新兴生态系统：Python和R语言，谁更适用于大数据Spark/Hadoop和深度学习？

作者：Gregory Piatetsky, KDnuggets 本文为36大数据独译，译者ya楠

本文中我们将对现有大数据的顶级工具做项测验：Python和R语言，谁更适用于Spark/Hadoop和深度学习，并确定一个新兴的大数据深度学习生态系统。

上个月，我们对第18届KDnuggets软件的调查结果进行了一次报道：数据分析、数据科学、机器学习中的新领导者、趋势和惊喜。

本文将更详细的考察哪些工具能够相互之间友好合作，哪些工具则兼容性较差。我们还发现了一个新兴的Python友好型工具生态系统，这些工具通常被应用在数据科学的两大前沿：大数据（Spark / Hadoop）和深度学习。

本文的末尾有一个匿名数据集的链接——欢迎读者对数据进行分析，然后将结果发布或者发送给我。

首先，让我们来看一下顶级工具之间的联系。

我们选取了投票超过500票的工具（今年有11项入选）。

衡量两个特征之间的关联程度有很多种方法，比如卡方分析或T检验，但此次我们仍然沿用了在2015年和2016年分析时采用的相对简单的方法。此处先定义一个“Lift”

Lift (X & Y) = pct (X & Y) / ( pct (X) * pct (Y) )

其中pct(X)表示选择X的用户百分比。

Lift(X&Y)> 1表示X&Y 一起出现的频率比预设中两者相互独立要大；Lift=1表示X&Y 一起出现的频率恰好等于预设中两者相互独立，Lift<1表明X&Y 一起出现的频率小于两者相互独立的情况（负相关）。

为了更直观的看到与1之间的差距，我们定义

Lift1 (X & Y) = Lift (X & Y) – 1

表1将排名前11的工具的Lift1值进行了两两比较，并筛选出关联度绝对值abs(Lift1) 大于15%的情况。

图1：数据科学、机器学习高级工具关联度表，2017

注：绿色表示正相关，红色表示负相关。

标签Lift1上文已解释；条形的宽度与Lift1的大小成正比。

我们注意到，Python不仅与Anaconda、Tensorflow和scikit- learn(不出所料)有显著的正相关，另外与Spark还具有显著正相关关系。

在比较流行的工具中，R语言相较于Python则关联性较弱。

除了Tableau之外，RapidMiner与其他顶级工具基本上都处于负相关关系，Excel用户也喜欢Tableau。而与Spark关系最密切的是Tensorflow 和scikit-learn。

Python聚类、Spark、Anaconda、Tensorflow和scikit- learn经常被一起使用，它们似乎形成了基于Python的大数据和深度学习生态系统的核心。

Python vs R语言

接下来我们将研究使用Python或者R语言的前30个工具的亲和度。

用 with_Py(X)= %表示使用Python的工具X，with_R(X) % 表示使用R语言的工具X。可视化亲和度的过程中，我们采取一个非常简单的方式：Bias_Py_R(X) = log2(with_Py(X)/with_R(X)) ，若值为正则表明该工具更多使用了Python，当值为负则表明该工具更倾向于使用R语言。我们可以校正Python和R的相对频率，但由于它们在2017年的使用频率几乎相等，所以这种校正也是微不足道的。