R和Python，哪个对数据科学初学者更友好？

编者按：数据科学家Alan Marazzi这篇讨论R和Python哪个对数据科学初学者更友好的文章有些偏向R语言，结论仅供参考。不过，它出色地展示了R语言在数据问题上犀利的表达力。对初学者而言，从高层抽象（由R语言中的原生结构或Numpy之类的Python第三方库提供）入手也确实更加便利。

这不是你通常在网上看到的那类争论R和Python哪个好的帖子。事实上，我根本不想讨论到底哪个好。我只想说明，想要入门数据科学的学习者，从R开始更合适。

向量

什么是向量？如果你知道矩阵，那你就知道向量。向量可以看成矩阵的行或列，也就是由数字组成的一维“列表”。通常向量用作数据表的列，因为我们确信同一列内的数据类型相同。

浮点数、整数、字符串、类别，等等，向量中的元素总是属于同一类型。这很重要，因为我们可以利用这一点加速和简化代码：解释器只需检查第一项记录的类型。你也许已经知道，向量是R的原生结构，事实上，R中标量也是向量（一维向量）。

vec <- c(5, 3, 4)

class(vec)

[1] "numeric"

class(3)

[1] "numeric"

向量化

进行数据分析或机器学习时，常常需要处理表格形式的数据，或者，从更底层的角度来说，向量的序列。如果我想将向量中的每项记录乘2，在R中我可以非常自然地做到这一点：

vec * 2

[1] 1068

Python中，向量不是原生结构，不过我们可以使用列表存储向量。所以让我们在Python 3中尝试相同的操作（你需要操心到底用Python 2还是Python 3是另一个问题）：

>>> [5, 3, 4] * 2

[5, 3, 4, 5, 3, 4]

搞什么……

在Python中要得到同样的结果，你需要使用for循环：

>>> for num in [5, 3, 4]:

...     num * 2

...

10

6

8

你可能需要把结果存储到另一个列表中，所以你需要首先初始化一个空列表来存放结果，然后启动循环，在每个迭代中添加结果：

>>> res = []

>>> for num in [5, 3, 4]:

...     res.append(num * 2)

...

>>> print(res)

[10, 6, 8]

在R中，你只需：

vec <- c(5, 3, 4) * 2

vec

[1] 1068

（译者注：不考虑引入numpy等第三方库的情况下，用Python的列表理解表达要简洁许多：[i * 2 for i in [5, 3, 4]]）

我想强调的是，这主要不是少打几个字的问题，而是形成“恰当的”心智模型的问题。许多人抱怨R代码很慢，99%是因为没有向量化他们的代码，而使用“Python风格”的循环（隐式或显式）。

随机行走例子

我们将分别在R和Python中实现随机行走，Python代码取自《From Python to NumPy》一书。

让我们从最基本的循环方式开始：

>>> import random # 需要引入random模块

>>> def random_walk(n):

...     position = 0# 初始化位置变量

...     walk = [position]  # 初始化列表

...     for i in range(n):

...         position += 2*random.randint(0, 1)-1# 更新位置值

...         walk.append(position)  # 附加结果至行走列表

...     return walk

...

如果对象非常大，上面的代码会变得很慢，我们可以使用itertools模块改善性能：

>>> from itertools import accumulate

>>> import random

>>> def random_walk_faster(n=1000):

...     steps = random.sample([1, -1]*n, n)

...     return list(accumulate(steps))

...

不过，这还是没有向量化。它不过是更高效的循环而已。要做到完全向量化，我们需要使用NumPy：

>>> import numpy as np

>>> def random_walk_fastest(n=1000):

...     steps = 2*np.random.randint(0, 2, size=n) - 1

...     return np.cumsum(steps)

...

换成R语言：

rw <- cumsum(sample(c(-1, 1), 1000, TRUE))

无需引入什么模块，无需额外定义什么函数或方法，一行搞定。（译者注：Python确实需要引入NumPy，但其实也不用额外定义函数，np.cumsum(np.random.randint(...))）。

结语

如果你想从事和数据打交道的工作，或者想要教别人如何处理数据，可以从R开始。熟练使用R之后，再开始学Python比较好。