数据科学工程，你的方式

使用 Python 和 R 介绍不同的数据科学工程概念及应用

本系列数据科学工程教程将比较当今两大主流生态系统——R 和 Python——中如何实现该学科中的不同概念。

我们将从一个中立的视角出发。我们认为，每种环境都有其优缺点，任何数据科学家都应掌握这两种语言的使用方法，以便更好地应对就业市场或开展个人项目。

若想了解这一热门话题的最新动态，读者可参考 DataCamp 的《数据科学大战》信息图。该信息图探讨了 R 相较于 Python 的优势以及反之亦然，并旨在从数据科学和统计学的角度对这两种编程语言进行基础对比。

与前述内容不同的是，我们的教程将深入实践，讲解如何实际完成各类数据科学任务，例如处理数据框、执行聚合操作，或构建监督学习和无监督学习领域的各种统计模型。

我们将使用真实世界的数据集，并构建一些实际的数据产品。这将有助于我们快速将所学知识应用于真实的数据分析场景中。

如果您对大数据产品感兴趣，那么您可能会对我们关于 使用 Apache Spark 和 Python 或 在 Apache Spark 上使用 R (SparkR) 的系列教程感兴趣。

教程

这是一个不断更新的教程列表，解释了 Python 和 R 中的概念与应用。

数据框简介

介绍基本的数据结构及其在 Python/Pandas 和 R 中的使用方法。

探索性数据分析

关于任何数据科学工程项目中这一重要任务的内容。

降维与聚类

介绍如何使用主成分分析和 k-means 聚类来更好地表示和理解我们的数据。

文本挖掘与情感分类

如何利用文本挖掘技术，仅通过 线性方法 分析文本文档中的正面或非正面情感。

应用

以下是一些我们基于教程中所讲解的概念构建的应用。

基于 R 和 Shiny 的 Web 情感分类器

介绍如何构建一个 Web 应用程序，用户可以上传文本文件，使用基于 R 的框架 Shiny 进行情感分析。

使用 Python 构建数据产品

以一个 葡萄酒评论与推荐网站 为线索，本系列教程拥有 独立的代码仓库，并按课程划分标签，深入探讨如何使用 Django、Pandas 或 Scikit-learn 等 Python 技术来构建数据产品。

使用 R 分析红葡萄酒质量数据

借助 R 和 ggplot2，我们对这个关于葡萄酒质量的参考数据集进行了探索性数据分析。

使用 Python 实现信息检索算法

在此展示了我们自己实现的几种信息检索算法：向量空间模型和 tf-idf。

Kaggle - The Analytics Edge（2015 年春季）

这是我针对 Kaggle 比赛提交的解决方案。它曾是 edX MOOC 课程 The Analytics Edge 的一部分。我强烈推荐这门在线课程，它是我在使用 R 进行数据分析和机器学习方面所学过的最实用的课程之一。

贡献

欢迎贡献！如发现 bug 或有需求，请 提交 issue。

联系方式

如有任何问题、疑问或意见，欢迎随时与我联系。

• Twitter: @ja_dianes
• GitHub: jadianes
• LinkedIn: jadianes
• 网站: jadianes.me

许可证

本仓库包含多种内容，其中部分由 Jose A. Dianes 开发，另一部分来自第三方。第三方内容根据其各自提供的许可证进行分发。

Jose A. Dianes 开发的内容遵循以下许可证：

版权所有 © 2016 Jose A Dianes

根据 Apache License, Version 2.0（“许可证”）授权；

除非遵守许可证条款，否则不得使用本文件。

您可以在以下网址获取许可证副本：

   http://www.apache.org/licenses/LICENSE-2.0

除非适用法律另有规定或双方书面同意，否则软件按“原样”分发，不提供任何形式的保证或条件。

有关特定语言的权限和限制，请参阅许可证。

data-science-your-way 快速上手指南

data-science-your-way 是一个开源教程集合，旨在通过实际案例对比 Python 和 R 在数据科学工程中的应用。本指南将帮助你快速获取资源并开始学习。

环境准备

本项目并非单一的可安装软件包，而是一系列包含代码示例的教程仓库。你需要准备以下开发环境：

系统要求

• 操作系统：Windows / macOS / Linux
• 网络环境：需能访问 GitHub 以克隆代码仓库

前置依赖

根据你想运行的具体教程模块，需安装以下至少一种语言环境：

1. Python 环境 (推荐 Python 3.6+)
   • 核心库：pandas, scikit-learn, django (针对 Web 应用部分)
   • 建议安装 Anaconda 发行版以简化包管理。
2. R 环境 (推荐 R 3.4+)
   • 核心库：ggplot2, shiny, dplyr
   • 建议使用 RStudio 作为 IDE。

安装步骤

由于这是一个教程集合，"安装"即为克隆仓库并配置对应语言的依赖。

1. 克隆仓库

打开终端或命令行工具，执行以下命令获取源代码：

git clone https://github.com/jadianes/data-science-your-way.git
cd data-science-your-way

国内加速提示：如果克隆速度较慢，可使用国内镜像源（如 Gitee 同步仓库，若有）或配置 Git 代理。若无特定镜像，请确保网络通畅。

2. 安装 Python 依赖

进入包含 Python 示例的目录（例如情感分析或 WineRama 应用），安装所需包：

# 示例：安装通用数据科学库
pip install pandas scikit-learn numpy

# 示例：针对 Web 应用教程 (WineRama)
pip install django

3. 安装 R 依赖

启动 R 或 RStudio，运行以下命令安装必要的 R 包：

install.packages(c("ggplot2", "dplyr", "shiny", "tm"))

基本使用

本项目的核心在于跟随 Tutorials 和 Applications 目录下的文档进行实践。以下是两个最基础的入门示例：

示例 1：探索数据框 (Data Frames)

对比 Python (Pandas) 和 R 的基础数据结构操作。

1. 导航至教程目录：

   cd 01-data-frames
   

2. 阅读该目录下的 README.md 获取详细概念讲解。
3. 运行对应的脚本或 Notebook 文件（通常为 .ipynb 或 .R 文件）：
   • Python: jupyter notebook introduction_pandas.ipynb (文件名仅供参考，请以实际文件为准)
   • R: 在 RStudio 中打开对应的 .R 脚本并运行。

示例 2：构建基于 Shiny 的情感分类器

这是一个完整的 R 语言 Web 应用实例。

1. 导航至应用目录：

   cd apps/sentimentclassifier
   

2. 查看 README.md 了解应用逻辑。
3. 在 RStudio 中打开项目文件夹，运行主程序文件（通常是 app.R 或 server.R）：

   # 在 R 控制台执行
   shiny::runApp()
   

4. 浏览器会自动弹出本地服务地址（如 http://127.0.0.1:xxxx），即可上传文本进行情感分析测试。

---

注：更多高级教程（如降维聚类、文本挖掘）及大数据应用（Spark）请参考仓库中对应的子目录文档。