哪种数据科学编程语言更好？
来源：CPDA数据分析师网 / 作者：数据君 / 时间：2021-01-11
关于Python与R的争论越来越激烈
这是两种编码语言匹配的方式，Python与R是数据科学家之间的常见争论，因为两种语言都对数据工作有用，并且在数据科学职位的职位发布中常提到的技能之一，每种语言对于数据科学工作都有不同的优缺点，应根据您正在做的工作来选择，为了帮助数据科学家选择正确的语言。
Python吞噬着世界一个开发人员的副项目如何成为地球上热门的编程语言
在以下10个域中比较了R和Python，以确定哪种编程语言是更好的选择：
优胜者：Python尽管这是主观的，但Python大大减少了编码时括号和花括号的使用，使其更加圆滑。
学习曲线
优胜者：R尽管使用Python的数据科学家必须学习很多入门材料，包括NumPy，Pandas和matplotlib，但矩阵类型和基本图形已经内置在R中，使用R新手可以在几分钟之内进行简单的数据分析，Python库可能很难配置，即使对于精通系统的人而言，大多数R软件包都是开箱即用的。
可用库
优胜者：在Python包索引（PyPI中）拥有超过183000包，而综合R归档网络有超过12000人，但是PyPI在数据科学方面还很薄弱，例如我曾经需要代码来快速计算给定数据点的近邻居，不使用该代码进行分类，我能够立即找到一个软件包，而不是两个软件包，相比之下，刚才我试图找到Python的近邻居代码，至少是通过粗略的搜索是空手而归；只有一个实现形容自己简单明了，没有那么快，当您在PyPI上搜索以下术语时，什么都不会出现，对数线性模型；泊松回归 工具变量；空间数据；家庭错误率。
机器学习
获胜者：Python（但不是很多）机器学习和人工智能（AI）的崛起在一定程度上推动了Python近年来的大规模增长，尽管Python提供了许多经过微调的图像识别库，例如AlexNet，但也可以轻松开发R版本，Python库的强大之处在于设置了某些平滑图像的操作，可以轻松地在R的Keras包装器中实现，为此，可以开发TensorFlow的纯R版本，与此同时，我会声称R的随机森林和梯度增强的软件包可用性非常出色。
统计正确性
优胜者：R（到目前为止），机器学习的专业人士主张使用Python有时对所涉及的统计问题了解甚少，R是由统计学家写的，是为统计学家写的。
并行计算
优胜者：R和Python的基本版本对多核计算没有强大的支持，Python的多处理程序包不是解决其他问题的好方法，R的并行程序包也不是，支持集群计算的外部库在两种语言中都可以，目前Python具有更好的GPU接口。
C / C ++接口
优胜者：R（但不是很多）R的Rcpp是将R与C / C ++接口的强大工具，尽管Python具有类似swig的工具，但功能却不那么强大，并且Pybind11软件包仍在开发中，R的新ALTREP思想也具有增强性能和可用性的潜力，，但是Python的Cython和PyPy变体有时有时根本不需要显式的C / C ++接口。
面向对象，元编程
优胜者：R（但不是很多）尽管函数在R和Python中都是对象，但R对此更为重视，每当我使用Python工作时，都会因无法在终端上打印函数而感到烦恼，这在R中很多， Python只有一种OOP范例，在R中您可以选择几种，尽管有些人可能会争论这是一件好事，鉴于R的神奇的元编程功能（产生代码的代码），计算机科学家应该在R上流口水。
语言统一
获胜者：Python（到目前为止）当Python从2.7版过渡到3.x版时，这不会造成很大的破坏，但是由于RStudio的影响，R正在变成两种不同的方言：R和Tidyverse，Matloff写道，如果Tidyverse优于普通的R，可能会更容易接受，但我认为不是，这对初学者来说使事情变得更加困难。
链接数据结构
这是两种编码语言匹配的方式，Python与R是数据科学家之间的常见争论，因为两种语言都对数据工作有用，并且在数据科学职位的职位发布中常提到的技能之一，每种语言对于数据科学工作都有不同的优缺点，应根据您正在做的工作来选择，为了帮助数据科学家选择正确的语言。
Python吞噬着世界一个开发人员的副项目如何成为地球上热门的编程语言
在以下10个域中比较了R和Python，以确定哪种编程语言是更好的选择：
优胜者：Python尽管这是主观的，但Python大大减少了编码时括号和花括号的使用，使其更加圆滑。
学习曲线
优胜者：R尽管使用Python的数据科学家必须学习很多入门材料，包括NumPy，Pandas和matplotlib，但矩阵类型和基本图形已经内置在R中，使用R新手可以在几分钟之内进行简单的数据分析，Python库可能很难配置，即使对于精通系统的人而言，大多数R软件包都是开箱即用的。
可用库
优胜者：在Python包索引（PyPI中）拥有超过183000包，而综合R归档网络有超过12000人，但是PyPI在数据科学方面还很薄弱，例如我曾经需要代码来快速计算给定数据点的近邻居，不使用该代码进行分类，我能够立即找到一个软件包，而不是两个软件包，相比之下，刚才我试图找到Python的近邻居代码，至少是通过粗略的搜索是空手而归；只有一个实现形容自己简单明了，没有那么快，当您在PyPI上搜索以下术语时，什么都不会出现，对数线性模型；泊松回归 工具变量；空间数据；家庭错误率。
机器学习
获胜者：Python（但不是很多）机器学习和人工智能（AI）的崛起在一定程度上推动了Python近年来的大规模增长，尽管Python提供了许多经过微调的图像识别库，例如AlexNet，但也可以轻松开发R版本，Python库的强大之处在于设置了某些平滑图像的操作，可以轻松地在R的Keras包装器中实现，为此，可以开发TensorFlow的纯R版本，与此同时，我会声称R的随机森林和梯度增强的软件包可用性非常出色。
统计正确性
优胜者：R（到目前为止），机器学习的专业人士主张使用Python有时对所涉及的统计问题了解甚少，R是由统计学家写的，是为统计学家写的。
并行计算
优胜者：R和Python的基本版本对多核计算没有强大的支持，Python的多处理程序包不是解决其他问题的好方法，R的并行程序包也不是，支持集群计算的外部库在两种语言中都可以，目前Python具有更好的GPU接口。
C / C ++接口
优胜者：R（但不是很多）R的Rcpp是将R与C / C ++接口的强大工具，尽管Python具有类似swig的工具，但功能却不那么强大，并且Pybind11软件包仍在开发中，R的新ALTREP思想也具有增强性能和可用性的潜力，，但是Python的Cython和PyPy变体有时有时根本不需要显式的C / C ++接口。
面向对象，元编程
优胜者：R（但不是很多）尽管函数在R和Python中都是对象，但R对此更为重视，每当我使用Python工作时，都会因无法在终端上打印函数而感到烦恼，这在R中很多， Python只有一种OOP范例，在R中您可以选择几种，尽管有些人可能会争论这是一件好事，鉴于R的神奇的元编程功能（产生代码的代码），计算机科学家应该在R上流口水。
语言统一
获胜者：Python（到目前为止）当Python从2.7版过渡到3.x版时，这不会造成很大的破坏，但是由于RStudio的影响，R正在变成两种不同的方言：R和Tidyverse，Matloff写道，如果Tidyverse优于普通的R，可能会更容易接受，但我认为不是，这对初学者来说使事情变得更加困难。
链接数据结构
优胜者：Python（可能）经典的计算机科学数据结构，例如二进制树，很容易在Python中实现，虽然可以使用R的'list'类在R中完成此操作，但我认为它很慢，就职位发布而言，与精通R的数据工程师相比，精通R的数据工程师的需求显着减少，几乎66％的数据工程师职位发布中提到了Python，而只有18％的职位提到R，除了R和Python外，数据工程师的其他需求技能还包括SQL，Spark，Hadoop，Java，Amazon Web Services（AWS），Scala和Kafka。
免费客服热线：400-050-6600
商业联合会数据分析专业委员会
京公网安备 11010502034401号
课程体系 
试听申请 
复听申请 
在线报名 
考试大纲 
考试报名 
准考证打印 
