工具原料一台电脑下载完毕的R software
方法/步骤分步阅读
1
/5
安装完毕R语言，新建属于自己的R变成文件夹，然后 File ->Change Dir..,设置成自己的工作文件，自己工作空间将都会产生在这个文件夹下。
2
/5
然后Files - >New Script，打开新的脚本编辑，在这里键入自己代码，编辑。
在此模式下，摁F5键意味着执行这一行，当我们编辑很多行的时候，我们可以进行全选，然后摁下F5，这样就会执行所有行的代码。
3
/5
下面进行实战，我们下面将会用R语言画出一个简单房子，具体的代码含义不解释，推荐Manning出版的《R语言实战》，里面有大量的联系及讲解。
4
/5
选中，然后执行F5按键，R语言就会画出一个简单的房子，具体代码可以参见下图。
5
/5
总之，R语言是一个非常好的统计软件，在生物统计，金融统计中发挥着越来越多的作用，同时R语言作为一款开源软件，也被世界的R语言兴趣者优化着。
注意事项
R作为一款免费的软件，有时候即使编正确的情况下，仍然可能出现错误
软件的学习在于多联系
内容仅供参考并受版权保护
R 语言，一种自由软件编程语言与操作环境，主要用于统计分析、绘图、数据挖掘。R 本来是由来自新西兰奥克兰大学的罗斯·伊哈卡和罗伯特·杰特曼开发，现在由“R 开发核心团队”负责开发。R 基于 S 语言的一个 GNU 计划项目，所以也可以当作 S 语言的一种实现，通常用 S 语言编写的代码都可以不作修改的在 R 环境下运行。R 语言
R 的源代码可自由下载使用，亦有已编译的可执行文件版本可以下载，可在多种平台下运行，包括 UNIX（也包括 FreeBSD 和 Linux）、Windows 和 MacOS。R 主要是以命令行操作，同时有人开发了几种图形用户界面，其中 RStudio 是最为广泛使用的集成开发环境。
功能
R 内置多种统计学及数字分析功能。R 的功能也可以透过安装包（Packages，用户撰写的功能）增强。因为 S 的血缘，R 比其他统计学或数学专用的编程语言有更强的面向对象（面向对象程序设计, S3, S4 等）功能。
R 的另一强项是绘图功能，制图具有印刷的素质，也可加入数学符号。
虽然 R 主要用于统计分析或者开发统计相关的软件，但也有人用作矩阵计算。其分析速度可媲美专用于矩阵计算的自由软件 GNU Octave 和商业软件 MATLAB。
总的概括：R主要在学术界流行，python(numpy scipy)在工程方便比较实用。R是S（Splus）的开源版本，或者下一代。发源地在新西兰奥克兰。这个软件的统计背景很浓烈。我这里浓烈的意思是，如果你不熟习统计知识（历史）的话，R的帮助文档看起来是很累的。由统计背景的人开发。R的维护组叫CRAN-R。在生物信息方便，有个叫bioconductor的组织，里面有很多生物信息方面可以用的软件包，他们有一套自己维护package系统。
Python是个综合语言（这里特指指CPython解释器），numpy scipy是数值计算的扩展包，pandas是主要用来做数据处理（numpy依赖），sympy做符号计算（类似mathematica？）此外还有一些不太成熟的包如sciki learn，statistical models。成熟度不如R。但是已经到了可用的水平了。是读计算机的人写的统计包。ipython 更新到1.0以后，功能基本完善，其notebook非常强大（感觉就像mathematica)而且还是基于web，在合作分享方面非常好用。
性能：
大家都说R慢，特别是CS的人。其实这里主要是两点：一个R里面数组的调用都是用复制的，二是Rscript慢。三是处理大数据慢。如果R用的好的话，R是不太慢的。具体来说就是Rscript用的少，多用命令，跑点小数据。这样的话，实际在跑的都是背后的fortran和C库。他们都有快二三十年历史了。可谓异常可靠，优化得不能再优化了（指单线程，如果去看源代码挥发先许多莫名的常数，永用了以后精度高速度快！）。比如一个自己编写一个R脚本，loop套loop的那种，那真是想死的心都会有。外加一点，R处理文本文件很慢！
Python归根揭底还是个有解释器的脚本语言，而且有致命伤——GIL，但python最难能可贵的就是它很容易变得更快。比如pypy，cython，或者直接ctypes挂C库。纯python写个原型，然后就开是不断的profiling和加速吧。很轻易可以达到和C一个数量级的速度，但是写程序、调试的时间少了很多。
并行计算：
R v15 之后有了自带的parallel包，用挺轻松的。不过其实就是不停的fork，或者mpi，内存消耗挺厉害的。parSapply，parApply什么的，真是很好用。
Python虽然有GIL——并行计算的死敌，但是有multiprocessing(fork依赖) ，是可以共享数据的什么的，估计内存消耗方面比R好点，数据零散的话overhead很多。到了MPI的话，mpi4py还是挺好用的。用cython的话结合openmp可以打破GIL，但是过程中不能调用python的对象。
学习曲线：假设什么编程都不会的同学。
R一开始还是很容易上手的，查到基本的命令，包，直接print一下就有结果了。但是如果要自己写算法、优化性能的时候，学习难度陡增。
Python么，挺好学的，绝大多数的帮助文档都比R好了许多。有些包用起来没R方便。总的来说深入吼R陡。
扩展资源：
基本上新的统计方法都会有R的package，安装实用都不麻烦。但是基本上都是搞统计的人写的计算机包。所以效能上可能有问好。比较出名的有两个包的管理网站，cran-r 和bioconductor。 所以搞生化的估计R用起来很方便。
python的统计计算包们比R少，多很年轻，还在不断的开发中。优于是计算机人写的统计包，用起来的时候要多涨个心眼。
画图：
R自带的那些工具就挺好用了，然后还有ggplot这种非常优美的得力工具。
python 有matplotlib，画出来效果感觉比R自带的好一些些，而且界面基于QT，跨平台支持。可能是R用得多了，pyplot用起来还是不太顺手，觉得其各个组建的统一性不高。
IDE：
Rstudio非常不错，提供类matlab环境。（用过vim-r-plugin，用过emacs + ess现在用vim。）
windows 下有python(x,y) 还有许多商业的工具。（本人现在的emacs环境还不是很顺手~）
建议：
如果只是处理（小）数据的，用R。结果更可靠，速度可以接受，上手方便，多有现成的命令、程序可以用。
要自己搞个算法、处理大数据、计算量大的，用python。开发效率高，一切尽在掌握。
ps：盲目地用R的包比盲目的地用python的包要更安全。起码R会把你指向一篇论文，而python只是指向一堆代码。R出问题了还有论文作者、审稿人陪葬。
