我之前分享过R和python语言的区别与联系，python确实有很大的优势，尤其是在数据分析方面，但不代表python战无不胜，他也有自己的短板，不同的语言有自己的长处，我们要结合场景进行选择，
我们已经看过如何使用R和Python分析数据集。我们没有涉及许多任务，例如，保留分析结果，与他人共享结果，进行测试并使产品准备就绪并进行更多可视化。关于此主题还有很多要讨论的内容，但是基于上面所做的事情，我们可以得出一些有意义的结论：
R的功能更多，Python的更面向对象。
正如我们从，和其他函数中看到的那样lm，predictR让函数完成了大部分工作。将此与LinearRegressionPython中的类以及sample数据框上的方法进行对比。
R具有更多内置的数据分析功能，Python依赖于软件包。
在查看摘要统计信息时，我们可以使用summaryR中的内置函数，但必须statsmodels在Python中导入该包。数据框是R中的内置构造，但必须通过pandasPython中的包导入。
Python具有用于数据分析任务的“主要”软件包，R具有较大的小型软件包生态系统。
使用Python，我们可以使用scikit-learn软件包进行线性回归，随机森林等等。它提供一致的API，并且维护良好。在R中，我们有更多的软件包多样性，但也有更大的碎片化和更少的一致性(线性回归是内置的lm，randomForest是单独的软件包，等等)。
R通常具有更多的统计支持。
R被构建为一种统计语言，它可以显示。statsmodelsPython和其他软件包中的XML提供了不错的统计方法覆盖范围，但是R生态系统要大得多。
在Python中执行非统计性任务通常更为直接。
使用BeautifulSoup和请求等维护良好的库，Python中的Web抓取要比R中的要容易得多。这适用于我们没有仔细研究的其他任务，例如保存到数据库，部署Web服务器或运行复杂的工作流程。
两者中的数据分析工作流之间有很多相似之处。
R和Python之间都有明显的灵感点(pandas数据框受R数据框启发，rvest软件包受BeautifulSoup启发)，并且两个生态系统都在不断壮大。令人惊讶的是，两种语言中许多常见任务的语法和方法多么相似。
Python vs R的最终结论
最终，您可能最终想要学习Python 和 R，以便可以利用两种语言的优势，根据需要在每个项目中选择一种或另一种。当然，如果您要在数据科学领域中寻找一席之地，那么同时了解两者也会使您成为更灵活的求职者。
一些免费的资料你可以看看#数据分析#小白零基础入门Pythonhdxu.cn
