前言
Python 和 R 都是数据科学的不错选择，但它们各有利弊。如果你是数据科学的新手，也许其中有一个更适合你；即使你已经掌握了其中一个，学习另一个语言可能仍然是值得的。
使用 Python 和 R，你都可以完成大部分数据科学任务，能力本身没有争议，但其他细节因素才是选择的关键。这些因素包括工具对特定任务的便利性、学习难度以及带来的工作机会差异等。
你的背景
如果你是数据科学新手，考虑背景是一个简单的方法。如果你有多年编码经验，学习新编程语言并不困难；如果过去几乎没有使用过 Excel 或 IBM SPSS 等数据处理工具，则需要慎重考虑。
R 语言由统计学家创建，主要用于统计计算，被数据挖掘开发者、生物信息学家等专业人员使用。Python 是通用语言，用于构建 GUI、开发游戏、网站等，软件工程师、Web 开发人员、数据分析师和业务分析师等专业人士广泛使用。
如果你的背景来自 Excel、SAS 或 SPSS，R 可能更容易上手；如果你已使用其他编程语言并形成了编程思维，Python 会更容易上手。
流行度与就业
工具的流行度是学习的重要因素。Google Trends 数据显示，过去 5 年全球对'python data science'的兴趣高于'r data science'，在数据科学领域 Python 更受欢迎。
招聘方面，包含'数据科学'和'R'的职位通常要求'研究'、'SQL'和'统计'技能；而包含'数据科学'和'Python'的职位则更多涉及'机器学习'、'AWS'和'Spark'等工具。
工具对比
数据科学工作流程涉及数据收集、挖掘和可视化。
数据收集：两者都支持 CSV 和 JSON 格式。R 允许将 Minitab 或 SPSS 文件转换为数据集。两者都支持网络爬虫，但 Python 拥有更成熟的工具如 Selenium 和 Scrapy 框架。
数据挖掘：Python 主要使用 Pandas 和 Numpy。R 有不同的包来构建数据挖掘。
数据可视化：Python 可使用 Pandas 制作基本图形，高级可视化需学习 Matplotlib 和 Seaborn，语法较难且美观度一般。R 内置标准图形支持，并提供 ggplot2 等高级工具，图形的品质和美感通常更好。
结论
有些人选择 R 是因为其强大的统计特性和出色的可视化功能；另一些人喜欢 Python 是因为其多功能及灵活性，便于快速迭代。
如果你已经掌握其中一个语言，学习另一个也是有意义的，因为这能增加工作机会。
