1. Python和R的区别
Python与R的区别：
虽然R语言更为专业，但Python是为各种用例设计的通用编程语言。如果你第一次学编程，会发现Python上手更容易，应用范围也较广，如果你对编程已经有了一定的基础，或者就是以数据分析为中心的特定职业目标，R语言可能会更适合你的需求，Python和R也有很多相似之处，两者都是流行的开源编程语言，都得到了广泛的支持。
Python是近几年增长非常快的编程语言，是面向对象的，它为项目提供了稳定性和模块化，为Web开发和数据科学提供了灵活的方法，掌握Python是程序员在商业、数字产品、开源项目和数据科学以外的各种Web应用程序中工作所必需的技能。
R是一种特定于领域的语言，用于数据分析和统计，它使用统计学家使用的特定语法，是研究和学术数据科学世界的重要组成部分，R遵循开发的过程模型，没有将数据和代码分组，比如面向对象的编程，而是将编程任务分解为一系列的步骤和子程序，这些过程使可视化操作变得更加简单。
学习Python的三个理由：
1、对初学者是友好的，它使用了一种逻辑和易于接近的语法，使识别代码字符串更加容易，减少了学习困难和一些挑战。
2、Python是多用途的，并不局限于数据科学，它还能很好的处理基于web的应用程序，并且支持多种数据结构，包括使用SQL的数据结构。
3、Python是可伸缩的，比R语言运行速度更快，可以和项目一起增长和扩展，提供了必要的有效工作流程，使工作得以实现。
学习R的三个理由：
1、R为统计而建，R使特定类型的程序构建和交流结果变得更加直观，统计学家和数据分析人员用R语言，会更容易使用标准机器学习模型和数据挖掘来管理大型数据集。
2、R是学术性的：在学术界工作，R几乎是默认的。R非常适合机器学习的一个子领域，称为统计学习。任何有正式统计背景的人都应该识别R的语法和结构。
3、R对分析是直观的，它还提供了一个非常适合于科学家使用的数据可视化类型的强大环境。
2. r语言 机器学习产生的模型怎么应用
数据输入，观察（抽象并提取信息），记忆（将信息存储在大脑的某个文件里），回忆（打开大脑里的文件）
抽象化，将数据转换成更宽泛的表现形式
一般化，应用抽象数据来形成行动的基础！
3. R语言中的情感分析与机器学习
来源 | 雪晴数据网
利用机器学习可以很方便的做情感分析。本篇文章将介绍在R语言中如何利用机器学习方法来做情感分析。在R语言中，由Timothy P.Jurka开发的情感分析以及更一般的文本挖掘包已经得到了很好的发展。你可以查看下sentiment包以及梦幻般的RTextTools包。实际上，Timothy还写了一个针对低内存下多元Logistic回归（也称最大熵）的R包maxtent。
然而，RTextTools包中不包含朴素贝叶斯方法。e1071包可以很好的执行朴素贝叶斯方法。e1071是TU Wien(维也纳科技大学)统计系的一门课程。这个包的主要开发者是David Meyer。
我们仍然有必要了解文本分析方面的知识。用R语言来处理文本分析已经是公认的事实（详见R语言中的自然语言处理）。tm包算是其中成功的一部分：它是R语言在文本挖掘应用中的一个框架。它在文本清洗（词干提取，删除停用词等）以及将文本转换为词条-文档矩阵(dtm)方面做得很好。这里是对它的一个介绍。文本分析最重要的部分就是得到每个文档的特征向量，其中词语特征最重要的。当然，你也可以将单个词语特征扩展为双词组，三连词，n-连词等。在本篇文章，我们以单个词语特征为例做演示。
注意，在R中用ngram包来处理n-连词。在过去，Rweka包提供了函数来处理它，感兴趣的可以查看这个案例。现在，你可以设置RTextTools包中create_matrix函数的参数ngramLength来实现它。
第一步是读取数据：
创建词条-文档矩阵：
现在，我们可以用这个数据集来训练朴素贝叶斯模型。注意，e1071要求响应变量是数值型或因子型的。我们用下面的方法将字符串型数据转换成因子型：
测试结果准确度：
显然，这个结果跟python得到的结果是相同的（这篇文章是用python得到的结果）。
其它机器学习方法怎样呢？
下面我们使用RTextTools包来处理它。
首先，指定相应的数据：
其次，用多种机器学习算法训练模型：
现在，我们可以使用训练过的模型做测试集分类：
准确性如何呢？
得到模型的结果摘要（特别是结果的有效性）：
结果的交叉验证：
结果可在我的Rpub页面找到。可以看到，maxent的准确性跟朴素贝叶斯是一样的，其它方法的结果准确性更差。这是可以理解的，因为我们给的是一个非常小的数据集。扩大训练集后，利用更复杂的方法我们对推文做的情感分析可以得到一个更好的结果。示例演示如下：
推文情感分析
数据来自victornep。victorneo展示的是用python对推文做情感分析。这里，我们用R来处理它：
读取数据：
首先，尝试下朴素贝叶斯
然后，尝试其他方法：
这里，我们也希望得到正式的测试结果。包括：
1.analytics@algorithm_summary：包括精确度，召回率，准确率，F-scores的摘要
2.analytics@label_summary：类标签摘要
3.analytics@document_summary：所有数据和得分的原摘要
4.analytics@ensemble_summary：所有 精确度/覆盖度 比值的摘要
现在让我们看看结果：
与朴素贝叶斯方法相比，其它算法的结果更好，召回精度高于0.95。结果可在Rpub查看
原文链接：http：//www.xueqing.cc/cms/article/107
4. 为什么要学习R语言
刚开始学习数据科学的人都会面对同一个问题：不知道该先学习哪种编程语言。
不仅仅是编程语言，像Tableau，SPSS等软件系统也是同样的情况。有越来越多的工具和编程语言，很难知道该选择哪一种。
事实是，你的时间有限。学习一门新的编程语言相当于一项巨大的投资，因此在选择语言时需要有战略性。很明显，一些语言会给你的投资带来很高的回报(付出的时间和金钱投资)。然而其他语言可能是你每年只用几次的纯粹辅助工具。
我给你的建议就是：先学习R语言
因为R语言正在成为数据科学的“通用语言”
这并不是说R语言是唯一的语言，也不是说它是每个工作的最佳工具。然而，它是使用最广泛的，而且越来越受欢迎。
使用R语言的公司
在招聘数据科学家的几家顶级公司中，R语言使用程度非常高。在我认为现代经济中最优秀的两家公司——Google和Facebook都有使用R语言数据科学家。
除了像Google，Facebook和微软这样的科技巨头，R语言在美国银行，福特，TechCrunch，Uber和Trulia等众多公司都有广泛的应用。
R语言在学术界很受欢迎
R语言不仅仅是一个行业工具。它在学术科学家和研究人员中也非常受欢迎，最近着名《自然》杂志上发表的R语言概况也证实了这一点。
R语言在学术界的备受欢迎，因为它创造了供应行业的人才库。
换句话说，如果最优秀、最聪明的人群在大学学习了R语言，这将加大R语言在行业中的重要性。当学者、博士和研究人员离开学术界从事商业活动时，他们又将产生对R语言人才的需求。
此外，随着数据科学的成熟，商业届的数据科学家将需要与学术届的科学家进行更多的沟通。我们需要借鉴技术和交流观点。随着世界转变为数据流时，学术科学与面向商业的数据科学之间的界线会变得模糊。
通过R语言学习“数据科学的技能”是最简单的
然而，R语言的普及性并不是学习R语言的唯一原因。
在选择语言时，你需要一种在这些领域都具有重要功能的语言。同时你需要执行这些任务的工具，以及在你所选语言中来学习这些技能的资源。
如上所述，你更多地需要关注流程和技术，而不是语法。
你需要学习如何解决问题。
你需要学习如何在数据中找到真知灼见。
为此，你需要掌握数据科学的3个核心技能领域：数据处理，数据可视化和机器学习。在R语言中掌握这些技能将比任何其他语言都容易。
数据处理
一般来说，数据科学中80%的工作都是数据处理。通常情况下，你需要花费大量时间来整理你的数据。R语言中有一些很棒的数据管理工具。
R语言中的dplyr包使数据处理变得容易，这可以大大简化数据处理的工作流程。
数据可视化
ggplot2是最佳的数据可视化工具之一。ggplot2的好处是，在学习语法的同时，还学习如何思考数据可视化。
所有的统计可视化都有很深层的结构。存在构建数据可视化的高度结构化框架，ggplot2基于该框架。
此外，当将ggplot2和dplyr组合在一起时，从数据中得出相关见解几乎毫不费力。
机器学习
最后，还有机器学习。虽然我认为大多数数据科学初学者不应该急于学习机器学习(首先掌握数据探索更为重要)，机器学习是一项重要的技能。当数据探索不再带来洞察力时，你则需要更强大的工具。
5. python和r语言哪个入门容易
1、语言的定义：
Python是一种跨平台的计算机程序设计语言。
是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。
R是用于统计分析、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，它是一个用于统计计算和统计制图的优秀工具。
2、适用群体：
R语言在学术研究和调查工作中使用的比较多，逐渐延伸到企业商业界。使用人群不一样需要计算机背景，统计、金融、经济、核电、环境、医疗、物流管理乃至人文学科，都有R语言立足之地;Python相比R非标准的代码，Python作为出了名的语法简洁工具，对于一些稍有编程基础的人来说格外友好，可以减少在编程进程中的磕绊，没有任何基础的编程小白一样可以上手Python，适用于金融、医疗、管理等各行各业。
3、学习难度：
刚开始学习R语言的时候了解最基本知识和语言逻辑，入门不难，如果数理统计基础好的话学起来更容易，相反，如果没有数理背景，学习起来会增加难度;Python看重可读性和易用性，学习难度比较平缓，对于初级小白而言，十分友好，可就业方向也有很多。
4、就业方向：
R场景：数据探索、统计分析、数据可视化;岗位：数据分析师、数据科学家、投资分析师、税务人员、管理人员、科研人员等。
Python场景：数据分析、网络爬虫、系统编程、图形处理、文本处理、数据库编程、网络编程、Web编程、数据库连接、人工智能、机器学习等;岗位：数据架构师、数据分析师、数据工程师、数据科学家、程序开发员等。
6. r语言和python的区别是什么
1、数据结构复杂程度不同
R中的数据结构非常的简单，主要包括向量一维、多维数组二维时为矩阵、列表非结构化数据、数据框结构化数据。
Python 则包含更丰富的数据结构来实现数据更精准的访问和内存控制，多维数组。
2、适用场景不同
R适用于数据分析任务需要独立计算或单个服务器的应用场景。
Python作为一种粘合剂语言，在数据分析任务中需要与Web应用程序集成或者当一条统计代码需要插入到生产数据库中时，使用Python更好。
3、数据处理能力不同
有了大量针对专业程序员以及非专业程序员的软件包和库的支持，不管是执行统计测试还是创建机器学习模型，R语言都得心应手。
Python最初在数据分析方面不是特别擅长，但随着NumPy、Pandas以及其他扩展库的推出，它已经逐渐在数据分析领域获得了广泛的应用。
4、开发环境不同
对于R语言，需要使用R Studio。
对于Python，有很多Python IDE可供选择，其中Spyder和IPython Notebook是最受欢迎的。