[[191674]]

本文是幫助 R 用戶增強(qiáng)技能和為數(shù)據(jù)科學(xué)進(jìn)階而學(xué)習(xí) Python (從零開始)。畢竟，R 和 Python 是數(shù)據(jù)科學(xué)從業(yè)者必需掌握的兩門最重要的編程語言。

Python 是一門功能強(qiáng)大和多用途的編程語言，在過去幾年取得驚人發(fā)展。它過去用于 Web 開發(fā)和游戲開發(fā)，現(xiàn)在數(shù)據(jù)分析和機(jī)器學(xué)習(xí)也要用到它。數(shù)據(jù)分析和機(jī)器學(xué)習(xí)是 Python 應(yīng)用上相對新的分支。

作為初學(xué)者，學(xué)習(xí) Python 來做數(shù)據(jù)分析是比較痛苦的。為什么?

在谷歌上搜索“Learn Python ”，你會搜到海量教程，但內(nèi)容只是關(guān)于學(xué)習(xí) Python 做 Web 開發(fā)應(yīng)用。那你如何找到方法?

在本教程，我們將探討 Python 在執(zhí)行數(shù)據(jù)操作任務(wù)上的基礎(chǔ)知識。同時，我們還將對比在 R 上是如何操作的。這種并行比較有助于你將 R 和 Python 上的任務(wù)聯(lián)系起來。***，我們將采用一個數(shù)據(jù)集來練習(xí)我們新掌握的 Python 技能。

注意：閱讀這篇文章時***具備一定的 R 基礎(chǔ)知識。

內(nèi)容概要

1. 為什么學(xué)習(xí) Python(即使你已經(jīng)懂 R )
2. 理解 Python 的數(shù)據(jù)類型和結(jié)構(gòu)(與 R 對比)
3. 用 Python 寫代碼(與 R 對比)
4. 用一個數(shù)據(jù)集實踐 Python

為什么學(xué)習(xí) Python(即使你已經(jīng)懂R)

毫無疑問，R 在它自身的領(lǐng)域是極其強(qiáng)大的，實際上，它最初是用來做統(tǒng)計計算和操作。強(qiáng)大的社區(qū)支持使得初學(xué)者可以很快掌握 R .

但是， Python 正迎頭趕上，無論成熟公司還是初創(chuàng)公司對Python 的接受程度要遠(yuǎn)遠(yuǎn)大于 R 。

根據(jù) indeed.com 提供的數(shù)據(jù)(2016年1月至2016年12月)，“用 Python 做機(jī)器學(xué)習(xí)”的招聘信息數(shù)量要比“用 R 做機(jī)器學(xué)習(xí)” 增長快得多(約 123%)。這是因為：

Python 以更好的方式支持機(jī)器學(xué)習(xí)覆蓋的全部范圍。

Python 不僅支持模型構(gòu)建，而且支持模型部署。

相比 R , Python 支持多種強(qiáng)大的諸如 keras、convnet,、theano 和 tensorflow 深度學(xué)習(xí)庫。

Python的庫相對獨立，每個庫都擁有數(shù)據(jù)科學(xué)工作者所需要的所有函數(shù)。你不需要像在 R 中一樣在各種包之間來回查找一個函數(shù)。

理解 Python 數(shù)據(jù)類型和結(jié)構(gòu)(與 R 對比)

編程語言是基于它的變量和數(shù)據(jù)類型來理解復(fù)雜的數(shù)據(jù)集。是的，假設(shè)你有一個 100 萬行，50 列的數(shù)據(jù)集。編程語言會如何理解這些數(shù)據(jù)呢?

基本上，R 和 Python 都有未定義數(shù)據(jù)類型。獨立和非獨立變量都有著不同的數(shù)據(jù)類型。解釋器根據(jù)數(shù)據(jù)類型分配內(nèi)存。Python 支持的數(shù)據(jù)類型包括：

1.數(shù)值型(Numbers)——存儲數(shù)值。這些數(shù)值可以存儲為4種類型：整型，長整型，浮點型，復(fù)數(shù)型。讓我們分別理解。

• 整型(Integer)—— 它指的是整數(shù)類型，比如 10 、13 、91、102 等。相當(dāng)于 R 中的整型(integer)。
• 長整型(Long)——它指的是用八進(jìn)制或者十六進(jìn)制表示的長整數(shù)，在 R 中，用 64 位包讀取十六進(jìn)制值。
• 浮點型(Float)——指的是小數(shù)值，比如 1.23 , 9.89 等， R 中浮點數(shù)包含在數(shù)值型(numeric)。
• 復(fù)數(shù)型(Complex)——它指的是復(fù)數(shù)值，比如 as 2 + 3i, 5i 等。不過這種數(shù)據(jù)類型在數(shù)據(jù)中不太常見。

2.布爾型(Boolean)——布爾型只存儲兩個值(True 和 False)。在 R 中，它可以存儲為因子(factor)類型或字符(character)類型。R 和 Python 的布爾值之間存在著微小的差別。在 R 中，布爾型存儲為 TRUE 和 FALSE。在 Python 中，它們存儲為 True 和 False 。字母的情況有差異。

3.字符串(Strings)——它存儲文本(字符)數(shù)據(jù)，如“elephant,”lotus,”等，相當(dāng)于R的字符型(character)。

4.列表——它與 R 的列表數(shù)據(jù)類型相同。它能夠存儲多種變量類型的值，如字符串、整數(shù)、布爾值等。

5.元組—— R 中沒有元組類型，把元組看成是 R 中的向量，它的值不能改變。即它是不可變的。

6.字典—— 它提供支持 key-value 對的二維結(jié)構(gòu)。簡而言之，把鍵(key )看作是列名，對(pair)看作是列值。

因為 R 是統(tǒng)計計算語言，所有操作數(shù)據(jù)和讀取變量的函數(shù)都是固有的。而另一方面，Python 數(shù)據(jù)的分析、處理、可視化函數(shù)都是從外部庫調(diào)用。Python 有多個用于數(shù)據(jù)操作和機(jī)器學(xué)習(xí)的庫。以下列舉最重要的幾個：

1. Numpy——在Python中它用于進(jìn)行數(shù)值計算。它提供了龐大的諸如線性代數(shù)、統(tǒng)計等的數(shù)學(xué)函數(shù)庫。它主要用于創(chuàng)建數(shù)組。在 R 中，把數(shù)組看作列表。它包含一個類(數(shù)字或字符串或布爾)或多個類。它可以是一維或多維的。
2. Scipy ——在Python中它用于進(jìn)行科學(xué)計算。
3. Matplotlib——在 Python 中它用于進(jìn)行數(shù)據(jù)可視化。在 R，我們使用著名的 ggplot2 庫。
4. Pandas ——對于數(shù)據(jù)處理任務(wù)它極其強(qiáng)大。在 R 中，我們使用 dplyr，data.table 等包。
5. Scikit Learn—— 它是實現(xiàn)機(jī)器學(xué)習(xí)算法的強(qiáng)大工具。實際上，它也是 python 中用來做機(jī)器學(xué)習(xí)的***工具。它包含建模所需的所有函數(shù)。

在某種程度上，對于數(shù)據(jù)科學(xué)工作者來說，最主要的是要掌握上面提到的 Python 庫。但人們正開始使用的高級 Python 庫有太多。因此，為了實際目標(biāo)，你應(yīng)該記住以下這些：

1. 數(shù)組(Array)——這與 R 的列表類似。它可以是多維的。它可以包含相同或多個類的數(shù)據(jù)。在多個類的情況下，會發(fā)生強(qiáng)制類型轉(zhuǎn)換。
2. 列表(List)—— 相當(dāng)于 R 中的列表。
3. 數(shù)據(jù)框(Data Frame)——它是一個包含多個列表的二維結(jié)構(gòu)。R中有內(nèi)置函數(shù) data.frame，Python則從 pandas庫中調(diào)用 Dataframe 函數(shù)。
4. 矩陣(Matrix)——它是二維(或多維)結(jié)構(gòu)，包含同一類(或多個類)的所有值。把矩陣看成是向量的二維版。在R中，我們使用 matrix 函數(shù)。在Python中，我們使用 numpy.column_stack 函數(shù)。

到這里，我希望你已經(jīng)明白了R和Python中數(shù)據(jù)類型和數(shù)據(jù)結(jié)構(gòu)的基本知識?，F(xiàn)在，讓我們開始應(yīng)用它們。

用Python寫代碼(對比R)

我們現(xiàn)在來使用在前面部分學(xué)到的知識，明白它們實際的含義。但在此之前，你要先通過Anaconda的 jupyter notebook 安裝 Python(之前稱為ipython notebook)。你可以點擊這里下載。我希望你已經(jīng)在電腦上安裝了 R Studio 。

創(chuàng)建列表

在 R 中，創(chuàng)建列表使用的是 list 函數(shù)

my_list <- list ('monday','specter',24,TRUE) 
typeof(my_list) 
[1] "list" 

在 Python 中，創(chuàng)建列表使用的是方括號 [ ] 。

my_list = ['monday','specter',24,True] 
type(my_list) 
list 

在 pandas 庫中也可以得到相同的輸出，在 pandas 中，列表稱為序列。在 Python 中安裝 pandas，寫下：

#importing pandas library as pd notation (you can use any notation)  #調(diào)用 pandas 庫 
import pandas as pd 
pd_list = pd.Series(my_list) 
pd_list 

0     monday 
1    specter 
2         24 
3       True 

數(shù)字(0,1,2,3)表示數(shù)組索引。你注意到什么了嗎?Python 索引是從 0 開始，而 R 的索引從 1 開始。讓我們繼續(xù)了解列表子集在 R 和 Python 的區(qū)別。

#create a list   # 創(chuàng)建一個列表 
new_list <- list(roll_number = 1:10, Start_Name = LETTERS[1:10]) 

把 new_list 看作一列火車。這列火車有兩個名為 roll_number 和 Start_Name 的車廂 。在每個車廂中，有10人。所以，在列表構(gòu)建子集中，我們可以提取車廂的值，車廂中的人等，等等。

#extract first coach information  #提取***個車廂信息 
new_list[1] #or 
df['roll_number']   
$roll_number 
 [1] 1 2 3 4 5 6 7 8 9 10 
  
#extract only people sitting in first coach #提取坐在***個車廂中的人 
new_list[[1]] #or 
df$roll_number 
#[1] 1 2 3 4 5 6 7 8 9 10 

如果你查詢一下 new_list [ 1 ] 的類型，你會發(fā)現(xiàn)它是一個列表，而 new_list [ [ 1 ] ] 類型是一個字符。類似地，在 Python 中，你可以提取列表組件：

#create a new list  #創(chuàng)建一個新列表 
new_list = pd.Series({'Roll_number' : range(1,10), 
                      'Start_Name' : map(chr, range(65,70))}) 
  
Roll_number [1, 2, 3, 4, 5, 6, 7, 8, 9] 
Start_Name [A, B, C, D, E] 
dtype: object 
  
#extracting first coach  #提取***個車廂 
new_list[['Roll_number']] #or 
new_list[[0]] 
Roll_number [1, 2, 3, 4, 5, 6, 7, 8, 9] 
dtype: object 
  
#extract people sitting in first coach #提取坐在***個車廂中的人 
new_list['Roll_number']  #or 
new_list.Roll_number 
[1, 2, 3, 4, 5, 6, 7, 8, 9] 

R 和 Python 的列表索引有一個讓人困惑的區(qū)別。如果你注意到在 R 中 [[ ]] 表示獲取車廂的元素， 然而[[ ]] 在 Python 中表示獲取車廂本身。

2. Matrix 矩陣

矩陣是由向量(或數(shù)組)組合而成的二維結(jié)構(gòu)。一般來說，矩陣包含同一類的元素。然而，即使你混合不同的類(字符串，布爾，數(shù)字等)中的元素，它仍會運(yùn)行。R 和 Python 在矩陣中構(gòu)建子集的方法很相似，除了索引編號。重申，Python 索引編號從 0 開始，R 索引編號從 1 開始。

在 R 中，矩陣可以這么創(chuàng)建：

my_mat <- matrix(1:10,nrow = 5) 
my_mat 

#to select first row   #選取***行 
my_mat[1,] 
  
#to select second column #選取第二列 
my_mat[,2] 

在Python中，我們會借助 NumPy 數(shù)組創(chuàng)建一個矩陣。因此，我們先要加載 NumPy 庫。

import numpy as np 
a=np.array(range(10,15)) 
b=np.array(range(20,25)) 
c=np.array(range(30,35)) 
my_mat = np.column_stack([a,b,c]) 
  
#to select first row #選取***行 
my_mat[0,] 
  
#to select second column #選取第二列 
my_mat[:,1] 

3. 數(shù)據(jù)框(Data Frames)

數(shù)據(jù)框為從多來源收集而來的松散的數(shù)據(jù)提供了一個急需的骨架。它類似電子表格的結(jié)構(gòu)給數(shù)據(jù)科學(xué)工作者提供了一個很好的圖片來展示數(shù)據(jù)集是什么樣子。在R中，我們使用data.frame() 函數(shù)創(chuàng)建一個數(shù)據(jù)框。

data_set <- data.frame(Name = c("Sam","Paul","Tracy","Peter"), 
Hair_Colour = c("Brown","White","Black","Black"), 
Score = c(45,89,34,39)) 

那么，我們知道一個數(shù)據(jù)框是由向量(列表)的組合創(chuàng)建的。在 Python 中創(chuàng)建數(shù)據(jù)框，我們將創(chuàng)建一個字典(數(shù)組的組合)，并且在 pandas 庫的 Dataframe()函數(shù)中附上字典。

data_set = pd.DataFrame({'Name' : ["Sam","Paul","Tracy","Peter"], 
'Hair_Colour' : ["Brown","White","Black","Black"], 
'Score' : [45,89,34,39]}) 

現(xiàn)在，讓我們看下操作 dataframe 最關(guān)鍵的部分，構(gòu)建子集。實際上，大部分?jǐn)?shù)據(jù)操作都包含從各個可能的角度切割數(shù)據(jù)框。讓我們逐個看下任務(wù)：

#select first column in R  #在 R 中選取***行 
data_set$Name # or 
data_set[["Name]] #or 
data_set[1] 
  
#select first column in Python  #在 Python 中選取***列 
data_set['Name'] #or 
data_set.Name #or 
data_set[[0]] 
  
#select multiple columns in R   # 在 R 中選取多列 
data_set[c('Name','Hair_Colour')] #or 
data_set[,c('Name','Hair_Colour')] 
  
#select multiple columns in Python   #在 Python 中選取多行 
data_set[['Name','Hair_Colour']] #or 
data_set.loc[:,['Name','Hair_Colour']] 

.loc 函數(shù)用于基于標(biāo)簽的索引

到這里我們大致明白了 R 和 Python 中的數(shù)據(jù)類型、結(jié)構(gòu)和格式。讓我們用一個數(shù)據(jù)集來探索 python 中數(shù)據(jù)的其他面。

用一個數(shù)據(jù)集實踐 Python

強(qiáng)大的 scikit-learn 庫包含一個內(nèi)建的數(shù)據(jù)集庫。為了我們實踐的目的，我們將采用波士頓住房數(shù)據(jù)集(Boston housing data set)。做數(shù)據(jù)分析時，它是一個很流行的數(shù)據(jù)集。

#import libraries #調(diào)用庫 
import numpy as np 
import pandas as pd 
from sklearn.datasets import load_boston 
  
#store in a variable #存儲在一個變量中 
boston = load_boston() 

變量boston是一個字典?；仡櫼幌拢值涫莐ey-value對的組合，讓我看下鍵(key)的信息：

boston.keys() 
['data', 'feature_names', 'DESCR', 'target'] 

現(xiàn)在我們知道我們需要的數(shù)據(jù)集駐留在key數(shù)據(jù)中。我們也看到，對于功能名稱有一個單獨的key。我認(rèn)為數(shù)據(jù)集不會分配列名。讓我們來檢查下我們要處理的列名。

print(boston['feature_names']) 
['CRIM' 'ZN' 'INDUS' 'CHAS' 'NOX' 'RM' 'AGE' 'DIS' 'RAD' 'TAX' 'PTRATIO' 'B' 'LSTAT'] 

你能明白這些名稱嗎?我也不明白?，F(xiàn)在，讓我們檢查下數(shù)據(jù)描述和理解每個變量的意義。

print(boston['DESCR']) 

這個數(shù)據(jù)集有506行，13列。它包含幫助確定波士頓房價的多種特征?，F(xiàn)在，讓我們創(chuàng)建一個數(shù)據(jù)框：

bos_data = pd.DataFrame(boston['data']) 

類似于 R , python 也有一個 head()函數(shù)讀入數(shù)據(jù)：

bos_data.head() 

輸出顯示數(shù)據(jù)集沒有列名(如上所述)。將列名分配到數(shù)據(jù)框中是容易的。

bos_data.columns = boston['feature_names'] 
bos_data.head() 

就像R中的 dim() 函數(shù)，Python 有檢查數(shù)據(jù)集維數(shù)的 shape() 函數(shù)。為得到數(shù)據(jù)集的統(tǒng)計匯總，我們寫下：

bos_data.describe() 

它顯示了數(shù)據(jù)中列的統(tǒng)計匯總。讓我們快速探索這個數(shù)據(jù)的其他方面。

#get first 10 rows  #得到***10行 
bos_data.iloc[:10] 
  
#select first 5 columns  #選取***個5列 
bos_data.loc[:,'CRIM':'NOX'] #or 
bos_data.iloc[:,:5] 
  
#filter columns based on a condition #基于條件篩選列 
bos_data.query("CRIM > 0.05 & CHAS == 0") 
  
#sample the data set #構(gòu)建數(shù)據(jù)集樣本 
bos_data.sample(n=10) 
  
#sort values - default is ascending  #分類上升的默認(rèn)值 
bos_data.sort_values(['CRIM']).head() #or 
bos_data.sort_values(['CRIM'],ascending=False).head() 
  
#rename a column #重命名一個列 
bos_data.rename(columns={'CRIM' : 'CRIM_NEW'}) 
  
#find mean of selected columns #查找選定列的平均值 
bos_data[['ZN','RM']].mean() 
  
#transform a numeric data into categorical #將數(shù)字?jǐn)?shù)據(jù)轉(zhuǎn)換成分類 
bos_data['ZN_Cat'] = pd.cut(bos_data['ZN'],bins=5,labels=['a','b','c','d','e']) 
  
#calculate the mean age for ZN_Cat variable  #計算ZN_Cat變量的平均年齡 
bos_data.groupby('ZN_Cat')['AGE'].sum() 

此外，Python 還允許我們創(chuàng)建透視表。是的! 就像 MS Excel 或任何其他電子表格軟件，你可以創(chuàng)建一個數(shù)據(jù)透視表，更密切地了解數(shù)據(jù)。不幸的是，在 R 中創(chuàng)建一個數(shù)據(jù)透視表是一個相當(dāng)復(fù)雜的過程。在 Python 中，一個透視表需要行名、列名和要計算的值。如果我們不通過任何列名稱，得到的結(jié)果只會像你使用 groupby 函數(shù)得到的。因此，讓我們創(chuàng)建另一個分類變量。

#create a new categorical variable #創(chuàng)建一個新的分類變量 
bos_data['NEW_AGE'] = pd.cut(bos_data['AGE'],bins=3,labels=['Young','Old','Very_Old']) 
  
#create a pivot table calculating mean age per ZN_Cat variable  #創(chuàng)建一個透視表計算每個 ZN_Cat 變量的年齡 
bos_data.pivot_table(values='DIS',index='ZN_Cat',columns= 'NEW_AGE',aggfunc='mean') 

這只是冰山一角。下一步怎么做?就像我們使用波士頓住房數(shù)據(jù)集，現(xiàn)在你可以試試安德森鳶尾花卉數(shù)據(jù)集(iris data)。它在sklearn_datasets 庫是可用的。嘗試深入探討。記住，你練習(xí)越多，花費的時間越多，你就會變得越好。

總結(jié)

總體來說，學(xué)習(xí)這兩門語言會給你足夠的自信去處理任何類型的數(shù)據(jù)集。事實上，學(xué)習(xí)python***的一面是它有完善的文檔可以用在numpy，pandas，scikit learn 庫，這足夠幫你跨越所有最初的障礙。