❶ 知乎:SQL、R語言、python對沒有計算機背景的人來說先學習哪個比較好
你是想做數據分析對吧？
建議啊，先學R，R能應付很多統計問題了
再去學python，python語法當然了必須先掌握，這個很簡單，然後就是python有兩個
跟數據分析密切相關的包，如果你想做數據分析，請把重點放在兩個包上
再學sql吧，畢竟單純的學sql沒有什麼意義，因為什麼也做不了
sql 建議先學sql server，有了python的語法基礎學sqlserver很簡單，當然沒有基礎也能學，只是有一門語言基礎學起來更容易
學完sql server 再學oracle，oracle一定要學，其他資料庫根據需求來學，比如Nosql就非常好
❷ 編程語言有哪些學習順序是什麼
編程先學邏輯，就是先執行什麼後執行什麼，能得出什麼樣的結果。接下來是學語法，比如for，if，while這些，都是根據不同語種學習不同的內容；到了高階就開始學習演算法，因為演算法可以協助做自己的框架，引擎等。用簡單的話來說，編程就是學習。一門計算機語言好比大家學習英文是為了跟外國人打交道，學習編程，就是跟計算機打交道。編程學習的內容有：C語言、Python、C++、Java Script、Java、Swift、R等。
1、C 語言：C 語言作為一種簡單靈活的高級編程語言，它是一個面向過程的語言，一般是作為計算機專業的基礎入門語言課程。
2、Python：Python是一種面向對象、互動式計算機程序設計語言。它的特點是語法簡捷而清晰。由於它的易學、易讀的特性，有些學校用它代替C語言作為基礎入門的語言。同時Python且具有豐富和強大的類庫，基本上能勝任平時需要的編程工作，而且它對一些新興的技術例如大數據、機器學習等也有較好的支持 。
3、C++：C++語言保留了C語言的有效性、靈活性等特點，又添加了面向對象編程的支持，具有強大的編程功能，可方便地模擬現實問題的過程和操作。
❸ r和python哪個容易入門
如果只想學一個語言的話，還是推薦python。從我身邊人的情況來看，很多學了很多R的人最後都選擇再去多學一門python，包括我自己也是，而python很厲害的人卻沒聽說過會來學R。（推薦學習：Python視頻教程）
我其實學python是沖著爬蟲來的，然後順便學了一下python的數據分析。讓我感觸最深的是python的規整統一，語法優雅。比如各種機器學習演算法在python中使用方法完全是同一個套路，訓練預測檢驗都是一樣的方法，這極大地減少了學習的成本。在這點上R就顯得很亂，R包雖然很多很全，但是重復太多，調用方法都不一樣，學習成本驟然上升。
不過R也有python無法比擬的優勢。總結起來就是R更方便。
第一，繪圖。
python的繪圖基本上都是基於matplotpb庫，其他庫很多都和這個關聯。這個庫的繪圖靈活性非常強大不可否認，即想調哪裡都可以做到，但是每次畫一個簡單的圖形都要寫一大堆代碼就很麻煩。
第二，數據分析函數的調用。
因為數據科學只是python的一個分支，所以數據科學的數據類型不是python內置的類型，而是放在幾個庫裡面的，每次使用都要載入庫，載入要使用的函數，這在我看來是比較麻煩的。
總結起來，python語法的設計更加規范，用戶可以更自由地實現自己的想法，但是它幫你實現的東西會比R少一些。因為更加靈活所以只學一個語言就推薦這個，否則學R語言的話，有時候會覺得不夠用就很難受。
用一個比喻來說明就是，python好比給了你一把非常好的魚竿，你可以釣取任何你想要吃的魚（但是要你自己釣），R好比給了你一把沒那麼好用的魚竿，還附加吃不完的鯉魚、鯽魚，你可以只吃這兩種魚，但是你想吃草魚就要費比較大的功夫才能吃到。為了防止誤導，加入C語言的對比，C語言就是魚竿也要你自己造。
更多Python相關技術文章，請訪問Python教程欄目進行學習！以上就是小編分享的關於r和python哪個容易入門的詳細內容希望對大家有所幫助，更多有關python教程請關注環球青藤其它相關文章！
❹ 沒學過Python和R語言的人，應該先學哪一個
Python和R語言各有特點，選擇學習哪一種，取決於個人需求和目標。Python用途廣泛，適用於數據分析、機器學習、Web開發等多個領域，而R語言則在統計建模和機器學習方面更為人熟知。
從學習曲線來看，Python以其易學性受到初學者的青睞。相比之下，R語言的學習曲線較陡峭，但一旦掌握，可以處理更復雜的統計模型。這意味著，如果你是編程新手，Python可能是一個更好的起點。
社區支持也是選擇編程語言時的重要因素之一。Python擁有龐大的開發者社區，遇到問題時更容易找到解決方案。雖然R語言的社區規模較小，但它同樣提供了豐富的資源。
數據管道和模型部署也是選擇編程語言時需要考慮的因素。大多數公司的數據管道是用Python構建的，用Python部署模型也更為便捷。這表明，如果你希望在實際工作中更輕松地處理數據，Python可能更適合你。
綜上所述，如果你更關注編程語言的普及程度、易學性和社區支持，建議先學Python。而如果你更看重在統計建模和機器學習領域的應用，以及模型的部署，那麼R語言可能更適合你。
❺ 數據科學入門丨選Python還是R
數據科學入門丨選Python還是R
對於想入門數據科學的新手來說，選擇學Python還是R語言是一個難題，本文對兩種語言進行了比較，希望能幫助你做出選擇。
我是德勤的數據科學家主管，多年來我一直在使用Python和R語言，並且與Python社區密切合作了15年。本文是我對這兩種語言的一些個人看法。
第三種選擇
針對這個問題，Studio的首席數據科學家Htley Wickham認為，比起在二者中選其一，更好的選擇是讓兩種語言合作。因此，這也是我提到的第三種選擇，我在文本最後部分會探討。
如何比較R和Python
對於這兩種語言，有以下幾點值得進行比較：
· 歷史：
R和Python的發展歷史明顯不同，同時有交錯的部分。
· 用戶群體：
包含許多復雜的社會學人類學因素。
· 性能：
詳細比較以及為何難以比較。
· 第三方支持：
模塊、代碼庫、可視化、存儲庫、組織和開發環境。
· 用例：
根據具體任務和工作類型有不同的選擇。
· 是否能同時使用：
在Python中使用R，在R中使用Python。
· 預測：
內部測試。
· 企業和個人偏好：
揭曉最終答案。
歷史
簡史：
ABC語言 - > Python 問世(1989年由Guido van Rossum創立) - > Python 2(2000年) - > Python 3(2008年)
Fortan語言 - > S語言(貝爾實驗室) - > R語言問世(1991年由Ross Ihaka和Robert Gentleman創立) - > R 1.0.0(2000年) - > R 3.0.2(2013年)
用戶群體
在比較Python與R的使用群體時，要注意：
只有50％的Python用戶在同時使用R。
假設使用R語言的程序員都用R進行相關「科學和數字」研究。可以確定無論程序員的水平如何，這種統計分布都是真實。
這里回到第二個問題，有哪些用戶群體。整個科學和數字社區包含幾個子群體，當中存在一些重疊。
使用Python或R語言的子群體：
· 深度學習
· 機器學習
· 高級分析
· 預測分析
· 統計
· 探索和數據分析
· 學術科研
· 大量計算研究領域
雖然每個領域幾乎都服務於特定群體，但在統計和探索等方面，使用R語言更為普遍。在不久之前進行數據探索時，比起Python，R語言花的時間更少，而且使用Python還需要花時間進行安裝。
這一切都被稱為Jupyter Notebooks和Anaconda的顛覆性技術所改變。
Jupyter Notebook：增加了在瀏覽器中編寫Python和R代碼的能力;
Anaconda：能夠輕松安裝和管理Python和R。
現在，你可以在友好的環境中啟動和運行Python或R，提供開箱即用的報告和分析，這兩項技術消除了完成任務和選擇喜歡語言間的障礙。Python現在能以獨立於平台的方式打包，並且更快地提供快速簡單的分析。
社區中影響語言選擇的另一個因素是「開源」。不僅僅是開源的庫，還有協作社區對開源的影響。諷刺的是，Tensorflow和GNU Scientific Library等開源軟體(分別是Apache和GPL)都與Python和R綁定。雖然使用R語言的用戶很多，但使用Python的用戶中有很多純粹的Python支持者。另一方面，更多的企業使用R語言，特別是那些有統計學背景的。
最後，關於社區和協作，Github對Python的支持更多。如果看到最近熱門的Python包，會發現Tensorflow等項目有超過3.5萬的用戶收藏。但看到R的熱門軟體包，Shiny、Stan等的收藏量則低於2千。
性能
這方面不容易進行比較。
原因是需要測試的指標和情況太多。很難在任何一個特定硬體上測試。有些操作通過其中一種語言優化，而不是另一種。
循環
在此之前讓我們想想，如何比較Python與R。你真的想在R語言寫很多循環嗎？畢竟這兩種語言的設計意圖不太相同。
{
"cells": [
{
"cell_type": "code",
"execution_count": 1,
"metadata": {},
"outputs": [],
"source": [
"import numpy as npn",
"%load_ext rpy2.ipython"
]
},
{
"cell_type": "code",
"execution_count": 2,
"metadata": {},
"outputs": [],
"source": [
"def do_loop(u1):n",
"n",
" # Initialize `usq`n",
" usq = {}n",
"n",
" for i in range(100):n",
" # i-th element of `u1` squared into `i`-th position of `usq`n",
" usq[i] = u1[i] * u1[i]n"
]
},
{
"cell_type": "code",
"execution_count": 3,
"metadata": {},
"outputs": [],
"source": [
"%%Rn",
"do_loop <- function(u1) {n",
" n",
" # Initialize `usq`n",
" usq <- 0n",
"n",
" for(i in 1:100) {n",
" # i-th element of `u1` squared into `i`-th position of `usq`n",
" usq[i] <- u1[i]*u1[i]n",
" }n",
"n",
"}"
]
},
{
"cell_type": "code",
"execution_count": 4,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"1.58 ms ± 42.8 ?s per loop (mean ± std. dev. of 7 runs, 1000 loops each)n"
]
}
],
"source": [
"%%timeit -n 1000n",
"%%Rn",
"u1 <- rnorm(100)n",
"do_loop(u1)"
]
},
{
"cell_type": "code",
"execution_count": 5,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"36.9 ?s ± 5.99 ?s per loop (mean ± std. dev. of 7 runs, 1000 loops each)n"
]
}
],
"source": [
"%%timeit -n 1000n",
"u1 = np.random.randn(100)n",
"do_loop(u1)"
]
}
],
"metadata": {
"kernelspec": {
"display_name": "Python 3",
"language": "python",
"name": "python3"
},
"language_info": {
"codemirror_mode": {
"name": "ipython",
"version": 3
},
"file_extension": ".py",
"mimetype": "text/x-python",
"name": "python",
"nbconvert_exporter": "python",
"pygments_lexer": "ipython3",
"version": "3.6.3"
}
},
"nbformat": 4,
"nbformat_minor": 2
}
Python為0.000037秒，R為0.00158秒
包括載入時間和在命令行上運行：R需要0.238秒，Python需要0.147秒。強調，這並不是科學嚴謹的測試。
測試證明，Python的運行速度明顯加快。通常這並沒有太大影響。
除了運行速度外，對於數據科學家而言哪種性能更重要？兩種語言之所以受歡迎是因為它們能被用作命令語言。例如，在使用Python時大多時候我們都很依賴Pandas。這涉及到每種語言中模塊和庫，以及其執行方式。
第三方支持
Python有PyPI，R語言有CRAN，兩者都有Anaconda。
CRAN使用內置的install.packages命令。目前，CRAN上有大約1.2萬個包。其中超過1/2的包都能用於數據科學。
PyPi中包的數量超過前者的10倍，約有14.1萬個包。專門用於科學工程的有3700個。其中有些也可以用於科學，但沒有被標記。
在兩者中都有重復的情況。當搜索「隨機森林」時，PyPi中可以得到170個項目，但這些包並不相同。
盡管Python包的數量是R的10倍，但數據科學相關的包的數量大致相同。
運行速度
比較DataFrames和Pandas更有意義。
我們進行了一項實驗：比較針對復雜探索任務的執行時間，結果如下：
在大多數任務中Python運行速度更快。
http://nbviewer.jupyter.org/gist/brianray/
可以看到，Python + Pandas比原生的R語言DataFrames更快。注意，這並不意味著Python運行更快，Pandas 是基於Numpy用C語言編寫的。
可視化
這里將ggplot2與matplotlib進行比較。
matplotlib是由John D. Hunter編寫的，他是我在Python社區中最敬重的人之一，他也是教會我使用Python的人。
Matplotlib雖然不易學習但能進行定製和擴展。ggplot難以進行定製，有些人認為它更難學。
如果你喜歡漂亮的圖表，而且無需自定義，那麼R是不錯的選擇。如果你要做更多的事情，那麼Matplotlib甚至互動式散景都不錯。同樣，R的ShinnyR能夠增加交互性。
是否能同時使用
可能你會問，為什麼不能同時使用Python和R語言?
以下情況你可以同時使用這兩種語言：
· 公司或組織允許；
· 兩種都能在你的編程環境中輕松設置和維護；
· 你的代碼不需要進入另一個系統；
· 不會給合作的人帶來麻煩和困擾。
一起使用兩種語言的方法是：
· Python提供給R的包：如rpy2、pyRserve、Rpython等；
· R也有相對的包：rPython、PythonInR、reticulate、rJython，SnakeCharmR、XRPython
· 使用Jupyter，同時使用兩者，例子如下：
之後可以傳遞pandas的數據框，接著通過rpy2自動轉換為R的數據框，並用「-i df」轉換：
http://nbviewer.jupyter.org/gist/brianray/
預測
Kaggle上有人對開發者使用R還是Python寫了一個Kernel。他根據數據發現以下有趣的結果：
· 如果你打算明年轉向Linux，則更可能是Python用戶；
· 如果你研究統計數據，則更可能使用R；如果研究計算機科學，則更可能使用Python；
· 如果你還年輕(18-24歲)，則更可能是Python用戶；
· 如果你參加編程比賽，則更可能是Python用戶；
· 如果你明年想使用Android，則更可能是Python用戶；
· 如果你想在明年學習SQL，則更可能是R用戶；
· 如果你使用MS office，則更可能是R用戶；
· 如果你想在明年使用Rasperry Pi，則更可能是Python用戶；
· 如果你是全日制學生，則更可能是Python用戶；
· 如果你使用的敏捷方法(Agile methodology)，則更可能是Python用戶；
· 如果對待人工智慧，比起興奮你更持擔心態度，則更可能是R用戶。
企業和個人偏好
當我與Googler和Stack Overflow的大神級人物Alex Martelli交流時，他向我解釋了為什麼Google最開始只官方支持少數幾種語言。即使是在Google相對開發的環境中，也存在一些限制和偏好，其他企業也是如此。
除了企業偏好，企業中第一個使用某種語言的人也會起到決定性作用。第一個在德勤使用R的人他目前仍在公司工作，目前擔任首席數據科學家。我的建議是，選擇你喜歡的語言，熱愛你選擇的語言，起到領導作用，並熱愛你的事業。
當你在研究某些重要的內容時，犯錯是難以避免的。然而，每個精心設計的數據科學項目都為數據科學家留有一些空間，讓他們進行實驗和學習。重要的是保持開放的心態，擁抱多樣性。
最後就我個人而言，我主要使用Python，之後我期待學習更多R的內容。