排行榜｜數據科學中的R包與Python包

Data Incubator（數據孵化器）公司是專業的數據科學培訓公司，他們一開始主要幫助研究生們實現數據科學家的轉型，現在他們已與上百家國際知名公司合作，為這些公司推薦了大量的數據科學人才，並承攬數據科學內訓業務。

為了數據科學愛好者們儘快熟悉開發工具並獲得經驗，Data Incubator總結並提煉了許多數據科學職業中的速查手冊，常用Ｒ包、Python包的排行榜就是他們研發的一個成果。通過這兩個排行榜，數據科學求職者可以很快了解業內最流行的機器學習工具包。

Python 和 R 語言是數據科學中最常見、最受歡迎的工具，它們的軟體包資源眾多，然而哪些才是數據科學工作中最常用的呢？Data Incubator公司通過分析總結，為你呈現了業內實踐中最流行軟體包的排行譜。

下面我們分別介紹一下2017 上半年Data Incubator推出的R包排行榜和Python包排行榜。

排行榜：機器學習的16個常用Ｒ包

（原文詳見：http://blog.thedataincubator.com/2017/03/ranked-16-r-packages-for-machine-learning/）

該排名基於 ：CRAN ( The Comprehensive R Archive Network (https://cran.r-project.org/) )網站上的Ｒ包下載量； Stack Overflow（最著名的與編程相關的技術問答網站） 活躍度的平均排名；以及GitHub（開源領域最著名的個人軟體項目版本管理平台）上的熱度排名。

其中 CRAN 的下載量是過去一年的數據。Stack Overflow 則是根據基於問題正文中下載包的名稱並以 『R』進行標記的結果數進行排名。GitHub 的排名則是由存儲庫中的星星數（相當於被關注或點贊的次數）而來。

caret 排名第一也許並不奇怪。它是一個用於創建機器學習工作流的通用軟體包，用起來有點像Python的SciKit-Learn，能很好地與一些有監督的機器學習包整合在一起。

比如 e1071包 ( 主要有支持向量機演算法，SVMs), rpart (決策樹), glmnet ( 廣義線性模型和正則化回歸),以及R的神經網路包nnet等。

排名中的R包還包括：randomForest包實現了隨機森林演算法； tree包可實現分類和回歸樹；party 用於二叉樹的遞歸分割和可視化；arules 則用於關聯規則挖掘；支持向量機（SVMs）和其他的內核方法則部署在 kernlab 中；h2o 包是實現并行分散式大數據計算的深度學習包，而且是更大的 H2O 項目的一部分；ROCR 用於模型評估，包括 ROC 曲線（接收者操作特徵曲線，receiver operating characteristic curve）；gbm 實現了梯度推進模型、AdaBoost演算法及其擴展； RWeka包是Weka的R介面， Weka是用Java編寫的數據挖掘演算法的集合；而 rattle 是 R數據挖掘演算法 的一個圖形用戶界面（GUI）；earth包則實現了 多元自適應回歸樣條分析。

排名也反映了 R 包資源的分散化程度。一些頂級的軟體包，比如 rpart 和 tree，實現了相同的演算法，這與 Python 的 scikit-learn 的集成性和一致性形成了鮮明對比。

這個排行榜更多地體現了編程人員的偏好。其實在不同的應用場景中，數據科學家們的偏好也是各具特色的。比如數據可視化的神器ggplot2；數據處理常用包tidyverse 、plyr、reshape中等也是很受歡迎的。但從這個排行中，我們可以清楚地感覺到，神經網路、深度學習項目的蓬勃發展對排名所產生的巨大影響。

排行榜：數據科學的15個常用Python 包

（原諒詳見：http://blog.thedataincubator.com/2017/04/ranked-15-python-packages-for-data-science/）

與Ｒ包排名策略相似，Python包排名基於軟體包在 Github 的活躍度和 Stack Overflow 活躍度，其指標為 PyPI（Python 庫的索引）下載量。

該表單展示了標準分，其中 1 代表高於平均值（均值為 0）一個標準差。例如，numpy 在 Stack Overflow activity 中標準分為 2，其表明高於平均值 2 個標準差，而 TensorFlow 就更接近於均值。

對於這一排位表，研究者專註於使用一些標準進行排序，包括機器學習包的排序列表（exhaust list）和三個客觀指標：總下載量、Github 收藏數和 Stack Overflow 問題數量。

然而，可擴展的機器學習包 TensorFlow（起源於谷歌）比其他庫在 Github 上要活躍地多（基於收藏和分享數）。更通用的機器學習模塊 scikit-learn 在 Github 排名第 2，整體排名第 5。

TensorFlow 和 scikit-learn 明顯在 Github 上具有優勢。恰當反映了他們在開源編程領域的熱度。

在所有核心庫中，numpy 是最受歡迎的（擊敗了 pandas 和 scipy）。numpy 遙遙領先排名第 1，pandas 第 3，ipython 第 4，scipy（一個用於數學、科學和工程學的開源軟體生態系統）第 9。

在神經網路中，TensorFlow 的表現要優於 Theano。精心打造的互動式 TensorFlow Playground 可能是 TensorFlow 領先的原因之一。

pandas是高性能數據結構和數據分析包；ipython 是互動式解釋器； jupyter project是非常流行的 Python 代碼展示方式；（ipython notebook 現在稱為 jupyter notebook。Stack overflow 自動將 ipython-notebook 更正為 jupyter notebook，所以研究者結合了其他兩個來源的 jupyter notebook 結果。但 jupyter notebook 並沒有下載數，所以其並不會出現在最終的排名中。不過研究者分別對 ipython 和 jupyter 進行了研究。）matplotlib 是最受歡迎的圖形庫；plotly可以輕鬆在線發布的互動式、出版級別的圖表； bokeh是面向現代網頁瀏覽器的互動式可視化庫；ggpy是R 的流行的 ggplot2 包的 Python 介面。