机器学习和数据分析是两个领域，在这些领域中，开源几乎已成为创新工具的事实许可。Python 和 R 语言都开发了强大的开源工具和库生态系统，可以帮助任何技能水平的数据科学家更轻松地执行分析工作。
机器学习和数据分析之间的区别有点模糊，但主要思想是机器学习优先考虑预测准确性而不是模型可解释性，而数据分析则强调可解释性和统计推断。Python 更关注预测准确性，因此在机器学习领域享有盛誉。R 作为一种用于统计推断的语言，已在数据分析领域声名鹊起。
但这并不是要将任何一种语言都归类为一个类别——Python 可以有效地用作数据分析工具，而 R 也足够灵活，可以在机器学习方面做一些出色的工作。这两种语言都有大量的软件包，旨在复制另一种语言的功能。Python 拥有增强其统计推断能力的库，而 R 拥有提高其预测准确性的软件包。
Python 的机器学习和数据分析包
即使 Python 自然倾向于机器学习，它也拥有进一步优化此属性的软件包。PyBrain 是一个模块化机器学习库，提供用于机器学习任务的强大算法。这些算法直观且灵活，但该库还具有各种环境来测试和比较您的机器学习算法。
Scikit-learn 是 Python 最流行的机器学习库。Scikit-learn 构建于 NumPy 和 SciPy 之上，提供用于数据挖掘和分析的工具，这些工具增强了 Python 已然出色的机器学习可用性。NumPy 和 SciPy 本身就令人印象深刻。它们是 Python 中数据分析的核心，任何认真的数据分析师都可能直接使用它们，而无需使用更高级别的软件包，但 scikit-learn 将它们整合到一个机器学习库中，降低了入门门槛。
在数据分析方面，Python 从几个不同的软件包中获得了可喜的提升。Pandas 是其最著名的分析包之一，为 Python 提供了高性能的结构和数据分析工具。与许多 Python 软件包一样，它缩短了从启动项目到在该项目内完成有意义的工作之间的时间。如果您真的想坚持使用 Python 并尽可能多地获得 R 功能，RPy2 提供了 R 的所有主要功能。这使您可以原生在 Python 中获得 R 的最佳功能。
R 的机器学习和数据分析包
与 Python 一样，R 也有大量软件包来提升其性能。在机器学习方面，为了接近与 Python 的对等水平，Nnet 通过提供轻松建模神经网络的能力来改进 R。Caret 是另一个增强 R 机器学习能力的软件包，在这种情况下，它通过提供一组函数来提高预测模型创建的效率。
但数据分析是 R 的领域，并且有一些软件包可以将其改进到超出其已经出色的能力。数据分析的预建模、建模和后建模阶段都有可用的软件包。这些软件包针对特定任务，例如数据可视化、连续回归和模型验证。有了所有这些跨功能的库和软件包，您应该将哪种语言拖入数据战场呢？
用于机器学习和数据分析的 Python
如果您有一些编程经验，Python 可能是适合您的语言。Python 的语法比 R 的语法更类似于其他语言。Python 的可读性也几乎是无与伦比的，因为它读起来很像口头语言。这种可读性强调了开发效率，而 R 的非标准代码可能会导致编程过程中的停顿。
Python 以其灵活性而闻名，因此，如果您的机器学习或数据分析项目完成后计划继续进行其他领域的项目，那么坚持使用 Python 可能是个好主意，这样您就不需要学习一门新语言。
Python 的灵活性使其成为生产用途的绝佳选择，因为当数据分析任务需要与 Web 应用程序集成时（例如），您可以继续使用 Python，而无需与其他语言集成。R 是一款出色的数据分析工具，但在数据分析之外它可以完成的任务方面相当有限。
如果您是编程的完全新手，因此不熟悉“标准”语法，那么这两种语言的学习曲线大致相同。但是，如果目标是超越机器学习和数据分析的基础知识，那么 Python 可能是更好的选择。考虑到 scikit-learn 加入 Python 的软件包库，情况尤其如此。该软件包维护良好且正在积极开发中。R 可能具有更多样化的软件包，但它的碎片化也更严重，并且这些软件包之间的一致性较差。
用于机器学习和数据分析的 R
迄今为止，R 主要用于学术界和研究领域。不过，这种情况正在开始改变，因为 R 的使用范围正在扩展到企业市场。R 是由统计学家编写的，这一点显而易见——基本的数据管理任务非常容易。在 R 中，标记数据、填充缺失值和筛选都很简单直观，这强调了用户友好的数据分析、统计和图形模型。
由于 R 是作为一种统计语言构建的，因此它总体上具有出色的统计支持。它很好地代表了统计学家的思维方式，因此对于任何具有正规统计背景的人来说，它都感觉很自然。像 statsmodels 这样的软件包为 Python 中的统计模型提供了可靠的覆盖，但 R 的统计模型软件包生态系统要强大得多。就初级程序员而言，R 比 Python 更容易进行探索性工作，因为统计模型只需几行代码即可编写。
R 最接近 pandas 的答案可能是 dplyr，但它比 pandas 更有限。这听起来可能很消极，但 dplyr 的好处是更加专注，这使得发现如何执行任务变得更加容易。Dplyr 也比 pandas 更具可读性。
选择您的语言
R 的主要问题在于其一致性。算法由第三方提供，这使得它们相对不一致。开发速度的下降来自于必须学习使用您使用的每种新算法来建模数据和进行预测的新方法。每个软件包都需要新的理解。不一致性也适用于文档，因为 R 的文档几乎总是不完整的。
但是，如果您发现自己身处学术环境中并且需要一种数据分析工具，那么很难反驳选择 R 来完成这项任务。对于专业用途，Python 更有意义。Python 在整个行业中得到广泛使用，虽然 R 越来越流行，但 Python 更有可能实现轻松协作。Python 的广泛应用使其不仅可以推荐作为通用和机器学习语言，还可以作为数据分析工具，因为它拥有大量的类 R 软件包。
如果您还不了解 R，请学习 Python 并使用 RPy2 访问 R 的功能。您将获得两种语言的功能合二为一，并且 Python 已为生产做好准备，因为大多数公司都拥有为 Python 准备好的生产系统。R 则不然。一旦您学习了 RPy2，跳转到纯 R 就不是很困难，但朝相反方向移动则困难得多。
无论您尝试解决什么问题，Python 和 R 都有出色的软件包来保持某种程度的对等性。每种语言都有如此多的发行版、模块、IDE 和算法，以至于您真的不会选错任何一种。但是，如果您正在寻找一种灵活、可扩展、多用途的编程语言，并且在机器学习和数据分析方面都很出色，那么 Python 显然是最佳选择。
4 条评论