Python與R的區別和聯絡

標籤：

轉載：http://bbs.pinggu.org/thread-3078817-1-1.html

 有人說Python和R的區別是顯而易見的，因為R是針對統計的，python是給程式員設計的，其實這話對Python多多少少有些不公平。2012年的時候我們說R是學術界的主流，但是現在Python正在慢慢取代R在學術界的地位。不知道是不是因為大資料時代的到來。

       Python與R相比速度要快。Python可以直接處理上G的資料；R不行，R分析資料時需要先通過資料庫把大資料轉化為小資料（通過groupby）才能交給R做分析，因此R不可能直接分析行為詳單，只能分析統計結果。所以有人說：Python=R+SQL/Hive，並不是沒有道理的。

       Python的一個最明顯的優勢在於其膠水語言的特性，很多書裡也都會提到這一點，一些底層用C寫的演算法封裝在Python包裡後效能非常高效(Python的資料採礦包Orange canve 中的決策樹分析50萬使用者10秒出結果，用R幾個小時也出不來，8G記憶體全部佔滿)。但是，凡事都不絕對，如果R向量化編程做得好的話（有點小難度），會使R的速度和程式的長度都有顯著性提升。

      R的優勢在於有包羅永珍的統計函數可以調用，特別是在時間序列分析方面，無論是經典還是前沿的方法都有相應的包直接使用。
      相比之下，Python之前在這方面貧乏不少。但是，現在Python有了pandas。pandas提供了一組標準的時間序列處理工具和資料演算法。因此，你可以高效處理非常大的時間序列，輕鬆地進行切片/切塊、彙總、對定期/不週期性時間序列進行重採樣等。可能你已經猜到了，這些工具中大部分都對金融和經濟資料尤為有用，但你當然也可以用它們來分析伺服器日誌資料。於是，近年來，由於Python有不斷改良的庫（主要是pandas），使其成為資料處理任務的一大替代方案。

      做過幾個實驗：
1. 用python實現了一個統計方法，其中用到了ctypes，multiprocess。
之後一個項目要做方法比較，又用回R，發現一些bioconductor上的包已經預設用parallel了。（但那個包還是很慢，一下子把所有線程都用掉了，導致整個電腦使用不能，看網頁非常卡~）
2. 用python pandas做了一些資料整理工作，類似資料庫，兩三個表來回查、匹配。感覺還是很方便的。雖然這些工作R也能做，但估計會慢點，畢竟幾十萬行的條目了。
3. 用python matplotlib畫圖。pyplot作圖的方式和R差異很大，R是一條命令畫點東西，pylot是準備好了以後一起出來。pyplot的顏色選擇有點尷尬，預設顏色比較少，之後可用html的顏色，但是名字太長了~。pyplot 的legend比R 好用多了，算是半自動化了。pyplot畫出來後可以自由拉升縮放，然後再儲存為圖片，這點比R好用。

      總的來說Python是一套比較平衡的語言，各方面都可以，無論是對其他語言的調用，和資料來源的串連、讀取，對系統的操作，還是正則表達和文文書處理，Python都有著明顯優勢。   而R是在統計方面比較突出。但是資料分析其實不僅僅是統計，前期的資料收集，資料處理，資料抽樣，資料聚類，以及比較複雜的資料採礦演算法，資料建模等等這些任務，只要是100M以上的資料，R都很難勝任，但是Python卻基本勝任。

      結合其在通用編程方面的強大實力，我們完全可以只使用Python這一種語言去構建以資料為中心的應用程式。
      但世上本沒有最好的軟體或程式，也鮮有人能把單一語言挖掘運用到極致。尤其是很多人早先學了R，現在完全不用又捨不得，所以對於想要學以致用的人來說，如果能把R和Python相結合，就更好不過了，很早看過一篇文章——讓R與Python共舞，咱們罈子裡有原帖，就不多說了，看完會有更多啟發。

BTW： 如果之前沒有學過R，可以先學Python然後決定是不是學R，如果學了R，學Python的時候會更快上手。

Python與R的區別和聯絡