R語(yǔ)言vs Python：硬碰硬的數(shù)據(jù)分析

  我們將在已有的數(shù)十篇從主觀角度對(duì)比Python和R的文章中加入自己的觀點(diǎn)，但是這篇文章旨在更客觀地看待這兩門語(yǔ)言。我們會(huì)平行使用Python和R分析一個(gè)數(shù)據(jù)集，展示兩種語(yǔ)言在實(shí)現(xiàn)相同結(jié)果時(shí)需要使用什么樣的代碼。這讓我們了解每種語(yǔ)言的優(yōu)缺點(diǎn)，而不是猜想。
     我們將會(huì)分析一個(gè)NBA數(shù)據(jù)集，包含運(yùn)動(dòng)員和他們?cè)?013-2014賽季的表現(xiàn)，可以在這里下載這個(gè)數(shù)據(jù)集。我們展示Python和R的代碼，同時(shí)做出一些解釋和討論。事不宜遲，現(xiàn)在就開始這場(chǎng)硬碰硬的對(duì)決吧！

讀取CSV文件

R

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

Python

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

上面的代碼分別在兩種語(yǔ)言中將包含2013-2014賽季NBA球員的數(shù)據(jù)的 nba_2013.csv 文件加載為變量nba。Python中實(shí)際的唯一不同是需要加載pandas庫(kù)以使用Dataframe。Dataframe在R和Python中都可用，它是一個(gè)二維數(shù)組（矩陣），其中每列都可以是不同的數(shù)據(jù)類型。在完成這一步后，csv文件在兩種語(yǔ)言中都加載為dataframe。
統(tǒng)計(jì)球員數(shù)量

R

print(dim(nba))

[1] 481  31

Python

print(nba.shape)

(481, 31)

兩者分別輸出球員數(shù)量和數(shù)據(jù)列數(shù)量。我們有481行，或者說(shuō)球員，和31列關(guān)于球員的數(shù)據(jù)。
查看數(shù)據(jù)的第一行

R

print(head(nba, 1))

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

Python

print(nba.head(1))

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

它們幾乎完全相同。兩種語(yǔ)言都打印出數(shù)據(jù)的第一行，語(yǔ)法也非常類似。Python在這里更面向?qū)ο笠恍?，head是dataframe對(duì)象的一個(gè)方法，而R具有一個(gè)單獨(dú)的head函數(shù)。當(dāng)開始使用這些語(yǔ)言做分析時(shí)，這是一個(gè)共同的主題，可以看到Python更加面向?qū)ο蠖鳵更函數(shù)化。
計(jì)算每個(gè)指標(biāo)的均值
讓我們?yōu)槊總€(gè)指標(biāo)計(jì)算均值。如你所見，數(shù)據(jù)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(tǒng)計(jì)指標(biāo)。如果想得到指標(biāo)的完整說(shuō)明，參閱這里。

R

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

player NA
pos NAage 26.5093555093555
bref_team_id NA
[output truncated]

Python

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

age             26.509356
g               53.253638
gs              25.571726
[output truncated]

這里有一些明顯的分歧。在兩種方法中，我們均在dataframe的列上應(yīng)用了一個(gè)函數(shù)。在python中，如果我們?cè)诜菙?shù)值列（例如球員姓名）上應(yīng)用函數(shù)，會(huì)返回一個(gè)錯(cuò)誤。要避免這種情況，我們只有在取平均值之前選擇數(shù)值列。
在R中，對(duì)字符串列求均值會(huì)得到NA——not available（不可用）。然而，我們?cè)谌【禃r(shí)需要確實(shí)忽略NA（因此需要構(gòu)建我們自己的函數(shù)）。否則類似x3p.這樣的一些列的均值將會(huì)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(shù)，就會(huì)得到NA，除非我們指定na.rm=TRUE，在計(jì)算均值時(shí)忽略缺失值。
繪制成對(duì)散點(diǎn)圖
一個(gè)探索數(shù)據(jù)的常用方法是查看列與列之間有多相關(guān)。我們將會(huì)比較ast,fg和trb。
R
library(GGally)
ggpairs(nba[, c("ast", "fg", "trb")])

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

plt.show()

我們會(huì)得到非常相似的兩張圖，但是可以看到R的數(shù)據(jù)科學(xué)生態(tài)中有許多較小的軟件包（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件包。在Python中，matplotlib是主要的繪圖包，seaborn是一個(gè)廣泛用于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，至少有半打繪制成對(duì)散點(diǎn)圖的包）。

對(duì)球員聚類

另一個(gè)很好探索數(shù)據(jù)的方式是生成類別圖。這將會(huì)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 KMeans kmeans_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(shù)值列，以及包含缺失值的列。在R中，我們?cè)诿恳涣猩蠎?yīng)用一個(gè)函數(shù)，如果該列包含任何缺失值或不是數(shù)值，則刪除它。接下來(lái)我們使用cluster包實(shí)施k-means聚類，在數(shù)據(jù)中發(fā)現(xiàn)5個(gè)簇。通過(guò)set.seed設(shè)置隨機(jī)種子以使結(jié)果可復(fù)現(xiàn)。

在Python中，我們使用了主要的Python機(jī)器學(xué)習(xí)包scikit-learn擬合k-means模型并得到類別標(biāo)簽。數(shù)據(jù)準(zhǔn)備的過(guò)程和R非常類似，但是用到了get_numeric_data和dropna方法。

繪制類別圖

我們現(xiàn)在可以按類別繪制球員分布圖以發(fā)現(xiàn)模式。首先使用PCA將數(shù)據(jù)降至2維，然后畫圖，用不同標(biāo)記或深淺的點(diǎn)標(biāo)志類別。

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

Python

from sklearn.decomposition import PCA pca_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(guò)聚類庫(kù)中的函數(shù)clusplot函數(shù)繪圖，使用內(nèi)建函數(shù)pccomp實(shí)行PCA。

在Python中，我們使用scikit-learn庫(kù)中的PCA類，使用matplotlib創(chuàng)建圖形。