整体评估
| Python | R | |
|---|---|---|
| 代码量 | 4 | 5 |
| 建模难度 | 4 | 5 |
| 维护成本 | 4 | 5 |
| 核心库成熟度 | 4 | 5 |
| 可视化 | 4 | 5 |
| 数据展示 | 3 | 5 |
| 开发环境整合 | 4 | 5 |
| 社区活跃度 | 5 | 5 |
| 大数据支持 | 5 | 4 |
| 工程化支持 | 5 | 3 |
| 代码规范化 | 5 | 3 |
说明
-
维护成本：Python 是 OOP 为主的多范式语言，数据分析的主力 packages，包括 pandas, scikit-learn 使用 OOP-FP 混合风格；R 在用户 API 层面基本实现了纯粹的 FP 风格，代码表达能力强，可读性好；
-
数据可视化：R 的 ggplot2 包基于 Grammar of Graphics 实现了图形语义，极大提升了数据可视化的表达能力；Python 的 matplotlib, seaborn 功能较弱，对标 ggplot 的 ggpy 近3年来没有更新；
-
数据展示：数据分析结果的展示能力，R 有 killer app RMarkdown 和 shiny dashboard，可以方便地将数据图表整合为交互式的数据应用（对标 Tableau, PowerBI, 帆软等），Python 的 Jupyter notebook 在展示效果和版本控制友好等方面相比 RMardown 还有一定的距离，dashboard 工具方面，新秀 dash 发展势头不错，但距离 shiny 还有一定距离；
-
开发环境整合：R 的 开发工具 RStudio (server) 实现了完整的数据探索工具链，包括 editor, REPL, 数据窗口、绘图窗口和帮助文档，以及辅助的命令历史、文件浏览、版本控制等工具窗口；Python 的开发环境选择方案较多，最常用的 PyCharm community edition 对数据分析支持有限，professional edition 价格昂贵，其他还有 Spyder(开发不活跃，维护为主), Rodeo (开发不活跃), Jupyter Lab (最有前途，但目前还处于完善核心功能阶段) 等，目前功能最完整的是 text editor (vim, sublime, VS Code, etc) + REPL (IPython)，有一定的学习成本；
-
大数据支持：PySpark 2.3 增加的 pandas_udf 大幅降低了 Python 代码向 Spark 迁移的成本，另外 Python 社区的 Dask 也是比较成熟的分布式计算框架；R 的 sparklyr 目标是实现对 dplyr 包的完整支持，从而实现 单点-分布式 程序的统一。SparkR 由于性能问题目前在生产环境中使用较少，另外还有一个比较冷门的 pbdR；
-
工程化支持，指开发者能够方便地配置不同项目的开发环境，并将开发环境中通过验证的代码方便地发布到生产环境中。Python 有完善的工具链支持，包括但不限于：pip, pipenv, conda, pyinstaller, pyminifier 等；R 只有 packrat 实现了初步的环境管理；
-
代码规范化：Python 有 PEP8 规范，在此基础上社区开发了 flake8, autopep8, yapf 等多款格式、语法和语义检查/修正工具，在主流编辑器上都有插件，R 社区尚没有统一的代码风格规范，只有一些命名和格式习惯。
总结
R 适合作为数据探索和展示、沟通工具，代码表达能力强，可以快速构建分析模型、并生成功能丰富的文档、应用。 Python 则适合作为大数据分析工具，在工程化、代码规范度、性能等方面更胜一筹。
模型对比
简单模型和数据处理
下面分别用 R 和 Python 实现了线性回归模型：
set.seed(100)
inp <- data.frame('x' = 4 * rnorm(100))
inp$y <- 4 * inp$x - 1 + 4 * rnorm(100)
plot(inp, col = 'blue')
fit <- lm(y ~ x, data = inp)
abline(fit, col = 'red')
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
# Create random data
np.random.seed(100)
x = 4 * np.random.rand(100)
y = 4 * x - 1 + 4 * np.random.rand(100)
inp = pd.DataFrame({'x': x, 'y': y})
# Create model
model = LinearRegression(fit_intercept=True)
model.fit(inp.x[:, np.newaxis], inp.y)
xfit = np.linspace(0, 5, 50)
yfit = model.predict(xfit[:, np.newaxis])
# plot
plt.scatter(inp.x, inp.y, c='b')
plt.plot(xfit, yfit, c='r')
plt.show()
不难发现 R 的代码几乎是自解释的，而 Python 代码则需要具备一定的领域知识才能理解。