R語言和Python—一個錯誤的分裂

最近有一些文章提出與年齡相關(guān)的問題：“嶄露頭角的年輕數(shù)據(jù)科學(xué)家們是學(xué)習(xí)R語言還是Python更好?”

答案似乎都是“視情況而定”，在現(xiàn)實(shí)中沒有必要在R和Python中做出選擇，因為你兩個都用得到。

什么是”數(shù)據(jù)科學(xué)”?

在談?wù)揜Py2之前，先來說一下“數(shù)據(jù)科學(xué)”，我要說的是“數(shù)據(jù)科學(xué)”是一個奇怪的詞。因為幾乎所有的科學(xué)都是“數(shù)據(jù)科學(xué)”。“無數(shù)據(jù)科學(xué)”則是完全不同的領(lǐng)域：哲學(xué)。“數(shù)據(jù)科學(xué)”是一門通過系統(tǒng)觀察，對照實(shí)驗，貝葉斯推理的開放試驗理念的科學(xué)學(xué)科。

“數(shù)據(jù)科學(xué)”的目標(biāo)是從數(shù)據(jù)中得出有效的統(tǒng)計推論。標(biāo)簽“數(shù)據(jù)”是指數(shù)據(jù)用于做什么并不重要，但這是錯誤的：它是難以且不可能做到科學(xué)的在沒有得到數(shù)據(jù)的詳細(xì)信息，得去了解系統(tǒng)的弱點(diǎn)并生產(chǎn)出來，智能、靈敏的應(yīng)對非理想好數(shù)據(jù)。

任何有趣的數(shù)據(jù)集至少有以下一些特性：缺失值，異常值和噪聲。缺失值：顧名思義就是缺失的值。異常值：離群怪異的事件，由于某種原因或其他的事件其值遠(yuǎn)遠(yuǎn)的超出合理界限。噪聲的是，從所測量的值的隨機(jī)（或非隨機(jī)的）影響的著結(jié)果的分布。一個良好的測量分布，異常值和噪聲在噪聲不同下一般有較容易理解的因素，而異常值通常是很少發(fā)生的，我們不能通過分布很好的理解。

對于處理這類事情R，Python和RPY的都是有用的工具。

為什么R非常適合數(shù)據(jù)科學(xué)

R語言對有經(jīng)驗的統(tǒng)計分析師來說是非常輕量級. 它由科學(xué)家創(chuàng)造，對絕大多數(shù)的數(shù)據(jù)管理任務(wù)來說都非常輕松。特別適合以下幾種數(shù)據(jù)管理任務(wù):

標(biāo)記數(shù)據(jù)

填充遺漏值（譯者注:比如10行數(shù)據(jù)每行固定9列，但是第三行卻只有5列數(shù)據(jù)，可以通過R的函數(shù)自動補(bǔ)全另外的5列值）

過濾

R語言對標(biāo)記數(shù)據(jù)的支持非常友好.  R語言的“data frame”概念,使得通過對數(shù)據(jù)列和數(shù)據(jù)行頭來分割組合數(shù)據(jù)、標(biāo)記數(shù)據(jù)，然后以純數(shù)值的矩陣數(shù)據(jù)交給算法處理. 而傳統(tǒng)的數(shù)據(jù)科學(xué)開發(fā)語言，如Python對數(shù)據(jù)的處理都需要開發(fā)者自己完成,需要消耗開發(fā)者大量時間且容易出錯.

處理或丟棄遺漏值、離群值(譯者注：極值，如最大值、最小值)在數(shù)據(jù)中是非?；镜匾娜蝿?wù). 某些情況下,本來是有利的數(shù)據(jù)，卻因為測量誤差等原因變成了不利、反對的數(shù)據(jù)。(譯者注：比如越趨近于1才表示越可能是.）你如何處理這些事情可以對你的分析結(jié)果產(chǎn)生很大的影響。

R語言提供了豐富的算法來處理長期以來科學(xué)實(shí)踐中出現(xiàn)的各種數(shù)據(jù)有關(guān)問題,雖然這些算法仍然需要自己去嘗試和判斷選擇，以選擇最恰當(dāng)?shù)臄?shù)據(jù)處理算法.

RPy2: 架起R語言與Python之間的橋梁

Pandas，Python的數(shù)據(jù)分析庫，目前它已經(jīng)有很多相同功能，但是RPy2創(chuàng)造了一條很好的從R語言到Python的遷移路線，它讓你在學(xué)習(xí)Python的時候，把R語言作為一個附屬部分來學(xué)習(xí)，對于很多有豐富實(shí)驗開發(fā)經(jīng)驗的分析師會使用R語言，當(dāng)他們想把算法融入一個Python應(yīng)用程序，并分發(fā)給用戶時，他們也可以使用RPy2。

執(zhí)行這種遷移的能力，而不離開R語言的概念模型是很有價值的，但從另一個角度來說，這也是一個限制，能夠使用一個真正的通用編程語言，如：Python，來包裝概念模型，并使得這個用戶友好的應(yīng)用程序有多種復(fù)雜的附加功能（打印，網(wǎng)絡(luò)，USB支持，等等）是至關(guān)重要的。

舉例來說，我已經(jīng)使用了這種方法來創(chuàng)建讀取傳感器數(shù)據(jù)的Python應(yīng)用，通過RPy2處理，以各種方式顯示給客戶，我不知道怎么用R語言讀取傳感器數(shù)據(jù)，應(yīng)該是有某種方法的。而Python已經(jīng)做好了我需要的模塊，即使沒有也非常容易擴(kuò)展。

如果你還不知道R語言，我推薦你學(xué)習(xí)Python并且使用RPy2來訪問R語言的函數(shù)。你學(xué)習(xí)一種語言獲得了兩種能力。一旦你學(xué)習(xí)過RPy，再轉(zhuǎn)到純R語言也不是什么大問題，但是，你想要反過來就沒那么容易了。