r語言和python的對比，兩者各有千秋，究竟要學哪一個，可根據自己的實際需求來作出選擇，當然，最好是兩者都學。
相關推薦：《python影片》
#01 開發目的
R語言
R是由統計學家開發的，它的出生就肩負著統計分析、繪圖、資料探勘的重要使命。因此在R的語言體係裡，有非常多統計學的原理與知識。
如果你具備一些統計背景，R會令你使用各類model和復雜的公式時更加愉悅有爽感，因為你總能找到對應的package，並且幾行程式碼就可以調用搞定。
Python
Python的創始人初衷，是為非專業程式設計師設計的開放型的語言。優雅，明確，簡單，是它的標籤。因此，總是有人高唱「人生苦短，我用Python」。
資料分析、網路爬蟲、程式開發、人工智慧等，作為一門多功能的膠水語言，Python的使用目的和學習路徑更加多樣化。
02 適用人群
儘管都是資料科學界的當紅炸子雞，工具的選擇會因為你的領域和你想解決的問題因人而異。
R語言
起初R在學術研究和調查工作中使用比較多，逐漸延伸至企業商業界。使用人群不一定需要電腦背景，統計、金融、經濟、核電、環境、醫療、物流管理，甚至人文學科，都有R語言的立足之地。
同樣，鑑於R 在資料探索、統計分析上，是一種更有效率的獨立資料分析工具，具備良好數理統計知識背景的人使用起來更加得心應手，自帶base一R的基礎模組、mle一極大似然估計模組、ts一時間序列分析模組、mva一多元統計分析模組等。
Python
比起R非標準的程式碼，Python作為出了名的語法簡潔工具，對於一些稍有程式設計基礎的人來說格外友好，可以減少在編程進程中的磕絆。
沒有任何基礎的程式設計小白一樣可以上手Python，適用範圍同樣涵蓋金融、醫療、管理、傳播等各行各業。
如果你在資料分析之餘，還需要與諸如Web應用程式相整合，或者需要和資料來源的連接、讀取，呼叫其他語言等，使用Python是更方便的選擇，「一站式解決」。
03 學習曲線
這是小白入門前最關心的問題之一，哪一個學起來比較難？
實際上，由於不了解每個人的知識背景和學習成本，這個問題並不能做出非黑即白的絕對性答案。這也是為什麼，各類論壇上R和Python的使用者關於入門難度總是各執一詞。
R語言
開始學習R，了解了最基本知識和語言邏輯，入門不難。而數理統計基礎好的會越學越爽，相反，如果完全沒有數理背景，會感覺到明顯增幅的難度。
Python
Python看重可讀性和易用性，它的學習曲線比較平緩。對於初級小白來講，比較友好，但如果縱深學習以及拓展方向，還需要掌握大量package的知識和使用方法。
如果你真的需要定義對比二者學習曲線的難度，你需要先明確，你的學習目的是什麼。
04 產業選擇&發展方向
網路上有許多R與Python人氣對比的數據，綜合來看，Python的排名更高，主要原因是R僅在資料科學的環境中使用，而Python作為一種通用語言，使用廣泛。
R語言
應用R的場景：資料探索、統計分析、資料視覺化
應用R技能的職位：資料分析師、數據科學家、投資分析師、稅務人員、管理人員、科學研究人員等等
發展方向：結合各產業的專業知識，做深度的業務資料處理與統計分析
#Python
應用Python的場景：資料分析、網路爬蟲、系統程式設計、圖形處理、文字處理、資料庫程式設計、網路程式設計、網路程式設計、資料庫連接、人工智慧、機器學習等
應用Python的職位：資料架構師、資料分析師、資料工程師、資料科學家、程式開發員等
發展方向：結合各產業的專業知識，做各類型or協作型工作
05 優缺點比較分析
來了！在具體的使用中，兩個工具一定有各自的優劣勢，各自的重點。明確哪一點對你最重要，是你選擇的關鍵。
資料視覺化
字不如表，表不如圖。 R和視覺化是絕配，一些必備的視覺化軟體包如ggplot2，ggvis，googleVis和rCharts，由於統計模型完善，細節設計精美，在R裡能夠使用一行或幾行程式碼很快完成漂亮大氣裝X一百分的數據圖，清楚看到數據的特徵和趨勢。
Python也有一些不錯的視覺化函式庫，像是Matplotlib, Seaborn，Bokeh和Pygal，它同樣可以完成和R一樣精美的資料圖，但需要你自己寫程式碼去表達和定義，例如線形圖、長條圖，橫縱座標的距離與比例，顏色的選擇等等。
資料分析
R包含更多的資料分析內建功能，可以直接使用summary內建函數，dataframe是R內建的結構。
Python中需要依賴第三方軟體包，像是statsmodels、pandas包，提供強大的資料分析功能。
資料結構
R中的資料結構非常的簡單，主要包括向量(一維)、多維數組(二維時為矩陣)、列表(非結構化資料)、資料框(結構化資料)。 R的變數類型比較單一，在不同的包裡變數類型是一樣的。
Python 則包含更豐富的資料結構來實現資料更精準的存取和記憶體控制，多維數組(可讀寫、有序)、元組(唯讀、有序)、集合(重複性、無序)、字典(Key-Value)等等。在不同的包裡，也會有不同的表達來定義變量，例如在pandas包裡用series表示列表，而在numpy包裡列表的表達則使用array。
#來說，Python更豐富的資料結構會提升學習成本，但運作更精準，速度也更快。
運行速度
R的運行速度比較慢，在大樣本的迴歸中，如使用不當就會出現記憶體不足的情況。通常，需要先透過資料庫把大數據轉換為小數據(透過groupby)才能交給R做分析。或和其他大數據處理工具結合起來，例如spark。
Python雖然沒有C的運行快，但與R相比，還是非常有優勢的，可以直接處理上G的數據，並且在非常大的數據運算上的準確性也更好一些。
幫助文件與自學成本
#相比使用人群更廣泛的Python，R的幫助文件相對不夠細緻和完善，通常附帶的栗子也比較簡潔，有一些大致的講解和用法。
而Python的程式碼語句、例子展示、參數分析等細節展示比較完善，撰寫幫助文件的人更多會出示一個完整的demo，因而對於自學的人來說比較友好。
此外，Python是一種通用的語言，你可以與小夥伴共享Notebook，而無需他們安裝任何東西，更重要的是，可以把不同背景的人集合在一起，靈活性強，擴展性好，多功能工作，也極有可能碰撞更多思維火花。
範例
文字資訊探勘，是常見的資料處理與分析使用場景，比如說電商網購的評價，社交網站的標籤，新聞裡的情緒分析等等。
使用R做情緒分析時，需要對資料進行預處理，清除掉沒用的符號後，再做分詞。然後建構單字-文檔-標籤資料集-建立文檔-詞項矩陣，再藉助各類別套件來進行機器學習演算法。
由於情緒分析的文字通常是一個非常規模化的數據，在R裡相對處理速度比較慢，並且需要使用多個套件來協作。
使用Python做情緒分析時，優先需要將句子分解為單詞，然後操作特徵提取，去除停用詞；接下來降維，再進行分類演算法模型訓練和模型評估
Python的套件整合性很強，尤其對於文本挖掘情緒分析這個問題來講，可以更快更簡便地完成這個操作。
時間序列分析，是根據系統觀察得到的時間序列數據，透過曲線擬合和參數估計來建立數學模型的理論和方法，可以用在金融領域、氣象預測、市場分析領域等。
使用R語言做時序分析時，因為R擁有許多程式包可用於處理規則和不規則時間序列，因而很有優勢，例如library(xts)，library(timeSeires)，library(zoo) —時間基礎包，library(FinTS)--呼叫其中的自迴歸檢定函數等，所發出的結果也非常直觀且清晰。
使用Python做時序分析時，由於沒有特別完善的時序分析包，沒有專門為了做預測而寫的方程，和視覺化一樣，需要操作者自行寫更多的程式碼。常用的，statsmodels模組，該模組可以用來進行時間序列的差分，建模和模型的檢驗。
透過以上兩個栗子你感受到了嗎！
工具不分好壞，是因為你具體想要解決的問題而異的。
以上是r語言和python的詳細對比的詳細內容。更多資訊請關注PHP中文網其他相關文章！
