前言
首次接触R语言是在2012年读研的时候，有一门课程是统计分析与R语言，清晰地记得期末考试时，由于把答案给同学抄，最终落了个重考的后果（重考92分）。那个时候真的非常喜欢R语言，因为这种面向对象的语言很简单、很灵活，而且功能也非常强大（如果你接触过SAS，也许也会有这样的感想）。
对于Python的接触相对晚了两年，2014年走上实习岗位时，主管让我研究推荐系统方面的实操，当时看的第一本相关书籍就是中国科学院博士项亮的《推荐系统实践》一书，而书内涉及的代码就是Python。为了工作，为了让推荐系统可以落地，便开始了Python的学习和研究，一晃5年过去了。
自己也曾写过两者在编程和功能上的差异，但都只是基于具体应用上的对比，并没有在全局的角度对比两者的异同，例如这些文章：
从零开始学Python【6】--pandas(数据框部分01)
从零开始学Python【7】--pandas(数据框部分02)
从零开始学Python【8】--pandas(数据框部分03)
从零开始学Python【9】--pandas(数据框部分04)
从零开始学Python【22】--线性回归诊断（第一部分）
从零开始学Python【23】--线性回归诊断（第二部分）
从零开始学Python【25】--岭回归及LASSO回归（实战部分）
正好就在前两天有网友在公众号留言，希望我分享一篇文章，来描述R语言和Python的差异。那么今天就跟各位网友聊一聊这个话题。
编程体验
哇，两门语言真的太赞了，几乎可以解决数据分析或挖掘过程中的所有问题（例如数据搜集、清洗、整合、探索、可视化、建模、评估、展现等）。她们之所以功能，是因为前辈们已经打造了很多成熟的第三方包，对于工具的使用者，大多数情况下只需调包跑数据即可。截止到本文的编写，R语言官网公布14,553个包，PyPI官网公布188,135个项目（即模块）。
两门语言的编程语法也是比较相似的，区别在于R语言更有数学味道，都是函数思维；而Python更有编程的味道，除了有函数、还有“方法”、“类”的巧妙使用。所以初学Python的朋友（非计算机专业）不太容易接受Python的编程思维，而更喜欢拥抱R语言。但当你发现Python的语法特点和技巧后，也许会更爱Python（至少我是这样的）。
功能对比
正如前文所说，R语言和Python几乎可以做数据分析和挖掘中的所有任务，都可以找到对应的第三方包。这里将通过汇总的方式，做一个有关R语言和Python的功能对比，帮助读者有的放矢地学习和掌握各种的第三方包，以及在不同的应用场景下，选择对应的第三方包实现内容的落地。
企业更倾向的她
打开招聘网站，搜索数据分析或挖掘的关键词，会出来很多的岗位，再仔细查看岗位的任职要求，你会发现基本上都需要应聘者掌握1~2门编程语言。如：
所以，不管是R语言还是Python，都非常受企业的欢迎。如果非要从其中抉择出一个更有优势的工具，我会选择Python。因为Python与其他大数据技术融合的更完美，更和谐，这也是为什么近几年Python特别火爆的原因吧。
各自的成长
最后看一看R语言和Python在近几年的成长趋势，也许从中你会有自己的判断和结论。首先对比2019年7月份的TIOBE指数（该指数是编程语言的排名榜）：
从排名结果上来看，Python稳居第3，比2018年同期上位一格；但是R语言就没有那么幸运，目前排第20，同比掉了6格。
再来对比R语言和Python的热度指数曲线，如下图所示：
在2014年之前，R语言的热度相对比较平稳，但总体呈上涨趋势；而Python大起大落，成长过程并没有顺风顺水。2014年之后，R语言有了快速的发展，上升幅度非常大，直到2018年遇到了挫折，气势一路下降；Python相对进入平稳期，稳步上升，直到2018年后，出现了突飞猛进的态势。
