转载请注明：陈熹 chenx6542@foxmail.com （简书号：半为花间酒）
若公众号内转载请联系公众号：早起Python
题源：
公众号 早起python 《Pandas进阶修炼120题》

数据分析120题系列：

• 1-20题：[Python/R语言] 用R和python解决数据分析120题 1-20
• 21-50题：[Python/R语言] 用R和python解决数据分析120题 21-50
• 51-80题：[Python/R语言] 用R和python解决数据分析120题 51-80
• 81-120题：[Python/R语言] 用R和python解决数据分析120题 81-120

为什么出这个专题：

R语言和pandas都是数据处理的重要工具
而二者的高下争论时有存在
我相信对于数据而言没有绝对的孰优孰劣
需要做的应该是在必要时权衡最合适的办法

感谢 公众号早起python 提供数据分析120题
这些题目是一个契机
帮助我比较了两种语言处理不同问题的共性
当然也发现了各自的灵活和缺陷

它们覆盖多数数据分析初期可能遇到的问题
无论是对R语言还是对python技能的提升
相信都有很大帮助

(陈熹 2020年4月)

• python解法

import numpy as np
import pandas as pd

df = pd.DataFrame(data)

# 假如是直接创建
df = pd.DataFrame({
    "grammer": ["Python","C","Java","GO",np.nan,"SQL","PHP","Python"],
    "score": [1,2,np.nan,4,5,6,7,10]})

• R解法

# R中没有字典概念，故直接创建dataframe/tibble
#> 第一种
df <- data.frame(
  "grammer" = c("Python","C","Java","GO",NA,"SQL","PHP","Python"),
  "score" = c(1,2,NA,4,5,6,7,10)
)

#> 第二种
library(tibble)
df <- tibble(
  "grammer" = c("Python","C","Java","GO",NA,"SQL","PHP","Python"), 
  "score" = c(1,2,NA,4,5,6,7,10)
)

# 也可以用tribble横向建tibble

pandas / R

• python解法

#> 1
df[df['grammer'] == 'Python']

#> 2
results = df['grammer'].str.contains("Python")
results.fillna(value=False,inplace = True)
df[results]

• R解法

df[which(df$grammer == 'Python'),]

pandas / R

• python解法

df.columns
# Index(['grammer', 'score'], dtype='object')

• R解法

names(df)
# [1] "grammer" "score"  

• python解法

df.rename(columns={'score':'popularity'}, inplace = True)

• R解法

df <- df %>% 
  rename(popularity = score)

• python解法

df['grammer'].value_counts()

• R解法

# 神方法table
table(df$grammer)

pandas / R

• python解法

# pandas里有一个插值方法，就是计算缺失值上下两数的均值
df['popularity'] = df['popularity'].fillna(df['popularity'].interpolate())

• R解法
  暂时没想到其他方法，用的是Hmisc包

library(Hmisc)
index <- which(is.na(df$popularity))
df$popularity <- impute(df$popularity,
                       (unlist(df[index-1, 2] + 
                               df[index+1, 2]))/2)

pandas / R

• python解法

df[df['popularity'] > 3]

• R解法

df %>% 
  filter(popularity > 3)
# 等价于
df[df$popularity > 3,] # 这种方法跟pandas很相似

pandas / R

• python解法

df.drop_duplicates(['grammer'])

• R解法

df[!duplicated(df$grammer),]

pandas / R

• python解法

df['popularity'].mean()
# 4.75

• R解法

#> 第一种
mean(df$popularity)
# [1] 4.75

#> 第二种
df %>% 
  summarise(mean = mean(popularity))
## A tibble: 1 x 1
#     mean
#    <dbl>
#  1  4.75

• python解法

df['grammer'].to_list()
# ['Python', 'C', 'Java', 'GO', nan, 'SQL', 'PHP', 'Python']

• R解法
  R中的list和python的list意义完全不同
  接近python的list概念的应该是R中的vector
  实际上这题目的就是降维，用的反而是unlist

unlist(df$grammer)
# [1] "Python" "C"      "Java"   "GO"     NA       "SQL"    "PHP"    "Python"

• python解法

python还有其他处理EXCEL的包比如 openpyxl、xlrd、xlwt、xluntils等
本例用pandas的写入方法解决

df.to_excel('filename.xlsx')

• R解法

R对EXCEL文件不太友好
第一种方法：利用readr包转为csv再用EXCEL打开
文件本质依然是csv

library(readr)
write_excel_csv(df,'filename.csv')

第二种方法：利用openxlsx包

openxlsx::write.xlsx(df,'filename.xlsx')

也可以用xlsx包，但需要先配置JAVA环境
确保JAVA配置到环境变量中并命名为JAVA_HOME

Sys.getenv("JAVA_HOME")
install.packages('rJava')
install.packages("xlsxjars")
library(rJava)
library(xlsxjars)
xlsx::write.xlsx(df,'filename.xlsx')

• python解法

df.shape
# (8, 2)

• R解法

dim(df)
# [1] 8 2

• python解法

df[(df['popularity'] > 3) & (df['popularity'] < 7)]

• R解法

library(dplyr)
df %>% 
  filter(popularity > 3 & popularity <7)
# 等价于
df[(df$popularity > 3) & (df$popularity <7),]

pandas / R

• python解法

temp = df['popularity']
df.drop(labels=['popularity'], axis=1,inplace = True)
df.insert(0, 'popularity', temp)

• R解法

df <- df %>% 
    select(popularity,everything())

pandas / R

• python解法

df[df['popularity'] == df['popularity'].max()]

• R解法

df %>% 
  filter(popularity == max(popularity)) 
# 同理也有类似pandas的方法
df[df$popularity == max(df$popularity),]

pandas / R

• python解法

df.tail()

• R解法

# R中head和tail默认是6行，可以指定数字
tail(df,5)

pandas / R

• python解法

df = df.drop(labels=df.shape[0]-1)

• R解法

df[-dim(df)[1],]
# 等价于
df %>% 
  filter(rownames(df) != max(rownames(df))) 

pandas / R

• python解法

row = {'grammer':'Perl','popularity':6.6}
df = df.append(row,ignore_index=True)

• R解法

row <- c(6.6,'Perl') # 需要和列的位置对应
# 或者建数据框
row <- data.frame(
  "grammer" = c("Perl"),
  "popularity" = c(6.6)
)

df <- rbind(df,row)

pandas / R

• python解法

df.sort_values("popularity",inplace=True)

• R解法

df <- df %>% 
  arrange(popularity)

pandas / R

从本题开始将grammer列中的缺失值替换为R

• python解法

df['grammer'] = df['grammer'].fillna('R')

df['len_str'] = df['grammer'].map(lambda x: len(x))

• R解法

library(Hmisc)
library(stringr)
df$grammer <- impute(df$grammer,'R')
str_length(df$grammer)

df$len_str <- str_length(df$grammer)

pandas / R