使用 R 進行分析、數據可視化與建模：

• 為分析提供了極好的靈活性

• R 使你在分析的時候更容易思考

• 由于有著十分活躍的統計與數學社區，可以持續的更新和增強分析功能優秀的數據可視化工具

• 優秀的數據可視化工具

使用 Python 進行數據預處理、數據清洗，特別針對于非結構化數據（如網頁，圖像，文本等）：

• 極強的靈活性，能夠從自由文本、網站和社交媒體網站提取信息

• 便于圖像挖掘和為分析準備數據

• 處理大量的數據的時候比 R 語言更好

對于一個認真的數據科學家來說，R 和 Python 都應該了解。我們需要的是 R+Python，而不是 R vs Python。

Python的介紹
Python是由Guido van Rossum 1991年創建，強調效率和代碼的可讀性。希望深入的數據分析或應用統計技術的程序員一些Python用于統計的主要用戶。
你越接近在工程環境中工作，越有可能更喜歡Python。它是一種靈活的語言，并讓其專注于可讀性和簡單性，它的學習曲線是比較低的。
R的介紹
Ross Ihaka 和 Robert Gentleman 1995年創建開源語言R作為S編程語言的實現.其目的是開發一個提供更好更人性化數學據分析,統計和圖形模型的語言.最初,R主要是在學術和研究中使用,最近其余也開始使用R.這使得R成為全球發展最快的統計語言。
Python和R在機器學習與數據分析領域中的對比
機器學習和數據分析之間的差異有些難以言明，但二者最主要的不同就在于，比起模型的可解釋性，機器學習更加強調預測的準確性;而數據分析則更加看重模型的可解釋性以及統計推斷。Python ，由于更看重預測結果的準確性，使其成為機器學習的一把利器。 R ，作為一種以統計推斷為導向的編程語言，在數據分析界也得到廣泛應用。
當然，這并不代表二者只能在各自的一個領域中得到應用。它們都擁有相當多的資源庫去實現彼此特定的函數功能，比如 Python 就有很多資源庫來提高自己統計推斷的能力，R 也有很多包可以提升預測的準確率。
Scikit-learn 可能是 Python 最受歡迎的機器學習資源庫了?；?Numpy 和 Scipy ，scikit-learn 提供大量用于數據挖掘和分析的工具，從而提高了 Python 本就出色的機器學習可用性。NumPy 和 SciPy 各自為戰，雖然它們是 Python 中數據分析的核心部分，但數據分析家更可能僅僅原生地去使用它們，而不是基于一個更高的角度。 Scikit-learn 卻將二者結合成為一個機器學習資源庫，同時也降低了大家的學習門檻。
在數據分析領域，Python 也因幾個庫而包受推崇。 作為其中最為著名的庫之一，Pandas 為 Python 提供了高性能處理的數據結構和數據分析工具。如同其他很多 Python 的庫一樣，從你著手一個新項目到真正做些有價值的工作這過程的時間將會因它大大縮短。如果你執著于 Python 同時又希望使用 R 的功能， RPy2 庫能夠提供所有 R 的主要功能，并給你一個 R 在 Python 中使用的流暢化體驗。
就像 Python 一樣，R 也擁有大量的包來提升它的表現。要想在機器學習領域媲美 Python，R 中的 Nnet 包具有快速構建神經網絡模型的能力。通過提供一系列函數來提升所構建模型的有效性，Caret 包也可以加強 R 在機器學習的能力。
就 R 在數據分析領域的表現，仍然有很多包可以用來提升它本就出色的能力。不管是建模前的準備，建模，以及建模后的分析工作，R 都有很多包可以勝任。這些包大多專門用來完成特定的任務，比如數據的可視化，連續變量回歸和模型驗證。
Python和R不同角度分析
從定位角度看，R致力于提供更好的，對用戶友好的數據分析、統計分析和繪圖模型；而Python則強調生產效率和代碼的可讀性。
雙方的用戶群也有一定的差異。R主要用于學術和研究領域，如今正在快速拓展其企業市場的運用。Python的使用者，是那些想深入鉆研數據分析或者應用統計技術的程序員，以及向數據科學尋求幫護的開發者。用一句話總結：“越接近統計研究跟數據分析人，越傾向R；越接近工程開發工程環境的人，越傾向Python”。
關于易學習性，開始學習R時有一個陡峭的學習曲線，一旦了解了最基本知識，就能很容易地學習更高級的知識。因此，對于有經驗的程序員，R并不難。由于Python看重可讀性和易用性，使得它的學習曲線相對比較低并且平緩。因此，對于初級程序員，Python 被認為是一個很好的編程語言。