R語言 vs Python:數據分析哪家強?(1)

這篇文章旨在更客觀地看待這兩門語言。我們會平行使用Python和R分析一個數據集，展示兩種語言在實現相同結果時需要使用什麼樣的代碼。這讓我們了解每種語言的優缺點，而不是猜想。在Dataquest，我們教授兩種語言，並認為兩者在數據科學工具箱中都佔據各自的地位。

我們將會分析一個NBA數據集，包含運動員和他們在2013-2014賽季的表現，可以在這裡下載這個數據集。我們展示Python和R的代碼，同時做出一些解釋和討論。事不宜遲，現在就開始這場硬碰硬的對決吧！

讀取CSV文件

R

nba <- read.csv("nba_2013.csv")

Python

import pandasnba = pandas.read_csv("nba_2013.csv")

上面的代碼分別在兩種語言中將包含2013-2014賽季NBA球員的數據的nba_2013.csv文件加載為變量nba。Python中實際的唯一不同是需要加載pandas庫以使用Dataframe。Dataframe在R和Python中都可用，它是一個二維數組（矩陣），其中每列都可以是不同的數據類型。在完成這一步後，csv文件在兩種語言中都加載為dataframe。

統計球員數量

R

print(dim(nba))

[1] 481  31

Python

print(nba.shape)

(481, 31)

兩者分別輸出球員數量和數據列數量。我們有481行，或者說球員，和31列關於球員的數據。

查看數據的第一行

R

print(head(nba, 1))

     player pos age bref_team_id1 Quincy Acy  SF  23          TOT[output truncated]

Python

print(nba.head(1))

      player pos  age bref_team_id0  Quincy Acy  SF   23          TOT[output truncated]

它們幾乎完全相同。兩種語言都列印出數據的第一行，語法也非常類似。Python在這裡更面向對象一些，head是dataframe對象的一個方法，而R具有一個單獨的head函數。當開始使用這些語言做分析時，這是一個共同的主題，可以看到Python更加面向對象而R更函數化。

計算每個指標的均值

讓我們為每個指標計算均值。如你所見，數據列以類似fg（field goals made）和ast（assists）的名稱命名。它們都是球員的賽季統計指標。如果想得到指標的完整說明，參閱這裡。

R

meanNoNA <- function(values){    mean(values, na.rm=TRUE)}sapply(nba, meanNoNA)

player NApos NAage 26.5093555093555bref_team_id NA[output truncated]

Python

import numpynba_numeric = nba._get_numeric_data()nba_numeric.apply(numpy,.mean, axis=0)

age             26.509356g               53.253638gs              25.571726[output truncated]

這裡有一些明顯的分歧。在兩種方法中，我們均在dataframe的列上應用了一個函數。在python中，如果我們在非數值列（例如球員姓名）上應用函數，會返回一個錯誤。要避免這種情況，我們只有在取平均值之前選擇數值列。

在R中，對字符串列求均值會得到NA——not available（不可用）。然而，我們在取均值時需要確實忽略NA（因此需要構建我們自己的函數）。否則類似x3p.這樣的一些列的均值將會為NA，這一列代表三分球的比例。有些球員沒有投出三分球，他們的百分比就是缺失的。如果我們直接使用R中的mean函數，就會得到NA，除非我們指定na.rm=TRUE，在計算均值時忽略缺失值。

繪製成對散點圖

一個探索數據的常用方法是查看列與列之間有多相關。我們將會比較ast,fg和trb。

R

library(GGally)ggpairs(nba[, c("ast", "fg", "trb")])




import seaborn as snsimport matplotlib.pyplot as pltsns.pairplot(nba[["ast", "fg", "trb"]])plt.show()




我們會得到非常相似的兩張圖，但是可以看到R的數據科學生態中有許多較小的軟體包（GGally是最常用的R繪圖包ggplot2的輔助包）和更多的通用可視化軟體包。在Python中，matplotlib是主要的繪圖包，seaborn是一個廣泛用於matplotlib上的圖層。Python中的可視化通常只有一種蛀牙哦的方法完成某件事，而R中可能有許多包支持不同的方法（例如，至少有半打繪製成對散點圖的包）。


對球員聚類

另一個很好探索數據的方式是生成類別圖。這將會顯示哪些球員更相似。

R

library(cluster)set.seed(1)isGoodCol <- function(col){   sum(is.na(col)) == 0 && is.numeric(col)}goodCols <- sapply(nba, isGoodCol)clusters <- kmeans(nba[,goodCols], centers=5)labels <- clusters$cluster

Python

from sklearn.cluster import KMeanskmeans_model = KMeans(n_clusters=5, random_state=1)good_columns = nba._get_numeric_data().dropna(axis=1)kmeans_model.fit(good_columns)labels = kmeans_model.labels_

為了正確的聚類，我們移除了所有非數值列，以及包含缺失值的列。在R中，我們在每一列上應用一個函數，如果該列包含任何缺失值或不是數值，則刪除它。接下來我們使用cluster包實施k-means聚類，在數據中發現5個簇。通過set.seed設置隨機種子以使結果可復現。

在Python中，我們使用了主要的Python機器學習包scikit-learn擬合k-means模型並得到類別標籤。數據準備的過程和R非常類似，但是用到了get_numeric_data和dropna方法。

繪製類別圖

我們現在可以按類別繪製球員分布圖以發現模式。首先使用PCA將數據降至2維，然後畫圖，用不同標記或深淺的點標誌類別。

nba2d <- prcomp(nba[,goodCols], center=TRUE)twoColumns <- nba2d$x[,1:2]clusplot(twoColumns, labels)




Python

from sklearn.decomposition import PCApca_2 = PCA(2)plot_columns = pca_2.fit_transform(good_columns)plt.scatter(x=plot_columns[:,0], y=plot_columns[:,1], c=labels)plt.show()




在R中，我們通過聚類庫中的函數clusplot函數繪圖，使用內建函數pccomp實行PCA。


在Python中，我們使用scikit-learn庫中的PCA類，使用matplotlib創建圖形。

（未完待續）

來源：數據分析網

原文地址：http://www.afenxi.com/post/8975

《橫掃offer---程式設計師招聘真題詳解700題》，開點工作室著，清華大學出版社出版，天貓、京東等各大網上書店及實體書店均已開始發售。