@TOCR语言特点
R语言用于统计分析，绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件。他是一个用于统计计算和统计制图的工具。它可以运行在UNIX，windows和Macintosh的操作系统上。
特点：
1）R是自由的软件。开源免费的。标准的安装文件自身就带有许多模块和内嵌的统计函数，安装好后可以直接实现很多常用的统计功能。
2）R是一种可编程的语言。可以编程自己的函数来扩展现有的语言。
3）所有的R的函数和数据集是保存在程序包里面的。只有当一个包被载入的时候，他的内容才才可以被访问。例如：base—R的基础模块、mle-极大似然估计模块、ts-时间序列模块、mva-多元统计模块、survival-生存分析模块等。
4）R具有很强的互动性。除了图形输出是在l另外的窗口处，它的输出和输入窗口都是在同一个窗口进行的，输入语法中如果出现错误会马上在窗口中得到提示。对以前的输入过的命令有记忆功能、可以随时在现、编辑修改来满足用户的需要。输出的图形可以直接保存为JPG，BMP，PNG等图片格式，还可以直接保存为PDF文件。另外，和其他编程语言和数据库之间有很好的接口。
R语言数据分析方法
主成分分析（PCA，principal component analysis）
基于前项选择的冗余分析（RDA，redundancy analysis）

Python的特点
1）python的设计哲学是“优雅”“明确”“简单”。最好是只用一种方法来做一件事。
2）Python是完全面向对象的语言。函数、模块、数字、对象、字符串都是对象。并且完全支持继承、重载、派生、多继承，有益于增强源代码的复用性。Python支持重载运算符和动态类型。
3）简单、易学、速度快、免费开源、高层语言、可移植性、解释性、可扩展性、可嵌入性、丰富的库
a.解释性：python语言写的程序不需要编译成二进制码。可以直接从源代码运行程序。
b.面向对象：Python即支持m面向过程的编程也支持面向对象的编程。在面向过程的语言中，程序是由过程或仅仅是可重用的代码的函数构建起来的。在面向对象的语言中，程序是由数据和功能组合而成的对象构建的。

Python数据分析过程
1）需求确认，明确数据使用需求，根据目标数据特点，采用合适的数据分析方法，深度挖掘数据特点和潜在利用价值。
2）数据获取，再明确数据分析需求后，应尽可能全面收集目标数据，网络爬虫等。
3）数据预处理，具体是通过对目标数据进行合并、清洗、变换和标准化处理，满足后续建模分析的需要。在此过程中，可提高数据质量，从而提高数据分析效率。
4）建模以及优化。具体可以通过建立聚类模型，关联规则、智能算法等，对目标数据j进行处理。完成建模后要对其性能进行评价和优化。
5）结果生成。采用可视化对结果进行展示和输出。

Python数据分析工具的常用类库
Ipython类库
Ipython是python语言中的一个核心类库，为Python语言编程提供了标准工具集，并将所有工具联系起来，通过采用交互式，探索式等方法，为科学计算提供一个高效的环境。
Numpy类库
能够快速完成数据分析过程中的科学计算任务，也可以被作为科学数据容器，用于存储大型矩阵，并对其进行运算。在numpy类库中包含多维数据组对象ndaarry，可以数组进行元素级运算，并直接执行函数运算 。

Scikit-learn类库
属于一种数据挖掘工具，在Numpy等类库的基础上，可以对常用算法进行封装。其本身包含数据预处理，分类和聚类、数据回归分析等机器学习算法，快速完成建模过程，确保模型接口的统一性，从而方便使用。
Pandas
主要提供时间序列支持，能够快速完成结构化的数据处理工作。

MatPlotlib
专门为数据图表绘制提供支持的类库。

Python和R语言的共同特点
1）python和R在数据分析和数据挖掘方面都有比较专业和全面的模块，很多常用的功能，比如矩阵运算、向量运算等都有比较高级的用法。

2）Python和R两门语言有多平台适应性，linux，window等都可以使用，代码可移植性强

3）python和R比较贴近Matlab以及minitab等常用的数学工具

Python和R语言的区别

1）数据结构方面，由于是从科学计算的角度出发，R中的数据结构非常简单，主要包括向量（一维），多维数组（二维时是矩阵）、列表（非结构化数据）、数据框（结构化数据）。而python则包含更丰富的数据结构来实现数据更精确的访问和内存控制，多为数组（即可读、有序）、元组（只读、有序）、集合（唯一、无序）、字典（Key-Value）等。

2）Python与R相比速度要快，Python可以直接处理上G的数据，R不行。R分析数据的时候需要先通过数据库把大数据转化为小数据（通过group by）才能交给R做分析，因此R只能分析统计结果。
A)group by 先排序，后分组。Group by+[分组字段]（可以有多个）。作用是通过一定的规则将一个数据集划分成若干个小的区域，然后针对若干个小的区域进行数据处理。

3）Python是一套比较平衡的语言，各方面都可以，无论是对其他语言的调用，和数据源的链接、读取，对系统的操作，还是正则表达和文字处理，Python都有明显的优势。而R语言在统计方面比较突出。
A)Regular expression 描述了一种字符串的匹配模式（pattern），可以用来检查一个串是否含有子串、将匹配的子串替换或者从某个子串中取出某条件的子串。

4）Python的pandas借鉴了R的dataframes，R中的rvest则参考了Python的BulidfulSoup，两种语言在一定程度上存在互补性，Python比R在计算机编程、网络爬虫上更有优势，而R在统计学分析上是一种更高效的独立数据分析的工具。
5）Python和R都是主流的免费计算科学软件，python中的各种应用开发功能是R语言不具备的，R语言简介成熟的算法包是python所不足的。
6）目的：R专注于用户友好d的数据分析、统计和图形模型。Python强调生产力和代码可读性。
7）可用性：R语言几行代码即可实现统计模型，R样式表不是任何人都有使用，同一功能可以用多种方式编写实现。Pyhon易于编码和调试，代码缩进可能会影响程序的含义，同一功能只能用一种方法实现。
8）函数对比举例：读取文件,R：read.csv（）文件。Python中需要导入pandas函数。例如import pandas as pd Iris=pd.read_csv（）。
看数据集合的前几条,R中对应：head（iris）。Python中：iris.head()。
R中的summary偏向于所有列的描述性统计，str（）主要介绍每个列是什么。对应python中的describe（）和info（）。Iris.describe()可以看到不同列的各类分布情况。Iris.info更偏向于每个列的属性是什么。

在python和R中DataFrame
R中：data frame是一种将数据存储在矩形的网格中的方法，网格中的每一行对应于实例的度量或值，而每一列则包含特定变量的数据向量，这意味着data frame的行可以包含类型的值（但不是必须要包含）：可以是数字、字符、布尔等。

Python中：DataFrame是来自Pandas库中，且被定义为可包含不同各类型的列的二维标记（label）数据结构。通常可以说pandas DataFrame由三个组件组成：数据、索引、和列。