在當下，人工智能的浪潮席捲而來。從AlphaGo、無人駕駛技術、人臉識別、語音對話，到商城推薦系統，金融業的風控，量化運營、用戶洞察、企業徵信、智能投顧等，人工智能的應用廣泛滲透到各行各業，也讓數據科學家們供不應求。Python和R作爲機器學習的主流語言，受到了越來越多的關注。數據學習領域的新兵們經常不清楚如何在二者之間做出抉擇，本文就語言特性與使用場景爲大家對比剖析。
一．Python和R的概念與特性
Python是一種面向對象、解釋型免費開源高級語言。它功能強大，有活躍的社區支持和各式各樣的類庫，同時具備簡潔、易讀以及可擴展等優點，在近幾年成爲高人氣的編程語言。
Python的優勢：
1、Python的使用場景非常多，不僅和R一樣可以用於統計分析，更廣泛應用於系統編程、圖形處理、文本處理、數據庫編程、網絡編程、Web編程、網絡爬蟲等，非常適合那些想深入鑽研數據分析或者應用統計技術的程序員。
2、目前主流的大數據和機器學習框架對Python都提供了很好的支持，比如Hadoop、Spark、Tensorflow；同時，Python也有着強大的社區支持，特別是近年來隨着人工智能的興起，越來越多的開發者活躍在Python的社區中。
3、Python作爲一種膠水語言，能夠和其他語言連結在一起，比如你的統計分析部分可以用R語言寫，然後封裝爲Python可以調用的擴展類庫。
R語言是一種用來進行數據探索、統計分析和作圖的解釋型語言，但更像一種數學計算的環境。它模塊豐富，爲數學計算提供了極爲方便的編程方式，特別是針對矩陣的計算。
R語言的優勢：
1、R語言擁有許多優雅直觀的圖表，常見的數據可視化的工具包有：
· 交互式圖表rCharts、Plotly，交互時序圖dygraphs，交互樹狀圖TreeMap
· ggplot2-一個基於圖形語法的繪圖系統
· lattice-R語言格子圖形
· rbokeh-針對Bokeh的R語言接口
· RGL-使用了OpenGL的3D可視化
· Shiny-用於創建交互式應用和可視化的框架
· visNetwork-交互式網絡可視化
散點圖
時序圖
詞雲圖
2、擁有大量專門面向統計人員的實用功能和豐富的數學工具包。自帶base一R的基礎模塊、mle一極大似然估計模塊、ts一時間序列分析模塊、mva一多元統計分析模塊、survival一生存分析模塊等，同時用戶可以靈活使用數組和矩陣的操作運算符，及一系列連貫而又完整的數據分析中間工具。
3、語言簡潔上手快，不需要明確定義變量類型。比如下面簡簡單單三行代碼，就能定義一元線性迴歸，是不是很酷炫：
x <- 1:10
y <- x+rnorm(10, 0, 1)
fit <- lm(y ~ x)
同時，R語言對向量化的支持程度高，通過向量化運算，數據在計算過程中前後不依賴，是一種高度並行計算的實現，也避免了許多循環結構的使用。
當然了，相比於Python它也存在着一些劣勢。比如內存管理問題，在大樣本的迴歸中，如使用不當就會出現內存不足的情況，但目前spark也提供了對R的支持，開發者可以使用sparkR進行大數據的計算處理。
二.Python和R在文本信息挖掘和時序分析方面的區別
Python和R都有非常強大的代碼庫，Python有PyPi，R有CRAN。但兩者方向不同，Python使用的範圍更加廣泛，涉及到方方面面；R更專注統計方面，但在數據量大時運行速度很慢。下面我針對數據分析中的兩種使用場景來比較Python和R：
1. 文本信息挖掘：
文本信息挖掘的應用非常廣泛，例如根據網購評價、社交網站的推文或者新聞進行情感極性分析等。這裏我們用例子分析比較一下。
Python有良好的程序包幫助我們進行分析。比如NLTK，以及專門針對中文的SnowNLP，包含了中文分詞、詞性標註、情感分析，文本分類、TextRank、TF-IDF等模塊。
在用Python做情感極性分析時，首先需要將句子分解爲單詞，這裏我們可以使用Python中jieba分詞，使用起來也非常簡單：
word=jieba.cut(m,cut_all=False)
然後操作特徵提取，可以利用NLTK中的stopwords先去除停用詞。如果有需要，可以對文本進行向量化處理，這裏我們可以採用Bag of Words，選擇TF-IDF進行基於權重的向量轉化，也可以使用Word2Vec進行基於相似度的轉化。接下來，使用sklearn包中的pca進行降維：
pca=PCA(n_components=1)
newData=pca.fit_transform(data)
除了pca，還可以選擇使用互信息或者信息熵等其他方法。
之後，我們進行分類算法模型訓練和模型評估，可以使用樸素貝葉斯（NaiveBayes），決策樹（Decision Tree）等NLTK 自帶的機器學習方法。
使用R進行情感極性分析
首先需要對數據進行預處理，安裝Rwordseg/rJava（其中有不少坑）兩個包；
進行數據清理清除掉沒用的符號後，進行分詞：Rwordseg中的segmentCN方法可以對中文進行分詞。當然，也可以使用jiebaR；
接下來構建單詞-文檔-標籤數據集，去除停用詞；
創建文檔-詞項矩陣，可以選擇TermDocumentMatrix，使用weightTfIdf方法得到tf-idf矩陣；
最後用e1071包中的貝葉斯方法進行文本分類，或者可以用RTextTools包中的其他機器學習算法來完成分類，其中包含九種算法：BAGGING(ipred:bagging)：bagging集成分類
BOOSTING (caTools:LogitBoost)：Logit Boosting 集成分類
GLMNET(glmnet:glmnet)：基於最大似然的廣義線性迴歸
MAXENT(maxent:maxent)：最大熵模型
NNET(nnet:nnet) ：神經網絡
RF(randomForest:randomForest)：隨機森林
SLDA(ipred:slda)：scaled 線性判別分析
SVM(e1071:svm) ：支持向量機
TREE (tree:tree)：遞歸分類樹
2.時序分析：
時間序列分析是根據系統觀察得到的時間序列數據，通過曲線擬合和參數估計來建立數學模型的理論和方法，通常用於金融領域、氣象預測、市場分析領域等。R語言擁有許多程序包可用於處理規則和不規則時間序列，因而更有優勢。
Python進行時序分析的時常用ARIMA(p,d,q)模型，其中d指的是差分項，p和q分別代表自迴歸項和移動平均項。構建ARIMA模型使用最多的就是statsmodels模塊，該模塊可以用來進行時間序列的差分，建模和模型的檢驗。這裏例舉一個週期性預測的例子：
下面是一組數據，代表美國某公交公司發佈的五十年中每年的乘客相關數據（比如1950-2000）：
data = [9930, 9318, 9595, 9972, 6706, 5756, 8092, 9551, 8722, 9913, 10151, 7186, 5422, 5337, 10649, 10652, 9310, 11043, 6937, 5476, 8662, 8570, 8981, 8331, 8449, 5773, 5304, 8355, 9477, 9148, 9395, 10261, 7713, 6299, 9424,9795, 10069, 10602, 10427, 8095, 6707, 9767, 11136, 11812, 11006, 11528, 9329, 6818, 10719, 10683]
1).首先，使用pandas進行處理和存儲數據：
data=pd.Series(data)
2).然後需要對數據進行平穩性檢驗，一般利用單位根檢驗，常用的方法有ADF、DFGLS、PP等等：
Python中直接用ADF(data), DFGLS(data)就可以得出pvalue的結果
3).序列平穩性是進行時間序列分析的前提條件,如果上一個步驟顯示結果不平穩，就需要對時間序列做平穩性處理，一般用差分法最多：
diff1 = data.diff(2)
其中diff（object）表示差分的階數，這裏我們使用2階，當然你也可以用1階、3階、4階等等
4).進行白噪聲檢驗：
value=acorr_ljungbox(data,lags=1)
5).現在，我們的ARIMA(p,d,q)中的d=2，接下來我們進行模型選擇。第一步是計算出p和q，首先檢查平穩時間序列的自相關圖和偏自相關圖，通過sm.graphics.tsa.plot_acf (data)和sm.graphics.tsa.plot_pacf(data)，然後通過係數情況進行模型選擇，可供選擇的有AR,MA,ARMA,ARIMA。
6).模型訓練：model=sm.tsa.ARMA(data,(p,d,q)).fit()，此處用ARMA模型計算出p和q，從而訓練出模型。
用R來構建時間序列模型
R針對時間序列有各式各樣的工具包，比如：
library(xts)，library(timeSeires)，library(zoo)—時間基礎包
library(urca)--進行單位根檢驗
library(tseries)--arma模型
library(fUnitRoots)--進行單位根檢驗
library(FinTS)--調用其中的自迴歸檢驗函數
library(fGarch)--GARCH模型
library(nlme)--調用其中的gls函數
library(fArma)--進行擬合和檢驗
library(forecast)—arima建模
下面我介紹一下R語言中forecast工具包裏面兩個很強大的工具：ets和auto.arima。用戶什麼都不需要做，這兩個函數會自動挑選一個最恰當的算法去分析數據。比如用ets來處理：
fit<-ets(train)
accuracy(predict(fit,12),test)
或者用auto.arima處理：
fit<-auto.arima(train)
accuracy(forecast(fit,h=12),test)
除此之外，forecast包中有針對增長或者降低趨勢並且存在季節性波動的時間序列算法Holt-Winters。Holt-Winters的思想是把數據分解成三個成分：平均水平（level），趨勢（trend），週期性（seasonality）。R裏面一個簡單的函數stl就可以把原始數據進行分解。
本文主要從各自優勢及具體例子中分析了Python與R兩種編程語言。不難看出，二者在“綜合實力”上難分伯仲，具體選擇哪一種深入學習，依然需要考慮自己實際期望解決的問題、應用的領域等等方面。最後歡迎大家就大數據編程語言相關問題與我溝通交流~