python和r语言哪个好学(python和r学什么好)

2023-02-27 03:10:01 技术常识4 干货

【温馨提示】本文共有3104个字，预计阅读完需要8分钟，请仔细阅读哦！

数据科学用 R 还是 Python 好？专业教授多角度分析,下面一起来看看本站小编开源中国OSC给大家精心整理的答案，希望对您有帮助

python和r学什么好1

Norm Matloff 是加州大学戴维斯分校的计算机科学教授，他针对数据科学界常年争论的要点，作了一篇关于 R 和 Python 的对比分析。

在分析开始之前，Matloff 先抛出自己可能带有的潜在偏见：他写过 4 本与 R 相关的书，在 useR! 和其他 R 的会议上做过演讲，并且目前担任 R 期刊的主编。但同时他也用 Python 敲过多年代码。Matloff 希望自己的分析能够被认为是公平且有帮助的。

接着，这位专业的计算机科学家和统计学家从以下几方面对 R 和 Python 做出了对比：

优雅

Python 明显胜出。

当然这是主观的。但是在不同编程语言的对比之下，Python 大大减少了括号的使用：

if x > y: z = 5 w = 8

vs.

if (x > y) { z = 5 w = 8 }

Python 很时尚！

学习曲线

R 在这一场赢得巨大胜利。

作为一名教育工作者，Matloff 对这一点尤其感兴趣。

若使用 Python 做数据科学，必须学习很多不在基础 Python 中的材料，例如 NumPy、Pandas 和 matplotlib。

相比之下，矩阵类型和基本图形已经内置于基础 R，新手可以在几分钟内完成简单的数据分析。

即使对于精通系统的人来说，Python 库也很难配置，而大多数 R 软件包都是开箱即用的。

可用的数据科学库

R 轻微取胜。

CRAN 拥有超过 14,000 个包。PyPI 的包则多于 183,000 个，不过在数据科学方面看起来似乎比较薄弱。

Matloff 举了一个例子：他曾经需要代码来快速计算给定数据点的最近相邻，在 CRAN 中能够立即找到不止一个包来执行此操作。而在 PyPi 中粗略搜索后空手而归。

他还指出在 PyPI 中进行以下搜索没有任何结果：EM 算法；对数线性模型；泊松回归；工具变量；空间数据；整体错误率等等。

“这并不是说这些东西不存在 Python 库。只是在 PyPI 中不容易找到它们，而在 CRAN 中很容易找到。”

事实上，R 具有规范的封装结构是一个很大的优势。安装新软件包时，确切地知道会出现什么。类似地，R 的泛型函数对于 R 来说也是一大的优势。当使用新的包时，人们知道自己可以使用 print()、plot()、summary() 等，所有这些都构成了包的“通用语言”。

机器学习

Python 略微胜出。

R vs. Python 辩论主要是统计与 CS 的争论，由于神经网络的大多数研究来自 CS，因此 NN（Neural Network，神经网络）的可用软件主要是 Python。 RStudio 在开发 Keras 实现方面做了一些出色的工作，但目前为止，R 在这个领域受到限制。

另一方面，随机森林研究（random forest research）主要由统计界进行，在这个领域 R 更具优越性。R 还具有优异的梯度增强封装。

这里 Python 略胜一筹，因为对很多人来说，机器学习就意味着神经网络。

统计正确性

R 赢得大胜。

Matloff 表示 “R 是由统计学家为统计学家编写的”。他发现“那些主要使用 Python 进行机器学习的人往往对其中的统计问题缺乏了解，甚至不屑一顾”。

并行计算

双方打成平手。

R 和 Python 的基础版本都不能很好地支持多核计算。 Python 中的线程很适合 I/O，但由于臭名昭著的 Global Interpreter Lock，使用它们进行多核计算是不可能的。 Python 的多处理软件包和 R 的“并行”软件包都不是好的解决方法。支持集群计算的外部库在两种语言中都 OK。

目前，Python 具有更好的 GPU 接口。

C/C++ 接口和性能增强

R 略胜一筹。

虽然有 SWIG 等工具可以将 Python 连接到 C/C++，但目前没有像 R 的 Rcpp 那样强大的功能。Pybind11 软件包正在开发中。

此外，R 的新 ALTREP 理念在提高性能和可用性方面具有巨大潜力。

另一方面，Python 的 Cython 和 PyPy 变体在某些情况下可以预先消除对显式 C/C++ 接口的需求。确实有人会说 Cython 是一个 C/C++ 接口。

面向对象，元编程

依然是 R 略胜一筹。

举例来说，尽管函数在两种语言中都可作为对象，但 R 比 Python 更进一步。Matloff 说每当自己使用 Python 工作时，都会因为无法直接将函数输入到终端或编辑它而感到恼火，但在 R 上就可以这样做。

Python 只有一个 OOP 范例。在 R 中，可以选择几种（S3、S4、R6 等），不过也有些人可能会争论这是否是一件好事。

R 有神奇的元编程特性（产生代码的代码），但是大多数 CS 人都没有意识到它。

语言统一性

R 损失巨大。

Python 目前正在从 2.7 版过渡到 3.x 版，这会导致一些中断，但不至于太复杂。

相比之下，R 正迅速转变为两种相互无法理解的语言，即普通的 R 和 Tidyverse。作为一名经验丰富的 R 程序员，Matloff 表示自己无法阅读 Tidy 代码，因为它调用了许多他不知道的 Tidyverse 函数。也有网友评论说“人们可以在对 R 没什么了解的情况下，在 Tidyverse 中进行编码”。

关联的数据结构

Python 获胜。

经典计算机科学数据结构，例如二叉树，很容易在 Python 中实现。它不是基础 R 的一部分，但可以以各种方式完成，例如数据结构包，它包含了使用广泛的 Boost C++ 库。

在线帮助

R 大获胜。

首先，R 的基本 help() 函数比 Python 的信息量大得多。它很好地补充了 example()。最重要的是，在 R 包中能够编写 vignette（通过函数 vignette() 返回，一般是 PDF 格式的实用介绍性文章）使 R 在这方面成为了一个不折不扣的赢家。

R/Python 互操作性

RStudio 开发的 reticulate 包能够在 R 上运行 Python，可以作为 Python 和 R 之间的桥梁，适用于纯计算。但它并没有解决 Python 中出现的棘手问题，例如虚拟环境等。

目前，Matloff 不建议编写混合的 Python/R 代码。

分析了这么多，最后当然还是要根据实际需求来进行选择，毕竟语言之间没有孰优孰劣。

阅读原文：「链接」

python和r学什么好2

大数据文摘作品

编译：大茜、钱天培

R还是Python？

真是个千古难题！

如果你主要从事数据分析、统计建模和可视化，R大概是你的不二之选。但如果你还想来搞点深度学习，整个自然语言处理，那你可还真得用Python。

如果你处于交叉领域，很可能就需要两种语言切换。后果是，写个for loop还出bug真的是家常便饭。报警！

面对这种困境的绝不止你一个人！最近的KDnuggets Analytics的软件调查中，Python和R位居数据科学和机器学习软件的前两名。

如果你真的想提高你在数据科学领域的能力，这两种语言你确实都应该学习。

不过现在好消息来了！

RStudio开发了一个名为reticulate的包。通过安装包，你现在可以在R上运行Python的安装包和函数了~

今天文摘菌就来教教你咋用这个reticulate包。

安装并加载reticulate包

运行下面的命令来安装这个包、并导入到您的系统中。

# 安装reticulate包 install.packages("reticulate") # 加载reticulate包 library(reticulate)

检查您的系统是否安装过Python

py_available()

返回值为TRUE或FALSE。如果返回的是TRUE，那恭喜你，您的系统已经有Python啦。FALSE的话就得先去装一下Python了。

在R中导入一个python模块

您可以使用函数import（）来导入特定的包或模块。

os <- import(“os”) os$getcwd()

上面的命令返回工作目录。

[1]"C:\\Users\\DELL\\Documents"

您可以使用os包中的listdir（）函数来查看工作目录中的所有文件。

os$listdir()

安装Python包

第一步：创建新的工作环境；

conda_create(“r-reticulate”)

第二步：在conda环境下安装“r-reticulate”和“numpy”；

conda_install(“r-reticulate”,“numpy”)

如果“numpy”已经安装，您不必再次安装这个包。上面的代码只是给个例子而已。

第三步：加载包。

numpy <- import(“numpy”)

使用numpy数组

首先建立一个简单的numpy数组

y <- array(1:4, c(2, 2)) x <- numpy$array(y)

[,1] [,2]

[1,] 1 3

[2,] 2 4

将数组进行转置

numpy$transpose(x)

[,1] [,2]

[1,] 1 2

[2,] 3 4

求特征根和特征向量

numpy$linalg$eig(x)

一些数学函数

numpy$sqrt(x) numpy$exp(x)

交互地使用Python

您可以在R中创建交互式Python控制台。您在Python中创建的对象可在R中使用（反之亦然）。通过使用repl_python（）函数，可以使Python和R交互。首先，下载以下程序中使用的数据集：

repl_python() # 加载“panda”数据集 import pandas as pd # 载入数据集 travel = pd.read_excel(“AIR.xlsx”) # 显示数据集的行列数 travel.shape # 随机选取数据集中的行数 travel.sample(n = 10) # 按某一标志分组 travel.groupby(“Year”).AIR.mean() # 筛选数据个案 t = travel.loc[(travel.Month >= 6) & (travel.Year >= 1955),:] # 回到R exit

注意：您需要键入“exit”来返回到R会话

怎样从R中获取在python中创建的对象

你可以在利用py object获取python里的对象。

summary(py$t)

在这种情况下，我会用R的summary（）函数并访问在python中创建的数据集T。此外，您可以使用ggplot2软件包绘制折线图。

#利用ggplot2绘制线图 library(ggplot2) ggplot(py$t, aes(AIR, Year)) + geom_line()

怎样从Python中获取在R中创建的对象

您可以使用r object来解决这个问题。

先在R中创建一个对象：

mydata = head(cars, n=15)

在Python REPL中调用之前在R中所创建的对象：

repl_python() import pandas as pd r.mydata.describe() pd.isnull(r.mydata.speed) exit

使用sklearn包构建Logistic回归模型

sklearn软件包是python中最受欢迎的机器学习软件包之一，它支持各种统计和机器学习的算法。

repl_python() # 加载包 from sklearn import datasets from sklearn.linear_model import LogisticRegression # 加载数据库 iris = datasets.load_iris() # 建立logit模型 model = LogisticRegression() model.fit(iris.data, iris.target) # 进行预测 actual = iris.target predicted = model.predict(iris.data) #模型性能对比矩阵 print(metrics.classification_report(actual, predicted)) print(metrics.confusion_matrix(actual, predicted))

其他有用的函数

查看python的配置

运行py_config（）命令来查看系统中安装的R的版本。它还能显示anaconda和numpy的详细信息。

py_config()