R语言 vs Python：数据分析哪家强？

摘要：这篇文章旨在更客观地看待这两门语言。我们会平行使用Python和R分析一个数据集，展示两种语言在实现相同结果时需要使用什么样的代码。这让我们了解每种语言的优缺点，而不是猜想。在Dataquest，我们教授两种语言，并认为两者在数据科学工具箱中都占据各自的地位。

我们将会分析一个NBA数据集，包含运动员和他们在2013-2014赛季的表现，可以在这里下载这个数据集。我们展示Python和R的代码，同时做出一些解释和讨论。事不宜迟，现在就开始这场硬碰硬的对决吧！

读取CSV文件

R

nba <- read.csv("nba_2013.csv")

Python

import pandas nba = pandas.read_csv("nba_2013.csv")

上面的代码分别在两种语言中将包含2013-2014赛季NBA球员的数据的nba_2013.csv文件加载为变量nba。Python中实际的唯一不同是需要加载pandas库以使用Dataframe。Dataframe在R和Python中都可用，它是一个二维数组（矩阵），其中每列都可以是不同的数据类型。在完成这一步后，csv文件在两种语言中都加载为dataframe。

统计球员数量

R

print(dim(nba))

[1] 481 31

Python

print(nba.shape)

(481, 31)

两者分别输出球员数量和数据列数量。我们有481行，或者说球员，和31列关于球员的数据。

查看数据的第一行

R

print(head(nba, 1))

player pos age bref_team_id 1 Quincy Acy SF 23 TOT [output truncated]

Python

print(nba.head(1))

player pos age bref_team_id 0 Quincy Acy SF 23 TOT [output truncated]

它们几乎完全相同。两种语言都打印出数据的第一行，语法也非常类似。Python在这里更面向对象一些，head是dataframe对象的一个方法，而R具有一个单独的head函数。当开始使用这些语言做分析时，这是一个共同的主题，可以看到Python更加面向对象而R更函数化。

计算每个指标的均值

让我们为每个指标计算均值。如你所见，数据列以类似fg（field goals made）和ast（assists）的名称命名。它们都是球员的赛季统计指标。如果想得到指标的完整说明，参阅这里。

R

这将创建一个包含两个列表的列表，第一个是CLE的比分，第二个是GSW的比分。两个都有标题，以及每个球员和他们的比赛统计。我们现在不会将其转换为更多的训练数据，但是如果需要把它们加入nbadataframe，转换可以很容易地完成。

R代码比Python更复杂，因为它没有一个方便的方式使用正则表达式选择内容，因此我们不得不做额外的处理以从HTML中得到队伍名称。R也不鼓励使用for循环，支持沿向量应用函数。我们使用lapply做到这一点，但由于需要处理的每一行都因是否是标题而异，需要传递保留项的索引和整个rows列表给函数。

我们使用rvest，一个广泛使用的新R网络抓取包实现抽取数据，注意这里可以直接传递url给rvest，因此上一步在R中并不是必须的。

在Python中，我们使用了BeautifulSoup，一个最常用的web抓取包。它让我们可以在标签间循环，并以一种直接的方式构建列表的列表。

结论

我们已经看到了如何使用R和Python分析一个数据集。还有很多任务没有深入，例如保存和分享分析结果，测试，确保生产就绪，以及构建更多的可视化。我们会在近期继续探讨这些，从而得到更明确的结论。现在，下面是一些能够得到的：

R更加函数化，Python更面向对象

就像我们在lm，predict和其他函数中看到的那样，R用函数完成大部分工作。对比Python中的`LinearRegression类，还有dataframe的sample方法。

R包含更多的数据分析内建功能，Python依赖于第三方软件包。

当我们查看汇总统计量时，在R中可以直接使用summary内建函数，但是Python中必须依靠statsmodels包。dataframe是R内置的结构，而在Python中由pandas包引入。

Python拥有“主要的”数据分析包，R拥有由较小的包组成的更大的生态系统

在Python中，我们可以使用scikit-learn完成线性回归，随机森林和许多其他任务。它提供了一致的API，并很好的维护。在R中，我们有多种多样的包，但是也更加碎片化和不一致（线性回归是内置的lm，randomForest是单独的包，等等）。

总体上R有更多的统计支持

R是作为统计语言被构建的，它也显示了这一点。Python中的statsmodels和其他软件包提供了统计方法的大部分实现，但是R的生态系统要大的多。

Python中完成非统计任务通常更加直接

有了类似BeautifulSoup和request这样良好维护的软件包，Python中的网页抓取远易于R。这种说法也适于我们还未关注的其他任务，例如保存数据库，部署web服务器或运行复杂的工作流。

数据分析工作流在两者之间有许多相似之处

R和Python之间有一些互相启发的地方（pandas的Dataframe受到R中dataframe的影响，rvest包来自BeautifulSoup的启发），两者的生态系统都在不断发展壮大，对两种语言中许多共同的任务来说，语法和实现都是非常相似的。

总结

在Dataquest，我们首先教授Python，但是最近也加入了R的课程。我们看到这两种语言是互补的，虽然Python在更多领域更强大，但R是一种高效的语言。它可以作为Python在数据探索和统计等领域的补充，或者你惟一的数据分析工具。正如本篇文章中所显示的，两种语言有许多相似的语法和实现方法，你不能在一个或另一个，或者两者中出错。

Vik Paruchuri 原文链接

原创文章，作者：古思特，如若转载，请注明出处：《R语言 vs Python：数据分析哪家强？》http://www.afenxi.com/post/8975