为何还在浪费时间？Python与R语言的数据科学之争

全文共1968字，预计学习时长5分钟

对于数据科学初学者来说，实干才是硬道理。所以我们只需选择其中一种语言，并重点完成一些项目，接着便可品尝胜利的果实。这就是最快的学习方式。<0}

笔者虽然很想直接推荐Python（笔者主要使用Python，不过也的确掌握一些R语言的工作知识），但还是想为初学者公正地评估一下这两种语言的有效性。这主要是因为选择哪种语言取决于你自己的具体情况。

你为什么想学习？

必须考虑的因素是：你想要学习的原因。例如，如果你是一个训练有素的生物学家，想学习一些编程技能以便更好地理解你的数据集，或者你熟悉其他科学编程语言，比如MATLAB，那么你应该考虑在YouTube上看一些R语言的教程，因为它对你来说比Python更简单、更直观。

或者，如果你是精通C/C++和Java等语言的软件工程师，并且准备转攻数据科学，Python将是适合你的一种语言。与大多数其他流行的编程语言一样，Python是一种面向对象编程（OOP）语言，它可能比R语言更直观。

又或者，也许你最近一直在阅读数据科学这一迷人领域的相关文献，并想涉足其中，在这种情况下，这两种语言都是不错的选择。因此，比起学习的理由这一因素，选择哪种语言将更多地取决于其他因素。

你是否有精通该语言的朋友或同事？

如果你正在学习一门新语言，那么获得社区的支持将会是一个巨大的优势。从社区获得帮助是程序员的一项非常重要的技能。

作为一名初学者，学习如何获得帮助有些棘手，很少有网络资源来教会人们如何从社区获得帮助。具备敏锐的直觉，并且知道当代码出错时应该询问些什么是非常重要的。

如果你认识一个精通Python的人，或者你实验室的另一个研究人员一直在研究R语言，那么你最好学习他们擅长的语言，因为这样你就可以在遇到困难时随时向他们求助。

你是只对统计和数据分析感兴趣，还是想学习其他领域，如机器学习和人工智能？

在应用层面上，Python和R语言的一个显著区别在于前者用途更广泛。Python是一种成熟的编程语言，这意味着你只用Python便可以收集、存储、分析和可视化数据，同时还可以创建机器学习工作管道并将其部署至生产或网站中。

另一方面，R语言则是只用于统计和数据分析，它的图表要比Python的更美观且个性化。R语言使用图形语法（Grammar ofGraphics）的方式可视化其ggPlot2库中的数据，这提供了Python所缺乏的大量直观的个性化设置。

或许这样说有些笼统，但如果你想成为一名数据分析师，R语言应该是你的首选。如果你想成为一名数据科学家，Python则是更好的选择。这便是泛化与专业化的两难选择。

图源：unsplash

作为一个在过去十年间兴起的领域，数据科学的进化日新月异。但不变的是越来越多的数据管道每天都在被自动化。

具备数据工程、数据可视化、机器学习工程、云服务集成和模型部署等多种技能的员工，总是比那些只专注于数据科学工作流程这一个方面的员工更受欢迎。该领域的发展已经在很大程度上实现自动化，只有编程技能出色的员工才能不被机器所取而代之。除非你极其擅长该领域，否则仅仅专注于构建优秀的机器学习模型在未来是行不通的。

目前的业内形势是：有太多初学者水平的求职者，能力虽然“较为”出色，而初工作经验则寥寥无几。对于那些略微高级的工作岗位来说，则没有足够多的经验丰富或技术对口的工作者。为了能够在工作中更上一层楼，你将需要去理解并实践工作流的其它阶段，为何不让自己的成功概率最大化？

如果你依旧举棋不定，笔者建议最好是现在就选择Python并开始学习。在你掌握了与之相关的工作知识之后，还可以学习R语言的基础知识。但如果你实在用不惯Python，那么接下来该做什么就无需笔者多费口舌了。

作为初学者，你的首要任务应该是了解数据科学的核心概念，并首先了解如何将这些概念应用于实际场景。对于那些没有编程或计算机科学背景知识的人来说，配置编程环境可能是件难事。然而，比起Python，配置环境并开始学习R语言的体验可能会更加流畅友好。

有太多人只是沉溺于成为一名数据科学家的空想，而真正脚踏实地采取行动的人却远远不够。所以，是时候开始你的数据科学之旅了。

留言点赞关注

我们一起分享AI学习与发展的干货

如转载，请后台留言，遵守转载规范