R vs Python for decision tree

DS 普遍使用的工具中Python越来越占主导地位。许多原本只有R版本的统计方法也都有了Python的版本。 但是仔细比较会发现， R版本和Python版本在细节处理上有不少差异。 以下举几个decision tree的例子。 由于random forest, gradient boosting 基于decision tree, 所以也都有类似的问题。  

Categorical variable

rpart 可以自动处理categorical variable。
sklearn DecisionTreeRegressor/DecisionTreeClassifier 不能， 需要事先在data preprocessing时做one hot encoding。

Missing values in predictors

rpart assume missing not at random, 可以通过surrogate split自动处理missing values in predictors, 这一方法利用了correlation among predictors。  
sklearn DecisionTreeClassifier/DecisionTreeRegressor 不能自动处理missing values。 sklearn 有impute module 可以预处理数据，不过值得注意的是SimpleImputer 往往只是使用mean/median 来impute missing values， 这种方式无法利用变量之间的关联性。 如果missing values 比较多的话， 不同的imputation方法对model performance 影响很大。

总结： 许多的统计方法最初都是以R package的方式面世的， python module 作为re-implementation难免会有所不同。 在使用中需要注意细节有很多， 这个帖子讨论的比较有限， 也希望看到有更多这方面的总结。

学了R也还是要学Python，还不如直接学Python。估计说过“R就够了”的人，以后都会被打脸。

补充内容 (2021-08-18 10:57 +08:00):
. 1point 3 acres这有什么好踩的。踩的人要更新自己技能了。

python 有package 可以读R code

别学R了，找起工作来很吃亏，而且偏应用不底层，还不如python java c什么的走起

但是你可以不用sklearn，其他很多包都解决了你说的问题。

python 的决策树包很naive 至少几年前是这样的，缺了不少功能。可以尝试自己撸一个。我当时就魔改过 实现了个卡方统计。

很有意思的话题！

说句实话，大家都在用Python（虽然我也在用）但是R的优点确实Python比不来的，很多统计的内建包很丰富python都没有，vcov(),devariance()就是很好的例子。另外一些纯统计模型虽然工作中用的少但是需要的时候还是R顶用，简单来说MLR里面各个predictor的parameter，Skearn和R api都没有。

BTW，为啥现在还要用decision tree，RF不香吗