面對大量的資料進行分析時，選擇一款好的工具或者方法至關重要，節約時間的同時，還能讓資料結構清晰明瞭，在最近幾年,用R, Python的人越來越多，於是出現了眾多關於用哪個做資料分析最好的爭議。

　　在這裡分享一下關於R和python資料分析方面的觀點：

　　首先，從整體來說，認為資料分析需要的是在有限時間內，用最可行的方式拿到最有用的結果。因此，不應該侷限於任何單一的程式設計方法，而應該是各取所長，根據個人特點，問題的形式而靈活選取或者結合。

　　其實，關於R做資料分析的優勢已經不言而喻了，眾多和全面的統計方法使得從方法上來說，R的資料分析能力是其他幾個不能比擬的。其實爭議最多的也就是出現在其計算效能和全面性上。

　　1.運算速度：

　　針對於程式速度的比較，有眾多的測試方法和不同的結果。

　　綜合其他各個地方的測試結果，其實大體說來從基本運算速度來說，Python R. 但是要注意，這裡所說的運算速度是“基本計算”。也就是說不涉及引用特殊package，不用特殊資料結構和運算方式(比如R中的向量化運算)的運算。而這樣的運算比較很大程度上取決於基本程式邏輯的速度，比如for迴圈。R在這點的表現是很差的。基本上會比pyhon慢 3~10倍。

　　但是，如果你願意多花些心思更好的利用向量化程式設計進行計算，那麼無論從程式的長度來是速度上，都會使R的表現有顯著性提高。總之，在這樣的使用方式下，對大部分運算，R的速度是可以和python接近的，當然，使用者也需要花更多地心思去優化程式。

　　除此之外，在實際使用的角度來說，資料分析在R中大部分時候使用已有的方法，因此可以使用眾多已經成型的package。如果你使用的package質量很好，通常在大計算量的程式中，作者實際使用的都是更低階更高效的語言(比如C， Fortran)。因此，這些大計算量的步驟實際上是以最高效的方式完成的。如果相應的運算在pyhon裡面沒有呼叫其他低階語言的優化，R就可以在這些方面勝過python。我這裡說到的是不需要自己編寫的底層語言呼叫，在R和python中都可以實現呼叫別的語言，但是這需要使用者自己程式設計，從人工角度來講，專業性較高，不在討論範圍。

　　整體來說，對於對R使用和程式設計有一定深入理解的人來說，不認為R做資料分析的速度會比python差。但是對於簡單粗暴的程式設計方式，python的確更勝一籌。

　　2.全面性：

　　從這點來說，認為Python的確勝過R。無論是對其他語言的呼叫，和資料來源的連線、讀取，對系統的操作，還是正則表達和文書處理，Python都有著明顯優勢。畢竟，python本身是作為一門計算機程式語言出現的，而R本身只是源於統計計算。所以從語言的全面性來說，兩者差異顯著。

　　綜上所述，對於本地檔案直接的資料分析，大部分時候R是比較Python更好的 (速度相近，但分析更專業)。如果涉及多方資源的協調(比如遠端、資料庫、系統、網頁)，那麼最好的方式是將python和R相結合使用。

　　當然，每種語言有自己的學習曲線。因此學習本身也要多花時間，因此如何選取還要依賴於個人而論。

​