作者：黄天元，复旦大学博士在读，热爱数据科学与开源工具（R），致力于利用数据科学迅速积累行业经验优势和科学知识发现，涉猎内容包括但不限于信息计量、机器学习、数据可视化、应用统计建模、知识图谱等，著有《R语言数据高效处理指南》（《R语言数据高效处理指南》(黄天元)【摘要 书评 试读】- 京东图书，《R语言数据高效处理指南》(黄天元)【简介_书评_在线阅读】 - 当当图书）。知乎专栏：R语言数据挖掘。邮箱：huang.tian-yuan@qq.com.欢迎合作交流。

与上一年一样，今年继续参加了华东地区的R语言大会，只是从与会者变成了演讲嘉宾，倍感荣幸。我在会上分享的内容是关于数据操纵（Data Manipulation）在R中的实现，重点比较了dplyr和data.table两者的差异，并就未来的发展做了一些简要的介绍，现在上传到Github上方便大家参考：R语言数据操纵之美。

同时回答会下观众的问题，与大家分享：

1、R语言能否用于文本挖掘（自然语言处理）？

必须可以，而且是非常可以。我自己的专栏中连载了一系列的R语言文本挖掘和自然语言处理的帖子，大家可以参考。R语言在文本挖掘上的生态是非常完善的，我不能算深耕但是也是重度爱好长期使用，我可以告诉大家它没有什么：涉及深度学习的一些算法，比如新的BERT，这个确实尚未发现有R的实现，还有node2vec。因为这些算法是计算机科学家先提出的，目前R领域以统计学家为主，确实需要更多的计算机科学家加入，把新的方法开放一套R的接口，不是总是低效地调用Python。

2、R语言的数据操作与Python比较怎么样？

没有比较就没有伤害，这里下个结论：Python的pandas在未来一直会处于追赶的状态。大家要知道，data.frame这种数据结构在R中本身就是内置的，data.table和dplyr只是为其加上更强大的内功（data.table）和外功（dplyr）。Python这种胶水语言不是为数据科学设计的，没有pandas就没有数据框的数据结构，它只是为计算机科学家转数据科学开了口子，把机器学习的门槛降低，这是好事，但是以Python作为数据科学核心是很难的，数据科学不是它应该主导的事情，它的重心应该放在“胶水”上面（比如如何把多语言开发的东西都拼接在一起）。

早年我还写过R与Python手牵手系列，比较两者对数据操作的处理。现在不比较了，pandas确实不行。会上比较了R和SQL的差别，压根没提Python，因为它在数据操纵上还上不了台面（欢迎打脸）。目前，pandas的语法结构及不上dplyr，性能及不上data.table，而R社区已经在考虑如何结合data.table的性能和dplyr的语言结构来做一套内外兼修的数据操作工具。所以专注数据科学的小伙伴（特别是非计算机出身的）可以果断放弃Python，但是机器学习（特别是深度学习）上面应该对其予以更大的重视。R这方面确实在学习Python，目前好的工具应该是caret（The caret Package）和mlr（Machine Learning in R），未来我们也许能够看到更好的R，更加美观而且性能更佳。

后，数据科学首推R，用Python打辅助，是非计算机出身的人佳的选择，没有之一。我自己就是学C的，如果当时学完C遇到的不是R，我想今天我应该是一个Python的狂热爱好者。但是我去了华师，遇到了R，爱了，不悔。我不会跟大家说全都要什么的，do whatever makes you happy and solve all the problems ahead~