【分享】Python和R语言的数据分析/挖掘工具互查

写在前面

在此总结一些在数据分析/挖掘中可能用到的功能，方便大家索引或者从一种语言迁移到另一种。当然，这篇博客还会随时更新（不会另起一篇，为了方便大家索引），请大家如果有需要收藏到书签中。

如果大家还知道哪些常用的命令，也可以在评论中回复我。我可以添加进来，方便更多地人更方便的检索。也希望大家可以转载。

如果大家已经熟悉python和R的模块/包载入方式，那下面的表查找起来相对方便。python在下表中以模块.的方式引用，部分模块并非原生模块，请使用

pip install *

安装；同理，为了方便索引，R中也以::表示了函数以及函数所在包的名字，如果不含::表示为R的默认包中就有，如含::，请使用

install.packages("*")

安装。

连接器与io 数据库 类别 Python R MySQL mysql-connector-python(官方) RMySQL Oracle cx_Oracle ROracle Redis redis rredis MongoDB pymongo RMongo, rmongodb neo4j py2neo RNeo4j Cassandra cassandra-driver RJDBC ODBC pyodbc RODBC JDBC 未知[Jython Only] RJDBC IO类 类别 Python R excel xlsxWriter, pandas.(from/to)_excel, openpyxl openxlsx::read.xlsx(2), xlsx::read.xlsx(2) csv csv.writer read.csv(2), read.table json json jsonlite 图片 PIL jpeg, png, tiff, bmp 统计类 描述性统计 类别 Python R 描述性统计汇总 scipy.stats.descirbe summary 均值 scipy.stats.gmean(几何平均数), scipy.stats.hmean(调和平均数), numpy.mean, numpy.nanmean, pandas.Series.mean mean 中位数 numpy.median, numpy.nanmediam, pandas.Series.median median 众数 scipy.stats.mode, pandas.Series.mode 未知 分位数 numpy.percentile, numpy.nanpercentile, pandas.Series.quantile quantile 经验累积函数(ECDF) statsmodels.tools.ECDF ecdf 标准差 scipy.stats.std, scipy.stats.nanstd, numpy.std, pandas.Series.std sd 方差 numpy.var, pandas.Series.var var 变异系数 scipy.stats.variation 未知 协方差 numpy.cov, pandas.Series.cov cov (Pearson)相关系数 scipy.stats.pearsonr, numpy.corrcoef, pandas.Series.corr cor 峰度 scipy.stats.kurtosis, pandas.Series.kurt e1071::kurtosis 偏度 scipy.stats.skew, pandas.Series.skew e1071::skewness 直方图 numpy.histogram, numpy.histogram2d, numpy.histogramdd 未知 回归（包括统计和机器学习） 类别 Python R 普通最小二乘法回归(ols) statsmodels.ols, sklearn.linear_model.LinearRegression lm, 广义线性回归(gls) statsmodels.gls nlme::gls, MASS::gls 分位数回归(Quantile Regress) statsmodels.QuantReg quantreg::rq 岭回归 sklearn.linear_model.Ridge MASS::lm.ridge, ridge::linearRidge LASSO sklearn.linear_model.Lasso lars::lars 最小角回归 sklearn.linear_modle.LassoLars lars::lars 稳健回归 statsmodels.RLM MASS::rlm 假设检验 类别 Python R t检验 statsmodels.stats.ttest_ind, statsmodels.stats.ttost_ind, statsmodels.stats.ttost.paired; scipy.stats.ttest_1samp, scipy.stats.ttest_ind, scipy.stats.ttest_ind_from_stats, scipy.stats.ttest_rel t.test ks检验(检验分布) scipy.stats.kstest, scipy.stats.kstest_2samp ks.test wilcoxon(非参检验，差异检验) scipy.stats.wilcoxon, scipy.stats.mannwhitneyu wilcox.test Shapiro-Wilk正态性检验 scipy.stats.shapiro shapiro.test Pearson相关系数检验 scipy.stats.pearsonr cor.test 时间序列 类别 Python R AR statsmodels.ar_model.AR ar ARIMA statsmodels.arima_model.arima arima VAR statsmodels.var_model.var 未知 生存分析 类别 Python R PH回归 statsmodels.formula.api.phreg 未知 机器学习类 回归

参见统计类

分类器 LDA、QDA 类别 Python R LDA sklearn.discriminant_analysis.LinearDiscriminantAnalysis MASS::lda QDA sklearn.discriminant_analysis.QuadraticDiscriminantAnalysis MASS::qda SVM(支持向量机) 类别 Python R 支持向量分类器（SVC） sklearn.svm.SVC e1071::svm 非支持向量分类器（nonSVC） sklearn.svm.NuSVC 未知 线性支持向量分类器(Lenear SVC) sklearn.svm.LinearSVC 未知 基于临近 类别 Python R k-临近分类器 sklearn.neighbors.KNeighborsClassifier 未知 半径临近分类器 sklearn.neighbors.RadiusNeighborsClassifier 未知 临近重心分类器(Nearest Centroid Classifier) sklearn.neighbors.NearestCentroid 未知 贝叶斯 类别 Python R 朴素贝叶斯 sklearn.naive_bayes.GaussianNB e1071::naiveBayes 多维贝叶斯(Multinomial Naive Bayes) sklearn.naive_bayes.MultinomialNB 未知 伯努利贝叶斯(Bernoulli Naive Bayes) sklearn.naive_bayes.BernoulliNB 未知 决策树 类别 Python R 决策树分类器 sklearn.tree.DecisionTreeClassifier tree::tree, party::ctree 决策树回归器 sklearn.tree.DecisionTreeRegressor tree::tree, party::tree 随机森林分类器 sklearn.ensemble.RandomForestClassifier randomForest::randomForest, party::cforest 随机森林回归器 sklearn.ensemble.RandomForestRegressor randomForest::randomForest, party::cforest 聚类 类别 Python R kmeans scipy.cluster.kmeans.kmeans kmeans::kmeans 分层聚类 scipy.cluster.hierarchy.fcluster (stats::)hclust 包聚类(Bagged Cluster) 未知 e1071::bclust DBSCAN sklearn.cluster.DBSCAN dbscan::dbsan Birch sklearn.cluster.Birch 未知 K-Medoids聚类 pyclust.KMedoids(可靠性未知) cluster.pam 关联规则 类别 Python R apriori算法 apriori(可靠性未知，不支持py3), PyFIM(可靠性未知，不可用pip安装) arules::apriori FP-Growth算法 fp-growth(可靠性未知，不支持py3), PyFIM(可靠性未知，不可用pip安装) 未知 神经网络 类别 Python R 神经网络 neurolab.net, keras.* nnet::nnet, nueralnet::nueralnet 深度学习 keras.* 不可靠包居多以及未知

当然，theano模块值得一提，但本质theano包的设计并非在神经网络，所以不归于此类。

文本、NLP 基本操作 类别 Python R tokenize nltk.tokenize(英), jieba.tokenize(中) tau::tokenize stem nltk.stem RTextTools::wordStem, SnowballC::wordStem stopwords stop_words.get_stop_words tm::stopwords, qdap::stopwords 中文分词 jieba.cut, smallseg, Yaha, finalseg, genius jiebaR TFIDF gensim.models.TfidfModel 未知 主题模型 类别 Python R LDA lda.LDA, gensim.models.ldamodel.LdaModel topicmodels::LDA LSI gensim.models.lsiModel.LsiModel 未知 RP gensim.models.rpmodel.RpModel 未知 HDP gensim.models.hdpmodel.HdpModel 未知

值得留意的是python的新第三方模块，spaCy

与其他分析/可视化/挖掘/报表工具的交互 类别 Python R weka python-weka-wrapper RWeka Tableau tableausdk Rserve(实际是R的服务包)

来源：segmentfault  作者：三次方根

链接：https://segmentfault.com/a/1190000005041649