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。

表2：数据科学、机器学习前30位高级工具与Python vs R语言的关联度（2017）

条形图的长度为上文所定义的Bias_Py_R，条形图的高度与工具的受欢迎程度成正比。

我们注意到，与Python契合度较高的工具不仅包括我们预期的Scikit，PyCharm和Anaconda，而且还包括深度学习工具Keras和Tensorflow，特别是Spark和Scala。

与R语言契合度较高的工具包括SAS Base，Microsoft工具（预计自Microsoft购买Revolution Analytics后），Weka和Tableau。

接下来，我们检查不同工具在大数据和深度学习中的效果。

在KDnuggets 2017 Software Poll中，33％的受访者使用了Spark / Hadoop工具，32％使用了深度学习工具。完整的工具列表可在以下图表中查看。

对于每个工具X，我们计算与Spark / Hadoop工具（垂直轴）共同使用的频率以及Deep Learning工具（横轴）共同使用的频率。

图3：深度学习vs Spark / Hadoop与顶尖数据科学，机器学习工具的亲和力（2017年）

圆形尺寸对应于各工具的使用份额，颜色与Python（蓝色）与R（橙色）相对应。

我们在图表的右上角注意到一组与Python相关的蓝色圆圈，包括scikit-learn，PyCharm，Anaconda，Java和Unix工具，这些工具更常用于Spark / Hadoop和深度学习工具。

这表明了一个Python-友好型的大数据/深度学习生态系统。

我们注意到Scala是与 “大数据”相关度最高的工具。

为了使图3更精确，它只包括至少获得200票的工具，及深度学习和Spark / Hadoop工具。请参阅下表1获取所有至少获得100票以上工具的更多详细信息。

表1：深度学习vs Spark / Hadoop与顶尖数据科学，机器学习工具的亲和力（2017年）

下面是一个以CSV格式输入匿名的轮询数据的链接

http://www./aps/sw17-top11-dl-sh.anon.csv

• N：记录号（随机，记录不按投票顺序）

• 地区：usca：美国/加拿大、euro：欧洲/亚洲、Itam：拉丁美洲、afme：非洲/中东、aunz：澳大利亚/新西兰

• Python：如果投票（最后一列）包含Python，则为1，否则为0

• R语言：如果投票包含“R语言”，则为1，否则为0。我们使用“R语言”而不是R来简化正则表达式匹配

• SQL语言：如果投票包含“SQL语言”，则为1，否则为0。

• RapidMiner：如果投票包括RapidMiner，则为1，否则为0。

• Excel：如果投票包含Excel，则为1，否则为0。

• Spark：如果投票包括Spark，则为1，否则为0。

• 蟒蛇：如果投票包括蟒蛇，则为1，否则为0。

• Tensorflow：如果投票包括Tensorflow，则为1，否则为0。

• scikit-learn：如果投票包括scikit-learn，则为1，否则为0。

• Tableau：如果投票包括Tableau，则为1，否则为0。

• KNIME：如果投票包括KNIME，则为1，否则为0。

• 深度：如果投票包含深度，则为1，否则为0。

• Spark / Hadoop：如果投票包括Spark / Hadoop，则为1，否则为0。

• ntools：工具的数量

• 投票：选票列表，以分号分隔“;”

让我知道你的想法！

 End