python和r

❶ 什麼是R/python語言

Python是一種解釋型、面向對象、動態數據類型的高級程序設計語言。
Python的設計理念是「簡單」、「明確」、「優雅」。
Python由Guido van Rossum於1989年底發明，第一個公開發行版發行於1991年。
像Perl語言一樣, Python 源代碼同樣遵循 GPL(GNU General Public License)協議。 對比Java 讀取文件 在 Java中需要10行代碼 Python只需要兩行.
R是用於統計分析、繪圖的語言和操作環境。R是屬於GNU系統的一個自由、免費、源代碼開放的軟體，它是一個用於統計計算和統計制圖的優秀工具。

❷ 學習量化選擇Python還是R比較好

python對於新手來說較容易入門，而且python目前國內多家量化交易平台都支持，比如優礦、掘金量化、米筐、聚寬等，反而支持R語言的平台很少，所以說python語言做量化才是主流。

❸ python和r數據分析哪個更好

2012年的時候我們說R是學術界的主流，但是現在Python正在慢慢取代R在學術界的地位。不知道是不是因為大數據時代的到來。

Python與R相比速度要快。Python可以直接處理上G的數據；R不行，R分析數據時需要先通過資料庫把大數據轉化為小數據（通過groupby）才能交給R做分析，因此R不可能直接分析行為詳單，只能分析統計結果。所以有人說：Python=R+SQL/Hive，並不是沒有道理的。

Python的一個最明顯的優勢在於其膠水語言的特性，很多書里也都會提到這一點，一些底層用C寫的演算法封裝在Python包里後性能非常高效
(Python的數據挖掘包Orange canve
中的決策樹分析50萬用戶10秒出結果，用R幾個小時也出不來，8G內存全部占滿)。但是，凡事都不絕對，如果R矢量化編程做得好的話（有點小難度），會
使R的速度和程序的長度都有顯著性提升。

R的優勢在於有包羅萬象的統計函數可以調用，特別是在時間序列分析方面，無論是經典還是前沿的方法都有相應的包直接使用。
相比之下，Python之前在這方面貧乏不少。但是，現在Python有了
pandas。pandas提供了一組標準的時間序列處理工具和數據演算法。因此，你可以高效處理非常大的時間序列，輕松地進行切片/切塊、聚合、對定期
/不定期的時間序列進行重采樣等。可能你已經猜到了，這些工具中大部分都對金融和經濟數據尤為有用，但你當然也可以用它們來分析伺服器日誌數據。於是，近
年來，由於Python有不斷改良的庫（主要是pandas），使其成為數據處理任務的一大替代方案。

做過幾個實驗：
1. 用python實現了一個統計方法，其中用到了ctypes，multiprocess。
之後一個項目要做方法比較，又用回R，發現一些bioconctor上的包已經默認用parallel了。（但那個包還是很慢，一下子把所有線程都用掉了，導致整個電腦使用不能，看網頁非常卡~）
2. 用python pandas做了一些數據整理工作，類似資料庫，兩三個表來回查、匹配。感覺還是很方便的。雖然這些工作R也能做，但估計會慢點，畢竟幾十萬行的條目了。
3. 用python matplotlib畫圖。pyplot作圖的方式和R差異很大，R是一條命令畫點東
西，pylot是准備好了以後一起出來。pyplot的顏色選擇有點尷尬，默認顏色比較少，之後可用html的顏色，但是名字太長了~。pyplot
的legend比R 好用多了，算是半自動化了。pyplot畫出來後可以自由拉升縮放，然後再保存為圖片，這點比R好用。

總的來說Python是一套比較平衡的語言，各方面都可以，無論是對其他語言的調用，和數據源的連接、讀取，對系統的操作，還是正則表達和文字處
理，Python都有著明顯優勢。
而R是在統計方面比較突出。但是數據分析其實不僅僅是統計，前期的數據收集，數據處理，數據抽樣，數據聚類，以及比較復雜的數據挖掘演算法，數據建模等等
這些任務，只要是100M以上的數據，R都很難勝任，但是Python卻基本勝任。

結合其在通用編程方面的強大實力，我們完全可以只使用Python這一種語言去構建以數據為中心的應用程序。
但世上本沒有最好的軟體或程序，也鮮有人能把單一語言挖掘運用到極致。尤其是很多人早先學了R，現在完全不用又捨不得，所以對於想要學以致用的人來說，如果能把R和Python相結合，就更好不過了。

❹ Python和R語言的區別

如下：

Python入門簡單，而R則相對比較難一些。R做文本挖掘現在還有點弱，當然優點在於函數都給你寫好了，你只需要知道參數的形式就行了，有時候即使參數形式不對，R也能"智能地」幫你適應。這種簡單的軟體適合想要專注於業務的人。

Python幾乎都可以做，函數比R多，比R快。它是一門語言，R更像是一種軟體，所以python更能開發出flexible的演算法。

Python適合處理大量數據，而R則在這方面有很多力不從心，當然這么說的前提是對於編程基礎比較一般的童鞋，對於大牛來說，多靈活運用矢量化編程的話，R的速度也不會太差。

介紹

Python和R本身在數據分析和數據挖掘方面都有比較專業和全面的模塊，很多常用的功能，比如矩陣運算、向量運算等都有比較高級的用法，所以使用起來產出比大。

這兩門語言對於平台方面適用性比較廣，linux、window都可以使用，並且代碼可移植性還算不錯的。對於學數理統計的人來說，應該大多用過MATLAB以及mintab等工具，Python和R比較貼近這些常用的數學工具，使用起來有種親切感。

❺ python 和 r 的區別 知乎

有人說Python和R的區別是顯而易見的，因為R是針對統計的，python是給程序員設計的，其實這話對Python多多少少有些不公平。2012年的時候我們說R是學術界的主流，但是現在Python正在慢慢取代R在學術界的地位。不知道是不是因為大數據時代的到來。

Python與R相比速度要快。Python可以直接處理上G的數據；R不行，R分析數據時需要先通過資料庫把大數據轉化為小數據（通過groupby）才能交給R做分析，因此R不可能直接分析行為詳單，只能分析統計結果。所以有人說：Python=R+SQL/Hive，並不是沒有道理的。

Python的一個最明顯的優勢在於其膠水語言的特性，很多書里也都會提到這一點，一些底層用C寫的演算法封裝在Python包里後性能非常高效(Python的數據挖掘包Orange canve 中的決策樹分析50萬用戶10秒出結果，用R幾個小時也出不來，8G內存全部占滿)。但是，凡事都不絕對，如果R矢量化編程做得好的話（有點小難度），會使R的速度和程序的長度都有顯著性提升。

R的優勢在於有包羅萬象的統計函數可以調用，特別是在時間序列分析方面，無論是經典還是前沿的方法都有相應的包直接使用。
相比之下，Python之前在這方面貧乏不少。但是，現在Python有了pandas。pandas提供了一組標準的時間序列處理工具和數據演算法。因此，你可以高效處理非常大的時間序列，輕松地進行切片/切塊、聚合、對定期/不定期的時間序列進行重采樣等。可能你已經猜到了，這些工具中大部分都對金融和經濟數據尤為有用，但你當然也可以用它們來分析伺服器日誌數據。於是，近年來，由於Python有不斷改良的庫（主要是pandas），使其成為數據處理任務的一大替代方案。

做過幾個實驗：
1. 用python實現了一個統計方法，其中用到了ctypes，multiprocess。
之後一個項目要做方法比較，又用回R，發現一些bioconctor上的包已經默認用parallel了。（但那個包還是很慢，一下子把所有線程都用掉了，導致整個電腦使用不能，看網頁非常卡~）
2. 用python pandas做了一些數據整理工作，類似資料庫，兩三個表來回查、匹配。感覺還是很方便的。雖然這些工作R也能做，但估計會慢點，畢竟幾十萬行的條目了。
3. 用python matplotlib畫圖。pyplot作圖的方式和R差異很大，R是一條命令畫點東西，pylot是准備好了以後一起出來。pyplot的顏色選擇有點尷尬，默認顏色比較少，之後可用html的顏色，但是名字太長了~。pyplot 的legend比R 好用多了，算是半自動化了。pyplot畫出來後可以自由拉升縮放，然後再保存為圖片，這點比R好用。

總的來說Python是一套比較平衡的語言，各方面都可以，無論是對其他語言的調用，和數據源的連接、讀取，對系統的操作，還是正則表達和文字處理，Python都有著明顯優勢。 而R是在統計方面比較突出。但是數據分析其實不僅僅是統計，前期的數據收集，數據處理，數據抽樣，數據聚類，以及比較復雜的數據挖掘演算法，數據建模等等這些任務，只要是100M以上的數據，R都很難勝任，但是Python卻基本勝任。

結合其在通用編程方面的強大實力，我們完全可以只使用Python這一種語言去構建以數據為中心的應用程序。
但世上本沒有最好的軟體或程序，也鮮有人能把單一語言挖掘運用到極致。尤其是很多人早先學了R，現在完全不用又捨不得，所以對於想要學以致用的人來說，如果能把R和Python相結合，就更好不過了，很早看過一篇文章——讓R與Python共舞，咱們壇子里有原帖，就不多說了，看完會有更多啟發。

BTW： 如果之前沒有學過R，可以先學Python然後決定是不是學R，如果學了R，學Python的時候會更快上手。

❻ R語言與Python是什麼

都是程序計算機語言。

Python入門簡單，而R則相對比較難一些。R做文本挖掘現在還有點弱，當然優點在於函數都給你寫好了，你只需要知道參數的形式就行了，有時候即使參數形式不對，R也能"智能地」幫你適應。這種簡單的軟體適合想要專注於業務的人。

Python幾乎都可以做，函數比R多，比R快。它是一門語言，R更像是一種軟體，所以python更能開發出flexible的演算法。

相關介紹

Python和R本身在數據分析和數據挖掘方面都有比較專業和全面的模塊，很多常用的功能，比如矩陣運算、向量運算等都有比較高級的用法，所以使用起來產出比大。

這兩門語言對於平台方面適用性比較廣，linux、window都可以使用，並且代碼可移植性還算不錯的。對於學數理統計的人來說，應該大多用過MATLAB以及mintab等工具，Python和R比較貼近這些常用的數學工具，使用起來有種親切感。

❼ 小白求教，Python和R語言的區別

一個是源於統計，慢慢可能會發展成一門語言；一個是編程語言，涉及到了統計大數據。兩者本質是不同的，雖然有一些共性。

❽ Python和R到底該學哪個

都學。
R語言在數據分析方面比較有用；Python則用途比較廣泛，是近幾年比較流行的編程語言之一。

我買了本核心編程二在學Python 2.7，也想跟著網上的教程學R語言。
R語言學習時間不長，1個多月應該就可以入門。

❾ python和r語言的區別是什麼

在從事數據分析行業中，我們都會從R與Python當中進行選擇，但是，從這兩個異常強大、靈活好用的數據分析語中選擇，卻是非常難以選擇的。

為了讓大家能選擇出更適合自己的語言，我們將兩種語言進行簡單的對比。

Stack Overflow趨勢對比

相關推薦：《Python視頻教程》

上圖顯示了自從2008年(Stack Overflow 成立)以來，這兩種語言隨著時間的推移而發生的變化。

R和Python在數據科學領域展開激烈競爭，我們來看看他們各自的平台份額，並將2016與2017年進行比較：

我們再從適用場景、任務、數據處理能力、開放環境來分析：

適用場景

R適用於數據分析任務需要獨立計算或單個伺服器的應用場景。Python作為一種粘合劑語言，在數據分析任務中需要與Web應用程序集成或者當一條統計代碼需要插入到生產資料庫中時，使用Python更好。

任務

在進行探索性統計分析時，R勝出。它非常適合初學者，統計模型僅需幾行代碼即可實現。Python作為一個完整而強大的編程語言，是部署用於生產使用的演算法的有力工具。

數據處理能力

有了大量針對專業程序員以及非專業程序員的軟體包和庫的支持，不管是執行統計測試還是創建機器學習模型，R語言都得心應手。

Python最初在數據分析方面不是特別擅長，但隨著NumPy、Pandas以及其他擴展庫的推出，它已經逐漸在數據分析領域獲得了廣泛的應用。

開發環境

對於R語言，需要使用R Studio。對於Python，有很多Python IDE可供選擇，其中Spyder和IPython Notebook是最受歡迎的。

R 和 Python 詳細對比

R和Python之間有很強的關聯，並且這兩種語言日益普及，很難說選對其一，事實上日常用戶和數據科學家可以同時利用這兩種語言。

❿ python字元串前綴 u和r的區別

以r或R開頭的python中的字元串表示（非轉義的）原始字元串

python裡面的字元，如果開頭處有個r，比如：

(r』^time/plus/d{1,2}/$』, hours_ahead)

說明字元串r"XXX"中的XXX是普通字元。有普通字元相比，其他相對特殊的字元，其中可能包含轉義字元，即那些，反斜杠加上對應字母，表示對應的特殊含義的，比如最常見的」 "表示換行，" "表示Tab等。

而如果是以r開頭，那麼說明後面的字元，都是普通的字元了，即如果是「 」那麼表示一個反斜杠字元，一個字母n，而不是表示換行了。以r開頭的字元，常用於正則表達式，對應著re模塊。

以u或U開頭的字元串表示unicode字元串

Unicode是書寫國際文本的標准方法。如果你想要用非英語寫文本,那麼你需要有一個支持Unicode的編輯器。類似地,Python允許你處理Unicode文本——你只需要在字元串前加上前綴u或U。