数据科学中的 Python 与 R：该学哪一个？

如果您正在阅读这篇文章，您很可能正处于数据科学旅程的起点。您现在大概已经知道，学习编程是每位立志从事数据工作的专业人士必须迈出的关键一步。另外，您或许已经听说过 Python 与 R 的对比，也可能正在为先学哪一个而犹豫不决。如果您正处于这种情况，不必慌张：大多数数据从业者都曾经和您一样。

Python 和 R 是数据科学领域最受欢迎的两门编程语言。无论您想到哪种数据科学任务，这两门语言都能胜任。Python 与 R 的对比似乎在暗示您必须二选一。 

虽然对初学者来说可能确实需要先选一个入门，但从长远看，您很可能需要两者都会。与其把两种语言视为互斥的选择，不如把它们看成可根据具体用例搭配使用的互补工具。 

是什么让 R 和 Python 成为数据科学的理想之选？本文将介绍 Python 与 R 的用途、二者的关键差异，并提供一些决策因素，帮助您根据自身需求选择合适的语言。

既然我们已经明确 Python 和 R 都是优秀且流行的选择，接下来有几个因素可能会影响您的决策方向。

为什么选择 Python？

Python 是一门通用、开源的编程语言，广泛应用于数据科学、网页开发、游戏等各类软件领域。 

自 1991 年问世以来，Python 已成为全球最受欢迎的编程语言之一，在多个编程语言流行度指数（如 TIOBE 指数和 PYPL 指数）中长期位居前列。 

Python 在全球范围内受欢迎的原因之一是其庞大的用户社区。Python 拥有一个庞大的社区和开发者生态，持续推动语言的平稳发展与改进，并不断推出面向各种用途的新库。 

由于与自然语言高度相似，Python 的代码易读易写。事实上，高可读性和可解释性正是 Python 设计的核心理念。基于这些原因，Python 常被视为零基础新手的首选编程语言。 

随着时间推移，凭借其简洁易用的特点，以及数以百计的专业库与包在数据可视化、机器学习、深度学习等各类数据科学任务中的强大支持，Python 在数据科学领域的受欢迎程度与日俱增。

为什么选择 R？

R 是一门专为统计计算与图形绘制而设计的开源编程语言。 

自 1992 年首次发布以来，R 在科学研究与学术界被广泛采用。如今，它依然是传统数据分析以及快速发展中的商业分析领域最受欢迎的分析工具之一。在 TIOBE 指数和 PYPL 指数中分别位列第 11 位和第 7 位。

R 的设计初衷是面向统计学家，因而可以用极少的代码实现复杂功能。各种统计检验与模型（如线性建模、非线性建模、分类与聚类）都已内置并且易于使用。

R 之所以功能广泛，很大程度上得益于其庞大的社区。该社区构建了最为丰富的数据科学相关包集合之一，均可通过综合 R 归档网络（CRAN）获取。

R 的另一大亮点在于其强大的高质量报告生成能力、对数据可视化的良好支持，以及用于创建交互式 Web 应用的相关框架。在这方面，R 被广泛认为是制作精美图表与可视化的最佳工具。

R 与 Python：关键差异

现在您已对 Python 和 R 有了更直观的认识，接下来我们从数据科学的角度比较二者的相似点、优势与不足。 

定位

虽然 Python 与 R 诞生之初的目的不同——Python 是通用编程语言，R 则用于统计分析——但如今两者都适用于各类数据科学任务。不过，Python 被认为比 R 更通用，因为它在软件开发、网页开发、游戏等其他软件领域也非常流行。

典型用户

作为通用编程语言，Python 是许多软件开发者转向数据科学时的首选。此外，Python 注重生产力，更适合构建复杂应用。 

相较之下，R 在学术界以及金融、医药等特定行业被广泛使用。对于具备有限编程背景的统计学家和研究人员来说，它是理想的语言。 

学习曲线

Python 直观的语法被认为最接近英语，这使其非常适合初学者，学习曲线平滑而线性。尽管 R 旨在让您在几分钟内轻松完成基础数据分析，但在处理复杂任务时难度会明显上升，R 用户需要更长时间才能熟练掌握这门语言。 

总体而言，Python 被认为是适合初学者的语言。R 在起步阶段较易上手，但其高级功能的复杂性使得精通更具挑战。

受欢迎程度

尽管诸如 Julia 等新语言近年来在数据科学领域迅速崛起，但 Python 与 R 仍是该领域的绝对主角。 

然而，就“受欢迎程度”——一个总是较为模糊的概念——而言，两者差异显著。尤其在近几年，Python 持续领先于 R。在多个编程语言流行度指数中，Python 常年名列前茅，这与其在包括数据科学在内的多种软件领域的广泛应用密切相关。相比之下，R 主要应用于数据科学、学术界以及部分行业。 

常用库

Python 和 R 都拥有面向数据科学的强大且丰富的包与库生态。Python 的大多数包托管于 Python 包索引（PyPi），而R 包通常存储在综合 R 归档网络（CRAN）。

以下列出部分最受欢迎的数据科学库：

R 包：

• dplyr：R 的数据处理库。
• tidyr：帮助您清洗并整理数据的优秀包。 
• ggplot2：可视化数据的理想库。
• Shiny：可直接用 R 创建交互式 Web 应用的理想工具。
• Caret：R 中最重要的机器学习库之一。 

Python 包：

• NumPy：提供大量用于科学计算的函数。
• Pandas：数据处理利器。
• Matplotlib：数据可视化的标准库。
• Scikit-learn：提供众多机器学习算法的 Python 库。
• TensorFlow：广泛使用的深度学习框架。

常用 IDE

IDE（集成开发环境）帮助程序员将编写程序的各个环节整合在一起。它们是功能强大的界面，具备集成功能，使开发者能够更高效地编写代码。

在 Python 领域，数据科学最常用的 IDE 包括 Jupyter Notebooks 及其现代版本 JupyterLab，以及 Spyder。

对于 R，最常用的 IDE 是 RStudio。其界面布局便于用户同时查看图形、数据表、R 代码与输出。

Python 与 R：对比

下表列出了 R 与 Python 的差异：

R 与 Python：应该学哪一个？

尽管两者各有优劣，但事实是：在您的数据科学旅程中，不存在一门对所有问题都最优的编程语言。

此外，评估语境同样重要。在做出选择前，您应先自问几个问题：您是否有编程经验？您的同事使用哪种语言？您要解决什么类型的问题？在数据科学中，您的兴趣领域是什么？ 

回答这些问题后，您就可以在两者中选其一。无论如何，不必焦虑：R 与 Python 都是数据科学的优秀选择。这正是我们在 DataCamp 准备了丰富课程与学习路径来助您一臂之力的原因。查看以下资源，立即开始吧！

• 庞大的课程目录，包含 380+ 门数据科学课程，覆盖编程、统计、可视化等。 
• 我们的Python 入门与R 入门课程将带您掌握两门语言的基础，为后续学习打下基础。
• 体系化且具权威认证的职业路径，助您从零到精通数据科学。查看我们的Python 基础与R 编程学习路径。
• 订阅DataFramed 播客
• 查看我们的Python 数据科学速查表以及 R 的基础速查表。

数据科学中的 Python 与 R：信息图

下方信息图“When Should I Use Python vs. R?”适合希望从数据科学与分析角度比较这两种编程语言的人士，其中包括各自的独特优势与不足。点击下方图片可下载信息图并访问内嵌链接。