R語言vs Python：硬碰硬的數據分析

  我們將在已有的數十篇從主觀角度對比Python和R的文章中加入自己的觀點，但是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么樣的代碼。這讓我們了解每種語言的優(yōu)缺點，而不是猜想。
     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，可以在這里下載這個數據集。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 pandas
nba = 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。在完成這一步后，csv文件在兩種語言中都加載為dataframe。
統(tǒng)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列關于球員的數據。
查看數據的第一行

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。兩種語言都打印出數據的第一行，語法也非常類似。Python在這里更面向對象一些，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?yōu)槊總€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(tǒng)計指標。如果想得到指標的完整說明，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。
繪制成對散點圖
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 plt
sns.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(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 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(fā)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模型并得到類別標簽。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。

繪制類別圖

我們現在可以按類別繪制球員分布圖以發(fā)現模式。首先使用PCA將數據降至2維，然后畫圖，用不同標記或深淺的點標志類別。

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(chuàng)建圖形。