Python在數據科學領域能否完全取代R？

01-07

轉一篇文章給樓主看下。

中文原文：長篇巨獻｜數據科學界華山論劍：R與Python巔峰對決

英文原文應該是這裡：Choosing R or Python for data analysis? An infographic

如果你是數據分析領域的新兵，那麼你一定很難抉擇——在進行數據分析時，到底應該使用哪個語言，R還是Python？在網路上，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。儘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鬥。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於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於1991年開發完成了Python，並由Python軟體基金會(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致力於提供更好的，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主要用於學術和研究領域，如今正在快速拓展其企業市場的運用。Python的使用者，是那些想深入鑽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裡得到更多的支持；而Python則從開發者和程序員那裡得到的支持。

從實用性來講，R通過幾行代碼就可以寫出統計模型，儘管R有樣式表，但並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。並且，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中使用複雜的公式很容易。各種各樣的統計檢驗和統計模型都是現成的並且容易使用；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。

關於易學習性，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，對於有經驗的程序員，R並不難。建議R的學習者查看DataCamp上的練習和教程。

由於Python看重可讀性和易用性，使得它的學習曲線相對比較低並且平緩。因此，對於初級程序員，Python 被認為是一個很好的編程語言。對於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軟體庫，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並未建立起一個能與CRAN媲美的巨大的代碼庫，R在這方面領先巨大。但是，統計學並不是Python的中心任務。」

其實R與Python並不是完全孤立的，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的底層介面。

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美元

#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，或者需要在單個伺服器上分析；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併入成品資料庫。

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是為產品使用進行演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，大的資料庫需要使用類似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（易於操作數據），stringr（易於操作字元串），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 （易於操作數據），SciPy/NumPy（科學計算），sckikit-learn（機器學習），matplotlib（用於作圖），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，為初學者定製的教程」（點擊查看）。

關於技術支持，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（關於使用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，定性對比後再看看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的人數要多於使用Python（下圖左：2014用於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上問題標籤是」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twitter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平均年收入範圍都是11萬美元到12.5萬美元之間。http://Indeed.com上R與Python的工作趨勢顯示，Python的工作需求量高於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，必須寫演算法時，則更傾向於用Python。也有人說，更傾向於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最大的優點在於其作圖能力，俗話說，一圖抵千言，相比單看原始數據，可視化後的數據能被更高效、更有效的理解。利用ggplot2 可以繪製優美的圖表，使用圖表演算法創造圖層、定製圖表；lattice易於展示多變數關係；rCharts從R中建立、定製和呈現互動式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，可以實現圖像的互動式語法，例如在R中可視化Facebook好友。

IPython最大的優點在於，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：互動式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，並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體）、GitHub （基於網路的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）、博客和社交網路。

Python是一種通用語言，其另一個優點在於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徵。這就解釋了為什麼Python的學習曲線相對平緩，因而很多程序員很熟悉它。並且，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複性和可靠性，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 （基於Python標準解釋器的輸出很容易生成測試），Pytest （當進行複雜的函數測試時，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，因此提高了產業採用率。R也被用在金融、藥物、醫學和市場等領域，並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，其在學術文章中處於常用軟體排名第三的位置（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於理解的編程語言，Python也能把不同背景的人聚集到一起。例如，一些機構不想僱傭數據分析師或者僱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。

兩者的缺點是什麼呢？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「活得更輕鬆」。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體）、Foreach（用來提高並行編程的商業工具）。

Python最大的問題在於其可視化，選擇數據分析軟體時，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（基於matplotlib的程序庫）、Bokeh（互動式可視化程序庫）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中進行可視化有些複雜，呈現的結果也並不是很令人滿意。

因為由統計學家開發，R另一個缺點是它陡峭的學習曲線。儘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，並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正在努力克服這一問題，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通常用於發布開放的研究代碼，Python用於數學，R 用於統計。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，並且需要有一個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，其它統計軟體（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和小範圍的Python開源程序包中出現，這比商業平台要早。

第三是它們都提供在線社區，相對商業軟體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。

最後，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 那麼贏家是……

最後的結果是平局！哪個工具更適合，取決於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.你要解決什麼樣的問題

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並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麼？

在你的領域中還有什麼可用的工具，它們和那些常用工具有什麼關係？參考資料

勺子和筷子的關係

結論：實際操作中，Python 可以取代 R（至少不需要單獨打開 R）。

利益相關：Python 中毒用戶。

相比 R，目前 Python 不足：R 上面的統計輪子確實比 Python 的多且靠譜。

在 R 被真正（可能么？逃）取代之前，現階段最佳解決方案：在 Python 裡面調用 R。

Python + rpy2 應該可以基本解決 Python 上面統計包不夠用的問題。rpy2 用起來很方便，調用 R 的函數跟調用普通 Python 函數差不多。

另外，還可以用 rpy2 實現在 IPython kernel 的 Jupyter notebook 裡面寫 R 的功能。見這裡

程序員做數據分析一般傾向於Python，統計專業的傾向於R

統計模型確實是r的更好，但python社區的人也在開發更多的library。

以前我算邏輯回歸，線性回歸，給係數做test，看是不是顯著不等於零，都是用r。現在有時候會用statsmodels[1]。

舉個例子吧，在圖上根據拓撲結構做聚類(如圖1），英文叫community detection[2]，演算法已經很多很成熟了，我都不用自己寫，python或者r上找個包用一下就好了。

但是如果我需要在二分圖上做聚類，那就不一定有現成的了。雖然我用python更舒服一些，但這時候如果有r社區那邊的大神已經把某個二分圖聚類的演算法寫的很好了，我肯定也要去用的。

所以作為用戶來說，最好兩個都會吧。

安利幾個statsmodel的例子[3]

[1]http://www.statsmodels.org/stable/index.html

[2]https://en.m.wikipedia.org/wiki/Community_structure

[3] https://www.datarobot.com/blog/multiple-regression-using-statsmodels/

http://blog.yhat.com/posts/logistic-regression-and-python.html

目前來看，不存在替換。但是PYTHON確實會比R好用些。

不要試圖強制消滅物種多樣性，這樣是沒有前途的

Python+R才是王道

我曾經兩次試圖學R，但看到reshape矩陣都要導入一個包就感覺蛋疼無比，接下來又分不清向量、矩陣、列表、數據框、水平等各種非常類似又略有不同的數據類型，於是暈了，遂棄之。

沒聽說過膠片相機吧？沒玩兒過單反吧？題主是從智能手機開始拍照片的吧？

不是說從市場層面上沒有取代都可能，而是每一次市場方向的選擇都會讓你噁心很多年，才會逐漸恢復到一個可以看的質量水平。這個過程是相當噁心的。

同意金志鑫的觀點，不要小看物種多樣性

恕我直言，這個問題不太好。

這不是能否的問題，是個人的問題。就我自身而言，Python清晰簡明的代碼，豐富多樣的庫，足以滿足我的日常需求，我沒動力去學R。或許在某些方面R比Python強，但仍然有大牛把這些功能移植到了python的庫裡面，麻煩是麻煩，慢是慢一點，但是我說不定一年才用個一兩次這個功能，幹嘛還要重新學一門語言。

說到底，這是惰性問題。

我們學院的教授，某些仍然在用SPSS跑數據。按理說SPSS這種早就該被淘汰的東西咋還有人用，為啥計量不教各方面都超越SPSS而且更實用的Stata/R？你去問他們他們有一百個理由告訴你為什麼，告訴你SPSS的優勢。但真實原因無非是自己習慣了SPSS，懶得去學Stata。

再換個例子，我之前用的是python2，後來換用python3都經歷了漫長的心理掙扎。這同一個軟體的新版本我都不想學，何況兩個不同的軟體呢。

數據科學，這範圍太廣了，編程能力加上統計學數學功底外加不同領域的能力，一般是一個team，各司其職，有做業務需求分析的，有做數據處理，有做機器學習建模的，有做可視化的，所以，這定義太廣泛了。僅憑R和python做不了。做數據分析的或者說統計學專業的人更偏重於R,做數據挖掘的工程師或者說計算機專業更喜歡用python，沒什麼哪個取代哪個，這好比問淘寶能否取代京東一般，一個平台大，一個物流給力，哪個的給顧客更佳的體驗就選哪。總的來說，Python更加老牌，R最近非常流行。能學就都學會，知乎上有很多這方面的回答。

還沒進入業界，沒法進行廣泛比較。個人使用感受，在數據挖掘和機器學習方面Python 優於R，不論是使用界面，資料文檔的完善程度，還是運算效率。最不喜歡R的地方就是每次都需要載入許多包，功能分散，幫助文檔又往往解釋不清楚，還不提供例子，只能邊做邊各種Google，很不成體系的感覺。

如果單純做統計分析，比如假設檢驗，回歸，方差分析，因子分析之類的，R做的比Python強，但是相對而言我又偏好SAS，雖然敲的代碼多些，但通過指定一個proc裡面的各參數，可以很便捷地對模型和輸出進行調整。更不用說SAS的幫助文檔很完善，輸出的表格也很美觀，直接複製粘貼就可以放進報告或論文里了。當然R的數據可視化功能強大，這點和Python不相上下，SAS Base 又拼不過了。

總的說來，我個人覺得R略雞肋，很多包都有R和Python兩個版本，比如igraph，wordcloud之類，功能相差不大，將來隨著使用深入，也許可以發掘出R的更多優點。兩個軟體都學一學還是有必要的，有比較之後才能挑自己看得順眼，用得順手的。

R用於後期數據展示是必不可少的，曾經試圖用python實現，但是失敗了。

另外一個問題是流程式控制制的問題，R不能打包運行很是一個問題。

不知道rpy可以打包么？

Julia語言表示不服

python和R又不是不相容的關係，沒有必要誰取代誰，覺得哪個方便、習慣就用哪個。如果覺得R的某些包比較靠譜那麼python里可以用rpy2直接調用R。

以前numpy 和scipy還沒現在這麼普及的時候我還見過有人用shell調用Python生成R腳本再執行的，倒是能比較容易地解決依賴問題。

MATLAB怎麼辦

Python是處理矩陣運算不如R方便，可視化效果不佳，不過語法靈活，入門簡單，處理文本比R好一些，有望成為計算機行業工作者與統計研究人員溝通的一大橋樑。

為什麼感覺R好看一些，rstudio上顯示什麼都很方便，python上就老是一個黑框……數學專業出身，實在接受不了沒有界面的編程……

分割分割分割~~~

最近又用了一段時間，界面倒是找到了，但是好多函數沒找到……比如hist，princomp……

NIKE能否取代ADIDAS