我刚刚开始出于学术目的开发机器学习应用程序。我目前正在使用R并对其进行训练。但是，在很多地方，我都看到人们在使用Python。

人们在学术界和工业界使用什么，建议是什么？

当您相互选择R或Python时，要考虑一些真正重要的区别：

• 机器学习分为两个阶段。模型构建和预测阶段。通常，模型构建是作为批处理执行的，并且预测是实时完成的。建立模型的过程是一个计算密集型过程，而预测只是一瞬间就发生了。因此，Python或R中算法的性能并不会真正影响用户的周转时间。Python 1，R 1。
• 生产： Python和R之间的真正区别在于可以进行生产。因此，Python是一种成熟的编程语言，许多组织在其生产系统中使用它。R是受到许多学术界青睐的统计编程软件，并且由于数据科学的兴起以及图书馆的可用性和开放源代码，该行业已开始使用R。这些组织中的许多组织都使用Java，C ++，C＃， Python等。因此，理想情况下，他们希望使用相同语言的预测系统来减少延迟和维护问题。Python 2，R 1。
• 库：两种语言都有庞大而可靠的库。R有5000多个库可满足许多领域的需求，而Python则提供了一些令人难以置信的软件包，例如Pandas，NumPy，SciPy，Scikit Learn，Matplotlib。Python 3，R 2。
• 发展：两种语言都是解释性语言。许多人说python很容易学习，几乎就像读英语（把它写得很浅）一样，但是R需要更多的初步学习工作。而且，它们都具有良好的IDE（Python的Spyder等和R的RStudio）。Python 4，R 2。
• 速度： R软件最初在大型计算方面存在问题（例如，像nxn矩阵乘法）。但是，通过Revolution Analytics引入R解决了此问题。他们用C语言重写了计算密集型运算，速度非常快。Python作为高级语言相对较慢。Python 4，R 3。
• 可视化：在数据科学中，我们经常倾向于绘制数据以向用户展示模式。因此，可视化成为选择软件的重要标准，并且R在这方面完全杀死了Python。感谢Hadley Wickham提供了令人难以置信的ggplot2软件包。R胜出。Python 4，R 4。
• 处理大数据： R的限制之一是它将数据存储在系统内存（RAM）中。因此，在处理大数据时，RAM容量成为一个约束。Python表现不错，但是我想说，由于R和Python都具有HDFS连接器，因此利用Hadoop基础架构将大大提高性能。因此，Python 5，R 5。

因此，两种语言都一样好。因此，根据您的领域和工作地点，您必须明智地选择正确的语言。技术界通常更喜欢使用一种语言。商业用户（市场分析，零售分析）通常会使用R等统计编程语言，因为他们经常进行快速原型制作和可视化（在R中比Python更快）。

没有比“ python更好”或“ R比x更好”之类的东西了。

我知道的唯一事实是，在行业中，很多人坚持使用python，因为这是他们在大学中学到的。python社区真的很活跃，并且有一些很棒的ML和数据挖掘框架等。

但老实说，如果您有一个优秀的c程序员，他就可以像人们在python或r中所做的一样，如果您有一个优秀的java程序员，他也可以（几乎）在java中做任何事情。

因此，请坚持使用您喜欢的语言。

一些其他想法。

编程语言“本身”仅是一种工具。所有语言都旨在使某些类型的结构比其他结构更易于构建。与其他语言相比，编程语言的知识和精通度比该语言的功能更为重要和有效。

据我所知，这个问题有两个方面。第一个维度是能够快速探索，建立概念或模型的证明，最终拥有足够的工具来研究正在发生的事情（例如统计测试，图形，测量工具等）。研究人员和数据科学家通常都喜欢这种活动（我总是想知道这是什么意思，但是我用这个词来表示它的宽松定义）。他们倾向于依靠众所周知的经过验证的工具，这些工具可以用于证明或论证。

第二个维度是扩展，更改，改进甚至创建工具，算法或模型的能力。为了实现这一点，您需要适当的编程语言。几乎所有人都是一样的。如果您在一家公司工作，那么您将非常依赖于公司的基础架构，内部文化以及您的选择会大大减少。另外，当您想要实现用于生产的算法时，您必须信任该实现。用另一种您不会掌握的语言来实现将不会有多大帮助。

对于第一种活动，我倾向于R生态系统。您拥有一个强大的社区，大量工具，并证明这些工具能够按预期运行。另外，您可以考虑使用Python，Octave（仅举几例），它们是可靠的候选者。

对于第二项任务，您必须先考虑自己真正想要的。如果您需要强大的生产就绪工具，那么C / C ++，Java和C＃是不错的选择。我认为Python与Scala和朋友一起是该类别的第二公民。我不想发动火焰战争，这只是我的意见。但是，在作为开发人员超过17年之后，我倾向于更严格的合同和我的知识，而不是自由地做任何您可能想到的事情（就像发生在许多动态语言中一样）。

我个人想尽可能多地学习。我决定必须选择困难的方法，这意味着我要从头开始实施所有内容。我使用R作为模型和灵感。它在图书馆中拥有巨大的财富，并且积累了很多经验。但是，R作为编程语言对我来说是一场噩梦。因此，我决定使用Java，并且不使用任何其他库。那只是因为我的经验，没有别的。

如果有时间，最好的办法就是花些时间处理所有这些事情。这样，您将为自己赢得最适合自己的最佳答案。Dijkstra曾经说过，这些工具会影响您的思维方式，因此建议您先了解您的工具，然后再让它们为您的思维建模。您可以在他的著名论文《谦虚程序员》中了解更多

到目前为止，我将补充其他人的发言。没有一个单一的答案说一种语言比另一种语言更好。

话虽如此，R在数据探索和学习方面拥有更好的社区。它具有广泛的可视化功能。另一方面，自引入熊猫以来，Python在数据处理方面已经变得更好。与R（R是一种低级语言）相比，Python的学习和开发时间非常少。

我认为最终归结为您所处的生态系统和个人喜好。有关更多详细信息，您可以在此处查看此比较。

没有解决所有与数据相关的问题的灵丹妙药语言。语言选择取决于问题的背景，数据的大小，如果您在工作场所工作，则必须坚持使用它们。

就个人而言，由于它的可视化库和交互样式，我比Python更常使用R。但是，如果我需要更高的性能或结构化代码，则一定要使用Python，因为它具有一些最佳的库，如SciKit-Learn，numpy，scipy等。在项目中我可以同时使用R和Python。

因此，如果您开始从事数据科学工作，我建议您同时学习两者，这并不困难，因为Python还为R和Pandas提供了类似的接口。

如果必须处理更大的数据集，则无法逃脱使用Java构建的生态系统（Hadoop，Pig，Hbase等）。

没有“更好”的语言。我已经尝试过这两个方法，并且对Python感到很满意，所以我仅使用Python。尽管我仍在学习东西，但是到目前为止，我还没有遇到任何使用Python的障碍。关于Python的好处是社区太好了，您可以在Internet上轻松获得很多帮助。除此之外，我想说的是使用您喜欢的语言，而不是一个人推荐的语言。

根据我的经验，答案取决于手头的项目。对于纯研究，我更喜欢R的原因有两个：1）种类繁多的库，以及2）许多数据科学文献都包含R样本。

如果项目要求非专业人员使用交互式界面，我发现R太受限制。闪亮是一个不错的开始，但还不够灵活。在这些情况下，我将开始考虑将我的R工作移植到Python或js。

所有其他答案无法解决的问题是许可。

大多数上述精彩的R库都是GPL（例如ggplot2，data.table）。这样可以防止您以专有形式分发软件。

尽管这些库的许多用法并不意味着软件的分发（例如，离线训练模型），但GPL本身可能会诱使公司停止使用它们。至少以我的经验。

另一方面，在python领域中，大多数库具有业务友好的发行许可证，例如BSD或MIT。

在学术界，许可问题通常不是问题。

添加到所提供的注释中的内容不多。唯一的事情可能是此图表出于数据科学目的将R与Python进行了比较http://blog.datacamp.com/r-or-python-for-data-analysis/

我面临的真正挑战之一是R与不同版本兼容的不同软件包..很多R软件包不适用于R的最新版本。而R相当多的时间由于库或软件包是为较旧的版本而给出错误版..

我还没有尝试过R（好一点，但是不足以进行很好的比较）。但是，这是Python的一些优势：

• 很直观的语法：元组拆包，element in a_list，for element in sequence，matrix_a * matrix_b（为矩阵乘法），...
• 许多图书馆：
  • scipy：科学计算；它的许多部分只是用于快速Fortran代码的包装器
  • theano > 千层面 > nolearn：用于神经网络的库-可以在GPU上对其进行训练（需要nvidia，需要CUDA），而无需进行任何调整
  • sklearn：通用学习算法
• 良好的社区：
  • Python 对SO有448,000+个问题（R有99,000+）
  • Python有103个关于数据科学的问题.SE（R有140个问题）
  • 政治公众人物，在63,000+包的PyPI
• IPython笔记本
• 其他：
  • 0索引数组...我一直都用R犯那个错误。
  • 建立包装结构
  • 良好的测试代码支持

与Python相比，我更喜欢Python，因为Python是一种完整的编程语言，因此我可以进行端到端的机器学习任务，例如使用以Python编写的HTTP服务器收集数据，执行高级ML任务，然后在线发布结果。这一切都可以在Python中完成。实际上，我发现R较难学习，并且学习Python的收益要大得多，因为R几乎可以用于任何编程任务。

R：R是开源的对应物。传统上一直在学术和研究中使用。由于其开源性质，因此最新技术会迅速发布。互联网上有很多文档，这是一个非常划算的选择。Python：随着起源作为一种开放源代码脚本语言，Python的使用随着时间的推移而增长。如今，它具有各种库（numpy，scipy和matplotlib）和功能，几乎可以用于您想要进行的任何统计操作/模型构建。自从引入大熊猫以来，它在结构化数据的操作上已变得非常强大。

Python代码

导入库

导入其他必要的库，例如pandas，numpy ...

从sklearn导入linear_model

加载训练和测试数据集

识别功能和响应变量，值必须是数字和numpy数组

x_train = input_variables_values_training_datasets y_train = target_variables_values_training_datasets x_test = input_variables_values_test_datasets

创建线性回归对象

线性= linear_model.LinearRegression（）

使用训练集训练模型并检查分数

linear.fit（x_train，y_train）linear.score（x_train，y_train）

方程系数和截距

print（'系数：\ n'，linear.coef_）print（'拦截：\ n'，linear.intercept_）

预测输出

预测= linear.predict（x_test）R代码

加载训练和测试数据集

识别功能和响应变量，值必须是数字和numpy数组

x_train <-input_variables_values_training_datasets y_train <-target_variables_values_training_datasets x_test <-input_variables_values_test_datasets x <-cbind（x_train，y_train）

使用训练集训练模型并检查分数

线性<-lm（y_train〜。，data = x）摘要（线性）

预测输出

预测=预测（线性，x_test）

我认为Python没有将鼠标变成SPSS和SAS 的鼠标单击式GUI。和那些玩耍真的很有趣。

我在linkedin帖子中得到了这张图片。每当我对使用python或R产生疑问时，我都会对其进行调查，事实证明它非常有用。