Python是进行统计分析的可行语言吗？

Question

我最初来自R，但Python似乎是最近比较常见的语言。理想情况下，我会用Python编写所有代码，因为语法更容易，而且我已经有了更多实际使用它的经验--来回切换是一种痛苦。

在ML类型方面，我所做的所有统计分析都是R类回归，时间序列，方差分析，logistic回归等等。我从来没有用Python做过这类分析。不过，我正试图为自己创建一堆代码模板，在开始之前，我想知道Python是否足够深，可以完全取代R作为我选择的语言。我最终会计划更多地使用ML，而且我知道Python可以做到这一点，最终我会想到我必须使用一种更基本的语言，比如C++。

任何人都知道Python在统计分析方面的局限性是什么，或者是将R与Python作为主要的统计分析语言的利弊联系起来的？

Answer 1

Python更多的是“通用用途”，而R则非常关注统计数据。但是，大多数(如果不是全部)在R中可以做的事情也可以用Python来完成。不同之处在于，您需要在Python中使用额外的包来处理在基本R中可以做的一些事情。

下面是一些例子：

• 数据帧是基R，而您需要在Python中使用熊猫。
• 线性模型(lm)是基R，而您需要在Python中使用状态模型或科舍特。有一些重要的概念差异需要考虑。
• 对于一些相当基本的数学操作，您需要使用numpy。

总的来说，这会带来一些额外的工作(和知识)，需要在Python中流畅地工作。我个人经常觉得与R基一起工作更舒服，因为我想在( base ) R中“更接近数据”。

然而，在其他情况下，例如，当我使用增强或神经网络时，Python似乎比R有一个优势。许多算法都是用C++ (例如喀拉斯、LightGBM)开发的，并且适合于Python和(通常是后来的) R。至少当您使用Windows时，这在Python中通常更好。您可以在R中使用诸如Tensorflow/Keras、LightGBM、Catboost之类的工具，但是在R中运行额外的包有时会让人望而却步(特别是在GPU支持下)。

许多包/方法可用于R和Python，如GLMnet (代表R / 对于Python)。您还可以从"统计学习导论“的实验室(它们也是可用的代表R和对于Python )中看到，这两种语言在所能做的事情上并没有太大的差别。不同之处更像是事情是如何做的。

最后，由于Python比R更“通用”(至少在我看来是这样)，所以您可以使用Python (除了统计之外)完成有趣有趣的事情，而对R则不能这样做(至少更难)。

Answer 2

Python的广泛使用是一个重要的考虑因素。在申请工作时，这一点将变得特别重要。此外，Python的关键统计和ML/AI工具与R一样多，并且有更大的开源基础可供利用。Python是为程序员设计的，R是为统计学家设计的。最初我是一名R程序员，但我的大多数同事都在使用Python，所以我最终转向了Python。

以下是一些基本的区别：

Python：

1. 程序员友好
2. 调试更容易
3. 更多的开放源码支持(堆栈网站等)

R：

1. 编写脚本更容易、更简单
2. 与其他语言一起工作更好
3. 更多内置功能

退房参考资料: datacamp.com/community/tutorials/r-or-python-for-data-analysis

还应该提到，我在Python中使用了R代码，使用了Rpy2。如果您正在使用笔记本，安装了必要的R库之后，只需使用%R

Answer 3

我想在现有答案的基础上补充两点：

• R和python之间有很好的交互作用，任何一个方向都有不同的可能性。对我来说，python和R之间并没有那么多的决定--这个决定是为手头的项目选择合适的主语言，然后用另一种语言(如果由于某种原因而更好的话)做一些事情。
• 我发现在R. 中生成报告的工具要方便得多，因为我的很多工作都是制作有关统计分析的报告，我主要使用R，以至于我今天遇到了一个数据分析+报告，我认为在python中做得更好，我会将报告设置为“R”标记，然后用python块来做python。