回复内容：
转一篇文章给楼主看下。中文原文：长篇巨献｜数据科学界华山论剑：r与python巅峰对决英文原文应该是这里：choosing r or python for data analysis? an infographic如果你是数据分析领域的新兵，那么你一定很难抉择——在进行数据分析时，到底应该使用哪个语言，r还是python？在网络上，也经常出现诸如“我想学习机器语言，我应该用哪个编程语言”或者“我想快速解决问题，我应该用r还是python”等这类问题。尽管两个编程语言目前都是数据分析社区的佼佼者，但是它们仍在为成为数据科学家的首选编程语言而战斗。今天，就让我们从数据科学的角度，一步步比较这两大编程语言。#1 对阵双方介绍
ladies and gentlemen，让我们隆重的介绍今天的对阵双方：r和python！
ladies and gentlemen，让我们隆重的介绍今天的对阵双方：r和python！r语言当前版本是2015年6月更新的3.2.1版。python 2当前版本是2015年5月更新的2.7.10版，python 3当前的版本是2015年2月更新的3.4.3版。
r语言是ross ihaka和robert gentleman于1995年开发的，作为贝尔实验室s编程语言的一种实现，其开发环境主要由c语言，fortran和r来完成。python的发布年份其实远在r之前。guido van rossum于1991年开发完成了python，并由python软件基金会(psf)负责其发展。其开发灵感主要来自c语言和modula-3，部分来自abc语言。python的名字取自喜剧蒙提·派森的飞行马戏团（monty python’s flying circus）。r语言是ross ihaka和robert gentleman于1995年开发的，作为贝尔实验室s编程语言的一种实现，其开发环境主要由c语言，fortran和r来完成。python的发布年份其实远在r之前。guido van rossum于1991年开发完成了python，并由python软件基金会(psf)负责其发展。其开发灵感主要来自c语言和modula-3，部分来自abc语言。python的名字取自喜剧蒙提·派森的飞行马戏团（monty python’s flying circus）。
从定位角度看，r致力于提供更好的，对用户友好的数据分析、统计分析和绘图模型；而python则强调生产效率和代码的可读性。从定位角度看，r致力于提供更好的，对用户友好的数据分析、统计分析和绘图模型；而python则强调生产效率和代码的可读性。
双方的用户群也有一定的差异。r主要用于学术和研究领域，如今正在快速拓展其企业市场的运用。python的使用者，是那些想深入钻研数据分析或者应用统计技术的程序员，以及向数据科学寻求帮护的开发者。用一句话总结：“越接近统计研究跟数据分析人，越倾向r；越接近工程开发工程环境的人，越倾向python”。双方的用户群也有一定的差异。r主要用于学术和研究领域，如今正在快速拓展其企业市场的运用。python的使用者，是那些想深入钻研数据分析或者应用统计技术的程序员，以及向数据科学寻求帮护的开发者。用一句话总结：“越接近统计研究跟数据分析人，越倾向r；越接近工程开发工程环境的人，越倾向python”。
r和python都得到大量的社区支持，包括邮件列表(mailing lists)、用户贡献的文档、以及stackoverflow网站。此外，r还可以从研究人员、数据科学家、统计学家和数量分析专家那里得到更多的支持；而python则从开发者和程序员那里得到的支持。r和python都得到大量的社区支持，包括邮件列表(mailing lists)、用户贡献的文档、以及stackoverflow网站。此外，r还可以从研究人员、数据科学家、统计学家和数量分析专家那里得到更多的支持；而python则从开发者和程序员那里得到的支持。
从实用性来讲，r通过几行代码就可以写出统计模型，尽管r有样式表，但并不是每个人都使用它们，可以用若干种方式写出同样的功能。在python中写代码和调试代码则更容易一些，主要是因为它的“优美”语法。但是代码的缩进会影响它的意思。并且，在python中，永远只有一种方式来写同样的功能。从实用性来讲，r通过几行代码就可以写出统计模型，尽管r有样式表，但并不是每个人都使用它们，可以用若干种方式写出同样的功能。在python中写代码和调试代码则更容易一些，主要是因为它的“优美”语法。但是代码的缩进会影响它的意思。并且，在python中，永远只有一种方式来写同样的功能。
在灵活性方面，在r中使用复杂的公式很容易。各种各样的统计检验和统计模型都是现成的并且容易使用；相比r，python在完成以前没有做过的新奇的事情上，很灵活，开发人员也会用它写网站或其它应用的脚本。在灵活性方面，在r中使用复杂的公式很容易。各种各样的统计检验和统计模型都是现成的并且容易使用；相比r，python在完成以前没有做过的新奇的事情上，很灵活，开发人员也会用它写网站或其它应用的脚本。
关于易学习性，开始学习r时有一个陡峭的学习曲线，一旦了解了最基本知识，就能很容易地学习更高级的知识。因此，对于有经验的程序员，r并不难。建议r的学习者查看datacamp上的练习和教程。关于易学习性，开始学习r时有一个陡峭的学习曲线，一旦了解了最基本知识，就能很容易地学习更高级的知识。因此，对于有经验的程序员，r并不难。建议r的学习者查看datacamp上的练习和教程。由于python看重可读性和易用性，使得它的学习曲线相对比较低并且平缓。因此，对于初级程序员，python 被认为是一个很好的编程语言。对于python学习者的建议是，尝试用《笨办法学python》学习的同时看视频做练习。
两者都有自己的代码库。cran（the comprehensive r archive network）是一个很大的r包库，用户很容易为其贡献代码。r包是一个包含r函数、数据和编译代码的集合，r包在r中用一行代码即可安装。pypi（python package index）是python软件库，用户可以为pypi贡献代码，但实践起来有点困难。两者都有自己的代码库。cran（the comprehensive r archive network）是一个很大的r包库，用户很容易为其贡献代码。r包是一个包含r函数、数据和编译代码的集合，r包在r中用一行代码即可安装。pypi（python package index）是python软件库，用户可以为pypi贡献代码，但实践起来有点困难。计算机科学教授norm matloff 曾说过，“python并未建立起一个能与cran媲美的巨大的代码库，r在这方面领先巨大。但是，统计学并不是python的中心任务。”
其实r与python并不是完全孤立的，在r中用户可以通过rpython包运行python代码，从python传递或获取数据，调用python函数或者方法。而在python中也可以使用rpy2包运行r代码，这提供了一个从python到r的底层接口。其实r与python并不是完全孤立的，在r中用户可以通过rpython包运行python代码，从python传递或获取数据，调用python函数或者方法。而在python中也可以使用rpy2包运行r代码，这提供了一个从python到r的底层接口。
以上，从定性的角度进行了比较。现在，看看双方的定量数据。小二，上数据！以上，从定性的角度进行了比较。现在，看看双方的定量数据。小二，上数据！
先看人气排名，下图左边为2013-2015年2月r和python人气比较（tiobe指标），右边为redmonk排名，它比较了github和stackoverflow上编程语言的相对性能。先看人气排名，下图左边为2013-2015年2月r和python人气比较（tiobe指标），右边为redmonk排名，它比较了github和stackoverflow上编程语言的相对性能。
再看工作和薪资，2014 dice tech薪金调查显示，具有高薪技能和丰富经验的r使用者的平均工资为115,531美元，而python则为94,139美元再看工作和薪资，2014 dice tech薪金调查显示，具有高薪技能和丰富经验的r使用者的平均工资为115,531美元，而python则为94,139美元
#2 数据分析战场#2 数据分析战场
首先是用途。r的主要应用场景是，当数据分析任务需要独立运算，或者需要在单个服务器上分析；python的一般应用场景是，数据分析任务需要与网页应用整合，或者当统计代码需要并入成品数据库。首先是用途。r的主要应用场景是，当数据分析任务需要独立运算，或者需要在单个服务器上分析；python的一般应用场景是，数据分析任务需要与网页应用整合，或者当统计代码需要并入成品数据库。
按任务类型划分，做探索性研究时，r语言很适合初学者。几行代码便可写出统计模型；而作为一个完整成熟的程序语言，python是为产品使用进行算法执行的一个工具。按任务类型划分，做探索性研究时，r语言很适合初学者。几行代码便可写出统计模型；而作为一个完整成熟的程序语言，python是为产品使用进行算法执行的一个工具。数据处理能力上，使用r进行数据分析很容易上手，因为它具有庞大数量的包、方便使用的检验以及在使用公式方面的优势。做基本数据分析时，r语言更方便，不需要额外安装包，大的数据库需要使用类似data.table和dplyr包。过去，python数据分析包的幼年期曾是个问题，但是现在已经得到很大的改善，用python进行数据分析时，你需要使用numpy、pandas和其它的程序包。
如何上手也是比拼的一个方面。r的集成开发环境(ide)可以选择rstudio。r最受欢迎的程序包有：dply、plyr和data.table（易于操作数据），stringr（易于操作字符串），zoo（处理规则和不规则时间序列），ggvis、lattice和ggplot2（数据可视化），caret（机器学习），建议初学者查看datacamp上的课程和教程。python的集成开发环境(ide)有很多，其中spyder和python notebook最受欢迎。建议初学者查看rodeo（被称为“python到数据科学ide”）。python最受欢迎的程序包有：pandas （易于操作数据），scipy/numpy（科学计算），sckikit-learn（机器学习），matplotlib（用于作图），statsmodels（数据探索、统计模型估计、统计检验和单元测试）。
［建议］给python初学者推荐“8步从python白丁到专家”（点击查看）。若想了解更多python包，请看“数据科学家之5个最佳python库，为初学者定制的教程” （点击查看）。关于技术支持，使用r进行数据分析有很多技术支持，包括stackoverflow、rdocumentation,（r文档整合）和r-help 邮件列表。python的数据分析问题可以通过以下方式获得支持：stackoverflow和邮件列表。邮件列表包括pydata（关于使用python进行数据分析和pandas包）、pystatsmodels （statsmodels和pandas包的问题）、numpy-discussion （numpy包的问题）和sci-py user（大部分是scipy或者科学问题）
同样，定性对比后再看看r和python的量化战争！同样，定性对比后再看看r和python的量化战争！从整体数据来看，在做数据分析时使用r的人数要多于使用python（下图左：2014用于数据分析的程序语言）。在2014年，有23.45%的人同时使用r与python（下图右：2014年r和python使用分析）。
在2008-2014年5月之间，stack overflow上问题标签是”r” 和／或 “python”、“pandas”的数量，r明显领先。在2015年3月12日到4月10日之间，在twitter上统计rstats, python numpy, python pandas和numpy这几个关键词，活跃度最大的是rstats。在2008-2014年5月之间，stack overflow上问题标签是”r” 和／或 “python”、“pandas”的数量，r明显领先。在2015年3月12日到4月10日之间，在twitter上统计rstats, python numpy, python pandas和numpy这几个关键词，活跃度最大的是rstats。
工作和薪资方面，o’reilly 2014数据科学工资调查显示，r和python平均年收入范围都是11万美元到12.5万美元之间。工作和薪资方面，o’reilly 2014数据科学工资调查显示，r和python平均年收入范围都是11万美元到12.5万美元之间。http://indeed.com上r与python的工作趋势显示，python的工作需求量高于r。
现在很多人都选择同时使用r和python。有的策略是利用两种语言最好的部分——初始分析在r语言中进行，在需要更严格的分析、团队工作或者发布代码和数据产品时开始转换到python。有人是用r进行统计检验、画图和检查大数据，必须写算法时，则更倾向于用python。也有人说，更倾向于在通用语言中做数学计算，而不是用数学语言进行通用编程。现在很多人都选择同时使用r和python。有的策略是利用两种语言最好的部分——初始分析在r语言中进行，在需要更严格的分析、团队工作或者发布代码和数据产品时开始转换到python。有人是用r进行统计检验、画图和检查大数据，必须写算法时，则更倾向于用python。也有人说，更倾向于在通用语言中做数学计算，而不是用数学语言进行通用编程。
［建议］选定语言只是万里长征第一步。如果你想要成为数据科学家，推荐你看一篇受欢迎度很高的文章“天龙八步：8步让你变成数据科学家”（点击查看）。［建议］选定语言只是万里长征第一步。如果你想要成为数据科学家，推荐你看一篇受欢迎度很高的文章“天龙八步：8步让你变成数据科学家”（点击查看）。#3 总决选：优缺点
现在来比较一下两者的优缺点。r最大的优点在于其作图能力，俗话说，一图抵千言，相比单看原始数据，可视化后的数据能被更高效、更有效的理解。利用ggplot2 可以绘制优美的图表，使用图表算法创造图层、定制图表；lattice易于展示多变量关系；rcharts从r中建立、定制和呈现交互式java可视化；googlevis利用google表格工具在r中可视化数据；用ggvis对一个网页浏览器进行渲染时，可以实现图像的交互式语法，例如在r中可视化facebook好友。现在来比较一下两者的优缺点。r最大的优点在于其作图能力，俗话说，一图抵千言，相比单看原始数据，可视化后的数据能被更高效、更有效的理解。利用ggplot2 可以绘制优美的图表，使用图表算法创造图层、定制图表；lattice易于展示多变量关系；rcharts从r中建立、定制和呈现交互式java可视化；googlevis利用google表格工具在r中可视化数据；用ggvis对一个网页浏览器进行渲染时，可以实现图像的交互式语法，例如在r中可视化facebook好友。ipython最大的优点在于，ipython notebook使得用python分析数据变得容易，它可以将你的分析放在一个文件中。用python处理数据可以简化工作流程。它是一个组合，其中包括：交互式python数据探索、在一个环境下为文档提前写好程序、文本和公式。你可以跟同事分享笔记本，并且不用他们安装任何东西。ipython大大减少了管理代码、输出和笔记本文件的时间，这样可以有更多的时间做实际工作。
r 的生态系统是它的另一项优势，先进的界面程序包使其能与开源语言进行交流，这让你把工作流程连成一串，对数据分析尤其有用。程序包可以从：cran（ “task views”列出了大量可用的r语言程序包）、bioconductor （生物信息学的开源软件）、github （基于网络的git库主机服务）获得，在rdocumentation（首个r文档聚合器）中很容易搜索到这些资源。r的用户社区也做得非常优秀，包括meetup群组（其中一些由r用户社区的公司资助）、博客和社交网络。r 的生态系统是它的另一项优势，先进的界面程序包使其能与开源语言进行交流，这让你把工作流程连成一串，对数据分析尤其有用。程序包可以从：cran（ “task views”列出了大量可用的r语言程序包）、bioconductor （生物信息学的开源软件）、github （基于网络的git库主机服务）获得，在rdocumentation（首个r文档聚合器）中很容易搜索到这些资源。r的用户社区也做得非常优秀，包括meetup群组（其中一些由r用户社区的公司资助）、博客和社交网络。python是一种通用语言，其另一个优点在于它的可读性和学习曲线；同时，python简单直观，它对可读性的重视更放大了这一特征。这就解释了为什么python的学习曲线相对平缓，因而很多程序员很熟悉它。并且，你写一个程序的速度也得到正面影响：编程时间更少了，玩耍时间更多了。python的测试框架确保代码的可重复性和可靠性，一个内置低壁垒的测试框架能够支持一个很好的测试覆盖率。其测试工具分类包括：unittest python（标准库中首个测试框架）、nose （unittest的扩展，很多程序包使用它，如pandas）、doctest （基于python标准解释器的输出很容易生成测试），pytest （当进行复杂的函数测试时，可以进行小测试）。
r有一个不可替代的优势：统计的通用语言。r是统计学家为统计学家开发的，他们通过r代码和程序包交流统计分析思想和方法，即使是不会计算机编程语言的统计学家、工程师和科学家也会觉得r容易使用，因此提高了产业采用率。r也被用在金融、药物、医学和市场等领域，并且其作为商业分析工具的地位正在不断增长，在商业领域的最重要价值正被一些有才能的人所了解使用，r在学术界已经被广泛使用。r的使用量正在快速增长，其在学术文章中处于常用软件排名第三的位置（紧随sas和sap），且这一位置正在被巩固。r有一个不可替代的优势：统计的通用语言。r是统计学家为统计学家开发的，他们通过r代码和程序包交流统计分析思想和方法，即使是不会计算机编程语言的统计学家、工程师和科学家也会觉得r容易使用，因此提高了产业采用率。r也被用在金融、药物、医学和市场等领域，并且其作为商业分析工具的地位正在不断增长，在商业领域的最重要价值正被一些有才能的人所了解使用，r在学术界已经被广泛使用。r的使用量正在快速增长，其在学术文章中处于常用软件排名第三的位置（紧随sas和sap），且这一位置正在被巩固。与r相比，python是一个多用途语言。作为一个被大多数程序员所熟知的普遍且易于理解的编程语言，python也能把不同背景的人聚集到一起。例如，一些机构不想雇佣数据分析师或者雇佣新的数据分析师比较困难，就会培训老员工使用python。这意味着，python是一个现成的编程语言，它能够作为一个单独的工具与你工作流程中任意一部分结合。
两者的缺点是什么呢？r运行慢，而这一点是故意为之。r的设计目的是使数据分析和统计分析变得容易，而不是为了让你的电脑“活得更轻松”。它有一个不完整的非正式定义，主要通过实现工作的方式来定义。除了设计和实现，大量r代码慢的原因很简单——代码写的很差。为改善这一点，可使用提高r性能的程序包：pqr（r翻译器的一个新版本）、renjin、fastr（在java中重新写r）、riposte（一个很快的解析器和jit）、revoscaler（用来处理大数据的商业软件）、foreach（用来提高并行编程的商业工具）。两者的缺点是什么呢？r运行慢，而这一点是故意为之。r的设计目的是使数据分析和统计分析变得容易，而不是为了让你的电脑“活得更轻松”。它有一个不完整的非正式定义，主要通过实现工作的方式来定义。除了设计和实现，大量r代码慢的原因很简单——代码写的很差。为改善这一点，可使用提高r性能的程序包：pqr（r翻译器的一个新版本）、renjin、fastr（在java中重新写r）、riposte（一个很快的解析器和jit）、revoscaler（用来处理大数据的商业软件）、foreach（用来提高并行编程的商业工具）。python最大的问题在于其可视化，选择数据分析软件时，可视化是一个重要原则。虽然python有一些很好的可视化程序库，包括：seaborn（基于matplotlib的程序库）、bokeh（交互式可视化程序库）和pygal（建立动态可伸缩向量图形（svg））。但python提供的可选择程序库过多，且与r对比，在python中进行可视化有些复杂，呈现的结果也并不是很令人满意。
因为由统计学家开发，r另一个缺点是它陡峭的学习曲线。尽管任何人都可以使用gui得到结果，但没有人能够完全避开写程序，并且找程序包很花时间。你可以通过使用正确的工具解决这个问题，利用以下这些资料可以帮组你克服这个陡峭的学习曲线：包括datacamp上的练习和教程和上rdocumentation搜索程序包。因为由统计学家开发，r另一个缺点是它陡峭的学习曲线。尽管任何人都可以使用gui得到结果，但没有人能够完全避开写程序，并且找程序包很花时间。你可以通过使用正确的工具解决这个问题，利用以下这些资料可以帮组你克服这个陡峭的学习曲线：包括datacamp上的练习和教程和上rdocumentation搜索程序包。python另一个问题是它还不成熟，造成一种更受限制的方式去思考数据分析。截至目前，没有模块能够代替基本r程序包的100个。python正在努力克服这一问题， 其中一些解决办法包括：ipython中的r扩展允许在ipython notebook中方便使用r；现有资源和约定格局充当了一个重要角色：matlab通常用于发布开放的研究代码，python用于数学，r 用于统计。mlabwrap 连接了python和matlab，但是有些缺点，因此你需要学会两种程序语言，并且需要有一个matlab许可证。
两种语言有很多共同优点。其一是开源，r和python都是对任何人免费，其它统计软件（如sas和spss）都是商业工具。两种语言有很多共同优点。其一是开源，r和python都是对任何人免费，其它统计软件（如sas和spss）都是商业工具。其二是他们都是高级工具，很多统计学的新进展会先在r和小范围的python开源程序包中出现，这比商业平台要早。第三是它们都提供在线社区，相对商业软件提供收费的用户支持，r和python利用在线社区对它们相应的用户提供支持。最后，二者使用者的薪水都比较高，根据o’reilly 2013数据科学工资调查显示，主要使用开源工具的数据科学家（130,000美元）比使用商业工具的数据科学家（90,000美元）的工资中值更高。
#4 那么赢家是……#4 那么赢家是……最后的结果是平局！哪个工具更适合，取决于你这个数据科学家如何去挑选一个最适合你需要的程序语言。下面的问题可以指导你做出决定。1.你要解决什么样的问题2.你学习一门程序语言的成本？学习一个能更好地解决问题的新系统会花费时间，但依旧使用你熟悉的系统并不能解决你要解决的问题。3.在你的领域最常用的工具是什么？在你的领域中还有什么可用的工具，它们和那些常用工具有什么关系？参考资料
不要试图强制消灭物种多样性，这样是没有前途的
目前来看，不存在替换。但是python确实会比r好用些。
python做数据分析呈上升趋势，matplotlib越来越完善，甚至最新的matlab很多库也借鉴了开源的matplot。很多数据相关的课程这两年都改用python来完成作业，甚至奥本海默的离散时间信号这种爷爷辈的课都推荐用python了。工具这种东西嘛，哪个顺手用哪个就行了，r和python用好了都很厉害。不过，ipython+numpy+matplotlib+pylab确实太好用了。。。尤其在*nix下面。
勺子和筷子的关系
数据科学，这范围太广了，编程能力加上统计学数学功底外加不同领域的能力，一般是一个team，各司其职，有做业务需求分析的，有做数据处理，有做机器学习建模的，有做可视化的，所以，这定义太广泛了。仅凭r和python做不了。做数据分析的或者说统计学专业的人更偏重于r,做数据挖掘的工程师或者说计算机专业更喜欢用python，没什么哪个取代哪个，这好比问淘宝能否取代京东一般，一个平台大，一个物流给力，哪个的给顾客更佳的体验就选哪。总的来说，python更加老牌，r最近非常流行。能学就都学会，知乎上有很多这方面的回答。
我曾经两次试图学r，但看到reshape矩阵都要导入一个包就感觉蛋疼无比，接下来又分不清向量、矩阵、列表、数据框、水平等各种非常类似又略有不同的数据类型，于是晕了，遂弃之。
没听说过胶片相机吧？ 没玩儿过单反吧？題主是从智能手机开始拍照片的吧？ 不是说从市场层面上没有取代都可能，而是每一次市场方向的选择都会让你恶心很多年，才会逐渐恢复到一个可以看的质量水平。 这个过程是相当恶心的。同意金志鑫的观点，不要小看物种多样性
matlab怎么办
python+r才是王道