1. Python和R的區別
Python與R的區別：
雖然R語言更為專業，但Python是為各種用例設計的通用編程語言。如果你第一次學編程，會發現Python上手更容易，應用范圍也較廣，如果你對編程已經有了一定的基礎，或者就是以數據分析為中心的特定職業目標，R語言可能會更適合你的需求，Python和R也有很多相似之處，兩者都是流行的開源編程語言，都得到了廣泛的支持。
Python是近幾年增長非常快的編程語言，是面向對象的，它為項目提供了穩定性和模塊化，為Web開發和數據科學提供了靈活的方法，掌握Python是程序員在商業、數字產品、開源項目和數據科學以外的各種Web應用程序中工作所必需的技能。
R是一種特定於領域的語言，用於數據分析和統計，它使用統計學家使用的特定語法，是研究和學術數據科學世界的重要組成部分，R遵循開發的過程模型，沒有將數據和代碼分組，比如面向對象的編程，而是將編程任務分解為一系列的步驟和子程序，這些過程使可視化操作變得更加簡單。
學習Python的三個理由：
1、對初學者是友好的，它使用了一種邏輯和易於接近的語法，使識別代碼字元串更加容易，減少了學習困難和一些挑戰。
2、Python是多用途的，並不局限於數據科學，它還能很好的處理基於web的應用程序，並且支持多種數據結構，包括使用SQL的數據結構。
3、Python是可伸縮的，比R語言運行速度更快，可以和項目一起增長和擴展，提供了必要的有效工作流程，使工作得以實現。
學習R的三個理由：
1、R為統計而建，R使特定類型的程序構建和交流結果變得更加直觀，統計學家和數據分析人員用R語言，會更容易使用標准機器學習模型和數據挖掘來管理大型數據集。
2、R是學術性的：在學術界工作，R幾乎是默認的。R非常適合機器學習的一個子領域，稱為統計學習。任何有正式統計背景的人都應該識別R的語法和結構。
3、R對分析是直觀的，它還提供了一個非常適合於科學家使用的數據可視化類型的強大環境。
2. r語言 機器學習產生的模型怎麼應用
數據輸入，觀察（抽象並提取信息），記憶（將信息存儲在大腦的某個文件里），回憶（打開大腦里的文件）
抽象化，將數據轉換成更寬泛的表現形式
一般化，應用抽象數據來形成行動的基礎！
3. R語言中的情感分析與機器學習
來源 | 雪晴數據網
利用機器學習可以很方便的做情感分析。本篇文章將介紹在R語言中如何利用機器學習方法來做情感分析。在R語言中，由Timothy P.Jurka開發的情感分析以及更一般的文本挖掘包已經得到了很好的發展。你可以查看下sentiment包以及夢幻般的RTextTools包。實際上，Timothy還寫了一個針對低內存下多元Logistic回歸（也稱最大熵）的R包maxtent。
然而，RTextTools包中不包含樸素貝葉斯方法。e1071包可以很好的執行樸素貝葉斯方法。e1071是TU Wien(維也納科技大學)統計系的一門課程。這個包的主要開發者是David Meyer。
我們仍然有必要了解文本分析方面的知識。用R語言來處理文本分析已經是公認的事實（詳見R語言中的自然語言處理）。tm包算是其中成功的一部分：它是R語言在文本挖掘應用中的一個框架。它在文本清洗（詞干提取，刪除停用詞等）以及將文本轉換為詞條-文檔矩陣(dtm)方面做得很好。這里是對它的一個介紹。文本分析最重要的部分就是得到每個文檔的特徵向量，其中詞語特徵最重要的。當然，你也可以將單個詞語特徵擴展為雙片語，三連詞，n-連詞等。在本篇文章，我們以單個詞語特徵為例做演示。
注意，在R中用ngram包來處理n-連詞。在過去，Rweka包提供了函數來處理它，感興趣的可以查看這個案例。現在，你可以設置RTextTools包中create_matrix函數的參數ngramLength來實現它。
第一步是讀取數據：
創建詞條-文檔矩陣：
現在，我們可以用這個數據集來訓練樸素貝葉斯模型。注意，e1071要求響應變數是數值型或因子型的。我們用下面的方法將字元串型數據轉換成因子型：
測試結果准確度：
顯然，這個結果跟python得到的結果是相同的（這篇文章是用python得到的結果）。
其它機器學習方法怎樣呢？
下面我們使用RTextTools包來處理它。
首先，指定相應的數據：
其次，用多種機器學習演算法訓練模型：
現在，我們可以使用訓練過的模型做測試集分類：
准確性如何呢？
得到模型的結果摘要（特別是結果的有效性）：
結果的交叉驗證：
結果可在我的Rpub頁面找到。可以看到，maxent的准確性跟樸素貝葉斯是一樣的，其它方法的結果准確性更差。這是可以理解的，因為我們給的是一個非常小的數據集。擴大訓練集後，利用更復雜的方法我們對推文做的情感分析可以得到一個更好的結果。示例演示如下：
推文情感分析
數據來自victornep。victorneo展示的是用python對推文做情感分析。這里，我們用R來處理它：
讀取數據：
首先，嘗試下樸素貝葉斯
然後，嘗試其他方法：
這里，我們也希望得到正式的測試結果。包括：
1.analytics@algorithm_summary：包括精確度，召回率，准確率，F-scores的摘要
2.analytics@label_summary：類標簽摘要
3.analytics@document_summary：所有數據和得分的原摘要
4.analytics@ensemble_summary：所有 精確度/覆蓋度 比值的摘要
現在讓我們看看結果：
與樸素貝葉斯方法相比，其它演算法的結果更好，召回精度高於0.95。結果可在Rpub查看
原文鏈接：http：//www.xueqing.cc/cms/article/107
4. 為什麼要學習R語言
剛開始學習數據科學的人都會面對同一個問題：不知道該先學習哪種編程語言。
不僅僅是編程語言，像Tableau，SPSS等軟體系統也是同樣的情況。有越來越多的工具和編程語言，很難知道該選擇哪一種。
事實是，你的時間有限。學習一門新的編程語言相當於一項巨大的投資，因此在選擇語言時需要有戰略性。很明顯，一些語言會給你的投資帶來很高的回報(付出的時間和金錢投資)。然而其他語言可能是你每年只用幾次的純粹輔助工具。
我給你的建議就是：先學習R語言
因為R語言正在成為數據科學的「通用語言」
這並不是說R語言是唯一的語言，也不是說它是每個工作的最佳工具。然而，它是使用最廣泛的，而且越來越受歡迎。
使用R語言的公司
在招聘數據科學家的幾家頂級公司中，R語言使用程度非常高。在我認為現代經濟中最優秀的兩家公司——Google和Facebook都有使用R語言數據科學家。
除了像Google，Facebook和微軟這樣的科技巨頭，R語言在美國銀行，福特，TechCrunch，Uber和Trulia等眾多公司都有廣泛的應用。
R語言在學術界很受歡迎
R語言不僅僅是一個行業工具。它在學術科學家和研究人員中也非常受歡迎，最近著名《自然》雜志上發表的R語言概況也證實了這一點。
R語言在學術界的備受歡迎，因為它創造了供應行業的人才庫。
換句話說，如果最優秀、最聰明的人群在大學學習了R語言，這將加大R語言在行業中的重要性。當學者、博士和研究人員離開學術界從事商業活動時，他們又將產生對R語言人才的需求。
此外，隨著數據科學的成熟，商業屆的數據科學家將需要與學術屆的科學家進行更多的溝通。我們需要借鑒技術和交流觀點。隨著世界轉變為數據流時，學術科學與面向商業的數據科學之間的界線會變得模糊。
通過R語言學習「數據科學的技能」是最簡單的
然而，R語言的普及性並不是學習R語言的唯一原因。
在選擇語言時，你需要一種在這些領域都具有重要功能的語言。同時你需要執行這些任務的工具，以及在你所選語言中來學習這些技能的資源。
如上所述，你更多地需要關注流程和技術，而不是語法。
你需要學習如何解決問題。
你需要學習如何在數據中找到真知灼見。
為此，你需要掌握數據科學的3個核心技能領域：數據處理，數據可視化和機器學習。在R語言中掌握這些技能將比任何其他語言都容易。
數據處理
一般來說，數據科學中80%的工作都是數據處理。通常情況下，你需要花費大量時間來整理你的數據。R語言中有一些很棒的數據管理工具。
R語言中的dplyr包使數據處理變得容易，這可以大大簡化數據處理的工作流程。
數據可視化
ggplot2是最佳的數據可視化工具之一。ggplot2的好處是，在學習語法的同時，還學習如何思考數據可視化。
所有的統計可視化都有很深層的結構。存在構建數據可視化的高度結構化框架，ggplot2基於該框架。
此外，當將ggplot2和dplyr組合在一起時，從數據中得出相關見解幾乎毫不費力。
機器學習
最後，還有機器學習。雖然我認為大多數數據科學初學者不應該急於學習機器學習(首先掌握數據探索更為重要)，機器學習是一項重要的技能。當數據探索不再帶來洞察力時，你則需要更強大的工具。
5. python和r語言哪個入門容易
1、語言的定義：
Python是一種跨平台的計算機程序設計語言。
是一個高層次的結合了解釋性、編譯性、互動性和面向對象的腳本語言。最初被設計用於編寫自動化腳本(shell)，隨著版本的不斷更新和語言新功能的添加，越多被用於獨立的、大型項目的開發。
R是用於統計分析、繪圖的語言和操作環境。R是屬於GNU系統的一個自由、免費、源代碼開放的軟體，它是一個用於統計計算和統計制圖的優秀工具。
2、適用群體：
R語言在學術研究和調查工作中使用的比較多，逐漸延伸到企業商業界。使用人群不一樣需要計算機背景，統計、金融、經濟、核電、環境、醫療、物流管理乃至人文學科，都有R語言立足之地;Python相比R非標準的代碼，Python作為出了名的語法簡潔工具，對於一些稍有編程基礎的人來說格外友好，可以減少在編程進程中的磕絆，沒有任何基礎的編程小白一樣可以上手Python，適用於金融、醫療、管理等各行各業。
3、學習難度：
剛開始學習R語言的時候了解最基本知識和語言邏輯，入門不難，如果數理統計基礎好的話學起來更容易，相反，如果沒有數理背景，學習起來會增加難度;Python看重可讀性和易用性，學習難度比較平緩，對於初級小白而言，十分友好，可就業方向也有很多。
4、就業方向：
R場景：數據探索、統計分析、數據可視化;崗位：數據分析師、數據科學家、投資分析師、稅務人員、管理人員、科研人員等。
Python場景：數據分析、網路爬蟲、系統編程、圖形處理、文本處理、資料庫編程、網路編程、Web編程、資料庫連接、人工智慧、機器學習等;崗位：數據架構師、數據分析師、數據工程師、數據科學家、程序開發員等。
6. r語言和python的區別是什麼
1、數據結構復雜程度不同
R中的數據結構非常的簡單，主要包括向量一維、多維數組二維時為矩陣、列表非結構化數據、數據框結構化數據。
Python 則包含更豐富的數據結構來實現數據更精準的訪問和內存控制，多維數組。
2、適用場景不同
R適用於數據分析任務需要獨立計算或單個伺服器的應用場景。
Python作為一種粘合劑語言，在數據分析任務中需要與Web應用程序集成或者當一條統計代碼需要插入到生產資料庫中時，使用Python更好。
3、數據處理能力不同
有了大量針對專業程序員以及非專業程序員的軟體包和庫的支持，不管是執行統計測試還是創建機器學習模型，R語言都得心應手。
Python最初在數據分析方面不是特別擅長，但隨著NumPy、Pandas以及其他擴展庫的推出，它已經逐漸在數據分析領域獲得了廣泛的應用。
4、開發環境不同
對於R語言，需要使用R Studio。
對於Python，有很多Python IDE可供選擇，其中Spyder和IPython Notebook是最受歡迎的。