R和Python谁更好？

如果你从事在数据科学领域，提到编程语言，一定能马上想到 R 语言和 Python语言如果你在 Google 中搜索“R vs Python”，可以看到很多关于二者谁更好的讨论，但其实无论是 R 还是 Python，两个都是很优秀的工具。

出现这种现象的原因之一是，使用者们基于自己所使用的编程语言，将数据科学领域分为几个阵营，包括 R 阵营和 Python 阵营。两个阵营的人都十分相信自己选择的语言远好于对方的。所以在某种程度上，这种分歧并不全部来自于工具本身，也有来自使用者的原因。

为什么不同时使用两种语言？

其实，在数据科学的圈子里，也存在同时使用 Python 和 R 的人，但比例是非常小。另外，有一大部分坚持使用某一种语言的人，同时也希望能掌握另一种语言的某些功能。比如，R 的使用者有时候很需要 Python 的面向对象属性，与此同时，一些 Python 用户也想使用 R 强大的统计分布功能。

上图显示了由 Red Monk 在 2018 年第三季度所进行的调查的结果。此结果基于 Stack Overflow 和 Github 上语言的受欢迎程度，很明显 R 和 Python 的得分都很高。从语言本身来说，并不是限制我们不能在同一项目中使用两者的原因。而我们的最终目标要做更有洞察、有价值的分析，而选择哪种语言不应该成为这一过程中的阻碍。

纵观 R 和 Python

下面我们可以先从几个不同方面对比这两种语言，分别看看它们的优缺点。

• Python
  

自 1991 年发布以来，Python 就极其受欢迎，尤其在数据处理方面被广泛应用。它如此受欢迎有以下几个原因：

• 面向对象语言

• 通用性

• 可扩展性强，强大的社区支持

• 易于理解和学习

• Pandas、Numpy 和 Scikit-learn 等包使 Python 成为机器学习的极佳选择

然而，与 R 不同的是，Python 没有用于统计计算的专用包。

• R
  

R 首次发布于 1995 年，随即成为数据科学领域应用最广的工具之一。

• 几乎包含你能想到的任何一种统计应用工具包。当前 CRAN 有超过 10 万个包。

• 具备极好的可视化工具包，如 ggplot2。

• 能够进行独立分析。

从性能上来说，R 并不是速度最快的语言，而且在处理大型数据集时，可能对内存消耗较大。

“双剑合璧”

是否可以同时运用 R 超凡的统计能力和 Python 的编程能力呢？我们可以轻松地将 SQL 代码与 R 或 Python 相结合写成一个脚本，为什么不把 R 和 Python 也结合一起使用呢？

将 Python 与 R 同时应用在同一个项目中，有两个基本的手段，接下来就和大家分享这两个方法：

R within Python

• PypeR

PypeR 提供了一种可以让 R 连接 Python 的简单途径，即通过管道 (pipe)。PypeR 也存在于 Python 的工具包之中，提供了更便捷的安装方式。当 Python 和 R 之间不需要频繁进行数据传输时，PypeR 非常适用。当我们通过管道运行 R 时，Python 程序在子流程控制、内存控制和跨操作系统（包括 Windows、GNU Linux 和 Mac OS）移植的灵活度都比较高。

• pyRserve

pyRserve 使用 Rserve 作为 RPC 的连接网关，通过这种连接方式，用户可以在 Python 中设置 R 的变量，同时 R 的函数也可以被远程调用。

• rpy2

ryp2 可以在 Python 进程中运行内嵌的 R 语言。它创建了一种框架，可以将 Python 对象转化为 R 对象，再把它们传入 R 函数，最后将 R 输出的结果传回给 Python 对象。

在 Python 中调用 R 语言的优点之一是，我们可以在 Python 中方便地使用 R 语言强大的工具包，如 ggplot2、tidyr、dplyr 等。下面我们通过一个简单的例子来看看如何在 Python 中使用 ggplot2。

• Basic Plot

https://rpy2.github.io/doc/latest/html/graphics.html#plot

• Geometry

https://rpy2.github.io/doc/latest/html/graphics.html#geometry

关于 rpy2 的资料

rpy2官方文档

https://rpy2.github.io/doc/latest/html/index.html

RPy2: Combining the Power of R + Python for Data Science：

https://community.alteryx.com/t5/Data-Science-Blog/RPy2-Combining-the-Power-of-R-Python-for-Data-Science/ba-p/138432

Accessing R from Python using RPy2：

https://www.r-bloggers.com/accessing-r-from-python-using-rpy2/

Python with R

我们可以通过如下几个工具在 Python 中运行 R 语言的脚本：

• rJython

该工具包通过 Jython 部署了连接 Python 的界面，提供了将 Python 与 R 连通的接口。

• rPython

rPython 也是一个在 R 语言中调用 Python 的工具包，它可以在 R 中运行 Python 代码，进行函数的调用，以及变量的分配和获取等。

• SnakeCharmR

SnakeCharmR 是改良版的 rPython，它源于 rPython 的 'jsonlite' 分支，相比于 rPython 有诸多提升。

• PythonInR

PythonInR 可以让用户非常方便地在 R 语言中使用 Python，提供了可与 Python 进行交互的函数。

• reticulate

Reticulate 包提供了一整套可使 Python 与 R 互相操作的工具。在所有上面所提到的工具中，这个使用最为广泛，大部分原因在于它是由 Rstudio 主导开发的。Reticulate 在 R 模块中内嵌了 Python 模块，使两种语言可以无缝且高性能地相互操作。使用该工具包，我们可以把 Python 代码 “编织” 进 R 语言中，创造了一种将两种语言相结合的新型项目。

Reticulate 包提供了以下功能：

• 提供多种在 R 语言中调用 Python 的方式，包括 R Markdown、导入 Python 脚本、引入 Python 模块，以及在 R 模块中使用 Python。

• 提供 R 对象和 Python 对象间的相互转换（例如，R 与 Pandas 数据框的转换，或 R 矩阵与 NumPy 数组的转换）。

• 可与不同版本的 Python 进行灵活的合作，包括虚拟环境和 Conda 环境。

关于 reticulate 工具包的资源：

该文档提供了许多实例来助你入门：

https://rstudio.github.io/reticulate/

使用 reticulate 包，在 R 语言中使用 Python：

https://longhowlam.wordpress.com/2017/04/10/test-driving-python-integration-in-r-using-the-reticulate-package/

工具包中的 “蛇”：用 reticulate 将 Python 与 R 联结：

https://www.mango-solutions.com/blog/snakes-in-a-package-combining-python-and-r-with-reticulate

结论

R 和 Python 都是完整且稳定的语言，都足以完成一项数据分析任务。虽然二者均存在一些各自的优劣势，如果能利用好它们的优点，我们就能更好地完成任务。总之，同时掌握两种语言会使我们更加灵活，从而在多种环境下自如地工作。

【推荐课程：Python视频教程】

以上就是R和Python谁更好？的详细内容，更多请关注其它相关文章！