Python是一种解释型脚本语言，其在设计上也坚持了清晰划一的风格，这使得Python成为易读、易维护的语言。
相比于其他语言，Python中的语言语法和语义要简单得多，而且代码也具有可读性。在大多数情况下，为了解决某一特定的问题，Python编写所需代码，要比其他流行语言所需的代码少得多。
因此，对于新手来说，Python是一种很容易上手，并便于维护的语言。
Python都被用在哪儿？
自Python由GuidovanRossum于1989年底发明创建以来，基于此项技术的网站和软件项目已经有了数千个。
Python由于其独特性，使其在各种编程语言中脱颖而出，在全世界拥有大量拥护它的程序员。
Python的优点是什么？
简单、免费、兼容性、面向对象、函数库
1.Python环境的搭建：
这里我选择的是Anaconda可以傻瓜式的帮我们将python环境搭建完毕，贴上Anaconda的下载地址：https://www.anaconda.com/download/#download
选择适合的版本下载即可，我这选择的Python3.6 version 64位的，下载完毕之后就是安装了，Anaconda会帮我们将Python环境搭载完毕的。
相关推荐：《Python教程》
2.VS2017中Python开发的选择：
如果已经安装过VS2017，直接在找到Visual Studio Installer。
点击运行，然后选择修改，将Python开发和数据科学和分析应用程序勾选即可。
如果是没有安装过VS2017，需要先在VS官网下载最新的VS2017即可，附上微软官方的VS下载链接：
https://visualstudio.microsoft.com/zh-hans/thank-you-downloading-visual-studio/?sku=Professional&rel=15，后面的步骤与上一步相同。
安装完毕后，VS2017会自动引入我们前面安装的python环境。
3.测试环境：
环境搭建完毕之后就需要测试一下是否搭建成功了，打开VS选择python应用程序；
可以看到我们安装的Python3.6已经引入了。
接下来点击附加按钮即可：出现了下面的界面那么就表示我们的VS2017已经能成功作为Python的IDE了。
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。
