在从事数据分析行业中，我们都会从R与Python当中进行选择，但是，从这两个异常强大、灵活好用的数据分析语中选择，却是非常难以选择的。
为了让大家能选择出更适合自己的语言，我们将两种语言进行简单的对比。
Stack Overflow趋势对比
相关推荐：《Python视频教程》
上图显示了自从2008年(Stack Overflow 成立)以来，这两种语言随着时间的推移而发生的变化。
R和Python在数据科学领域展开激烈竞争，我们来看看他们各自的平台份额，并将2016与2017年进行比较：
我们再从适用场景、任务、数据处理能力、开放环境来分析：
适用场景
R适用于数据分析任务需要独立计算或单个服务器的应用场景。Python作为一种粘合剂语言，在数据分析任务中需要与Web应用程序集成或者当一条统计代码需要插入到生产数据库中时，使用Python更好。
任务
在进行探索性统计分析时，R胜出。它非常适合初学者，统计模型仅需几行代码即可实现。Python作为一个完整而强大的编程语言，是部署用于生产使用的算法的有力工具。
数据处理能力
有了大量针对专业程序员以及非专业程序员的软件包和库的支持，不管是执行统计测试还是创建机器学习模型，R语言都得心应手。
Python最初在数据分析方面不是特别擅长，但随着NumPy、Pandas以及其他扩展库的推出，它已经逐渐在数据分析领域获得了广泛的应用。
开发环境
对于R语言，需要使用R Studio。对于Python，有很多Python IDE可供选择，其中Spyder和IPython Notebook是最受欢迎的。
R 和 Python 详细对比
R和Python之间有很强的关联，并且这两种语言日益普及，很难说选对其一，事实上日常用户和数据科学家可以同时利用这两种语言。
不能发链接，所以我复制过来了。#载入程序和数据
library(RSNNS)
data(iris)
#将数据顺序打乱
iris <- iris[sample(1:nrow(iris),length(1:nrow(iris))),1:ncol(iris)]
#定义网络输入
irisValues <- iris[,1:4]
#定义网络输出，并将数据进行格式转换
irisTargets <- decodeClassLabels(iris[,5])
#从中划分出训练样本和检验样本
iris <- splitForTrainingAndTest(irisValues, irisTargets, ratio=0.15)
#数据标准化
iris <- normTrainingAndTestSet(iris)
#利用mlp命令执行前馈反向传播神经网络算法
model <- mlp(iris$inputsTrain, iris$targetsTrain, size=5, learnFunc="Quickprop", learnFuncParams=c(0.1, 2.0, 0.0001, 0.1),maxit=100, inputsTest=iris$inputsTest, targetsTest=iris$targetsTest)
#利用上面建立的模型进行预测
predictions <- predict(model,iris$inputsTest)
#生成混淆矩阵，观察预测精度
confusionMatrix(iris$targetsTest,predictions)
#结果如下：
#predictions
#targets 1 2 3
# 1 8 0 0
# 2 0 4 0
# 3 0 1 10
