R vs Python，谁才是数据科学的最佳语言

Answer 1

使用 R 进行分析、数据可视化与建模：

• 为分析提供了极好的灵活性

• R 使你在分析的时候更容易思考

• 由于有着十分活跃的统计与数学社区，可以持续的更新和增强分析功能优秀的数据可视化工具

• 优秀的数据可视化工具

使用 Python 进行数据预处理、数据清洗，特别针对于非结构化数据（如网页，图像，文本等）：

• 极强的灵活性，能够从自由文本、网站和社交媒体网站提取信息

• 便于图像挖掘和为分析准备数据

• 处理大量的数据的时候比 R 语言更好

对于一个认真的数据科学家来说，R 和 Python 都应该了解。我们需要的是 R+Python，而不是 R vs Python。

Answer 2

Python的介绍
Python是由Guido van Rossum 1991年创建，强调效率和代码的可读性。希望深入的数据分析或应用统计技术的程序员一些Python用于统计的主要用户。
你越接近在工程环境中工作，越有可能更喜欢Python。它是一种灵活的语言，并让其专注于可读性和简单性，它的学习曲线是比较低的。
R的介绍
Ross Ihaka 和 Robert Gentleman 1995年创建开源语言R作为S编程语言的实现.其目的是开发一个提供更好更人性化数学据分析,统计和图形模型的语言.最初,R主要是在学术和研究中使用,最近其余也开始使用R.这使得R成为全球发展最快的统计语言。
Python和R在机器学习与数据分析领域中的对比
机器学习和数据分析之间的差异有些难以言明，但二者最主要的不同就在于，比起模型的可解释性，机器学习更加强调预测的准确性;而数据分析则更加看重模型的可解释性以及统计推断。Python ，由于更看重预测结果的准确性，使其成为机器学习的一把利器。 R ，作为一种以统计推断为导向的编程语言，在数据分析界也得到广泛应用。
当然，这并不代表二者只能在各自的一个领域中得到应用。它们都拥有相当多的资源库去实现彼此特定的函数功能，比如 Python 就有很多资源库来提高自己统计推断的能力，R 也有很多包可以提升预测的准确率。
Scikit-learn 可能是 Python 最受欢迎的机器学习资源库了。基于 Numpy 和 Scipy ，scikit-learn 提供大量用于数据挖掘和分析的工具，从而提高了 Python 本就出色的机器学习可用性。NumPy 和 SciPy 各自为战，虽然它们是 Python 中数据分析的核心部分，但数据分析家更可能仅仅原生地去使用它们，而不是基于一个更高的角度。 Scikit-learn 却将二者结合成为一个机器学习资源库，同时也降低了大家的学习门槛。
在数据分析领域，Python 也因几个库而包受推崇。 作为其中最为著名的库之一，Pandas 为 Python 提供了高性能处理的数据结构和数据分析工具。如同其他很多 Python 的库一样，从你着手一个新项目到真正做些有价值的工作这过程的时间将会因它大大缩短。如果你执着于 Python 同时又希望使用 R 的功能， RPy2 库能够提供所有 R 的主要功能，并给你一个 R 在 Python 中使用的流畅化体验。
就像 Python 一样，R 也拥有大量的包来提升它的表现。要想在机器学习领域媲美 Python，R 中的 Nnet 包具有快速构建神经网络模型的能力。通过提供一系列函数来提升所构建模型的有效性，Caret 包也可以加强 R 在机器学习的能力。
就 R 在数据分析领域的表现，仍然有很多包可以用来提升它本就出色的能力。不管是建模前的准备，建模，以及建模后的分析工作，R 都有很多包可以胜任。这些包大多专门用来完成特定的任务，比如数据的可视化，连续变量回归和模型验证。
Python和R不同角度分析
从定位角度看，R致力于提供更好的，对用户友好的数据分析、统计分析和绘图模型；而Python则强调生产效率和代码的可读性。
双方的用户群也有一定的差异。R主要用于学术和研究领域，如今正在快速拓展其企业市场的运用。Python的使用者，是那些想深入钻研数据分析或者应用统计技术的程序员，以及向数据科学寻求帮护的开发者。用一句话总结：“越接近统计研究跟数据分析人，越倾向R；越接近工程开发工程环境的人，越倾向Python”。
关于易学习性，开始学习R时有一个陡峭的学习曲线，一旦了解了最基本知识，就能很容易地学习更高级的知识。因此，对于有经验的程序员，R并不难。由于Python看重可读性和易用性，使得它的学习曲线相对比较低并且平缓。因此，对于初级程序员，Python 被认为是一个很好的编程语言。