在 R 和 Python 之间，数据分析专家一般使用哪种编程语言？
作者：互联网
近年来，我能够注意到这两种语言在数据分析领域的应用演变。因此，我得到了以下个人结果：
✔R语言对交互式数据分析和数据探索要简单得多，尤其是对分析师或来自分析师的人SQL在商业智能领域占据主导地位的人员。应用R转换数据很容易让人想到这些应用SQL人们所做的心理状态的特点是使用特定的函数来简化复杂的转换(如数据透视)，或使用对分析有用的统计操作.
Python转换数据的方式更多地与程序员的经验有关。一定要求lambda表达式，例如，对于非常基本的数据操作任务，让任何习惯更基于组合方法的分析师迷失方向(这是处理数据时的正确思维方式!)并让我们意识到这些数据开发所需要的Python开发者通常与分析师发生争执。
✔R它是学术界常用的非凡语言(统计学、数学、数据科学等)。因此，很可能会发现直接从R中实现的新数据科学算法，甚至会发现它们Python实现之前。因此，如果你必须在一个项目中应用这些新算法，你必须使用它们R。
✔就数据可视化而言，R这是你为专业出版物制作精美图形的关键工具。自然，这种类型的图形也可以Python在R中获得，但并不像R中那么容易，特别是在为了添加特定的图形需求而开发的无数包中。
✔对于专业仪表板，最常用的平台已经开发并承认了两种语言的应用。PlotlyDash和Shiny都允许应用Python和R开发企业级数据应用程序。Microsoft全球数据平台用户，PowerBI这两种语言也允许你使用。
✔Python由于社区开发的软件包生态系统应用广泛，是一种非常清晰的通用编程语言，主要由编程学生和开发者应用。因此，更容易找到理解Python也想从事数据分析的程序员。这就是为什么现在Python有这么多专门用于数据交换和数据分析的包。因此，与数据分析相关的技术市场已经显著转变为选择Python。
✔在整个数据工程层面，明显的赢家必须是Python。最先，Python是所有API支持的几种语言之一API允许来自所有关键云提供商的所有关键云提供商(Azure，AWS，谷歌)网络服务互动。此外，将异构数据解决方案的应用集成到云生产框架中的需求促进了Docker容器的应用使这些人的生活更加顺畅活更加顺Docker互动语言之一是Python(R不在其中)。
✔因为所有的数据工程部分都是Python因此，中解决方案始终应用Python一般来说，开发机器学习模型非常方便(你也可以在R中开发)。这样，他们就可以使用它Python特定管道的研发很容易发布到生产环境中。它确实可以将特定的过程集成到使用R脚本的过程中Python但是，所有的内容通常都放在管道中，Python更方便，可以一组熟练Python维护数据工程师。
✔现在关键基础Spark允许大数据平台PySpark开发数据交换或机器学习管道，PySpark是专门为Spark定制的PythonAPI。也可以通过SparkR语言(Spark的RAPI)与Spark互动。关键是SparkR并不总是在这些平台上开箱即用。SparkR并没有实现dplyr(R用于数据交换的重要包)和Spark而是由sparklyr完成。但上述数据平台一般不适用于本地sparklyr。因此，PySpark与SparkSQL(Spark的SQLAPI)一起被广泛用作最后一个“大数据语言”。
✔必须深入学习解决方案(计算机视觉、自动口语识别、自然语言处理、应用TensorFlow，Keras和PyTorch框架声频识别)项目，Python这是一个必要的选择。含蓄地说，整个人工智能世界都是基于一定程度的Python。
如今，由于社区开发的庞大程序包生态系统，Python它允许您解决纯数据分析和数据科学主题及其数据工程和人工智能。事实上，R语言更容易处理与统计和数据可视化相关的特定问题，但这些仍然是特定案例，只占很小比例Python最需要的案例。
所以，虽然你对R的认知比较Python更流畅，我强烈建议这些想处理数据分析主题的人致力于学习Python以及如何最好地使用最重要的包进行数据交换和机器学习(pandas，scikit-learn等)。
假如你的兴趣在你的职业生涯中发生了变化，Python多功能允许你从一个工作角色转变为另一个(例如，从数据科学家到数据工程师)。
一旦你深入分析，这并没有消除这样一个事实Python，学习R和RTidyverse对生态系统包的基本理解绝对是一个奖励项目，在许多情况下也将被证明是非常有用的。你不应该低估R社区的巨大规模，并在R中开发了许多解决方案。因此，在你的军事库中添加这种语言的知识是一个成功的选择。为，与某些人可能认为的相反，Python与R不再是两个分离的世界。IDE允许您使用两种语言进行开发。