eda_pandas_vs_dplyr.Rmd

# Pandas vs. dplyr谁是数据分析中最好用的宏包 {#eda-pandas-vs-dplyr}

本章，我们用一些例子来比较数据科学领域Pandas vs. dplyr 两个宏包的用法


```{r Pandas01, echo=FALSE, eval=FALSE, include=FALSE}
knitr::opts_chunk$set(
  engine.path = list(python = "E:\\Anaconda3\\python.exe")
  )
```

首先，需要加载这个宏包
```{r Pandas02}
library(reticulate)
use_python("E:/Anaconda3/python.exe") 
#use_condaenv("Anaconda3", required = TRUE)
#py_config()
```


## 加载数据

这是用 Pandas 方法，
```{python}
import pandas as pd

gapminder = pd.read_csv("./demo_data/gapminder.csv")
```



这是用 dplyr 方法

```{r Pandas03}
library(dplyr)

gapminder <- readr::read_csv("./demo_data/gapminder.csv")
```


这个过程，两者没什么区别。再往下看




## 过滤

### 问题1 – 找出2007年的所用记录.

这是用 Pandas 方法，

```{python}
gapminder[gapminder['year'] == 2007]
```

这是用 dplyr 方法，
```{r Pandas04}
gapminder %>%
  filter(year == 2007)
```


### 问题2 – 找出2007年中 continent为 Americas 的记录

这是用 Pandas 方法，

```{python}
gapminder[(gapminder['year'] == 2007) & (gapminder['continent'] == 'Americas')]
```


这是用 dplyr 方法

```{r Pandas05}
gapminder %>%
  filter(
    year == 2007,
    continent == "Americas"
  )
```



### 问题3 – 找出2007年中 continent为 Americas，且只包含美国 的记录

这是用 Pandas 方法，

```{python}
gapminder[(gapminder['year'] == 2007) & 
          (gapminder['continent'] == 'Americas') &
          (gapminder['country'] == 'United States')]
```


这是用 dplyr 方法

```{r Pandas06}
gapminder %>%
  filter(
    year == 2007,
    continent == "Americas",
    country == "United States"
  )
```


## 统计

我们再看看Pandas 和 dplyr 在常用的统计分析方面的表现。



### 问题1 – 计算2007年全球寿命均值


这是用 Pandas 方法，

```{python}
gapminder[gapminder['year'] == 2007]['lifeExp'].mean()
```


这是用 dplyr 方法

```{r Pandas07}
gapminder %>%
  filter(year == 2007) %>%
  summarize(mean(lifeExp))
```


### 问题2 – 计算2007年每一个洲的寿命均值


这是用 Pandas 方法，

```{python}
gapminder[gapminder['year'] == 2007].groupby(by='continent').mean()['lifeExp']
```


这是用 dplyr 方法

```{r Pandas08}
gapminder %>%
  filter(year == 2007) %>%
  group_by(continent) %>%
  summarize(mean(lifeExp))
```

### 问题3 – 计算2007年每一个洲的人口总数然后降序输出。

这是用 Pandas 方法，

```{python}
gapminder[gapminder['year'] == 2007].groupby(by='continent').sum()['pop'].sort_values(ascending=False)
```


这是用 dplyr 方法

```{r Pandas09}
gapminder %>%
  filter(year == 2007) %>%
  group_by(continent) %>%
  summarize(total_pop = sum(pop)) %>%
  arrange(desc(total_pop))
```


## 创建新变量

### 问题1 – 创建国内生产总值(GDP)变量，即人口数量乘以人均GDP

这是用 Pandas 方法，

```{python}
gapminder['GDP'] = gapminder['pop'] * gapminder['gdpPercap']
gapminder.head()
```


这是用 dplyr 方法

```{r Pandas10}
gapminder %>%
  mutate(GDP = pop * gdpPercap)
```

### 问题2 – 人均GDP排名前90%的前十个国家

这是用 Pandas 方法，

```{python}
gapminder_2007 = gapminder[gapminder['year'] == 2007]
gapminder_2007['percentile'] = gapminder_2007['gdpPercap'].rank(pct=True)
gapminder_2007.sort_values(by='percentile', ascending=False)[:10]
```


这是用 dplyr 方法

```{r Pandas11}
gapminder %>%
  filter(year == 2007) %>%
  mutate(percentile = ntile(gdpPercap, 100)) %>%
  arrange(desc(percentile)) %>%
  top_n(10, wt = percentile)
```

## 小节

根据以上有限的对比，感觉dplyr语法要简练和清晰些。但是，这并不意味我们一定在Pandas 和 dplyr做取舍，因为解决现实问题，往往取决于我们对工具的熟练程度。以上只是个人观点（哈哈哈）。

## 参考

- <https://appsilon.com/pandas-vs-dplyr/>
- <https://github.com/rstudio/reticulate/issues/863>
- <https://rstudio.github.io/reticulate/articles/python_packages.html>
- <https://github.com/IyarLin/R-advantages-over-python>
- <https://github.com/matloff/R-vs.-Python-for-Data-Science>


```{r Pandas99, echo = F}
# remove the objects
# ls() %>% stringr::str_flatten(collapse = ", ")

#rm(cutoffs, d1, d2, df, mult, std, weights, replace_col_max)
```



```{r Pandas100, echo = F, message = F, warning = F, results = "hide"}
pacman::p_unload(pacman::p_loaded(), character.only = TRUE)
```