写在前面
在此总结一些在数据分析/挖掘中可能用到的功能，方便大家索引或者从一种语言迁移到另一种。当然，这篇博客还会随时更新（不会另起一篇，为了方便大家索引），请大家如果有需要收藏到书签中。
如果大家还知道哪些常用的命令，也可以在评论中回复我。我可以添加进来，方便更多地人更方便的检索。也希望大家可以转载。
如果大家已经熟悉python和R的模块/包载入方式，那下面的表查找起来相对方便。python在下表中以模块.的方式引用，部分模块并非原生模块，请使用
pip install *
安装；同理，为了方便索引，R中也以::表示了函数以及函数所在包的名字，如果不含::表示为R的默认包中就有，如含::，请使用
install.packages("*")
安装。
连接器与io
数据库
| 类别 | Python | R |
|---|
| MySQL | mysql-connector-python(官方) | RMySQL |
| Oracle | cx_Oracle | ROracle |
| Redis | redis | rredis |
| MongoDB | pymongo | RMongo, rmongodb |
| neo4j | py2neo | RNeo4j |
| Cassandra | cassandra-driver | RJDBC |
| ODBC | pyodbc | RODBC |
| JDBC | 未知[Jython Only] | RJDBC |
IO类
| 类别 | Python | R |
|---|
| excel | xlsxWriter, pandas.(from/to)_excel, openpyxl | openxlsx::read.xlsx(2), xlsx::read.xlsx(2) |
| csv | csv.writer | read.csv(2), read.table |
| json | json | jsonlite |
| 图片 | PIL | jpeg, png, tiff, bmp |
统计类
描述性统计
| 类别 | Python | R |
|---|
| 描述性统计汇总 | scipy.stats.descirbe | summary |
| 均值 | scipy.stats.gmean(几何平均数), scipy.stats.hmean(调和平均数), numpy.mean, numpy.nanmean, pandas.Series.mean | mean |
| 中位数 | numpy.median, numpy.nanmediam, pandas.Series.median | median |
| 众数 | scipy.stats.mode, pandas.Series.mode | 未知 |
| 分位数 | numpy.percentile, numpy.nanpercentile, pandas.Series.quantile | quantile |
| 经验累积函数(ECDF) | statsmodels.tools.ECDF | ecdf |
| 标准差 | scipy.stats.std, scipy.stats.nanstd, numpy.std, pandas.Series.std | sd |
| 方差 | numpy.var, pandas.Series.var | var |
| 变异系数 | scipy.stats.variation | 未知 |
| 协方差 | numpy.cov, pandas.Series.cov | cov |
| (Pearson)相关系数 | scipy.stats.pearsonr, numpy.corrcoef, pandas.Series.corr | cor |
| 峰度 | scipy.stats.kurtosis, pandas.Series.kurt | e1071::kurtosis |
| 偏度 | scipy.stats.skew, pandas.Series.skew | e1071::skewness |
| 直方图 | numpy.histogram, numpy.histogram2d, numpy.histogramdd | 未知 |
回归（包括统计和机器学习）
| 类别 | Python | R |
|---|
| 普通最小二乘法回归(ols) | statsmodels.ols, sklearn.linear_model.LinearRegression | lm, |
| 广义线性回归(gls) | statsmodels.gls | nlme::gls, MASS::gls |
| 分位数回归(Quantile Regress) | statsmodels.QuantReg | quantreg::rq |
| 岭回归 | sklearn.linear_model.Ridge | MASS::lm.ridge, ridge::linearRidge |
| LASSO | sklearn.linear_model.Lasso | lars::lars |
| 最小角回归 | sklearn.linear_modle.LassoLars | lars::lars |
| 稳健回归 | statsmodels.RLM | MASS::rlm |
假设检验
| 类别 | Python | R |
|---|
| t检验 | statsmodels.stats.ttest_ind, statsmodels.stats.ttost_ind, statsmodels.stats.ttost.paired; scipy.stats.ttest_1samp, scipy.stats.ttest_ind, scipy.stats.ttest_ind_from_stats, scipy.stats.ttest_rel | t.test |
| ks检验(检验分布) | scipy.stats.kstest, scipy.stats.kstest_2samp | ks.test |
| wilcoxon(非参检验，差异检验) | scipy.stats.wilcoxon, scipy.stats.mannwhitneyu | wilcox.test |
| Shapiro-Wilk正态性检验 | scipy.stats.shapiro | shapiro.test |
| Pearson相关系数检验 | scipy.stats.pearsonr | cor.test |
时间序列
| 类别 | Python | R |
|---|
| AR | statsmodels.ar_model.AR | ar |
| ARIMA | statsmodels.arima_model.arima | arima |
| VAR | statsmodels.var_model.var | 未知 |
python还可参见PyFlux.
生存分析
| 类别 | Python | R |
|---|
| PH回归 | statsmodels.formula.api.phreg | 未知 |
专门分析的模块：
Python: Lifelines
机器学习类
回归
参见统计类
分类器
LDA、QDA
| 类别 | Python | R |
|---|
| LDA | sklearn.discriminant_analysis.LinearDiscriminantAnalysis | MASS::lda |
| QDA | sklearn.discriminant_analysis.QuadraticDiscriminantAnalysis | MASS::qda |
SVM(支持向量机)
| 类别 | Python | R |
|---|
| 支持向量分类器（SVC） | sklearn.svm.SVC | e1071::svm |
| 非支持向量分类器（nonSVC） | sklearn.svm.NuSVC | 未知 |
| 线性支持向量分类器(Lenear SVC) | sklearn.svm.LinearSVC | 未知 |
基于临近
| 类别 | Python | R |
|---|
| k-临近分类器 | sklearn.neighbors.KNeighborsClassifier | 未知 |
| 半径临近分类器 | sklearn.neighbors.RadiusNeighborsClassifier | 未知 |
| 临近重心分类器(Nearest Centroid Classifier) | sklearn.neighbors.NearestCentroid | 未知 |
贝叶斯
| 类别 | Python | R |
|---|
| 朴素贝叶斯 | sklearn.naive_bayes.GaussianNB | e1071::naiveBayes |
| 多维贝叶斯(Multinomial Naive Bayes) | sklearn.naive_bayes.MultinomialNB | 未知 |
| 伯努利贝叶斯(Bernoulli Naive Bayes) | sklearn.naive_bayes.BernoulliNB | 未知 |
决策树
| 类别 | Python | R |
|---|
| 决策树分类器 | sklearn.tree.DecisionTreeClassifier | tree::tree, party::ctree |
| 决策树回归器 | sklearn.tree.DecisionTreeRegressor | tree::tree, party::tree |
Assemble方法
| 类别 | 子类别 | Python | R |
|---|
| Bagging | 随机森林分类器 | sklearn.ensemble.RandomForestClassifier | randomForest::randomForest, party::cforest |
| Bagging | 随机森林回归器 | sklearn.ensemble.RandomForestRegressor | randomForest::randomForest, party::cforest |
| Boosting | Gradient Boosting | xgboost模块 | xgboost包 |
| Boosting | AdaBoost | sklearn.ensemble.AdaBoostClassifier | adabag、fastAdaboost、ada |
| Stacking | 未知 | 未知 | 未知 |
聚类
| 类别 | Python | R |
|---|
| kmeans | scipy.cluster.kmeans.kmeans | kmeans::kmeans |
| 分层聚类 | scipy.cluster.hierarchy.fcluster | (stats::)hclust |
| 包聚类(Bagged Cluster) | 未知 | e1071::bclust |
| DBSCAN | sklearn.cluster.DBSCAN | dbscan::dbsan |
| Birch | sklearn.cluster.Birch | 未知 |
| K-Medoids聚类 | pyclust.KMedoids(可靠性未知) | cluster.pam |
关联规则
| 类别 | Python | R |
|---|
| apriori算法 | apriori(可靠性未知，不支持py3), PyFIM(可靠性未知，不可用pip安装) | arules::apriori |
| FP-Growth算法 | fp-growth(可靠性未知，不支持py3), PyFIM(可靠性未知，不可用pip安装) | 未知 |
神经网络
| 类别 | Python | R |
|---|
| 神经网络 | neurolab.net, keras.* | nnet::nnet, nueralnet::nueralnet |
| 深度学习 | keras.* | 不可靠包居多以及未知 |
当然，theano模块值得一提，但本质theano包的设计并非在神经网络，所以不归于此类。
概率图模型
python: PyMC3
文本、NLP
基本操作
| 类别 | Python | R |
|---|
| tokenize | nltk.tokenize(英), jieba.tokenize(中) | tau::tokenize |
| stem | nltk.stem | RTextTools::wordStem, SnowballC::wordStem |
| stopwords | stop_words.get_stop_words | tm::stopwords, qdap::stopwords |
| 中文分词 | jieba.cut, smallseg, Yaha, finalseg, genius | jiebaR |
| TFIDF | gensim.models.TfidfModel | 未知 |
主题模型
| 类别 | Python | R |
|---|
| LDA | lda.LDA, gensim.models.ldamodel.LdaModel | topicmodels::LDA |
| LSI | gensim.models.lsiModel.LsiModel | 未知 |
| RP | gensim.models.rpmodel.RpModel | 未知 |
| HDP | gensim.models.hdpmodel.HdpModel | 未知 |
值得留意的是python的新第三方模块，spaCy
与其他分析/可视化/挖掘/报表工具的交互
| 类别 | Python | R |
|---|
| weka | python-weka-wrapper | RWeka |
| Tableau | tableausdk | Rserve(实际是R的服务包) |
