Python 如日中天的 AI 时代,还值得学习 R 语言吗?

“人生苦短，我用 Python”，这句话在 AI 时代的程序员圈子里，几乎是很多人的信条。的确，从深度学习到数据分析，Python 的身影无处不在。TensorFlow、PyTorch、Scikit-learn、pandas… 强大的生态让 Python 几乎成为数据科学和人工智能的代名词。

那么，在这样的大背景下，我们还需要学习 R 语言吗？那个诞生于上世纪，专为统计而生的编程语言。本文是我基于自己的体察对这个问题的一些思考，也想借此机会推荐人民邮电出版社最近新出版的一本很好的 R 语言书籍《R数据科学》，以及我所认为优秀的一些 R 语言学习资料。

本文的提纲如下：

尽管我知道很多现在的数据科学家或算法工程师基本只使用 Python 语言（我称之为“专家”派），但是我自认为是编程语言学习和使用者中典型的“杂家”。在我的简历上，我这样介绍自己：“能自由运用 C、C++、Java、AWK、Bash、Perl、Python、R 语言编程，热衷于编写简单、可靠、易维护的代码”。

从最初学习 Fortran，到用谭浩强《C语言程序设计》自学 C 语言，再到后来用 JSP 开发网站，在南极中山站啃《C++编程思想》和《Java编程思想》。做数据科学后，我其实曾经最偏爱的语言是 Perl，直到有一天，一位年轻同事笑着对我说：“这似乎暴露了您的年龄”。于是我在公开场合一般用 Python，私下做数据分析时可能还是会偷偷用Perl，至于绘图——我几乎总是用 R 语言。

我的态度很明确：使用每种语言之长，而非强行用一种语言包打天下。我用 Python/Perl 处理数据，用 R 绘图，用 Java 写 MapReduce，用 Scala 写 Spark 程序。尽管我知道也有同事会使用 Python 语言完成所有这一切。我的理由是：几乎每一种语言都有其不可替代的强大之处，而且熟悉多个语言会帮助人保持思维的灵活性。比如，在 Linux/Unix 环境中的格式化数据的处理中，我甚至仍会使用一种古老的语言 AWK 来处理一些简单事务。我的使用标准很简单，就是：哪种语言的代码少用哪种。

一句话回答是：R 是专为数据分析和绘图而生的编程语言，因此数据科学的工具箱里永远有 R 语言的一席之地。

我的基本看法是：数据分析与统计学在数据科学中至关重要，而 R 语言可以说是数据分析的天选之子。R 语言非常适合处理大小能装进内存的格式化数据，而且绘图非常方便。更大规模的数据或者非格式数据，我还是建议使用 Python 或其他编程语言。而在绘图方面，尽管 Python 语言已经很强大，但其实还是没有 R 语言使用方便，且所绘制出的图形往往更美观。

比如，以下是我用 R 语言（几乎是一行代码）绘制的不同 ADX 平台的 pCTR 后验分布图：

而以下是用 Python 语言做出的价格分布的结果（使用了更多代码）

不熟悉 R 语言的读者可能不太清楚的是：如今 Python 数据科学的基石之一——pandas 的 DataFrame 概念，直接源自 R 语言的data.frame。

2008 年，Wes McKinney 在 AQR Capital Management 工作时深感不便：Python 缺乏类似 R data.frame 的数据结构。于是他创造了 pandas，旨在在 Python 中实现 R 的数据操作体验和表达能力。而 R 语言的 data.frame 诞生于 1990 年代，继承自更早的 S/S-PLUS 语言。它的核心特征包括：二维表格结构、列可存储不同类型数据、每列等长、支持行列标签以及内置丰富的统计函数。这一数据结构成为统计计算的核心。

当然，pandas 的 DataFrame 并非简单复制，而是基于相同理念的重新设计，并针对 Python 生态进行了创新扩展。这个历史细节揭示了数据科学生态的有趣现象：优秀的概念会跨越语言边界，并在新的土壤中生根发芽。

如果读者决定探索 R 语言的最新世界，我强烈推荐《R for Data Science, Second Edition》（中文版《R 数据科学（第 2 版）》）这本书。这本书不仅仅教我们 R 语言，而是教我们如何用 R 进行数据科学的完整工作流。它基于tidyverse 生态系统——一套设计一致、易于学习的数据科学工具集。

tidyverse 的核心是tidy data 理念：每个变量一列、每个观察一行、每个值一个单元格。这种结构化的数据组织方式，让后续的分析、可视化和建模变得异常流畅。书中涵盖了数据导入、整理、转换、可视化和建模的全过程。特别值得一提的是，它强调“可视化 - 建模 - 再可视化”的迭代循环，这正是数据科学实践的本质。学习这本书，你会发现自己不仅仅是在学习一门语言，而是在吸收一套经过深思熟虑的数据科学方法论。

当然，如果要学习 R 语言的最基础知识，《R数据科学》未必是最佳选择，如果是想学习 R 语言最基础知识，个人比较推荐《The Art of R Programming》（https://book.douban.com/subject/6727873/）。

中文版《R语言编程艺术》（https://book.douban.com/subject/24699632/）。这本书适合有编程背景的读者，从编程艺术的角度深入讲解R 语言的核心机制和高效编程技巧。

其他更深入的书籍有：

• 如果想深入理解 R 语言设计，建议阅读 John M. Chambers 的《Software for Data Analysis: Programming with R》。Chambers 是 S 语言（R 的前身）的创造者之一，这本书从设计者的视角揭示了R语言的哲学和内部机制。(https://book.douban.com/subject/4166489/) 

• 如果想了解 R 语言统计模型，建议阅读统计建模经典：John M. Chambers, Trevor J. Hastie 的《Statistical Models in S》这本书深入探讨了 S/R 语言中的统计模型框架，适合想要深入理解 R 统计建模系统的读者。(https://book.douban.com/subject/4765849/ )

• 如果想更多理解R语言的历史与传承，建议阅读《The New S Language: A Programming Environment for Data Analysis and Graphics》（Richard A Becker，John M. Chambers, Allan R. Wilks著）这本经典著作虽然是关于 S 语言的，但它奠定了 R 语言的许多基础理念，阅读它有助于理解 R 语言的设计根源。本书中的代码在 R 语言环境中也基本都可以运行。（顺便提一下，我当年是托美国同事带回这本书的（2014年1月8日），它陪伴了我很长一段时间）

在 AI 席卷一切的时代，尽管 Python 几乎成为一门可以包打天下的语言，但 R 语言在统计建模、数据可视化等方面仍有其独特优势。学习 R 语言，不仅仅是学习一门工具，更是拥抱一个由统计学家和数据科学家共同构建的丰富生态。AI 的核心不仅仅是编程，更重要的是概率与统计，实践上很重要的就是数据分析，学习和掌握 R 语言可以帮助我们建构与增强统计思维。

在一名成熟的数据科学的编程语言工具箱里，不应该只有一把锤子。我们应该尽量使用最好的工具完成任务，而不是只用自己会的工具。