在真實的數據科學世界裡，我們會有兩個極端，一個是業務，一個是工程。偏向業務的數據科學被稱為數據分析（Data Analysis），也就是A型數據科學。偏向工程的數據科學被稱為數據構建(Data Building)，也就是B型數據科學。
從工具上來看，按由業務到工程的順序，這個兩條是：EXCEL >> R >> Python >> Scala
在實際工作中，對於小數據集的簡單分析來說，使用EXCEL絕對是最佳選擇。當我們需要更多複雜的統計分析和數據處理時，我們就需要轉移到 Python 和 R 上。在確定工程實施和大數據集操作時，我們就需要依賴 Scala 的靜態類型等工程方法構建完整的數據分析系統。
Scala 和 Excel 是兩個極端，對於大多數創業公司而言，我們沒有足夠多的人手來實現專業化的分工，更多情況下，我們會在 Python 和 R 上花費更多的時間同時完成數據分析（A型）和數據構建（B型）的工作。而許多人也對 Python 和 R 的交叉使用存在疑惑，所以本文將從實踐角度對 Python 和 R 中做了一個詳細的比較。
應用場景對比應用Python的場景網絡爬蟲/抓取：儘管 rvest 已經讓 R 的網絡爬蟲/抓取變得容易，但 Python 的 beautifulsoup 和 Scrapy 更加成熟、功能更強大，結合django-scrapy我們可以很快的構建一個定製化的爬蟲管理系統。
連接資料庫: R 提供了許多連接資料庫的選擇，但 Python 只用 sqlachemy 通過ORM的方式，一個包就解決了多種資料庫連接的問題，且在生產環境中廣泛使用。Python由於支持佔位符操作，在拼接SQL語句時也更加方便。
內容管理系統：基於Django，Python可以快速通過ORM建立資料庫、後臺管理系統，而R中的 Shiny 的鑑權功能暫時還需要付費使用。
API構建：通過Tornado這個標準的網絡處理庫，Python也可以快速實現輕量級的API，而R則較為複雜。
應用R的場景統計分析: 儘管 Python 裡 Scipy、Pandas、statsmodels 提供了一系列統計工具 ，R 本身是專門為統計分析應用建立的，所以擁有更多此類工具。
互動式圖表/面板: 近來 bokeh、plotly、 intuitics 將 Python 的圖形功能擴展到了網頁瀏覽器，甚至我們可以用tornado+d3來進一步定製可視化頁面，但 R 的 shiny 和 shiny dashboard 速度更快，所需代碼更少。
數據流編程對比接著，我們將通過下面幾個方面，對Python 和 R 的數據流編程做出一個詳細的對比。
參數傳遞
數據讀取
基本數據結構對照
矩陣轉化
矩陣計算
數據操作
參數傳遞Python/R 都可以通過命令行的方式和其他語言做交互，通過命令行而不是直接調用某個類或方法可以更好地降低耦合性，在提高團隊協作的效率。
參數PythonR命令行輸入Python path/to/myscript.py arg1 arg2 arg3Rscript path/to/myscript.R arg1 arg2 arg3腳本識別import sys my_args = sys.argvmyArgs <- commandArgs(trailingOnly = TRUE)數據傳輸與解析對於數據傳輸與解析，我們首推的格式是csv，因為一方面，csv格式的讀寫解析都可以通過 Python 和 R 的原生函數完成，不需要再安裝其他包。另一方面，csv格式可以很快的轉化為 data frame 格式，而data frame 格式是數據流分析的核心。
不過，實際情況中，我們需要傳輸一些非結構化的數據，這時候就必須用到 JSNO 或者 YAML。
數據傳輸與解析PythonRCSV(原生)csvread.csvCSV(優化)pandas.read_csv("nba_2013.csv")data.table::fread("nba_2013.csv")JSONjson(原生)jsonliteYAMLPyYAMLyaml基本數據結構由於是從科學計算的角度出發，R 中的數據結構非常的簡單，主要包括 向量（一維）、多維數組（二維時為矩陣）、列表（非結構化數據）、數據框（結構化數據）。而 Python 則包含更豐富的數據結構來實現數據更精準的訪問和內存控制，多維數組（可讀寫、有序）、元組（只讀、有序）、集合（唯一、無序）、字典（Key-Value）等等。
矩陣操作實際上，Python（numpy） 和 R中的矩陣都是通過一個多維數組（ndarray）實現的。
矩陣轉化PythonR維度data.shapedim(data)轉為向量data.flatten(1)as.vector(data)轉為矩陣np.array([[1,2,3],[3,2,1]])matrix(c(1,2,3,3,2,1),nrow=2,byrow=T)轉置data.Tt(data)矩陣變形矩陣變形data.reshape(1,np.prod(data.shape))matrix(data,ncol=nrow(data)*ncol(data))矩陣按行拼接np.r_[A,B]rbind(A,B)矩陣按列拼接np.c_[A,B]cbind(A,B)矩陣計算PythonR矩陣乘法np.dot(A,B)A %*% B矩陣冪指np.power(A,3)A^3全零矩陣np.zeros((3,3))matrix(0,nrow=3,ncol=3)矩陣求逆np.linalg.inv(A)solve(A)協方差np.cov(A,B)cov(A,B)特徵值np.linalg.eig(A)[0]eigen(A)$values特徵向量np.linalg.eig(A)[1]eigen(A)$vectors數據框操作參考 R 中的 data frame 結構，Python 的 Pandas包也實現了類似的 data frame 數據結構。現在，為了加強數據框的操作，R 中更是演進出了 data table 格式（簡稱dt），這種格式以 dt[where,select,group by] 的形式支持類似SQL的語法。
數據框操作PythonR按Factor的Select操作df[['a', 'c']]dt[,.(a,c),]按Index的Select操作df.iloc[:,1:2]dt[,1:2,with=FALSE]按Index的Filter操作df[1:2]dt[1:2]groupby分組操作df.groupby(['a','b'])[['c','d']].mean()aggregate(x=dt[, c("v1", "v2")], by=list(mydt2$by1, mydt2$by2), FUN = mean)%in% 匹配操作 返回T/Fpd.Series(np.arange(5),dtype=np.float32).isin([2, 4])0:4 %in% c(2,4)match 匹配操作 返回Indexpd.Series(pd.match(pd.Series(np.arange(5),dtype=np.float32),[2,4],np.nan))match(0:4, c(2,4))tapplydf.pivot_table(values='a', columns='c', aggfunc=np.max)tapply(dt$a,dt$c,max)#其中dt$a是numeric，dt$c是nominal查詢操作df[df.a <= df.b]dt[ a<=b ]with操作pd.DataFrame({'a': np.random.randn(10), 'b': np.random.randn(10)}).eval('a + b')with(dt,a + b)plyr操作df.groupby(['month','week']).agg([np.mean, np.std])ddply(dt, .(month, week), summarize,mean = round(mean(x), 2),sd = round(sd(x), 2))多維數組融合pd.DataFrame([tuple(list(x)+[val]) for x, val in np.ndenumerate(np.array(list(range(1,24))+[np.NAN]).reshape(2,3,4))])data.frame(melt(array(c(1:23, NA), c(2,3,4))))多維列表融合pd.DataFrame(list(enumerate(list(range(1,5))+[np.NAN])))data.frame(melt(as.list(c(1:4, NA))))數據框融合pd.melt(pd.DataFrame({'first' : ['John', 'Mary'],'last' : ['Doe', 'Bo'],'height' : [5.5, 6.0],'weight' : [130, 150]}), id_vars=['first', 'last'])melt(data.frame(first = c('John', 'Mary'),last = c('Doe', 'Bo'),height = c(5.5, 6.0),weight = c(130, 150), id=c("first", "last"))數據透視表 pivot tablepd.pivot_table(pd.melt(pd.DataFrame({ 'x': np.random.uniform(1., 168., 12), 'y': np.random.uniform(7., 334., 12), 'z': np.random.uniform(1.7, 20.7, 12), 'month': [5,6,7]4, 'week': [1,2]6}), id_vars=['month', 'week']), values='value', index=['variable','week'],columns=['month'], aggfunc=np.mean)acast(melt(data.frame(x = runif(12, 1, 168),y = runif(12, 7, 334),z = runif(12, 1.7, 20.7),month = rep(c(5,6,7),4),week = rep(c(1,2), 6)), id=c("month", "week")), week ~ month ~ variable, mean)連續型數值因子分類pd.cut(pd.Series([1,2,3,4,5,6]), 3)cut(c(1,2,3,4,5,6), 3)名義型因子分類pd.Series([1,2,3,2,2,3]).astype("category")factor(c(1,2,3,2,2,3))數據流編程對比的示例Python 的 Pandas 中的管道操作(df .groupby(['a', 'b', 'c'], as_index=False) .agg({'d': sum, 'e': mean, 'f', np.std}) .assign(g=lambda x: x.a / x.c) .query("g > 0.05") .merge(df2, on='a'))
R 的 dplyr 中的管道操作flights %>% group_by(year, month, day) %>% select(arr_delay, dep_delay) summarise( arr = mean(arr_delay, na.rm = TRUE), dep = mean(dep_delay, na.rm = TRUE)) %>% filter(arr > 30 | dep > 30)
數據可視化對比繪製相關性散點圖對比數據相關性是數據探索常用的一種方法，下面是Python和R的對比。
Pythonimport seaborn as snsimport matplotlib.pyplot as pltsns.pairplot(nba[["ast", "fg", "trb"]])plt.show()
Rlibrary(GGally)ggpairs(nba[,c("ast", "fg", "trb")])
然我們最終得到了類似的圖形，這裡R中GGally是依賴於ggplot2，而Python則是在matplotlib的基礎上結合Seaborn，除了GGally在R中我們還有很多其他的類似方法來實現對比製圖，顯然R中的繪圖有更完善的生態系統。
繪製聚類效果圖這裡以K-means為例，為了方便聚類，我們將非數值型或者有確實數據的列排除在外。
Pythonfrom 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_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()
Rlibrary(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$clusternba2d <- prcomp(nba[,goodCols], center=TRUE)twoColumns <- nba2d$x[,1:2]clusplot(twoColumns, labels)
速度對比Pythonimport numpy as npxx = np.zeros(100000000)%timeit xx[:] = 1
The slowest run took 9.29 times longer than the fastest. This could mean that an intermediate result is being cached 1 loops, best of 3: 111 ms per loop
Rxx <- rep(0, 100000000)system.time(xx[] <- 1)
user system elapsed 1.326 0.103 1.433
顯然這裡 R 1.326的成績 比 Python 的 Numpy 3:111 的速度快了不少。
事實上，現在 R 和 Python 的數據操作的速度已經被優化得旗鼓相當了。下面是R中的 data.table、dplyr 與 Python 中的 pandas 的數據操作性能對比：
結論Python 的 pandas 從 R 中偷師 dataframes，R 中的 rvest 則借鑑了 Python 的 BeautifulSoup，我們可以看出兩種語言在一定程度上存在的互補性，通常，我們認為 Python 比 R 在泛型編程上更有優勢，而 R 在數據探索、統計分析是一種更高效的獨立數據分析工具。所以說，同時學會Python和R這兩把刷子才是數據科學的王道。
文章來源：雪晴數據網