数据科学界华山论剑：R与Python巅峰对决

如果你是数据分析领域的新兵，那么你一定很难抉择——在进行数据分析时，到底应该使用哪个语言，R还是Python？在网络上，也经常出现诸如“我想学习机器语言，我应该用哪个编程语言”或者“我想快速解决问题，我应该用R还是Python”等这类问题。尽管两个编程语言目前都是数据分析社区的佼佼者，但是它们仍在为成为数据科学家的首选编程语言而战斗。今天，就让我们从数据科学的角度，一步步比较这两大编程语言。

#1 对阵双方介绍

Ladies and Gentlemen，让我们隆重的介绍今天的对阵双方：R和Python！

R语言当前版本是2015年6月更新的3.2.1版。Python 2当前版本是2015年5月更新的2.7.10版，Python 3当前的版本是2015年2月更新的3.4.3版。

R语言是Ross Ihaka和Robert Gentleman于1995年开发的，作为贝尔实验室S编程语言的一种实现，其开发环境主要由C语言，Fortran和R来完成。Python的发布年份其实远在R之前。Guido Van Rossum于1991年开发完成了Python，并由Python软件基金会(PSF)负责其发展。其开发灵感主要来自C语言和Modula-3，部分来自ABC语言。Python的名字取自喜剧蒙提·派森的飞行马戏团（Monty Python's Flying Circus）。

从定位角度看，R致力于提供更好的，对用户友好的数据分析、统计分析和绘图模型；而Python则强调生产效率和代码的可读性。

双方的用户群也有一定的差异。R主要用于学术和研究领域，如今正在快速拓展其企业市场的运用。Python的使用者，是那些想深入钻研数据分析或者应用统计技术的程序员，以及向数据科学寻求帮护的开发者。用一句话总结：“越接近统计研究跟数据分析人，越倾向R；越接近工程开发工程环境的人，越倾向Python”。

R和Python都得到大量的社区支持，包括邮件列表(Mailing Lists)、用户贡献的文档、以及Stackoverflow网站。此外，R还可以从研究人员、数据科学家、统计学家和数量分析专家那里得到更多的支持；而Python则从开发者和程序员那里得到的支持。

从实用性来讲，R通过几行代码就可以写出统计模型，尽管R有样式表，但并不是每个人都使用它们，可以用若干种方式写出同样的功能。在Python中写代码和调试代码则更容易一些，主要是因为它的“优美”语法。但是代码的缩进会影响它的意思。并且，在Python中，永远只有一种方式来写同样的功能。

在灵活性方面，在R中使用复杂的公式很容易。各种各样的统计检验和统计模型都是现成的并且容易使用；相比R，Python在完成以前没有做过的新奇的事情上，很灵活，开发人员也会用它写网站或其它应用的脚本。

关于易学习性，开始学习R时有一个陡峭的学习曲线，一旦了解了最基本知识，就能很容易地学习更高级的知识。因此，对于有经验的程序员，R并不难。建议R的学习者查看DataCamp上的练习和教程。

由于Python看重可读性和易用性，使得它的学习曲线相对比较低并且平缓。因此，对于初级程序员，Python 被认为是一个很好的编程语言。对于Python学习者的建议是，尝试用《笨办法学Python》学习的同时看视频做练习。

两者都有自己的代码库。CRAN（The Comprehensive R Archive Network）是一个很大的R包库，用户很容易为其贡献代码。R包是一个包含R函数、数据和编译代码的集合，R包在R中用一行代码即可安装。PyPi（Python Package Index）是Python软件库，用户可以为PyPi贡献代码，但实践起来有点困难。

计算机科学教授Norm Matloff 曾说过，“Python并未建立起一个能与CRAN媲美的巨大的代码库，R在这方面领先巨大。但是，统计学并不是Python的中心任务。”

其实R与Python并不是完全孤立的，在R中用户可以通过rPython包运行Python代码，从Python传递或获取数据，调用Python函数或者方法。而在Python中也可以使用RPy2包运行R代码，这提供了一个从Python到R的底层接口。

以上，从定性的角度进行了比较。现在，看看双方的定量数据。小二，上数据！

先看人气排名，下图左边为2013-2015年2月R和Python人气比较（Tiobe指标），右边为Redmonk排名，它比较了GitHub和Stackoverflow上编程语言的相对性能。

再看工作和薪资，2014 Dice Tech薪金调查显示，具有高薪技能和丰富经验的R使用者的平均工资为115,531美元，而Python则为94,139美元

#2 数据分析战场

首先是用途。R的主要应用场景是，当数据分析任务需要独立运算，或者需要在单个服务器上分析；Python的一般应用场景是，数据分析任务需要与网页应用整合，或者当统计代码需要并入成品数据库。

按任务类型划分，做探索性研究时，R语言很适合初学者。几行代码便可写出统计模型；而作为一个完整成熟的程序语言，Python是为产品使用进行算法执行的一个工具。

数据处理能力上，使用R进行数据分析很容易上手，因为它具有庞大数量的包、方便使用的检验以及在使用公式方面的优势。做基本数据分析时，R语言更方便，不需要额外安装包，大的数据库需要使用类似data.table和dplyr包。过去，Python数据分析包的幼年期曾是个问题，但是现在已经得到很大的改善，用Python进行数据分析时，你需要使用NumPy、Pandas和其它的程序包。

如何上手也是比拼的一个方面。R的集成开发环境(IDE)可以选择RStudio。R最受欢迎的程序包有：dply、plyr和data.table（易于操作数据），stringr（易于操作字符串），zoo（处理规则和不规则时间序列），ggvis、lattice和ggplot2（数据可视化），caret（机器学习），建议初学者查看DataCamp上的课程和教程。

Python的集成开发环境(IDE)有很多，其中Spyder和Python Notebook最受欢迎。建议初学者查看Rodeo（被称为“Python到数据科学IDE”）。Python最受欢迎的程序包有：pandas （易于操作数据），SciPy/NumPy（科学计算），sckikit-learn（机器学习），matplotlib（用于作图），statsmodels（数据探索、统计模型估计、统计检验和单元测试）。

［建议］给Python初学者推荐“8步从Python白丁到专家”（点击查看）。若想了解更多Python包，请看“数据科学家之5个最佳Python库，为初学者定制的教程” （点击查看）。

关于技术支持，使用R进行数据分析有很多技术支持，包括Stackoverflow、Rdocumentation,（R文档整合）和R-help 邮件列表。

Python的数据分析问题可以通过以下方式获得支持：Stackoverflow和邮件列表。

邮件列表包括pydata（关于使用Python进行数据分析和Pandas包）、pystatsmodels （Statsmodels和pandas包的问题）、numpy-discussion （Numpy包的问题）和sci-py user（大部分是SciPy或者科学问题）

同样，定性对比后再看看R和Python的量化战争！

从整体数据来看，在做数据分析时使用R的人数要多于使用Python（下图左：2014用于数据分析的程序语言）。在2014年，有23.45%的人同时使用R与Python（下图右：2014年R和Python使用分析）。

在2008-2014年5月之间，Stack Overflow上问题标签是”R” 和／或 “Python”、“Pandas”的数量，R明显领先。在2015年3月12日到4月10日之间，在twitter上统计rstats, python numpy, python pandas和numpy这几个关键词，活跃度最大的是rstats。

工作和薪资方面，O’Reilly 2014数据科学工资调查显示，R和Python平均年收入范围都是11万美元到12.5万美元之间。Indeed.com上R与Python的工作趋势显示，Python的工作需求量高于R。

现在很多人都选择同时使用R和Python。有的策略是利用两种语言最好的部分——初始分析在R语言中进行，在需要更严格的分析、团队工作或者发布代码和数据产品时开始转换到Python。有人是用R进行统计检验、画图和检查大数据，必须写算法时，则更倾向于用Python。也有人说，更倾向于在通用语言中做数学计算，而不是用数学语言进行通用编程。

［建议］选定语言只是万里长征第一步。如果你想要成为数据科学家，推荐你看一篇受欢迎度很高的文章“天龙八步：8步让你变成数据科学家”（点击查看）。

#3 总决选：优缺点

现在来比较一下两者的优缺点。R最大的优点在于其作图能力，俗话说，一图抵千言，相比单看原始数据，可视化后的数据能被更高效、更有效的理解。利用ggplot2 可以绘制优美的图表，使用图表算法创造图层、定制图表；lattice易于展示多变量关系；rCharts从R中建立、定制和呈现交互式Java可视化；googleVis利用Google表格工具在R中可视化数据；用ggvis对一个网页浏览器进行渲染时，可以实现图像的交互式语法，例如在R中可视化Facebook好友。

IPython最大的优点在于，IPython Notebook使得用Python分析数据变得容易，它可以将你的分析放在一个文件中。用Python处理数据可以简化工作流程。它是一个组合，其中包括：交互式Python数据探索、在一个环境下为文档提前写好程序、文本和公式。你可以跟同事分享笔记本，并且不用他们安装任何东西。IPython大大减少了管理代码、输出和笔记本文件的时间，这样可以有更多的时间做实际工作。

R 的生态系统是它的另一项优势，先进的界面程序包使其能与开源语言进行交流，这让你把工作流程连成一串，对数据分析尤其有用。程序包可以从：CRAN（ “Task Views”列出了大量可用的R语言程序包）、Bioconductor （生物信息学的开源软件）、GitHub （基于网络的Git库主机服务）获得，在Rdocumentation（首个R文档聚合器）中很容易搜索到这些资源。R的用户社区也做得非常优秀，包括Meetup群组（其中一些由R用户社区的公司资助）、博客和社交网络。

Python是一种通用语言，其另一个优点在于它的可读性和学习曲线；同时，Python简单直观，它对可读性的重视更放大了这一特征。这就解释了为什么Python的学习曲线相对平缓，因而很多程序员很熟悉它。并且，你写一个程序的速度也得到正面影响：编程时间更少了，玩耍时间更多了。

Python的测试框架确保代码的可重复性和可靠性，一个内置低壁垒的测试框架能够支持一个很好的测试覆盖率。其测试工具分类包括：UnitTest Python（标准库中首个测试框架）、Nose （UnitTest的扩展，很多程序包使用它，如pandas）、DocTest （基于Python标准解释器的输出很容易生成测试），Pytest （当进行复杂的函数测试时，可以进行小测试）。

R有一个不可替代的优势：统计的通用语言。R是统计学家为统计学家开发的，他们通过R代码和程序包交流统计分析思想和方法，即使是不会计算机编程语言的统计学家、工程师和科学家也会觉得R容易使用，因此提高了产业采用率。R也被用在金融、药物、医学和市场等领域，并且其作为商业分析工具的地位正在不断增长，在商业领域的最重要价值正被一些有才能的人所了解使用，R在学术界已经被广泛使用。R的使用量正在快速增长，其在学术文章中处于常用软件排名第三的位置（紧随SAS和SAP），且这一位置正在被巩固。

与R相比，Python是一个多用途语言。作为一个被大多数程序员所熟知的普遍且易于理解的编程语言，Python也能把不同背景的人聚集到一起。例如，一些机构不想雇佣数据分析师或者雇佣新的数据分析师比较困难，就会培训老员工使用Python。这意味着，Python是一个现成的编程语言，它能够作为一个单独的工具与你工作流程中任意一部分结合。

两者的缺点是什么呢？R运行慢，而这一点是故意为之。R的设计目的是使数据分析和统计分析变得容易，而不是为了让你的电脑“活得更轻松”。它有一个不完整的非正式定义，主要通过实现工作的方式来定义。除了设计和实现，大量R代码慢的原因很简单——代码写的很差。为改善这一点，可使用提高R性能的程序包：pqR（R翻译器的一个新版本）、renjin、FastR（在Java中重新写R）、Riposte（一个很快的解析器和JIT）、RevoScaleR（用来处理大数据的商业软件）、Foreach（用来提高并行编程的商业工具）。

Python最大的问题在于其可视化，选择数据分析软件时，可视化是一个重要原则。虽然Python有一些很好的可视化程序库，包括：Seaborn（基于matplotlib的程序库）、Bokeh（交互式可视化程序库）和Pygal（建立动态可伸缩向量图形（SVG））。但Python提供的可选择程序库过多，且与R对比，在Python中进行可视化有些复杂，呈现的结果也并不是很令人满意。

因为由统计学家开发，R另一个缺点是它陡峭的学习曲线。尽管任何人都可以使用GUI得到结果，但没有人能够完全避开写程序，并且找程序包很花时间。你可以通过使用正确的工具解决这个问题，利用以下这些资料可以帮组你克服这个陡峭的学习曲线：包括DataCamp上的练习和教程和上Rdocumentation搜索程序包。

Python另一个问题是它还不成熟，造成一种更受限制的方式去思考数据分析。截至目前，没有模块能够代替基本R程序包的100个。Python正在努力客服这一问题， 其中一些解决办法包括：IPython中的R扩展允许在IPython Notebook中方便使用R；现有资源和约定格局充当了一个重要角色：Matlab通常用于发布开放的研究代码，Python用于数学，R 用于统计。Mlabwrap 连接了Python和Matlab，但是有些缺点，因此你需要学会两种程序语言，并且需要有一个Matlab许可证。

两种语言有很多共同优点。其一是开源，R和Python都是对任何人免费，其它统计软件（如SAS和SPSS）都是商业工具。

其二是他们都是高级工具，很多统计学的新进展会先在R和小范围的Python开源程序包中出现，这比商业平台要早。

第三是它们都提供在线社区，相对商业软件提供收费的用户支持，R和Python利用在线社区对它们相应的用户提供支持。

最后，二者使用者的薪水都比较高，根据O’Reilly 2013数据科学工资调查显示，主要使用开源工具的数据科学家（130,000美元）比使用商业工具的数据科学家（90,000美元）的工资中值更高。

#4 那么赢家是……

最后的结果是平局！哪个工具更适合，取决于你这个数据科学家如何去挑选一个最适合你需要的程序语言。下面的问题可以指导你做出决定。

1.你要解决什么样的问题

2.你学习一门程序语言的成本？学习一个能更好地解决问题的新系统会花费时间，但依旧使用你熟悉的系统并不能解决你要解决的问题。

3.在你的领域最常用的工具是什么？

在你的领域中还有什么可用的工具，它们和那些常用工具有什么关系？

参考资料