想从事数据科学学习r语言还是python?

2018-10-1409:06:37编程语言入门到精通Comments2,620 views字数 5544阅读模式

R和Python是目前最流行的两款高级编程语言，被大量运用于数据科学领域。两者都是开源的，也都有非常活跃的社区来支撑。那么问题来了：对于初学者，到底应该学哪个？文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

我的建议：看情况（it depends），选用何种编程语言，依赖于你的背景以及你的长期目标。换句话说：你是干啥的？以及你的目标是什么？文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

事实上，对于想从事数据科学的新手，R和Python可能是最好的/唯一的两个选择。哪个更好呢？文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

在这篇博客，我将介绍R和Python各自的优势以及两者间的PK。我将先介绍R，然后介绍Python，最后在文末总结我的观点。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

1. R的优势

为了避免读者阅读疲劳，用两张R语言绘制的图来暖一下场：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

利用ggplot2包绘制的图

先简要介绍下R：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

R语言由新西兰奥克兰大学的Ross Ihaka和Robert Gentleman于1995设计出来(由于两人的名字均以 ‘R’ 字母开头，因此命名为R语言)，现在由“R核心开发团队“负责开发。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

虽然R主要用于数据分析、绘图以及数据挖掘，但也有人用作矩阵计算。其计算速度可媲美专用于矩阵计算的开源软件GNU Octave和商业软件MATLAB。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

起初R主要在学术研究中使用，但近年来在企业界也表现突出，这使得R成为企业中使用的全球发展最快的统计语言之一。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

我们看看什么情况下选R更好。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

1.1 如果你的编程水平是菜鸟级，选R

如果你的编程经验有限，推荐先学R。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

对于软件开发新手来说，Python可能不错，但是我认为R更适合数据科学新手。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

但是数据科学和软件开发不是同一回事。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

解释一下为什么。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

这种差异可归结为：数据科学家使用编程语言的方式与软件开发者不一样。对于数据科学新手来说，程序(programs)应该是脚本(scripts)，而不应该是软件(software)。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

举个例子，我们用R语言处理一个叫Auto数据框(dataframe)：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

library(ISLR)文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

data('Auto')文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

如果对R不熟悉，代码的具体意义可暂时不理会。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

数据框是R语言中最常用的数据类型之一，以行列的形式排布，有点类似Excel表格。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

在这个Auto数据框中有个weight变量，表示汽车的重量。我们想利用它来创建一个以公斤为单位的新变量weight_kg。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

有很多方法可以实现这个任务。最容易想到的方法是：利用for循环遍历weight变量中的值，然后计算出新变量的值。听起来有点麻烦。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

其实我们可以利用tidyverse包中已有的mutate函数直接计算出新变量的值：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

mutate(Auto, weight_kg＝weight*0.45)文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

再次提示，代码的意义可先不理会。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

这个方法避免使用for循环，更简单。事实上，在R中要实现某种功能，只要你知道要用哪个函数和哪个包，实现将会变得非常简单。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

在R中，你应该尽量使用已有函数和包来完成相关任务，没必要自己创建工具来处理任务。这意味着你不需要知道很多传统意义上的编程概念。事实上你应该避免使用这些概念，比如：for循环、类、面向对象编程以及其它软件开发概念。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

总之，相比Python，由于R的数据处理工具开发得更好且更容易使用，我认为R更适合做数据处理。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

其实Python也有很多工具来直接处理数据，比如pandas包，但是Python的包和语法具有‘软件开发’的味道，依赖于一些软件开发概念（像for循环、类和面向对象等等）。比如，当浏览一些Python书籍的时候，你仍会看到介绍for循环、类声明等。对于那些没有软件开发或计算机科学背景的新人来说，这些概念很难被理解。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

相反，很多情况下即使没有任何编程经验，你也可以很好地使用R的各种工具。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

1.2 对于数据科学任务，R的语法更直观形象

对于数据处理任务，很多时候R的语法会更简单。函数和参数的命名设计也更好，很容易记住和使用。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

举个例子，我们将分别用R和Python来删掉Iris数据框中的两个变量（由于R和Python都有Iris数据框，因此我们使用这个数据框）。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

我们来看看各自的语法：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

Python

import seaborn as sns文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

import pandas as pd文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

iris = sns.load_dataset('iris')文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

iris.drop(['sepal_length', 'species'], axis = 1)文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

R

library(dplyr)文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

select(iris, -sepal_length, -species)文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

为了删除变量，Python中使用了drop函数，而R中使用了select函数。我们来对比这两个函数(都在最后一行代码)的语法。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

先讲Python，drop函数命名得很好，容易记住。但是参数设计得很复杂。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

第一个参数是包含想要删除变量的列表，Python中用方括号[ ]代表列表。这里你必须要用方括号，而且变量一定要用引号' '，要不然代码会运行错误。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

对于初学者，经常会忘记使用方括号和引号，导致代码运行错误，也不知道为啥会出错，很是困惑。当时我学Python就是这种感觉。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

再说下drop的第二个参数axis。初学者肯定会困惑，“天啊，啥是axis，它有什么用”，一脸懵逼。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

事实上，在学Python的时候，你会碰到很多类似的情况，让初学者很困惑。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

我们看看R是怎么处理的。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

为了删除变量，R用了dplyr包中的select函数。函数名字取得一般，不如Python中drop。但是参数设计得很好，第一个参数是你想处理数据框；其它参数是你想要删除的变量，前面的负号-表示删除，变量之间用逗号,隔开，都非常形象。此外这里根本没有涉及drop中所谓的 'axis' 概念。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

总之，相比Python，在数据处理方面，R的语法更直观形象，写代码如同写伪代码一样，容易记住、编写和读懂。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

1.3 在数据可视化方面，R非常优秀

可视化是选择数据分析软件的一个重要的标准。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

除了擅长数据分析外，R的另外一个闪光点就是它的画图能力特别强，几乎可以绘制出所有类型的图。不信的话，你可以Google一下，输入 'R visualization' 关键字。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

此外，由于R是编程语言，批量作图也是特别方便。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

对于数据可视化，R中有很多优秀的包（package），比如：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

对于静态图，比如ggplot2，ggmap，Lattice
对于动态图，比如gganimate，REmap，animation
对于交互式图，比如plotly，rCharts

不BB了，一图胜千言：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

利用ggmap包绘的图

附上小编自己用R做的一个动画：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

颗粒体系冲击波传播动态图

由于图片大小原因，动图演示地址：https://zhuanlan.zhihu.com/p/45740437文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

虽然Python也有一些不错的可视化库，如matplotlib，Seaborn，Bokeh和Pygal。但相比于R，呈现的结果并不总是那么顺眼。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

1.4 在数据处理方面，R非常优秀

如果你的工作更多的是数据分析，我强烈推荐你使用R，尤其推荐你使用R中的tidyverse包。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

tidyverse包是一组数据处理与可视化R包的集合体，其中的ggplot2, dplyr和stringr包都广为人知。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

对于数据科学，tidyverse包提供【数据导入】→【数据整理】→【数据分析】→【数据可视化】一条龙服务。假如这些就是你的日常工作，那么恭喜你了，赶快使用这个包。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

tidyverse的语法也非常易学、易记和易用。特别地，包中的各种函数都命名得非常贴切，不用特意去记住它们。比如：你想“过滤”你的数据集来创建一个子集，可以使用filter()函数；如果你想选择数据集的某一列，你可以使用select()函数。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

此外，tidyverse包中的函数都被高度模块化了。每个函数只干一件事情，而且做得非常好。模块化让函数更容易学和使用。通过联合许多简单的tidyverse函数，完成一项复杂的数据处理任务变得非常容易。整个过程如同搭积木一样。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

总之，相比Python，我认为R更擅长数据分析。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

1.5 如果你有统计学基础，学R

如果你在做统计学方面的研究，建议你学R。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

很多统计学的学生都在使用R，但是他们对程序编程知道的很少。如果你也是这种情况，我强烈建议你去学R。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

貌似统计学家更喜欢使用R，比如当你看到一本统计学书籍时，你会发现他们使用的代码常常都是用R写的。很多统计学家都是R社区的贡献大牛。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

基本上所有统计算法在R中都可以实现。因此，如果你想使用一些比较少见的统计学技术，你可能在R中更加容易找到它们。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

1.6 R就业竞争力强

在大数据、数据分析师等相关招聘广告中，经常要求求聘者精通R。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

根据三家权威机构2017年的统计数据 (https://link.zhihu.com/?target=https%3A//www.techrepublic.com/article/five-highly-paid-and-in-demand-programming-languages-to-learn-in-2018/)，相比Python，R从业者的平均年薪会稍微高一点。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

从就业形势来看，目前大数据领域人才比较稀缺，因此R从业者的竞争力还是比较强的。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

2. Python的优势

对于数据科学初学者，尽管我强烈推荐学R，但也不是唯一的选择。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

对于某些人，Python可能是最好的选择。下面讲一下哪些情况下选择Python更好。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

2.1 如果你有软件开发或计算机科学基础，学Python

如果你曾经有软件开发经验或者你是计算机科学专业的话，我认为Python会更适合你。因为你已经有编程经验了，使用Python会让你更舒服。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

2.2 想开发软件，学Python

我已经说了R更擅长数据科学。如果你想建立软件系统的话，我认为Python更合适。Python的闪光点就是写软件，效率很高。就像一些专家所说的那样，写Python代码就如同写伪代码。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

此外，Python是一门通用语言，基本啥都能干。然而R比较专，只是擅长统计分析和可视化。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

我想澄清一下，不是说R不能写软件。只是更多人喜欢用Python去建立产品软件。因此作为数据科学家，如果你想创立软件系统，我觉得Python比R更合适。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

2.3 想搞机器学习，学Python

如果你想长期从事机器学习方面的研究，我建议你学Python。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

其实R也有机器学习生态系统。特别地，R的caret 包开发得很好，它有能力完成各种机器学习任务。比如：使用caret包建立回归模型（regression model）、支持向量机（SVM）、决策树（包括回归和分类）以及执行交叉验证（cross validation）等等。总之，R的机器学习生态系统发展得很好。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

但是，Python在机器学习方面的支持出现更早。为实现各种不同机器学习方法，Python的scikit-learn库提供了一套更加简洁和易读的语法。而R中caret包的语法有时有点拙劣。尤其，caret包与Tidyverse包兼容得不是很好，输出的结果有时也很难处理。相反，Python的scikit-learn库与Python生态环境整合得很好。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

市面上有关机器学习的书籍，其算法实现很多都是用Python写的。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

总之，如果你想致力于机器学习，我认为Python会更好。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

2.4 想搞深度学习，学Python

深度学习可谓是目前人工智能领域最热门的技术之一，而Python是深度学习使用最热门的语言。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

大多数深度学习框架都有Python接口，比如：TensorFlow，Keras，Pytorch，Theano，MXNET等等。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

Python与各框架兼容得非常好，拥有大量贡献者、搜索结果、相关书籍和学术文章；Github上的深度学习项目大多数都是用Python写的。如果你是刚入门深度学习的新手，使用Keras是不错的选择。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html

相比较，R对深度学习框架兼容方面表现不佳。因此如果你想专注深度学习，Python可能更适合。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ymba/6632.html