Python和R哪个更适合机器学习？两者结合，双倍快乐

大数据文摘出品

来源：medium

编译：张大笔茹、笪洁琼

如果你打算准备完成一个机器学习项目，比较难选择哪种编程语言，那么你要好好看这篇文章！

这篇文章不仅可以带你了解Python和R之间的区别，还可以为你盘点两种语言的优劣势。OK，就让我们带领大家开始吧！

R和Python都是在数据科学领域中非常流行的语言。据统计，约69％的开发人员使用Python而使用R的只有24％，两者都是免费开源的。但Python被定位为一种广泛使用的编程语言，而R则多用于统计分析。

人工智能（AI）和数据分析（BA）是两个构建开源语言非常普遍的领域。Python和R语言都有多种强大的支持环境，可以帮助数据科学家更有效地进行科学工作。

机器学习和数据分析之间的界限相对比较模糊。一般认为机器学习在模型可解释性方面比较注重先验的准确性，而数据分析则更关注可解释性和事实推演。Python由于越来越多地应用于先验的准确性，而在机器学习中建立了很好的声誉。作为以事实推论和静态推断擅长的语言，R则在数据分析中名声大噪。

这些不代表两种没有区别，Python完全可以用作数据分析工具，R在机器学习方面有足够的适应性。比如，Python有一些库来进行可测量的归纳，而R则有一些安装包来提高预测准确度。

接下来我们将详细讨论这两种语言，帮助你为项目选择最合适的编程语言。

Python

Python编程语言创建于80年代后期，最初用于Google内部框架方面。创建Python的设计师十分有激情。

现在它已被广泛用于YouTube，Instagram，Quora和Dropbox当中。Python在IT业务中使用频繁，并在开发团队里常用于基础构建。因此，如果你需要一种通用的编程语言和丰富拓展库，Python是首选。

Python的优势

通用—如果企业想要度量和统计数据以外的其他功能，Python是一个很好的选择。比如说设计一个功能强大的网站；
学会即真香—Python虽然难学，但是对有天赋的程序猿来说，一旦学会就无比好用；
丰富的库—python的库非常丰富，不仅可以用来完成部分有难度的项目，还能提升AI的适用性。Pandas就是一个非常典型的例子，如果你的团队重度使用R语言，那么RPy2库很适合你们；
更好的集成性-在任何设计条件下，Python都具有优于R的特性。通过这种方式，无论设计人员是否使用诸如C，C++或Java之类的语言，它都可以更好地连接各种语言。而且，基于python的堆栈来有效地创建与整合数据研究工作并不难；
提高效率—Python的语法与其它软件一样好理解，这点R也一样，可以更好地提升团队效率。

Python的劣势

缺少公共存储库，也没有一些特定可选的R专用库；
由于动态组合，在某些情况下，Python容易造成一些计算错误，而这些导致错误的因素又不太确定。

R是由统计人员创建的，几乎是为分析人员创建的，因此只要熟练掌握其语法就能做分析。由于该语言包含与机器学习相关的科学计算，而这些计算是从统计数据中得出的，因此R需要提高对语法的理解。

如果你的工作需要认真观察，那么R就会帮你缩小工作范围。例如，如果需要检验数据集，R是最佳选择。

R的优势

适用于分析—如果频繁需要数据检验，R是最佳选择，因为它可以快速建模，并与数据集一起搭建AI/ML模型；
大量好用的库和工具—与Python类似，R包含不同的安装包，可以提升机器学习模型的结果。例如，Caret包支持R的AI应用，有助于有效地建立先验模型。R的使用者将从安装包里获得更多的检验以及计算方式；
适用于探索性工作—如果你需要在现有的安装包上进行深入研究，那么R就比较简单，因为工程师只需要写几行代码即可。

R的劣势

代码比较简单，但是不太容易学会，函数可能会返回异常结果；
与其它的语言不同，R是从1开始，不是0开始；
语法也不太好懂，虽说有帮助文档。

结论

关于机器学习，Python和R都有安装库的丰富运用。只有懂得两种语言的好，才能更好地运用它们。

另一方面，可以在数据清洗开始时使用Python，建模的时候用R，R也可以和Py一起使用。

按照这些思路，可以将R用作Python的库或将Python用作R的预处理库。如果你不太了解Python,可以尝试使用封装模块的平台，这样你用起来可能更快，关于Python和R的优缺点，还是要根据项目的情况来看。