摘要：概述在真實的數據科學世界里，我們會有兩個極端，一個是業務，一個是工程。偏向業務的數據科學被稱為數據分析，也就是型數據科學。所以說，同時學會和這兩把刷子才是數據科學的王道。

在真實的數據科學世界里，我們會有兩個極端，一個是業務，一個是工程。偏向業務的數據科學被稱為數據分析（Data Analysis），也就是A型數據科學。偏向工程的數據科學被稱為數據構建(Data Building)，也就是B型數據科學。

從工具上來看，按由業務到工程的順序，這個兩條是：EXCEL >> R >> Python >> Scala

在實際工作中，對于小數據集的簡單分析來說，使用EXCEL絕對是最佳選擇。當我們需要更多復雜的統計分析和數據處理時，我們就需要轉移到 Python 和 R 上。在確定工程實施和大數據集操作時，我們就需要依賴 Scala 的靜態類型等工程方法構建完整的數據分析系統。

Scala 和 Excel 是兩個極端，對于大多數創業公司而言，我們沒有足夠多的人手來實現專業化的分工，更多情況下，我們會在 Python 和 R 上花費更多的時間同時完成數據分析（A型）和數據構建（B型）的工作。而許多人也對 Python 和 R 的交叉使用存在疑惑，所以本文將從實踐角度對 Python 和 R 中做了一個詳細的比較。

網絡爬蟲/抓取：盡管 rvest 已經讓 R 的網絡爬蟲/抓取變得容易，但 Python 的 beautifulsoup 和 Scrapy 更加成熟、功能更強大，結合django-scrapy我們可以很快的構建一個定制化的爬蟲管理系統。

連接數據庫: R 提供了許多連接數據庫的選擇，但 Python 只用 sqlachemy 通過ORM的方式，一個包就解決了多種數據庫連接的問題，且在生產環境中廣泛使用。Python由于支持占位符操作，在拼接SQL語句時也更加方便。

內容管理系統：基于Django，Python可以快速通過ORM建立數據庫、后臺管理系統，而R

中的 Shiny 的鑒權功能暫時還需要付費使用。

API構建：通過Tornado這個標準的網絡處理庫，Python也可以快速實現輕量級的API，而R則較為復雜。

統計分析: 盡管 Python 里 Scipy、Pandas、statsmodels 提供了一系列統計工具 ，R 本身是專門為統計分析應用建立的，所以擁有更多此類工具。

互動式圖表/面板: 近來 bokeh、plotly、 intuitics 將 Python 的圖形功能擴展到了網頁瀏覽器，甚至我們可以用tornado+d3來進一步定制可視化頁面，但 R 的 shiny 和 shiny dashboard 速度更快，所需代碼更少。

此外，當今數據分析團隊擁有許多技能，選擇哪種語言實際上基于背景知識和經驗。對于一些應用，尤其是原型設計和開發類，工作人員使用已經熟悉的工具會比較快速。

接著，我們將通過下面幾個方面，對Python 和 R 的數據流編程做出一個詳細的對比。

參數傳遞

數據讀取

基本數據結構對照

矩陣轉化

矩陣計算

數據操作

Python/R 都可以通過命令行的方式和其他語言做交互，通過命令行而不是直接調用某個類或方法可以更好地降低耦合性，在提高團隊協作的效率。

對于數據傳輸與解析，我們首推的格式是csv，因為一方面，csv格式的讀寫解析都可以通過 Python 和 R 的原生函數完成，不需要再安裝其他包。另一方面，csv格式可以很快的轉化為 data frame 格式，而data frame 格式是數據流分析的核心。

不過，實際情況中，我們需要傳輸一些非結構化的數據，這時候就必須用到 JSNO 或者 YAML。

由于是從科學計算的角度出發，R 中的數據結構非常的簡單，主要包括 向量（一維）、多維數組（二維時為矩陣）、列表（非結構化數據）、數據框（結構化數據）。而 Python 則包含更豐富的數據結構來實現數據更精準的訪問和內存控制，多維數組（可讀寫、有序）、元組（只讀、有序）、集合（唯一、無序）、字典（Key-Value）等等。

Python dict 操作：dict["key"] 或者 dict.get("key","default_return")
R list 操作: list["key"] 或者 list$key

實際上，Python（numpy） 和 R中的矩陣都是通過一個多維數組（ndarray）實現的。

參考 R 中的 data frame 結構，Python 的 Pandas包也實現了類似的 data frame 數據結構。現在，為了加強數據框的操作，R 中更是演進出了 data table 格式（簡稱dt），這種格式以 dt[where,select,group by] 的形式支持類似SQL的語法。

Python 的 Pandas 中的管道操作

  (df
   .groupby(["a", "b", "c"], as_index=False)
   .agg({"d": sum, "e": mean, "f", np.std})
   .assign(g=lambda x: x.a / x.c)
   .query("g > 0.05")
   .merge(df2, on="a"))

R 的 dplyr 中的管道操作

flights %>% group_by(year, month, day) %>%
  select(arr_delay, dep_delay) 

  summarise(

    arr = mean(arr_delay, na.rm = TRUE),

    dep = mean(dep_delay, na.rm = TRUE)) %>%

  filter(arr > 30 | dep > 30)

對比數據相關性是數據探索常用的一種方法，下面是Python和R的對比。

Python

import seaborn as sns
import matplotlib.pyplot as plt
sns.pairplot(nba[["ast", "fg", "trb"]])
plt.show()

R

library(GGally)
ggpairs(nba[,c("ast", "fg", "trb")])

雖然我們最終得到了類似的圖形，這里R中GGally是依賴于ggplot2，而Python則是在matplotlib的基礎上結合Seaborn，除了GGally在R中我們還有很多其他的類似方法來實現對比制圖，顯然R中的繪圖有更完善的生態系統。

這里以K-means為例，為了方便聚類，我們將非數值型或者有確實數據的列排除在外。

Python

from sklearn.cluster import KMeans
kmeans_model = KMeans(n_clusters=5, random_state=1)
good_columns = nba._get_numeric_data().dropna(axis=1)
kmeans_model.fit(good_columns)
labels = kmeans_model.labels_

from sklearn.decomposition import PCA
pca_2 = PCA(2)
plot_columns = pca_2.fit_transform(good_columns)
plt.scatter(x=plot_columns[:,0], y=plot_columns[:,1], c=labels)
plt.show()

R

library(cluster)
set.seed(1)
isGoodCol <- function(col){
   sum(is.na(col)) == 0 && is.numeric(col) 
}
goodCols <- sapply(nba, isGoodCol)
clusters <- kmeans(nba[,goodCols], centers=5)
labels <- clusters$cluster

nba2d <- prcomp(nba[,goodCols], center=TRUE)
twoColumns <- nba2d$x[,1:2]
clusplot(twoColumns, labels)

Python

import numpy as np
xx = np.zeros(100000000)
%timeit xx[:] = 1

The slowest run took 9.29 times longer than the fastest. This could mean that an intermediate result is being cached 
1 loops, best of 3: 111 ms per loop

R

xx <- rep(0, 100000000)
system.time(xx[] <- 1)

user  system elapsed 
  1.326   0.103   1.433

顯然這里 R 1.326的成績 比 Python 的 Numpy 3:111 的速度快了不少。

事實上，現在 R 和 Python 的數據操作的速度已經被優化得旗鼓相當了。下面是R中的 data.table、dplyr 與 Python 中的 pandas 的數據操作性能對比：

我曾經用data.table和pandas分別讀取過一個600萬行的IOT數據，反復10次，data.table以平均10s的成績勝過了pandas平均15s的成績，所以在IO上我傾向于選擇使用data.table來處理大數據，然后喂給spark和hadoop進行進一步的分布式處理。

Python 的 pandas 從 R 中偷師 dataframes，R 中的 rvest 則借鑒了 Python 的 BeautifulSoup，我們可以看出兩種語言在一定程度上存在的互補性，通常，我們認為 Python 比 R 在泛型編程上更有優勢，而 R 在數據探索、統計分析是一種更高效的獨立數據分析工具。所以說，同時學會Python和R這兩把刷子才是數據科學的王道。

pandas doucumentation: Comparison with R / R libraries

Comparison – R vs. Python: head to head data analysis

Hacker News: Comparison – R vs. Python

Quora: How does R compare with pandas?

yhat: R and pandas and what I"ve learned about each

Why are pandas merges in python faster than data.table merges in R?

Python和R科學計算操作速查表

知乎：R 和 Python (numpy scipy pandas) 用于統計學分析，哪個更好？

Choosing R or Python for data analysis? An infographic

散大大 寫給Python數據科學家們 : 科學計算開發環境排雷

作為分享主義者(sharism)，本人所有互聯網發布的圖文均遵從CC版權，轉載請保留作者信息并注明作者 Harry Zhu 的 FinanceR專欄:https://segmentfault.com/blog...，如果涉及源代碼請注明GitHub地址：https://github.com/harryprince。微信號: harryzhustudio
商業使用請聯系作者。