摘要:我是德勤的數據科學家主管,多年來我一直在使用和語言,并且與社區密切合作了年。企業和個人偏好揭曉最終答案。其中超過的包都能用于數據科學。第一個在德勤使用的人他目前仍在公司工作,目前擔任首席數據科學家。
作者 Brian Ray
編譯 Mika
本文為 CDA 數據分析師原創作品,轉載需授權
對于想入門數據科學的新手來說,選擇學Python還是R語言是一個難題,本文對兩種語言進行了比較,希望能幫助你做出選擇。
我是德勤的數據科學家主管,多年來我一直在使用Python和R語言,并且與Python社區密切合作了15年。本文是我對這兩種語言的一些個人看法。
第三種選擇針對這個問題,Studio的首席數據科學家Htley Wickham認為,比起在二者中選其一,更好的選擇是讓兩種語言合作。因此,這也是我提到的第三種選擇,我在文本最后部分會探討。
如何比較R和Python對于這兩種語言,有以下幾點值得進行比較:
· 歷史:
R和Python的發展歷史明顯不同,同時有交錯的部分。
· 用戶群體:
包含許多復雜的社會學人類學因素。
· 性能:
詳細比較以及為何難以比較。
· 第三方支持:
模塊、代碼庫、可視化、存儲庫、組織和開發環境。
· 用例:
根據具體任務和工作類型有不同的選擇。
· 是否能同時使用:
在Python中使用R,在R中使用Python。
· 預測:
內部測試。
· 企業和個人偏好:
揭曉最終答案。
簡史:
ABC - > Python 問世(1989年由Guido van Rossum創立) - > Python 2(2000年) - > Python 3(2008年)
Fortan語言 - > S語言(貝爾實驗室) - > R語言問世(1991年由Ross Ihaka和Robert Gentleman創立) - > R 1.0.0(2000年) - > R 3.0.2(2013年)
社區
在比較Python與R的使用群體時,要注意:
只有50%的Python用戶在同時使用R
假設所有使用R語言的程序員都用R進行相關“科學和數字”研究。可以確定無論程序員的水平如何,這種統計分布都是真實。
這里回到第二個問題,有哪些用戶群體。整個科學和數字社區包含幾個子群體,當中存在一些重疊。
使用Python或R語言的子群體:
· 深度學習
· 機器學習
· 高級分析
· 預測分析
· 統計
· 探索和數據分析
· 學術科研
· 大量計算研究領域
雖然每個領域幾乎都服務于特定群體,但你會發現在統計和探索等方面,使用R語言更為普遍。在不久之前進行數據探索時,比起Python,R語言花的時間更少,而且使用Python還需要花時間進行安裝。
所有這一切都被稱為Jupyter Notebooks和Anaconda的顛覆性技術所改變。
Jupyter Notebook:增加了在瀏覽器中編寫Python和R代碼的能力;
Anaconda:能夠輕松安裝和管理Python和R。
現在,你可以在友好的環境中啟動和運行Python或R,提供開箱即用的報告和分析,這兩項技術消除了完成任務和選擇喜歡語言間的障礙。Python現在能以獨立于平臺的方式打包,并且更快地提供快速簡單的分析。
社區中影響語言選擇的另一個因素是“開源”的概念。不僅僅是開源的庫,還有協作社區對開源的影響。諷刺的是,Tensorflow和GNU Scientific Library等開源軟件(分別是Apache和GPL)都與Python和R綁定。雖然使用R語言的用戶很多,但使用Python的用戶中有很多純粹的Python支持者。另一方面,更多的企業使用R語言,特別是那些有統計學背景的。
最后,關于社區和協作,Github對Python的支持更多。如果看到最近熱門的Python包,會發現Tensorflow等項目有超過3.5萬的用戶收藏。但看到R的熱門軟件包,Shiny、Stan等的收藏量則低于2千。
性能這方面不容易進行比較。
原因是需要測試的指標和情況太多。很難在任何一個特定硬件上測試。有些操作通過其中一種語言優化,而不是另一種。
循環在此之前讓我們想想如何用Python與R對比。你真的想在R語言中做很多循環嗎?畢竟這兩種語言的意圖不太相同。
{ "cells": [ { "cell_type": "code", "execution_count": 1, "metadata": {}, "outputs": [], "source": [ "import numpy as np ", "%load_ext rpy2.ipython" ] }, { "cell_type": "code", "execution_count": 2, "metadata": {}, "outputs": [], "source": [ "def do_loop(u1): ", " ", " # Initialize `usq` ", " usq = {} ", " ", " for i in range(100): ", " # i-th element of `u1` squared into `i`-th position of `usq` ", " usq[i] = u1[i] * u1[i] " ] }, { "cell_type": "code", "execution_count": 3, "metadata": {}, "outputs": [], "source": [ "%%R ", "do_loop <- function(u1) { ", " ", " # Initialize `usq` ", " usq <- 0 ", " ", " for(i in 1:100) { ", " # i-th element of `u1` squared into `i`-th position of `usq` ", " usq[i] <- u1[i]*u1[i] ", " } ", " ", "}" ] }, { "cell_type": "code", "execution_count": 4, "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "1.58 ms ± 42.8 μs per loop (mean ± std. dev. of 7 runs, 1000 loops each) " ] } ], "source": [ "%%timeit -n 1000 ", "%%R ", "u1 <- rnorm(100) ", "do_loop(u1)" ] }, { "cell_type": "code", "execution_count": 5, "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "36.9 μs ± 5.99 μs per loop (mean ± std. dev. of 7 runs, 1000 loops each) " ] } ], "source": [ "%%timeit -n 1000 ", "u1 = np.random.randn(100) ", "do_loop(u1)" ] } ], "metadata": { "kernelspec": { "display_name": "Python 3", "language": "python", "name": "python3" }, "language_info": { "codemirror_mode": { "name": "ipython", "version": 3 }, "file_extension": ".py", "mimetype": "text/x-python", "name": "python", "nbconvert_exporter": "python", "pygments_lexer": "ipython3", "version": "3.6.3" } }, "nbformat": 4, "nbformat_minor": 2 }
Python為0.000037秒,R為0.00158秒
包括加載時間和在命令行上運行:R需要0.238秒,Python需要0.147秒。強調,這并不是科學嚴謹的測試。
測試證明Python的運行速度明顯加快。通常這并沒有太大影響。
除了運行速度外,對于數據科學家而言哪種性能更重要?兩種語言之所以受歡迎是因為它們能被用作命令語言。例如,在使用Python時大多時候我們都很依賴Pandas。這就涉及到每種語言中模塊和庫,以及其執行方式。
第三方支持Python有PyPI,R語言有CRAN,兩者都有Anaconda。
CRAN使用內置的install.packages命令。目前,CRAN上有大約1.2萬個包。其中超過1/2的包都能用于數據科學。
PyPi中包的數量超過前者的10倍,約有14.1萬個包。專門用于科學工程的有3700個。其中有些也可以用于科學,但沒有被標記。
在兩者中都有重復的情況。當搜索“隨機森林”時,PyPi中可以得到170個項目,但這些包并不相同。
盡管Python包的數量是R的10倍,但數據科學相關的包的數量大致相同。
運行速度比較DataFrames和Pandas更有意義。
我們進行了一項實驗:比較針對復雜探索任務的執行時間,結果如下:
在大多數任務中Python運行速度更快。
來源:
http://nbviewer.jupyter.org/g...
可以看到,Python + Pandas比原生的R語言DataFrames更快。注意,這并不意味著Python運行更快,Pandas 是基于Numpy用C語言編寫的。
可視化這里將ggplot2與matplotlib進行比較。
matplotlib是由John D. Hunter編寫的,他是我在Python社區中最敬重的人之一,他也是教會我使用Python的。
Matplotlib雖然不易學習但能進行定制和擴展。ggplot難以進行定制,有些人認為它更難學。
如果你喜歡漂亮的圖表,而且無需自定義,那么R是不錯的選擇。如果你要做更多的事情,那么Matplotlib甚至交互式散景都不錯。同樣,R的ShinnyR能夠增加交互性。
是否能同時使用可能你會問,為什么不能同時使用Python和R語言?
以下情況你可以同時使用這兩種語言:
· 公司或組織允許;
· 兩種都能在你的編程環境中輕松設置和維護;
· 你的代碼不需要進入另一個系統;
· 不會給合作的人帶來麻煩和困擾。
一起使用兩種語言的方法是:
· Python提供給R的包:如rpy2、pyRserve、Rpython等;
· R也有相對的包:rPython、PythonInR、reticulate、rJython,SnakeCharmR、XRPython
· 使用Jupyter,同時使用兩者,例子如下:
之后可以傳遞pandas的數據框,接著通過rpy2自動轉換為R的數據框,并用“-i df”轉換:
來源:
http://nbviewer.jupyter.org/g...
Kaggle上有人對開發者使用R還是Python寫了一個Kernel。他根據數據發現以下有趣的結果:
· 如果你打算明年轉向Linux,則更可能是Python用戶;
· 如果你研究統計數據,則更可能使用R;如果研究計算機科學,則更可能使用Python;
· 如果你還年輕(18-24歲),則更可能是Python用戶;
· 如果你參加編程比賽,則更可能是Python用戶;
· 如果你明年想使用Android,則更可能是Python用戶;
· 如果你想在明年學習SQL,則更可能是R用戶;
· 如果你使用MS office,則更可能是R用戶;
· 如果你想在明年使用Rasperry Pi,則更可能是Python用戶;
· 如果你是全日制學生,則更可能是Python用戶;
· 如果你使用的敏捷方法(Agile methodology),則更可能是Python用戶;
· 如果對待人工智能,比起興奮你更持擔心態度,則更可能是R用戶。
企業和個人偏好當我與Googler和Stack Overflow的大神級人物Alex Martelli交流時,他向我解釋了為什么Google最開始只官方只是少數幾種語言。即使是在Google相對開發的環境中,也存在一些限制和偏好,其他企業也是如此。
除了企業偏好,企業中第一個使用某種語言的人也會起到決定性作用。第一個在德勤使用R的人他目前仍在公司工作,目前擔任首席數據科學家。我的建議是,選擇你喜歡的語言,熱愛你選擇的語言,起到領導作用,并熱愛你的事業。
當你在研究某些重要的內容時,犯錯是難以避免的。然而,每個精心設計的數據科學項目都為數據科學家留有一些空間,讓他們進行實驗和學習。重要的是保持開放的心態,擁抱多樣性。
最后就我個人而言,我主要使用Python,之后我期待學習更多R的內容。
原文鏈接:
https://blog.usejournal.com/p...
文章版權歸作者所有,未經允許請勿轉載,若此文章存在違規行為,您可以聯系管理員刪除。
轉載請注明本文地址:http://specialneedsforspecialkids.com/yun/42321.html
摘要:根據在年的調查顯示,近的數據科學家使用作為主要的編程語言,每一次的進步都是它成為數據分析主流工具的重要因素。根據進行的一項調查顯示,在上的月活躍用戶的占比在年后大幅上升。 昨天,微信的Python交流群出現了這樣的對話: showImg(https://segmentfault.com/img/bVbjV16?w=700&h=425); 看到這部分代碼交流,讓我不禁感受到Python的...
摘要:我強烈推薦這本書給初學者,因為本書側重于統計建模和機器學習的基本概念,并提供詳細而直觀的解釋。關于完善簡歷,我推薦以下網站和文章怎樣的作品集能幫助我們找到第一數據科學或機器學習方面的工作簡歷是不夠的,你還需要作品集的支撐。 showImg(https://segmentfault.com/img/bVblJ0R?w=800&h=533); 作者 | Admond Lee翻譯 | Mik...
摘要:編程基礎要學習如何用進行數據分析,數據分析師建議第一步是要了解一些的編程基礎,知道的數據結構,什么是向量列表數組字典等等了解的各種函數及模塊。數據分析師認為數據分析有的工作都在處理數據。 showImg(https://segmentfault.com/img/bVbnbZo?w=1024&h=653); 本文為CDA數據分析研究院原創作品,轉載需授權 1.為什么選擇Python進行數...
閱讀 3005·2021-10-12 10:12
閱讀 3052·2021-09-22 16:04
閱讀 3287·2019-08-30 15:54
閱讀 2602·2019-08-29 16:59
閱讀 2902·2019-08-29 16:08
閱讀 868·2019-08-29 11:20
閱讀 3492·2019-08-28 18:08
閱讀 648·2019-08-26 13:43