我想使用 R 或 Python 来查询大型结构化 SQL 类型的数据，但与 SAS 相比它们非常慢。
我尝试使用 R 和 Python 返回一个 130 万条记录的 Oracle ODBC 直通查询。查询在 SAS 中需要 8-15 秒，在 Python 中需要 20-30 秒，在 R 中需要 50-70 秒。有人知道为什么吗？
使用的 R 包：
首先，我使用 R 中的 RODBC 包来查询 Oracle 数据库。然后我尝试了 ROracle 包，但两个包都比 SAS 慢得多。
使用的 Python 包：
对于 Python，我使用 Oracle 的 cx_Oracle 包进行查询。
非常感谢，肖恩
这从 Python 的角度回答了您的一些问题：
Python 更快吗？
这个问题有点难以回答，这取决于你对 Python 的使用，但 Python 本身并不是一种快速的语言。但是，据报道 Python 中的pandas 库可以处理 33M-100M 行的表，请参阅this。我自己曾经处理过来自 Postgres 表的大约 10M 行。有关使用 pandas 的详细实验，请参阅此。在链接中，他们对 88M 行和 74 列的数据集应用了一些操作。
我们是否需要 Hadoop 或并行处理或其他东西来使 R/Python 与 SAS 一样快？
在尝试使用 Hadoop 或 Spark 之前，我建议您遵循一些优化技巧（提示）：
[1]优化 Pandas 代码以提高速度的初学者指南
[2]使用 pandas 处理大数据
这个链接（不要使用 Hadoop - 你的数据不是那么大）也很有用。
此外，对于 SAS 和 pandas 的比较，您可以阅读有关此类比较的 pandas 文档或this。
是因为 R 和 Python 是基于矩阵的语言，而 SAS 更面向传统的数据库吗？
Python 不是基于矩阵的语言，据我所知，该语言默认不提供任何处理矩阵的功能。我认为您指的是numpy/scipy堆栈，这是一个独立的库。