R和Python，哪個對數(shù)據(jù)科學(xué)初學(xué)者更友好？

編者按：數(shù)據(jù)科學(xué)家Alan Marazzi這篇討論R和Python哪個對數(shù)據(jù)科學(xué)初學(xué)者更友好的文章有些偏向R語言，結(jié)論僅供參考。不過，它出色地展示了R語言在數(shù)據(jù)問題上犀利的表達力。對初學(xué)者而言，從高層抽象（由R語言中的原生結(jié)構(gòu)或Numpy之類的Python第三方庫提供）入手也確實更加便利。

這不是你通常在網(wǎng)上看到的那類爭論R和Python哪個好的帖子。事實上，我根本不想討論到底哪個好。我只想說明，想要入門數(shù)據(jù)科學(xué)的學(xué)習(xí)者，從R開始更合適。

向量

什么是向量？如果你知道矩陣，那你就知道向量。向量可以看成矩陣的行或列，也就是由數(shù)字組成的一維“列表”。通常向量用作數(shù)據(jù)表的列，因為我們確信同一列內(nèi)的數(shù)據(jù)類型相同。

浮點數(shù)、整數(shù)、字符串、類別，等等，向量中的元素總是屬于同一類型。這很重要，因為我們可以利用這一點加速和簡化代碼：解釋器只需檢查第一項記錄的類型。你也許已經(jīng)知道，向量是R的原生結(jié)構(gòu)，事實上，R中標(biāo)量也是向量（一維向量）。

vec <- c(5, 3, 4)

class(vec)

[1] "numeric"

class(3)

[1] "numeric"

向量化

進行數(shù)據(jù)分析或機器學(xué)習(xí)時，常常需要處理表格形式的數(shù)據(jù)，或者，從更底層的角度來說，向量的序列。如果我想將向量中的每項記錄乘2，在R中我可以非常自然地做到這一點：

vec * 2

[1] 1068

Python中，向量不是原生結(jié)構(gòu)，不過我們可以使用列表存儲向量。所以讓我們在Python 3中嘗試相同的操作（你需要操心到底用Python 2還是Python 3是另一個問題）：

>>> [5, 3, 4] * 2

[5, 3, 4, 5, 3, 4]

搞什么……

在Python中要得到同樣的結(jié)果，你需要使用for循環(huán)：

>>> for num in [5, 3, 4]:

... num * 2

...

10

6

8

你可能需要把結(jié)果存儲到另一個列表中，所以你需要首先初始化一個空列表來存放結(jié)果，然后啟動循環(huán)，在每個迭代中添加結(jié)果：

>>> res = []

>>> for num in [5, 3, 4]:

... res.append(num * 2)

...

>>> print(res)

[10, 6, 8]

在R中，你只需：

vec <- c(5, 3, 4) * 2

vec

[1] 1068

（譯者注：不考慮引入numpy等第三方庫的情況下，用Python的列表理解表達要簡潔許多：[i * 2 for i in [5, 3, 4]]）

我想強調(diào)的是，這主要不是少打幾個字的問題，而是形成“恰當(dāng)?shù)摹毙闹悄Ｐ偷膯栴}。許多人抱怨R代碼很慢，99%是因為沒有向量化他們的代碼，而使用“Python風(fēng)格”的循環(huán)（隱式或顯式）。

隨機行走例子

我們將分別在R和Python中實現(xiàn)隨機行走，Python代碼取自《From Python to NumPy》一書。

讓我們從最基本的循環(huán)方式開始：

>>> import random # 需要引入random模塊

>>> def random_walk(n):

... position = 0# 初始化位置變量

... walk = [position] # 初始化列表

... for i in range(n):

... position += 2*random.randint(0, 1)-1# 更新位置值

... walk.append(position) # 附加結(jié)果至行走列表

... return walk

...

如果對象非常大，上面的代碼會變得很慢，我們可以使用itertools模塊改善性能：

>>> from itertools import accumulate

>>> import random

>>> def random_walk_faster(n=1000):

... steps = random.sample([1, -1]*n, n)

... return list(accumulate(steps))

...

不過，這還是沒有向量化。它不過是更高效的循環(huán)而已。要做到完全向量化，我們需要使用NumPy：

>>> import numpy as np

>>> def random_walk_fastest(n=1000):

... steps = 2*np.random.randint(0, 2, size=n) - 1

... return np.cumsum(steps)

...

換成R語言：

rw <- cumsum(sample(c(-1, 1), 1000, TRUE))

無需引入什么模塊，無需額外定義什么函數(shù)或方法，一行搞定。（譯者注：Python確實需要引入NumPy，但其實也不用額外定義函數(shù)，np.cumsum(np.random.randint(...))）。

結(jié)語

如果你想從事和數(shù)據(jù)打交道的工作，或者想要教別人如何處理數(shù)據(jù)，可以從R開始。熟練使用R之后，再開始學(xué)Python比較好。