在数据科学界大门口，新手小白们总是面面相觑，R语言和Python两大巨头各占风骚，势如水火，引起入门选手的诸多疑问——
Emmm连学哪个都选不出来，算了，我还是不学了叭……
万里长征第一步，学院君带带你。究竟R语言和Python在哪些领域使用更佳？新手如何选择学习，才能更快地启航？我们认真来唠唠这个。
任何不聊原始目的的选择都是耍流氓。工具的缘起历史，决定了它使用的偏向性。
R是由统计学家开发的，它的出生就肩负着统计分析、绘图、数据挖掘的重要使命。因此在R的语言体系里，有非常多统计学的原理和知识。
如果你具备一些统计背景，R会令你使用各类model和复杂的公式时更加愉悦有爽感，因为你总能找到对应的package，并且几行代码就可以调用搞定。
Python的创始人初衷，是为非专业程序员设计的一种开放型的语言。优雅，明确，简单，是它的标签。因此，总有人高唱「人生苦短，我用Python」。
数据分析、网络爬虫、编程开发、人工智能等，作为一门多功能的胶水语言，Python的使用目的和学习路径更加多样化。
尽管都是数据科学界的当红炸子鸡，工具的选择会因为你的领域和你想解决的问题因人而异。
起初R在学术研究和调查工作中使用比较多，逐渐延伸至企业商业界。使用人群不一定需要计算机背景，统计、金融、经济、核电、环境、医疗、物流管理，乃至人文学科，都有R语言的立足之地。
同样，鉴于R 在数据探索、统计分析上，是一种更高效的独立数据分析工具，具备良好数理统计知识背景的人使用起来更加得心应手，自带base一R的基础模块、mle一极大似然估计模块、ts一时间序列分析模块、mva一多元统计分析模块等。
相比R非标准的代码，Python作为出了名的语法简洁工具，对于一些稍有编程基础的人来说格外友好，可以减少在编程进程中的磕绊。
没有任何基础的编程小白一样可以上手Python，适用范围同样覆盖金融、医疗、管理、传播等各行各业。
如果你在数据分析之余，还需要与诸如Web应用程序相整合，或者需要和数据源的连接、读取，调用其他语言等，使用Python是更加方便的选择，「一站式解决」。
这是小白入门前最关心的问题之一，究竟哪个学起来更难？
实际上，由于不了解每个人的知识背景和学习成本，这个问题并不能做出非黑即白的绝对性答案。这也是为什么，各类论坛上R和Python的使用者关于入门难度总是各执一词。
开始学习R，了解了最基本知识和语言逻辑，入门不难。以及数理统计基础好的会越学越爽，相反，如果完全没有数理背景，会感觉到明显增幅的难度。
Python看重可读性和易用性，它的学习曲线比较平缓。对于初级小白来讲，比较友好，但如果纵深学习以及拓展方向，还需要掌握大量package的知识和使用方法。
如果你真的需要定义对比二者学习曲线的难度，你需要首先明确，你的学习目的是什么。
网络上有很多R与Python人气对比的数据，综合来看，Python的排名更高，主要原因是R仅在数据科学的环境中使用，而Python作为一种通用语言，使用广泛。
应用 R技能的职位：数据分析师、数据科学家、投资分析师、税务人员、管理人员、科研人员等等
发展方向：结合各行业的专业知识，做深度的业务数据处理与统计分析
应用Python的场景：数据分析、网络爬虫、系统编程、图形处理、文本处理、数据库编程、网络编程、Web编程、数据库连接、人工智能、机器学习等
应用Python的职位：数据架构师、数据分析师、数据工程师、数据科学家、程序开发员等
发展方向：结合各行业的专业知识，做各类型or协作型工作
来了！在具体的使用中，两个工具一定有各自的优劣势，各自的侧重点。明确哪一点对你最重要，是你选择的关键。
字不如表，表不如图。R和可视化是绝配，一些必备的可视化软件包如ggplot2，ggvis，googleVis和rCharts，由于统计模型完善，细节设计精美，在R里能够使用一行或几行代码很快完成漂亮大气装X一百分的数据图，清楚看到数据的特征和走势。
Python也有一些不错的可视化库，诸如Matplotlib, Seaborn，Bokeh和Pygal，它同样可以完成和R一样精美的数据图，但需要你自己写代码去表达和定义，例如线形图、柱状图，横纵坐标的距离与比例，颜色的选择等等
。
（Py：不要为难我胖虎，画图可以，要美你自己写！）
R包含更多的数据分析内建功能，可以直接使用summary内建函数，dataframe是R内置的结构。
Python中需要依靠第三方软件包，诸如statsmodels、pandas包，提供强大的数据分析功能。
R中的数据结构非常的简单，主要包括向量(一维)、多维数组(二维时为矩阵)、列表(非结构化数据)、数据框(结构化数据)。R的变量类型比较单一，在不同的包里变量类型是一样的。
Python 则包含更丰富的数据结构来实现数据更精准的访问和内存控制，多维数组(可读写、有序)、元组(只读、有序)、集合(唯一、无序)、字典(Key-Value)等等。在不同的包里，也会有不同的表达来定义变量，例如在pandas包里用series表示列表，而在numpy包里列表的表达则使用array。
相比来说，Python更丰富的数据结构会提升学习成本，但运行更精准，速度也更快。
R的运行速度比较慢，在大样本的回归中，如使用不当就会出现内存不足的情况。通常，需要先通过数据库把大数据转化为小数据(通过groupby)才能交给R做分析。或者和其他大数据处理工具结合起来，例如spark。
（By学院某位老师：根据我的经验，R不能承受太大的数据，19位以上的数字极有可能算错，尤其是矩阵运算。）
Python虽然没有C的运行快，但与R相比，还是非常有优势的，可以直接处理上G的数据，并且在非常大的数据运算上的准确性也更好一些。
相比于使用人群更广泛的Python，R的帮助文档相对不够细致和完善，通常附带的栗子也比较简洁，有一些大致的讲解和用法。
而Python的代码语句、栗子展示、参数分析等细节展示比较完善，撰写帮助文档的人更多会出示一个完整的demo，因而对于自学的人来说比较友好。
此外，Python是一种通用的语言，你可以与小伙伴共享Notebook，而无需他们安装任何东西，更重要的是，可以把不同背景的人集合在一起，灵活性强，扩展性好，多功能工作，也极有可能碰撞出更多思维火花。
文本信息挖掘，
是一种常见的数据处理与分析使用场景，比如说电商网购的评价，社交网站的标签，新闻里的情感分析等等。
使用R做情感分析时，需要对数据进行预处理，清除掉没用的符号后，做分词。然后构建单词-文档-标签数据集-创建文档-词项矩阵，再借助各类包来进行机器学习算法。
由于情感分析的文本通常是一个非常规模化的数据，在R里相对处理速度比较慢，并且需要使用多个包来协作。
使用Python做情感分析时，优先需要将句子分解为单词，然后操作特征提取，去除停用词；接下来降维，再进行分类算法模型训练和模型评估。
Python的包集成性很强，尤其对于文本挖掘情感分析这个问题来讲，可以更快更简便地完成这个操作。
时间序列分析
，是根据系统观察得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法，可以用在金融领域、气象预测、市场分析领域等。
使用R语言做时序分析时，因为R拥有许多程序包可用于处理规则和不规则时间序列，因而很有优势，比如library(xts)，library(timeSeires)，library(zoo)—时间基础包，library(FinTS)--调用其中的自回归检验函数等，出具的结果也非常直观和清晰。
使用Python做时序分析时，由于没有特别完善的时序分析包，没有专门为了做预测而写的方程，和可视化一样，需要操作者自行写更多的代码。常用的，statsmodels模块，该模块可以用来进行时间序列的差分，建模和模型的检验。
经过了上文这么多的对比，究竟如何选择学习呢？你要根据需求，问问自己——
目前，客观来说，由于Python是一门灵活性强，扩展性好，多功能又能胜任机器学习和数据分析工作的编程语言，因此在就业市场上，Python的身影似乎更加火辣，在各项排行榜上排位也更靠前。
但如果你是对统计数据、数据可视化、数据操作、概率论等深入点感兴趣，并且不涉及软件开发，你可以选择R来完成你的工作。
当然啦，一个系统不一定能解决你所有的问题。传说中的「左手Python, 右手R」可不是开玩笑的。
数据科学领域里有很多互通的部分。R和Python之间有很多互相启发的地方，如Python的pandas包中Dataframe受到R中dataframe的影响，rvest包则来自BeautifulSoup的启发。
两者的生态系统都在不断发展壮大，同时学会Python和R这两把刷子才是走遍天下无敌手的王道啊！
如果你想要系统提升英文应用水平，高效优质完成日常Essay、Assignment、Paper等等，
拥有英文学术论文写作的底层逻辑
，
灵活自如应用英文
，那你一定不能错过
英文学术论文阅读与写作小班课
（点击图片查看详情）
