深度 | R vs Python：R是現在最好的數據科學語言嗎？
在前一段時間的博客中，我解釋了為什么你應該掌握 R 語言(即便它最終可能過時)：http://sharpsightlabs.com/blog/master-r-obsolete/。我寫這篇文章是為了向那些聲稱掌握 R 語言浪費時間的人致辭。(因為它最終會變得過時)。
但是當我認為 R 語言最終會變得過時時，這似乎引起了恐懼——仿佛 R 語言已經過時了。
我想要消除你的恐懼：R 語言仍然很流行。
R 語言是過去十年中發展最快的編程語言之一。
事實上，如果你開始學習數據科學，我仍然推薦從 R 語言開始。
所以，我想向你保證。R 語言絕對沒有過時的。事實上，R 語言是非常受歡迎的而且是最好的數據語言。
為此，我想解釋為什么我對 R 語言的長期前景非常樂觀，以及為什么我認為這也許是今天可以學習的最好的數據科學語言。
一、R 語言始終是最好的語言之一
我想讓你們明白的一件事情是：目前 R 語言是存在的最受尊敬、排名最高、增長最快的語言之一。
在很多方面，R 語言就代表了數據語言。在數據科學領域，這是一個仍處于頂端的語言(只有 1 到 2 個真正的競爭者)。
為什么這么說呢?讓我們看看幾個重要的調查和編程語言排名的結果，看看 R 語言排在哪里。
1. IEEE：R 語言排名第 5
世界上最大的技術專業協會 IEEE 在幾年前已經創建了一個編程語言排名。
這個 IEEE 的排名系統使用一組 12 個指標，包括比如谷歌的搜索量、谷歌的趨勢、Twitter 的點擊次數、GitHub 的庫、Hacker News 的帖子等等。
使用這種方法，他們將幾十種編程語言進行排名和分類。
在他們對 2016 年頂級編程語言的回顧中，R 語言已經攀升到了第 5
IEEE 的方法是非常全面的，所以這對于 R 相對于其他語言的力量和學習的相對價值是一個很好的指示。
2. TIOBE：R的排名高，且具有連續的上升趨勢
另一個排名系統，TIOBE 索引，為各種編程語言創建了相似的分數和排名。
如果我們看看 R 語言在 TIOBE 索引上的表現，我們可以看到近十年以來一個穩定的上升趨勢。
請記住，TIOBE 索引的結構是「編程語言受歡迎程度的指示」。索引每個月更新一次，評分是基于世界范圍內的精尖工程師、課程和第三方供應商的使用量。像谷歌、Bing、雅虎、維基百科、亞馬遜、油管和百度等熱門搜索引擎則用來計算排名。
到 2016 年 12 月，R 語言的總排名是 17(在所有編程語言中)。它的最高排名是 2015 年 5 月的第 12 名。
這表明，如果你想學習數據科學，目前學習 R 語言仍然是一個很好的選擇。(要清楚，Python 在 TIOBE 索引上的排名較高，但是很難從 Python 相關使用的嚴格數據中分離出網絡和軟件開發的使用情況，因此這可能不是一個公平的比較)。
3. Redmonk:R語言排名12
另一個經常選擇的語言排名系統是 Redmonk 編程語言排名，它是從 GitHub(代碼行數)和 Stack Overflow(標簽數量)上的流行度衍生出來的。
截至 2016 年 11 月，R 語言在所有編程語言中排名第 13 位。
此外，R 語言幾年來一直呈上升趨勢
在前 20 種語言的后半部分中，隨著時間的推移，R 語言顯示出最一致的上升趨勢。從 2012 年的第 17 位開始，它隨著時間的推移穩步上升，但似乎在 13 這個位置上停留了連續三個季度。然而這一次，R 語言代替了排名 12 位的 Perl，使其跌落到 13 位。雖然仍然有大量的 Perl 語言在流通，但是更加專業的 R 語言已經奪取了這個一度被認為是網絡粘結劑的 Perl 語言的位置。當然這與 R 語言的支持者們無關。R 語言相對獨特的前 20 路徑是值得它們的粉絲所歡呼的。
4. O’Reilly：R語言可以說是最常見的數據編程語言
最后，媒體 O'Reilly 在過去的幾年里進行了一次數據科學調查，他們使用調查數據來分析數據科學的趨勢。除了其他的之外，它們分析工具的使用情況來確定哪些工具是數據科學家最常使用的。
在 2016 年的調查報告中，R 語言是最常用的編程語言(如果我們排除 SQL，這不是我在這里所指的編程語言)。57% 的受訪者使用 R 語言(相比之下，使用 Python 的有 54%)
(另外，有 70% 的受訪者使用 SQL。如果你正在尋找 R 之后的另一個語言去學習，我會推薦 SQL)
他們還調查了人們去識別數據可視化的工具。他們發現 ggplot2 是最常見的可視化工具。我會在一篇即將發布的博客中解釋為什么我喜歡 ggplot2，但如果我們只跟蹤人氣，O'reilly 的調查表明 ggplot2 時最常被使用的工具之一，甚至可能就是最常被使用的。
二、R 語言是學習數據科學的極佳語言
R 語言成為一門極佳的數據科學語言，在普遍性之外，另一大原因是：它是一門非常好的學習數據科學的語言。
1. R 語言是真正的「數據語言」
R 語言之所以如此適合數據科學的原因部分跟它本身的語言特性有關。自 R 語言發明之初，數據及統計的觀念便融入其中。R-Project 形容其為「為統計計算而準備的編程語言及環境」。也就是說，R 語言的 DNA 中就含有統計及數據的基因。
如此說來，R 語言在眾多編程語言中可謂獨樹一幟。它是一門為統計而生的語言，是一門為(處理)數據而設計的語言。當你在學習數據科學的時候，這將帶來很大的優勢——因為幾乎所有的統計測試或方法都能夠在 R 語言及其拓展庫中找到。
2. 最好的書籍和資源都使用了 R 語言
儼然，R 語言已是一門「統計計算」語言。與之相關的是，許多很好的書籍及學習資源都采用了 R 語言。
這非常重要。如果你是一名初學者，在數據科學領域才剛剛起步，那么你將需要學習很多知識。要真正掌握數據科學，你需要學習包括概率論、統計學、數據可視化、數據處理及機器學習在內的諸多子領域。所有這些領域都包含了理論基礎(也就是你需要學習的內容)，同時你也需要通過編寫程序實際使用它們。
也就是說，你需要這樣一種語言：
- 能夠在這些領域都能夠發揮作用(如數據可視化、數據處理、機器學習(也叫做統計學習))。
- 這門編程語言在這些領域內還有高質量的學習、訓練素材。
盡管市面上有很多關于數據科學的書籍與課程，但其中最好的大多都是基于 R 語言的。
3.使用 R 語言學習概率論
以概率論為例，兩本關于概率論的優秀書籍都是用 R 語言來編寫書上的上手案例的。這兩本書分別是：
- 《Probability with Applications and R》。這本書語言樸實、通俗易懂、條理清晰。
- 《Introduction to Probability》。這本書基于哈佛著名的統計學課程編寫。
這只是兩個簡單的例子。如果你進一步發掘的話，你會發現幾乎所有的關于概率論的書籍都使用了 R 語言。
4. 使用 R 語言學習頻率論統計學(frequentist statistics)
對于統計學方面的書籍也是如此。
因為統計學已經深入 R 語言的骨髓，所以許多統計學課本使用 R 語言作為其學習工具。
《Statistics: an Introduction using R》是一本介紹頻率論統計學的優秀書籍。
一樣的，如果你在亞馬遜上快速搜索一下，你找到的大部分統計學入門的教材都使用了 R 語言作為它們的學習工具。
5. 使用 R 語言學習貝葉斯統計學
當你正在尋找一本關于貝葉斯統計學的入門書籍時，這種趨勢變得更為明顯。
幾乎所有的關于貝葉斯統計及推斷的書籍都是用了 R 語言。盡管有些例外(有些書使用了 C 語言或者 Python)，但主導的仍然是 R 語言。
如果你對貝葉斯統計學感興趣，你可以查看這幾本書：
- Introduction to Bayesian Statistics
- Statistical Rethinking
- Doing Bayesian Data Analysis
如果你對貝葉斯方法感興趣的話，這些書是你最棒的選擇了，并且它們都使用了 R 語言。
6. 學習如何在 R 中進行數據可視化
當你在學習數據可視化的時候，盡管你會有相對更多的編程語言可以選擇，但筆者還是認為，大多數最優的編程資源都使用了 R 語言。
如果你正在學習數據可視化，那么你可以參考 Nathan Yau 的工作。他經常在他的博客(flowingdata.com)上上傳一些使用 R 語言的數據可視化教程。(筆者同時推薦他所寫的《Data Points》作為參考，在這本書中主要講授的是數據可視化的一些法則而非編程實現。)
筆者亦推薦 Hadley Wickham 所著的書。如果你對使用 R 語言進行數據可視化感興趣的話，那么你應該擁有 ggplot2 這本書。它不僅教會你如何使用 R 語言中數據可視化庫的使用方法，還能夠改變你對數據進行可視化的觀念。
同時，你還可以參考這本書：R for Data Science。這本書包含了對數據可視化非常棒的介紹，還有對很多 R 語言數據可視化工具庫的介紹，是一本學習 R 語言的必備書籍。
7. 使用 R 語言來學習機器學習
最后，如果你想開始學習機器學習，有很多優秀的使用 R 語言描述的機器學習的書籍可以參考。
我承認，現在有各種各樣使用不同的編程語言的來描述機器學習的書籍，但我認為，在最好的那一部分書籍中有很大比例都是使用的 R 語言。
下面有兩個使用 R 語言來介紹機器學習的優秀的教程：
- 統計學習導論(An Introduction to Statistical Learning)
- 應用預測建模(Applied Predictive Modeling)
這些書寫得十分嚴謹同時也很容易理解。書中會提及一些理論知識(但是不會用很復雜的數學知識來為難你)，同時也會教授你一些實用的技術。
毫無疑問，這是我給想學習機器學習的初學者最常推薦的兩本書，并且它們都使用的是 R 語言。
8. 如果你想學習數據科學，R 語言是一個絕佳的選擇
最后強調一下，R 是一種學習數據科學的優質語言，因為許多優秀的書籍(以及一些其它的教程)都使用 R 來作為編程語言。
所以，如果你是數據科學的初學者，由于數據科學學習材料的數量和質量所限制，所我認為 R 語言是最好的選擇。
三、一個關于 Python 的快速注解
就數據科學編程語言來說，Python 是目前唯一可以替代 R 的語言。(因為其它的替代方案缺乏完善的軟件包生態系統或者是非開源/免費的)。
我不會在這里闡述我對 Python 的全部理解，但是我必須要講的是，Python 的確是一種優秀的語言。我愛 Python。
話雖如此，對于數據科學的初學者來說，我仍然認為 R 是更好的選擇，其中的原因我在上文中已經進行了概述。
再者，我認為關于基礎數據科學概念(概率、統計、貝葉斯統計、機器學習)的許多最好的教科書和教程都是基于 R 的。當然，這并不是說沒有優秀的數據科學書籍使用 Python，我只是認為基于 R 的書籍的平均質量高于用其它編程語言描述的書籍。
有關于 Python 的另一個問題是，很多學生在開發過程中會遇到一些困難。他們在學習的過程中并沒有花多少時間來學習統計數據、數據可視化、數據操作、概率等，而是花費了大量的時間去學習數據結構、循環、流程控制、面向對象的編程和 Web 框架。這些技能可以用來完善核心的數據科學工具包，但它們不是我們想要了解的數據科學范疇的相關內容。事實上，我建議大多數初學者先學習基本數據科學相關的內容(如數據操作、可視化、分析等)后再學習軟件開發。
雖然大多數的初學者在以后會學習軟件開發的技術，但是很多使用 Python 來作為入門數據科學的初學者會陷入到軟件開發和 Web 開發等領域。我認為之所以會出現這樣的問題，是因為在許多方面，Python 都是運用于這些領域的。大多數關于 Python 的書籍并不是真正的數據科學書籍，而是講述一些有關于編程和開發的內容。所以，有些數據科學的初學者選擇使用 Python 描述的書籍來學習數據科學，然而他們最終卻花費了數月甚至數年來學習軟件和 web 開發而不是數據科學。
當然，我非常愛 Python，但是對于初學者而言，我認為選擇 Python 有一些冒險。最好還是從 R 語言開始，因為統計學和數據科學就像「它的 DNA」一樣和它綁定在一起。使用 R 語言，不僅更容易學習，也不容易偏離我們的學習范疇。
如果你想學習數據科學，那么就學習 R 語言吧
你應該記住的是，如果想要學習數據科學，R 是可以說是最好的選擇。在人氣方面，R 擁有非常高的排名，并且還處于上升趨勢。此外，有很多最好的數據科學的書籍和教程都是使用 R 語言來描述的。
如果你想要開始學習數據科學，我的建議如下：
- 學習 R 語言
- 重點學習 ggplot2、dplyr、tidyr、lubridate 和一些其它用于實現數據的可視化和控制的 Hadleyverse 工具
- 學習同時使用這些工具來進行數據分析。
- 當你對這些 R 工具包有所了解之后就可以開始學習概率、統計學和機器學習的內容了 (我推薦大家使用我在本文中所談到的那些資料)
四、R vs Python - 超級英雄
R 這么好，也不要忘記 Python。在這一部分我們對比一下數據科學家的兩個超級英雄——R 和 Python。
Python 就像是超人，而 R 和蝙蝠俠之間有幾點相似之處。讓我們創建一個表來列出這些相似之處。
R 就像蝙蝠俠
- 偵探工作
- 智慧
- 狡黠
- 使用工具
- 動腦多于蠻力
Python 就像超人
- 肌肉力量
- 超級力量
- 優雅
- 應用面廣
- 蠻力多于動腦
接下來解釋一下 R 和 Python 之間的區別及原因。此外，讓我們幫助數據科學家找到更好用的編程語言。
R vs Python / R 和 Python : 哪一種更好用?
R 和 Python 都是開源的、免費的高級編程語言。R 專門用于統計計算。它有大量附加包(package)/工具來支持機器學習和數據分析。另一方面，Python 是一種通用的強大的編程語言，在數據準備、數據調試和數據分析方面有特殊的應用。
這種區別也是不同分析人士喜歡這些編程語言的原因。Python 通常被嘗試開發數字處理和分析技能的計算機程序員所青睞。另一方面，R 被數學家和統計學家優先選擇。這些差異在這些語言的學習資源(書籍和網上論壇)中是顯而易見的。例如，考慮以下 4 本免費的在線圖書。
所有這些書都是高質量的統計教材，用 R 作為首選編程語言。這些只是幾個例子。請注意，第一本書不是專門用于 R，與第二本書有相同的作者。你很少會找到用 Python 作為首選語言的書籍。因此，R 更有能力處理數據挖掘和統計分析的相關問題。另一方面，Python 提供了非常好的應用程序來處理非結構化和復雜的數據集，如圖像、書面文本(網絡、電子郵件等)、基因、聲音等。
實質上，Python 和 R 一起構成了數據科學家的工具包。因此，對于務實的和面向應用的數據科學家來說，了解這兩種語言的超級能力和特點是至關重要的。
使用 R 進行分析、數據可視化與建模：
- 為分析提供了極好的靈活性
- R 使你在分析的時候更容易思考
- 由于有著十分活躍的統計與數學社區，可以持續的更新和增強分析功能優秀的數據可視化工具
- 優秀的數據可視化工具
使用 Python 進行數據預處理、數據清洗，特別針對于非結構化數據(如網頁，圖像，文本等)：
- 極強的靈活性，能夠從自由文本、網站和社交媒體網站提取信息
- 便于圖像挖掘和為分析準備數據
- 處理大量的數據的時候比 R 語言更好
對于一個認真的數據科學家來說，R 和 Python 都應該了解。我們需要的是 R+Python，而不是 R vs Python。
【本文是51CTO專欄機構機器之心的原創譯文，微信公眾號“機器之心( id: almosthuman2014)”】
