如果要通过文件交换R与C混编也是可以的。 当然直接调用更可以。只是感觉成本太高。不合算。你都用C语言了。为什么还贪图R的方便，直接自己手写工，或者是调用C的库就可以了。
python入门很容易，精通不太容易。不过比basic, java, c#都要简单吧。 数据处理方面，学一学numpy就可以，它自带教程。 另外python本身最好的教程 还是python自已的帮助文档。
如果还不懂就去看代码。即使没有学过python的人，看python代码也不吃力。（如果有其它语言基础的话）。
head first这本书挺不错的。我看过一些head first java的。 至于python的书太多了。不过我自己看过的都不满意 。学好语言还是要靠自己练习，还有就是看别人的代码。
R是好东西。我最近在试着做一个分布式的计算环境 。 R也可以做分词，文本处理也是可以的。 并不需要python帮助做什么。除非你象我这样，python很熟悉，而R不熟悉。
Python比较好点，Python用的人比较多。
ython和R这2个都拥有庞大的用户支持。2017年的调查显示，近45％的数据科学家使用Python作为主要的编程语言，另一方面，11.2％的数据科学家使用R语言。
python与r语言区别如下：
Python的优势：
1. Python 包含比R更丰富的数据结构来实现数据更精准的访问和内存控制，大多数深度学习研究都是用python来完成的。
2. Python与R相比速度要快。Python可以直接处理上G的数据R不行，R分析数据时需要先通过数据库把大数据转化为小数据(通过groupby)才能交给R做分析，因此R不可能直接分析行为详单，只能分析统计结果。
3. Python优于R的另一个优势是将模型部署到软件的其他部分。Python是一种通用性语言，用python编写应用程序，包含基于Python的模型的过程是无缝的。
4. Python是一套比较平衡的语言，各方面都可以，无论是对其他语言的调用，和数据源的连接、读取，对系统的操作，还是正则表达和文字处理，Python都有着明显优势，尤其在计算机编程、网络爬虫上更有优势。
R语言的优势：
1. R在统计分析上是一种更高效的独立数据分析工具。在R中进行大量的统计建模研究，有更广泛的模型类可供选择，如果你对建模有疑问，R是最合适的。
2. R的另外一个技巧就是使用Shiny轻松地创建仪表盘，Python也有Dash作为替代，但是不够成熟。
3. R的函数是为统计学家开发的，因此它具有特定领域优势，比如数据可视化的强大特性，由R Studio的首席科学家Hadley Wickham创建的ggplot2 如今是R历史上最受欢迎的数据可视化软件包之一。
ggplot2允许用户在更高的抽象级别自定义绘图组件。我个人非常喜欢ggplot2的各种功能和自定义。ggplot2提供的50多种图像适用于各种行业。
