数据科学处理从数据源中识别、表示和提取有意义的信息以用于执行某些业务逻辑。数据科学家使用机器学习、统计、概率、线性和逻辑回归等来制作一些有意义的数据。 寻找模式和相似的组合，根据业务逻辑破解最佳路径方式是分析的最大工作。
R、Python、SQL、SAS、Tableau、MATLAB 等是数据科学最有用的工具，R 和 Python 是最常用的工具。 但是，对于任何新手来说，在 R 和 Python 两者中选择更好或更合适的一个仍然会让人感到困惑。 让我们试着想象一下差异。
概述 ：
| R 语言 | Python语言 |
|---|---|
| R 是一种用于统计计算和图形的编程语言和免费软件环境，由 R 统计计算基金会支持。 它由 Ross Ihaka 和 Robert Gentleman 设计，于 1993 年 8 月首次发布。它在统计学家和数据挖掘者中广泛用于开发统计软件和数据分析。 | Python 是一种用于通用编程的解释型高级编程语言。 它由 Guido Van Rossum 创建，于 1991 年首次发布。Python 具有非常干净和简单的代码语法。 它强调代码的可读性，因此在 Python 中调试也更加简单和容易。 |
数据科学专业：
| R 语言 | Python语言 |
|---|---|
| R 包涵盖了对统计工作非常有用的高级技术。 CRAN 文本视图提供了许多有用的 R 包。 R 软件包涵盖了从心理测量学到遗传学到金融学的所有内容。 Python 在 SciPy 等库和 statsmodels 等包的帮助下，仅涵盖最常见的技术。 | R 和 Python 在查找数据集中的异常值方面同样出色，但在开发 Web 服务以使其他人能够上传数据集并查找异常值方面，Python 更好。 人们已经构建了模块来创建网站、与各种数据库交互以及使用 Python 管理用户。 一般来说，要创建使用数据分析的工具或服务，Python 是更好的选择。 |
功能：
| R 语言 | Python语言 |
|---|---|
| R 具有用于数据分析的内置功能。 R 是由杰出的统计学家构建的，考虑到统计和数据分析，因此许多通过包从外部添加到 Python 的工具默认内置在 R 中。 | Python 是一种通用编程语言。 因此，大多数数据分析功能都不是内置的，而是通过像 Numpy 和 Pandas 包提供的，这些包在 PyPi(Python 包索引)中可用。 |
主要应用领域：
| R 语言 | Python语言 |
|---|---|
| 数据可视化是分析的一个关键方面，因为可视化数据是最容易理解的。 ggplot2、ggvis、lattice 等 R 包使 R 中的数据可视化更容易。Python 正在追赶 Bokeh、Matplotlib 等包，但在这方面仍远远落后。 | Python 更适合深度学习。 Lasagne、Caffe、Keras、Mxnet、OpenNN、Tensor flow 等软件包允许在 Python 中开发更简单的深度神经网络。 虽然其中一些，如tensor flow，正在被移植到 R(如 deepnet、H2O 等包)，但它在 Python 中仍然更好。 |
包的可用性：
| R 语言 | Python语言 |
|---|---|
| R 有数百个包和方法来完成必要的数据科学任务。 尽管它允许在完成任务时达到理想的完美状态，但对于没有经验的开发人员来说，很难实现某些目标。 | Python 依赖于几个主要的包，即 Scikit learn 和 Pandas 分别是机器学习数据分析的包。 它使完成所需任务变得更容易，但因此变得难以实现专业化。 |
最终，根据需要选择最合适的语言是数据科学家自己的工作。 对于统计背景，R 可能是更好的选择。 但是对于计算机科学背景甚至初学者来说，Python是最合适的选择。 但是，最好对这两个方面都有充分的了解，因为两者在数据科学职业中有时都可能有用。
