效的理解。利用 ggplot2 可以繪制優美的圖表，使用圖表算法創造圖層、定制圖表；lattice易于展示多變量關系；rCharts從R中建立、定制和呈現交互式Java可視化；googleVis利用Google表格工具在R中可視化數據；用ggvis對一個網頁瀏覽器進行渲染時，可以實現圖像的交互式語法，例如在R中可視化非死book好友。

IPython最大的優點在于，IPython Notebook使得用Python分析數據變得容易，它可以將你的分析放在一個文件中。用Python處理數據可以簡化工作流程。它是一個組合，其中包括：交互式Python數據探索、在一個環境下為文檔提前寫好程序、文本和公式。你可以跟同事分享筆記本，并且不用他們安裝任何東西。IPython大大減少了管理代碼、輸出和筆記本文件的時間，這樣可以有更多的時間做實際工作。

R 的生態系統是它的另一項優勢，先進的界面程序包使其能與開源語言進行交流，這讓你把工作流程連成一串，對數據分析尤其有用。程序包可以從：CRAN（ “Task Views”列出了大量可用的R語言程序包）、Bioconductor （生物信息學的開源軟件）、GitHub （基于網絡的Git庫主機服務）獲得，在Rdocumentation（首個R文檔聚合器）中很容易搜索到這些資源。R的用戶社區也做得非常優秀，包括 Meetup群組（其中一些由R用戶社區的公司資助）、博客和社交網絡。

Python是一種通用語言，其另一個優點在于它的可讀性和學習曲線；同時，Python簡單直觀，它對可讀性的重視更放大了這一特征。這就解釋了為什么Python的學習曲線相對平緩，因而很多程序員很熟悉它。并且，你寫一個程序的速度也得到正面影響：編程時間更少了，玩耍時間更多了。

Python的測試框架確保代碼的可重復性和可靠性，一個內置低壁壘的測試框架能夠支持一個很好的測試覆蓋率。其測試工具分類包括：UnitTest Python（標準庫中首個測試框架）、Nose （UnitTest的擴展，很多程序包使用它，如pandas）、DocTest （基于Python標準解釋器的輸出很容易生成測試），Pytest （當進行復雜的函數測試時，可以進行小測試）。

R有一個不可替代的優勢：統計的通用語言。R是統計學家為統計學家開發的，他們通過R代碼和程序包交流統計分析思想和方法，即使是不會計算機編程語言的統計學家、工程師和科學家也會覺得R容易使用，因此提高了產業采用率。R也被用在金融、藥物、醫學和市場等領域，并且其作為商業分析工具的地位正在不斷增長，在商業領域的最重要價值正被一些有才能的人所了解使用，R在學術界已經被廣泛使用。R的使用量正在快速增長，其在學術文章中處于常用軟件排名第三的位置（緊隨SAS和SAP），且這一位置正在被鞏固。

與R相比，Python是一個多用途語言。作為一個被大多數程序員所熟知的普遍且易于理解的編程語言，Python也能把不同背景的人聚集到一起。例如，一些機構不想雇傭數據分析師或者雇傭新的數據分析師比較困難，就會培訓老員工使用Python。這意味著，Python是一個現成的編程語言，它能夠作為一個單獨的工具與你工作流程中任意一部分結合。

兩者的缺點是什么呢？R運行慢，而這一點是故意為之。R的設計目的是使數據分析和統計分析變得容易，而不是為了讓你的電腦“活得更輕松”。它有一個不完整的非正式定義，主要通過實現工作的方式來定義。除了設計和實現，大量R代碼慢的原因很簡單——代碼寫的很差。為改善這一點，可使用提高R性能的程序包：pqR（R翻譯器的一個新版本）、renjin、FastR（在Java中重新寫R）、Riposte（一個很快的解析器和JIT）、 RevoScaleR（用來處理大數據的商業軟件）、Foreach（用來提高并行編程的商業工具）。

Python最大的問題在于其可視化，選擇數據分析軟件時，可視化是一個重要原則。雖然Python有一些很好的可視化程序庫，包括：Seaborn（基于matplotlib的程序庫）、Bokeh（交互式可視化程序庫）和Pygal（建立動態可伸縮向量圖形（SVG））。但 Python提供的可選擇程序庫過多，且與R對比，在Python中進行可視化有些復雜，呈現的結果也并不是很令人滿意。

因為由統計學家開發，R另一個缺點是它陡峭的學習曲線。盡管任何人都可以使用GUI得到結果，但沒有人能夠完全避開寫程序，并且找程序包很花時間。你可以通過使用正確的工具解決這個問題，利用以下這些資料可以幫組你克服這個陡峭的學習曲線：包括DataCamp上的練習和教程和上 Rdocumentation搜索程序包。

Python另一個問題是它還不成熟，造成一種更受限制的方式去思考數據分析。截至目前，沒有模塊能夠代替基本R程序包的100個。Python正在努力客服這一問題， 其中一些解決辦法包括：IPython中的R擴展允許在IPython Notebook中方便使用R；現有資源和約定格局充當了一個重要角色：Matlab通常用于發布開放的研究代碼，Python用于數學，R 用于統計。Mlabwrap 連接了Python和Matlab，但是有些缺點，因此你需要學會兩種程序語言，并且需要有一個Matlab許可證。

兩種語言有很多共同優點。其一是開源，R和Python都是對任何人免費，其它統計軟件（如SAS和SPSS）都是商業工具。

其二是他們都是高級工具，很多統計學的新進展會先在R和小范圍的Python開源程序包中出現，這比商業平臺要早。

第三是它們都提供在線社區，相對商業軟件提供收費的用戶支持，R和Python利用在線社區對它們相應的用戶提供支持。

最后，二者使用者的薪水都比較高，根據O’Reilly 2013數據科學工資調查顯示，主要使用開源工具的數據科學家（130,000美元）比使用商業工具的數據科學家（90,000美元）的工資中值更高。

4 那么贏家是……

最后的結果是平局！哪個工具更適合，取決于你這個數據科學家如何去挑選一個最適合你需要的程序語言。下面的問題可以指導你做出決定

1.你要解決什么樣的問題

2.你學習一門程序語言的成本？學習一個能更好地解決問題的新系統會花費時間，但依舊使用你熟悉的系統并不能解決你要解決的問題。

3.在你的領域最常用的工具是什么？

在你的領域中還有什么可用的工具，它們和那些常用工具有什么關系？

英文原文：DataCamp  編譯：于婷婷 魏子敏 康欣