摘要：進行時序分析的時常用模型，其中指的是差分項，和分別代表自回歸項和移動平均項。構(gòu)建模型使用最多的就是模塊，該模塊可以用來進行時間序列的差分，建模和模型的檢驗。

在當下，人工智能的浪潮席卷而來。從AlphaGo、無人駕駛技術(shù)、人臉識別、語音對話，到商城推薦系統(tǒng)，金融業(yè)的風控，量化運營、用戶洞察、企業(yè)征信、智能投顧等，人工智能的應(yīng)用廣泛滲透到各行各業(yè)，也讓數(shù)據(jù)科學家們供不應(yīng)求。Python和R作為機器學習的主流語言，受到了越來越多的關(guān)注。數(shù)據(jù)學習領(lǐng)域的新兵們經(jīng)常不清楚如何在二者之間做出抉擇，本文就語言特性與使用場景為大家對比剖析。

一．Python和R的概念與特性

Python是一種面向?qū)ο?、解釋型免費開源高級語言。它功能強大，有活躍的社區(qū)支持和各式各樣的類庫，同時具備簡潔、易讀以及可擴展等優(yōu)點，在近幾年成為高人氣的編程語言。

Python的優(yōu)勢：

1、Python的使用場景非常多，不僅和R一樣可以用于統(tǒng)計分析，更廣泛應(yīng)用于系統(tǒng)編程、圖形處理、文本處理、數(shù)據(jù)庫編程、網(wǎng)絡(luò)編程、Web編程、網(wǎng)絡(luò)爬蟲等，非常適合那些想深入鉆研數(shù)據(jù)分析或者應(yīng)用統(tǒng)計技術(shù)的程序員。

2、目前主流的大數(shù)據(jù)和機器學習框架對Python都提供了很好的支持，比如Hadoop、Spark、Tensorflow；同時，Python也有著強大的社區(qū)支持，特別是近年來隨著人工智能的興起，越來越多的開發(fā)者活躍在Python的社區(qū)中。

3、Python作為一種膠水語言，能夠和其他語言連結(jié)在一起，比如你的統(tǒng)計分析部分可以用R語言寫，然后封裝為Python可以調(diào)用的擴展類庫。

R語言是一種用來進行數(shù)據(jù)探索、統(tǒng)計分析和作圖的解釋型語言，但更像一種數(shù)學計算的環(huán)境。它模塊豐富，為數(shù)學計算提供了極為方便的編程方式，特別是針對矩陣的計算。

R語言的優(yōu)勢：

1、R語言擁有許多優(yōu)雅直觀的圖表，常見的數(shù)據(jù)可視化的工具包有：

· 交互式圖表rCharts、Plotly，交互時序圖dygraphs，交互樹狀圖TreeMap

· ggplot2-一個基于圖形語法的繪圖系統(tǒng)

· lattice-R語言格子圖形

· rbokeh-針對Bokeh的R語言接口

· RGL-使用了OpenGL的3D可視化

· Shiny-用于創(chuàng)建交互式應(yīng)用和可視化的框架

· visNetwork-交互式網(wǎng)絡(luò)可視化

散點圖

時序圖

詞云圖

2、擁有大量專門面向統(tǒng)計人員的實用功能和豐富的數(shù)學工具包。自帶base一R的基礎(chǔ)模塊、mle一極大似然估計模塊、ts一時間序列分析模塊、mva一多元統(tǒng)計分析模塊、survival一生存分析模塊等，同時用戶可以靈活使用數(shù)組和矩陣的操作運算符，及一系列連貫而又完整的數(shù)據(jù)分析中間工具。

3、語言簡潔上手快，不需要明確定義變量類型。比如下面簡簡單單三行代碼，就能定義一元線性回歸，是不是很酷炫：

<- 1:10

<- x+rnorm(10, 0, 1)

fit <- lm(y ~ x)

同時，R語言對向量化的支持程度高，通過向量化運算，數(shù)據(jù)在計算過程中前后不依賴，是一種高度并行計算的實現(xiàn)，也避免了許多循環(huán)結(jié)構(gòu)的使用。

當然了，相比于Python它也存在著一些劣勢。比如內(nèi)存管理問題，在大樣本的回歸中，如使用不當就會出現(xiàn)內(nèi)存不足的情況，但目前spark也提供了對R的支持，開發(fā)者可以使用sparkR進行大數(shù)據(jù)的計算處理。

二.Python和R在文本信息挖掘和時序分析方面的區(qū)別

Python和R都有非常強大的代碼庫，Python有PyPi，R有CRAN。但兩者方向不同，Python使用的范圍更加廣泛，涉及到方方面面；R更專注統(tǒng)計方面，但在數(shù)據(jù)量大時運行速度很慢。下面我針對數(shù)據(jù)分析中的兩種使用場景來比較Python和R：

文本信息挖掘：

文本信息挖掘的應(yīng)用非常廣泛，例如根據(jù)網(wǎng)購評價、社交網(wǎng)站的推文或者新聞進行情感極性分析等。這里我們用例子分析比較一下。

Python有良好的程序包幫助我們進行分析。比如NLTK，以及專門針對中文的SnowNLP，包含了中文分詞、詞性標注、情感分析，文本分類、TextRank、TF-IDF等模塊。

在用Python做情感極性分析時，首先需要將句子分解為單詞，這里我們可以使用Python中jieba分詞，使用起來也非常簡單：

word=jieba.cut(m,cut_all=False)

然后操作特征提取，可以利用NLTK中的stopwords先去除停用詞。如果有需要，可以對文本進行向量化處理，這里我們可以采用Bag of Words，選擇TF-IDF進行基于權(quán)重的向量轉(zhuǎn)化，也可以使用Word2Vec進行基于相似度的轉(zhuǎn)化。接下來，使用sklearn包中的pca進行降維：

pca=PCA(n_components=1)

newData=pca.fit_transform(data)

除了pca，還可以選擇使用互信息或者信息熵等其他方法。

之后，我們進行分類算法模型訓練和模型評估，可以使用樸素貝葉斯（NaiveBayes），決策樹（Decision Tree）等NLTK 自帶的機器學習方法。

使用R進行情感極性分析

首先需要對數(shù)據(jù)進行預(yù)處理，安裝Rwordseg/rJava（其中有不少坑）兩個包；

進行數(shù)據(jù)清理清除掉沒用的符號后，進行分詞：Rwordseg中的segmentCN方法可以對中文進行分詞。當然，也可以使用jiebaR；

接下來構(gòu)建單詞-文檔-標簽數(shù)據(jù)集，去除停用詞；

創(chuàng)建文檔-詞項矩陣，可以選擇TermDocumentMatrix，使用weightTfIdf方法得到tf-idf矩陣；

最后用e1071包中的貝葉斯方法進行文本分類，或者可以用RTextTools包中的其他機器學習算法來完成分類，其中包含九種算法：BAGGING(ipred:bagging)：bagging集成分類

BOOSTING (caTools:LogitBoost)：Logit Boosting 集成分類

GLMNET(glmnet:glmnet)：基于最大似然的廣義線性回歸

MAXENT(maxent:maxent)：最大熵模型

NNET(nnet:nnet) ：神經(jīng)網(wǎng)絡(luò)

RF(randomForest:randomForest)：隨機森林

SLDA(ipred:slda)：scaled 線性判別分析

SVM(e1071:svm) ：支持向量機

TREE (tree:tree)：遞歸分類樹

2.時序分析：

時間序列分析是根據(jù)系統(tǒng)觀察得到的時間序列數(shù)據(jù)，通過曲線擬合和參數(shù)估計來建立數(shù)學模型的理論和方法，通常用于金融領(lǐng)域、氣象預(yù)測、市場分析領(lǐng)域等。R語言擁有許多程序包可用于處理規(guī)則和不規(guī)則時間序列，因而更有優(yōu)勢。

Python進行時序分析的時常用ARIMA(p,d,q)模型，其中d指的是差分項，p和q分別代表自回歸項和移動平均項。構(gòu)建ARIMA模型使用最多的就是statsmodels模塊，該模塊可以用來進行時間序列的差分，建模和模型的檢驗。這里例舉一個周期性預(yù)測的例子：

下面是一組數(shù)據(jù)，代表美國某公交公司發(fā)布的五十年中每年的乘客相關(guān)數(shù)據(jù)（比如1950-2000）：

data = [9930, 9318, 9595, 9972, 6706, 5756, 8092, 9551, 8722, 9913, 10151, 7186, 5422, 5337, 10649, 10652, 9310, 11043, 6937, 5476, 8662, 8570, 8981, 8331, 8449, 5773, 5304, 8355, 9477, 9148, 9395, 10261, 7713, 6299, 9424,9795, 10069, 10602, 10427, 8095, 6707, 9767, 11136, 11812, 11006, 11528, 9329, 6818, 10719, 10683]

1).首先，使用pandas進行處理和存儲數(shù)據(jù)：

data=pd.Series(data)

2).然后需要對數(shù)據(jù)進行平穩(wěn)性檢驗，一般利用單位根檢驗，常用的方法有ADF、DFGLS、PP等等：

Python中直接用ADF(data), DFGLS(data)就可以得出pvalue的結(jié)果

3).序列平穩(wěn)性是進行時間序列分析的前提條件,如果上一個步驟顯示結(jié)果不平穩(wěn)，就需要對時間序列做平穩(wěn)性處理，一般用差分法最多：

diff1 = data.diff(2)

其中diff（object）表示差分的階數(shù)，這里我們使用2階，當然你也可以用1階、3階、4階等等

4).進行白噪聲檢驗：

value=acorr_ljungbox(data,lags=1)

5).現(xiàn)在，我們的ARIMA(p,d,q)中的d=2，接下來我們進行模型選擇。第一步是計算出p和q，首先檢查平穩(wěn)時間序列的自相關(guān)圖和偏自相關(guān)圖，通過sm.graphics.tsa.plot_acf (data)和sm.graphics.tsa.plot_pacf(data)，然后通過系數(shù)情況進行模型選擇，可供選擇的有AR,MA,ARMA,ARIMA。

6).模型訓練：model=sm.tsa.ARMA(data,(p,d,q)).fit()，此處用ARMA模型計算出p和q，從而訓練出模型。

用R來構(gòu)建時間序列模型

R針對時間序列有各式各樣的工具包，比如：

library(xts)，library(timeSeires)，library(zoo)—時間基礎(chǔ)包

library(urca)--進行單位根檢驗

library(tseries)--arma模型

library(fUnitRoots)--進行單位根檢驗

library(FinTS)--調(diào)用其中的自回歸檢驗函數(shù)

library(fGarch)--GARCH模型

library(nlme)--調(diào)用其中的gls函數(shù)

library(fArma)--進行擬合和檢驗

library(forecast)—arima建模

下面我介紹一下R語言中forecast工具包里面兩個很強大的工具：ets和auto.arima。用戶什么都不需要做，這兩個函數(shù)會自動挑選一個最恰當?shù)乃惴ㄈシ治鰯?shù)據(jù)。比如用ets來處理：

fit<-ets(train)

accuracy(predict(fit,12),test)

或者用auto.arima處理：

fit<-auto.arima(train)

accuracy(forecast(fit,h=12),test)

除此之外，forecast包中有針對增長或者降低趨勢并且存在季節(jié)性波動的時間序列算法Holt-Winters。Holt-Winters的思想是把數(shù)據(jù)分解成三個成分：平均水平（level），趨勢（trend），周期性（seasonality）。R里面一個簡單的函數(shù)stl就可以把原始數(shù)據(jù)進行分解。

本文主要從各自優(yōu)勢及具體例子中分析了Python與R兩種編程語言。不難看出，二者在“綜合實力”上難分伯仲，具體選擇哪一種深入學習，依然需要考慮自己實際期望解決的問題、應(yīng)用的領(lǐng)域等等方面。最后歡迎大家就大數(shù)據(jù)編程語言相關(guān)問題與我溝通交流~