在数据分析的新人到底应该使用哪个语言，也经常出现诸如“我想学习机器语言，我应该用哪个编程语言”或者“我想快速解决问题，我应该用R还是Python”等这类问题。尽管两个编程语言目前都是数据分析社区的佼佼者，但是它们仍在为成为数据科学家的首选编程语言而战斗。今天，就让我们从数据科学的角度，一步步比较这两大编程语言。
1.对阵双方介绍Ladies and Ladies and Gentlemen，让我们隆重的介绍今天的对阵双方：R和Python!
R语言当前版本是2015年12月更新的3.2.3版。Python 2当前版本是2015年12月更新的2.7.11版，Python
3当前的版本是2015年12月更新的3.5.1版。
R语言是Ross Ihaka和Robert Gentleman于1995年开发的，作为贝尔实验室S编程语言的一种实现，其开发环境主要由C
语言，Fortran和R来完成。
Python的发布年份其实远在R之前。Guido Van
Rossum于1991年开发完成了Python，并由Python软件基金会(PSF)负责其发展。其开发灵感主要来自C语言和Modula-3，部分来自ABC语言。Python的名字取自喜剧蒙提·派森的飞行马戏团(Monty
Python’s Flying Circus)。
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：“越接近统计研究和数据分析的人，越倾向于R;越接近工程开发和工程环境的人，越倾向于Python”。
R和Python都得到大量的社区支持，*括邮件列表Mailing
Lists、用户贡献的文档、以及Stackoverflow网站。此外，R还可以从研究人员、数据科学家、统计学家和数量分析专家那里得到更多的支持;而Python则从开发者和程序员那里得到的支持。
从实用性来讲，R通过几行代码就可以写出统计模型，尽管R有样式表，但并不是每个人都使用它们，可以用若干种方式写出同样的功能。在Python中写代码和调试代码则更容易一些，主要是因为它的“优美”语法。但是代码的缩进会影响它的意思。并且，在Python中，永远只有一种方式来写同样的功能。
在灵活性方面，在R中使用复杂的公式很容易。各种各样的统计检验和统计模型都是现成的并且容易使用;相比R，Python在完成以前没有做过的新奇的事情上，很灵活，开发人员也会用它写网站或其它应用的脚本。
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。
两者都有自己的代码库。CRAN(The Comprehensive R ArchiveNetwork)是一个很大的R*库，用户很容易为其贡献代码。R*是一个*含R函数、数据和编译代码的集合，R*在R中用一行代码即可安装。PyPi(Python Package Index)是Python软件库，用户可以为PyPi贡献代码，但实践起来有点困难。
计算机科学教授Norm Matloff
曾说过，“Python并未建立起一个能与CRAN媲美的巨大的代码库，R在这方面领先巨大。但是，统计学并不是Python的中心任务。
其实R与Python并不是完全孤立的，在R中用户可以通过rPython*运行Python代码，从Python传递或获取数据，调用Python函数或者方法。而在Python中也可以使用RPy2*运行R代码，这提供了一个从Python到R的底层接口。
以上，从定性的角度进行了比较。现在，看看双方的定量数据。
先看人气排名，下图左边为2013-2015年2月R和Python人气比较(Tiobe指标)，右边为Redmonk排名，它比较了Github和Stackoverflow上编程语言的相对性能。
再看*和薪资，2014 Dice
Tech薪金调查显示，具有高薪技能和丰富经验的R使用者的平均工资为115,531美元，而Python则为94,139美元。
2.数据分析战场
首先是用途。
R的主要应用场景是，当数据分析任务需要独立运算，或者需要在单个服务器上分析;Python的一般应用场景是，数据分析任务需要与网页应用整合，或者当统计代码需要并入成品数据库。
按任务类型划分，做探索性研究时，R语言很适合初学者。几行代码便可写出统计模型;而作为一个完整成熟的程序语言，Python是为产品使用进行算法执行的一个工具。
数据处理能力上，使用R进行数据分析很容易上手，因为它具有庞大数量的*、方便使用的检验以及在使用公式方面的优势。做基本数据分析时，R语言更方便，不需要额外安装*，大的数据库需要使用类似data.table和dplyr*。过去，Python数据分析*的幼年期曾是个问题，但是现在已经得到很大的改善，用Python进行数据分析时，你需要使用NumPy、Pandas和其它的程序*。
如何上手也是比拼的一个方面。R的集成开发环境(IDE)可以选择RStudio。R最受欢迎的程序*有：dply、plyr和data.table(易于操作数据)，stringr(易于操作字符串)，zoo(处理规则和不规则时间序列)，ggvis、lattice和ggplot2(数据可视化)，caret(机器学习)。
Python的集成开发环境(IDE)有很多，其中Spyder和IPython
Notebook最受欢迎，还有PyCharm等。建议初学者查看Rodeo(被称为“Python到数据科学IDE”)。Python最受欢迎的程序*有：pandas
(易于操作数据)，SciPy/NumPy(科学计算)，sckikit-learn(机器学习)，matplotlib(用于作图)，statsmodels(数据探索、统计模型估计、统计检验和单元测试)。
关于技术支持，使用R进行数据分析有很多技术支持，*括Stackoverflow、Rdocumentation,(R文档整合)和R-help
邮件列表。Python的数据分析问题可以通过以下方式获得支持：Stackoverflow和邮件列表。邮件列表*括pydata(关于使用Python进行数据分析和Pandas*)、pystatsmodels
(Statsmodels和pandas*的问题)、numpy-discussion(Numpy*的问题)和sci-pyuser(大部分是SciPy或者科学问题)
同样，定性对比后再看看R和Python的量化战争!从整体数据来看，在做数据分析时使用R的人数要多于使用Python(下图左：2014用于数据分析的程序语言)。
