程式語言之間的戰鬥一直是許多人所感興趣的。 隨著世界的發展，我們每隔幾個月就會有一種新的程式語言或框架。 開發人員/分析師/研究人員一直在尋找能夠以最低的成本獲得良好性能而完成任務的最佳語言。
在標題中使用省略號的原因是，我們一直在尋找錯誤的選擇語言的原因。 有多種因素導致選擇某種語言。 隨著數據科學項目的大量湧入市場，問題不再是"哪一種是最好的語言"，而是哪一種適合您的項目需求和環境(工作環境)。
因此，在這篇文章中，我打算向您提出正確的問題集，以便為您的數據科學項目選擇最佳的程式語言。
數據科學最常用的程式語言
Python和R是統計分析或以機器學習為中心的項目中使用最廣泛的語言(例如Java，Scala，Matlab)。
這兩種都是最先進的開源程式語言，具有強大的社區支持。 您將不斷學習有關實現更高級別的性能和複雜性的新庫和工具。
Python
Python以其易學易懂的語法而聞名。 使用像Python這樣的通用語言(所有行業)，您可以構建完整的科學生態系統，而不必擔心兼容性或接口問題。
Python代碼的維護成本很低，並且可以說更強大。 從數據整理到功能選擇，Web抓取和我們機器學習模型的部署，Python可以通過所有主要ML和深度學習API(例如Theano，Tensorflow和PyTorch)的集成支持完成幾乎所有工作。
R
R是由院士和統計學家在二十多年前開發的。 如今，R使許多統計學家，分析師和開發人員都可以進行分析。 我們在CRAN(開放原始碼存儲庫)中提供了超過12000個軟體包。
自從開發人員牢記統計學家以來，R成為所有核心科學和統計分析的首選。 我們在R中提供了一個軟體包，用於幾乎所有類型的分析。 藉助RStudio之類的工具可以非常輕鬆地進行數據分析，使您可以通過簡潔明了的報告來傳達結果。
4個問題，以了解最適合您的項目的語言!
那麼，一個人如何為自己的工作做出正確的選擇?
嘗試回答以下四個問題：
1. 您的組織/行業首選哪種語言/框架?
根據您所從事的行業以及同行和競爭對手最常用的語言，您可能想說相同的語言。 這是由David Robinson(數據科學家)進行的分析，這反映了R在行業中的普及程度，您可以看到R在學術界和醫療保健中的使用非常出色。
因此，如果您想從事研究，學術或生物信息學研究，可以考慮使用R over Python。硬幣的另一面是軟體行業，應用程式驅動的組織和基於產品的公司。 您可能必須與組織基礎架構的技術堆棧或同事/團隊使用的語言緊密結合。
而且大多數組織/行業都具有基於Python的基礎架構，包括學術界：
對於有抱負的數據科學家來說，學習具有多種應用程式並可能增加他們獲得工作機會的東西是一個明智的選擇。
2. 您的項目範圍是什麼?
這是一個重要的問題，因為在選擇一種語言之前，您必須為您的項目確定一個議程，以及要在多大程度上使用它。
R：例如，如果您只想通過數據集簡單地解決統計問題，執行一些多元分析，並準備一份報告或解釋這些見解的儀錶板，R可能會因為其強大的可視化效果而成為更好的選擇 和通訊庫。
Python：另一方面，如果目標是首先進行探索性分析，開發深度學習模型，然後將該模型部署到Web應用程式，Python的Web框架以及所有主要雲提供商的支持下，那麼它無疑是贏家。 。
3. 您在數據科學領域的經驗如何?
對於對統計和數學概念了解有限的數據科學初學者，Python可能會成為更好的選擇，因為它使您可以輕鬆地編寫算法的片段。
使用NumPy之類的庫，您可以自己操縱矩陣和編碼算法。 作為新手，總要學習從頭開始構建東西，而不是跳到使用機器學習庫。
而如果您已經了解了機器學習算法的基礎知識，則可以選擇其中任何一種語言來開始使用。
4. 您手頭有多少時間/學習費用?
您可以投入的時間又為您選擇了另一個案例。 根據您在編程方面的經驗和項目的交付時間，您可以選擇一種語言而不是另一種語言來開始該領域。
如果您的項目優先級較高，而且您不懂這兩種語言，那麼R可能是您入門時更容易的選擇，因為您需要有限的編程經驗或沒有編程經驗。 您可以使用現有庫用幾行代碼編寫統計模型。
如果您有足夠的帶寬來探索庫並了解探索數據集的方法(如果使用R，可以在Rstudio中快速完成)，那麼Python(程式設計師的選擇)是一個很好的選擇。
結論
簡而言之，R和Python功能之間的差距正在縮小。 大多數工作都可以用兩種語言完成。 兩者都有豐富的生態系統來支持您。
然後，為項目選擇語言取決於：
您先前在數據科學(統計和數學)和編程方面的經驗。當前項目的領域以及所需的統計或科學處理範圍。您的項目的未來範圍。在您的團隊，組織和行業中得到最廣泛支持的語言/框架。