或者，Plotly是兩種語言通用的令人驚歎的圖形庫。（http://plot.ly/）Plotly（或Plot.ly）是使用Python構建的（特別是Django框架）。它的前端是用JavaScript構建的，並與Python，R，MATLAB，Perl，Julia，Arduino和REST集成。如果你正在嘗試構建一個webapp來展示你的可視化，我強烈建議你使用Plotly，因為它具有很棒的交互式圖表。
Iris數據集的繪圖相關圖
預測分析
正如我之前提到的，Python和R都有強大的預測分析庫。在高水平的預測建模中很難比較兩者的表現。R是專門作為統計語言編寫的，因此與Python相比，它搜索與統計建模有關的信息要容易得多。在R中對邏輯迴歸一詞進行簡單的谷歌搜索將返回6,000萬條結果，這是在Python中搜索邏輯迴歸所得結果數量的37倍。但是，對於具有軟件工程背景的數據科學家可能更容易使用Python，因為R是由統計學家編寫的。雖然我發現與其他編程語言相比，R和Python同樣易於理解。
Kaggle用戶NanoMathias對Python和R哪一個是預測分析中的更好工具進行了徹底的調查。（https://www.kaggle.com/nanomathias/predicting-r-vs-python） 他總結說，在數據科學家和分析師中，Python和R用戶的數量幾乎相等。他的研究中一個有趣的發現是，已經編碼了12年以上的人傾向於選擇R而不是Python。這表明程序員選擇R或Python進行預測分析，更多的原因是他們的個人偏好做出的決定。
R和Python用戶分析
嗯......所以普遍的共識是兩種語言在預測能力方面都非常相似。讓我們使用R和Python將邏輯迴歸模型擬合到Iris數據集，並計算其預測的準確性。（https://archive.ics.uci.edu/ml/datasets/iris）我選擇Iris數據集是因為它體積小，缺少數據缺失。沒有進行探索性數據分析（EDA）和特徵工程。我只是簡單地進行了80-20次訓練測試分割，並使用一個預測器來擬合邏輯迴歸模型。
使用R的glm模型準確率達到95％。不錯！
使用Python sklearn的LogisticRegression模型可以實現90％的準確率
使用R stat的glm函數和Python scikit-learn框架的邏輯迴歸模型，我將兩個邏輯迴歸模型擬合到Iris數據集的隨機子集中。我們在模型中只使用了一個預測器，利用萼片長度來預測花的種類。兩種型號都達到了90％或更高的準確率，R給出了更好的預測。然而，這不足以證明R具有比Python更好的預測模型。
邏輯迴歸模型只是你可以使用Python和R構建的眾多預測模型中的一個。Python相較於R不同的一個方面是其精心構建的深度學習模塊。流行的Python深度學習庫，包括Tensorflow，Theano和Keras。這些庫有充分的文檔記錄，我相信Siraj Raval已有數百個關於如何使用它們的Youtube教程。說實話，我寧願花一個小時在Keras編碼dCNNs（深度卷積神經網絡），也不願花費半天時間來弄清楚如何在R中實現它們。Igor Bobriakov已經制作了一個很好的信息圖表，描述了對Python、Scala和R中的流行庫提交和貢獻者的數量。
“用於Python，R和Scala [信息圖]的頂級數據科學庫的比較”- Igor Bobriako
性能
測量編程語言的速度通常被認為是一項有偏差的任務。每種語言都帶有針對特定任務優化的內置插件（例如R如何針對統計分析進行優化）。使用Python和R進行性能測試可以通過多種不同方式完成。我在Python和R中編寫了兩個簡單的腳本來比較Yelp的學術用戶數據集的加載時間，該數據集略高於2千兆字節。（https://www.kaggle.com/yelp-dataset/yelp-dataset#yelp_academic_dataset_user.json）
R
Python
R加載json文件的速度幾乎比Python快5倍。 眾所周知，Python的加載時間比R快，如Brian Ray的測試所示。（http://nbviewer.jupyter.org/gist/brianray/4ce15234e6ac2975b335c8d90a4b6882）讓我們看看這兩個程序如何處理大型.csv文件，因為.csv是一種常用的數據格式。我們稍微修改上面的代碼來加載西雅圖書館清單數據集，這個數據集將近4.5千兆字節。（https://www.kaggle.com/city-of-seattle/seattle-library-collection-inventory/version/15）
R
Python
與Python pandas（用於數據操作和分析的Python編程語言）相比，R加載4.5千兆字節.csv文件的時間幾乎是它的兩倍。重要的是要知道，雖然pandas主要是用Python編寫的，但是庫中更關鍵的部分是用Cython或C編寫的。這可能會對加載時間產生隱藏影響，但具體還是取決於數據格式。
現在讓我們做一些有趣的事情。拔靴法是一種從群體中隨機重新採樣的統計方法。之前我已經做了足夠的Bootstrap，知道這是一個耗時的過程，因為我們必須反覆重新採樣數據以進行多次迭代。以下代碼分別測試R和Python中引導100,000次重複的運行時：
R
Python
R花了幾乎兩倍的時間來運行引導程序。鑑於Python通常被視為是一種“慢”編程語言，這是相當令人驚訝的。我慢慢開始後悔在R而不是Python中運行我所有的本科統計學作業。
結論
本文僅討論了Python和R之間的根本區別。就個人而言，我根據手頭的任務在Python和R之間進行了修改。最近，數據科學家一直在努力將Python和R結合使用。在不久的將來，很有可能會出現第三種語言，並最終超越Python和R的受歡迎程度。作為數據科學家和工程師，我們有責任跟上最新技術並保持創新。最後，我強烈建議你閱讀Karlijn Willems的“進行數據分析是選擇R還是Python？”（https://www.datacamp.com/community/tutorials/r-or-python-for-data-analysis）信息圖表為我們在本文中討論的內容提供了一個很好的視覺摘要，並提供了其他信息，包括工作趨勢等額外信息。
閱讀更多 AI中國 的文章
