python与r语言哪个好(c++和python先学哪个)

支持向量机用malt lab做好，还是R语言还是python好？

支持向量机(SVM)是一种广泛使用的机器学习算法，可以在多种编程语言中实现。在您选择使用哪种编程语言实现SVM时，应考虑几个因素：

对您的背景和技能的要求：如果您熟悉R语言或Python，那么使用这些语言实现SVM可能会更轻松。

工具的可用性和功能：使用Maltlab或其他工具可能会更方便，因为它们已经为SVM实现了一些常用功能。但是，如果您希望实现更高级的SVM功能，则可能需要使用编程语言来实现。

可扩展性：如果您希望将SVM用于更复杂的机器学习任务，则可能需要使用编程语言来实现，以便更好地控制算法的行为。

总的来说，如果您熟悉R语言或Python，并希望能够更好地控制SVM的行为，则可能需要使用这些语言来实现SVM。如果您只是希望快速实现SVM，则可能更喜欢使用Maltlab或其他工具。

特别的，对于优化SVM，您可能需要使用编程语言来实现，以便能够更好地调配参数并调整算法的行为。对于优化SVM，您可能需要考虑以下方面：

核函数的选择：SVM使用核函数将数据映射到高维空间，以便将其线性分类。因此，选择合适的核函数可能会对SVM的性能产生重大影响。

惩罚参数的调整：SVM使用惩罚参数来控制模型的复杂度。调整惩罚参数可能会影响SVM的性能。

样本权重的调整：SVM可以通过调整样本权重来调整对某些样本的偏好。调整样本权重可能会影响SVM的性能。

总的来说，优化SVM需要考虑多种因素，因此使用编程语言来实现SVM可能会更方便。

r语言和python的区别

1、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。

2、任务不同

在进行探索性统计分析时，R胜出。它非常适合初学者，统计模型仅需几行代码即可实现。

Python作为一个完整而强大的编程语言，是部署用于生产使用的算法的有力工具。

3、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。

Python和R语言的区别

如下：

Python入门简单，而R则相对比较难一些。R做文本挖掘现在还有点弱，当然优点在于函数都给你写好了，你只需要知道参数的形式就行了，有时候即使参数形式不对，R也能"智能地”帮你适应。这种简单的软件适合想要专注于业务的人。

Python几乎都可以做，函数比R多，比R快。它是一门语言，R更像是一种软件，所以python更能开发出flexible的算法。

Python适合处理大量数据，而R则在这方面有很多力不从心，当然这么说的前提是对于编程基础比较一般的童鞋，对于大牛来说，多灵活运用矢量化编程的话，R的速度也不会太差。

介绍

Python和R本身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，所以使用起来产出比大。

这两门语言对于平台方面适用性比较广，linux、window都可以使用，并且代码可移植性还算不错的。对于学数理统计的人来说，应该大多用过MATLAB以及mintab等工具，Python和R比较贴近这些常用的数学工具，使用起来有种亲切感。

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。

数据科学入门丨选Python还是R

数据科学入门丨选Python还是R

对于想入门数据科学的新手来说，选择学Python还是R语言是一个难题，本文对两种语言进行了比较，希望能帮助你做出选择。

我是德勤的数据科学家主管，多年来我一直在使用Python和R语言，并且与Python社区密切合作了15年。本文是我对这两种语言的一些个人看法。

第三种选择

针对这个问题，Studio的首席数据科学家Htley Wickham认为，比起在二者中选其一，更好的选择是让两种语言合作。因此，这也是我提到的第三种选择，我在文本最后部分会探讨。

如何比较R和Python

对于这两种语言，有以下几点值得进行比较：

· 历史：

R和Python的发展历史明显不同，同时有交错的部分。

· 用户群体：

包含许多复杂的社会学人类学因素。

· 性能：

详细比较以及为何难以比较。

· 第三方支持：

模块、代码库、可视化、存储库、组织和开发环境。

· 用例：

根据具体任务和工作类型有不同的选择。

· 是否能同时使用：

在Python中使用R，在R中使用Python。

· 预测：

内部测试。

· 企业和个人偏好：

揭晓最终答案。

历史

简史：

ABC语言 - Python 问世(1989年由Guido van Rossum创立) - Python 2(2000年) - Python 3(2008年)

Fortan语言 - S语言(贝尔实验室) - R语言问世(1991年由Ross Ihaka和Robert Gentleman创立) - R 1.0.0(2000年) - R 3.0.2(2013年)

用户群体

在比较Python与R的使用群体时，要注意：

只有50％的Python用户在同时使用R。

假设使用R语言的程序员都用R进行相关“科学和数字”研究。可以确定无论程序员的水平如何，这种统计分布都是真实。

这里回到第二个问题，有哪些用户群体。整个科学和数字社区包含几个子群体，当中存在一些重叠。

使用Python或R语言的子群体：

· 深度学习

· 机器学习

· 高级分析

· 预测分析

· 统计

· 探索和数据分析

· 学术科研

· 大量计算研究领域

虽然每个领域几乎都服务于特定群体，但在统计和探索等方面，使用R语言更为普遍。在不久之前进行数据探索时，比起Python，R语言花的时间更少，而且使用Python还需要花时间进行安装。

这一切都被称为Jupyter Notebooks和Anaconda的颠覆性技术所改变。

Jupyter Notebook：增加了在浏览器中编写Python和R代码的能力;

Anaconda：能够轻松安装和管理Python和R。

现在，你可以在友好的环境中启动和运行Python或R，提供开箱即用的报告和分析，这两项技术消除了完成任务和选择喜欢语言间的障碍。Python现在能以独立于平台的方式打包，并且更快地提供快速简单的分析。

社区中影响语言选择的另一个因素是“开源”。不仅仅是开源的库，还有协作社区对开源的影响。讽刺的是，Tensorflow和GNU Scientific Library等开源软件(分别是Apache和GPL)都与Python和R绑定。虽然使用R语言的用户很多，但使用Python的用户中有很多纯粹的Python支持者。另一方面，更多的企业使用R语言，特别是那些有统计学背景的。

最后，关于社区和协作，Github对Python的支持更多。如果看到最近热门的Python包，会发现Tensorflow等项目有超过3.5万的用户收藏。但看到R的热门软件包，Shiny、Stan等的收藏量则低于2千。

性能

这方面不容易进行比较。

原因是需要测试的指标和情况太多。很难在任何一个特定硬件上测试。有些操作通过其中一种语言优化，而不是另一种。

循环

在此之前让我们想想，如何比较Python与R。你真的想在R语言写很多循环吗？毕竟这两种语言的设计意图不太相同。

{

"cells": [

{

"cell_type": "code",

"execution_count": 1,

"metadata": {},

"outputs": [],

"source": [

"import numpy as npn",

"%load_ext rpy2.ipython"

]

},

{

"cell_type": "code",

"execution_count": 2,

"metadata": {},

"outputs": [],

"source": [

"def do_loop(u1):n",

"n",

" # Initialize `usq`n",

" usq = {}n",

"n",

" for i in range(100):n",

" # i-th element of `u1` squared into `i`-th position of `usq`n",

" usq[i] = u1[i] * u1[i]n"

]

},

{

"cell_type": "code",

"execution_count": 3,

"metadata": {},

"outputs": [],

"source": [

"%%Rn",

"do_loop - function(u1) {n",

" n",

" # Initialize `usq`n",

" usq - 0n",

"n",

" for(i in 1:100) {n",

" # i-th element of `u1` squared into `i`-th position of `usq`n",

" usq[i] - u1[i]*u1[i]n",

" }n",

"n",

"}"

]

},

{

"cell_type": "code",

"execution_count": 4,

"metadata": {},

"outputs": [

{

"name": "stdout",

"output_type": "stream",

"text": [

"1.58 ms ± 42.8 ?s per loop (mean ± std. dev. of 7 runs, 1000 loops each)n"

]

}

],

"source": [

"%%timeit -n 1000n",

"%%Rn",

"u1 - rnorm(100)n",

"do_loop(u1)"

]

},

{

"cell_type": "code",

"execution_count": 5,

"metadata": {},

"outputs": [

{

"name": "stdout",

"output_type": "stream",

"text": [

"36.9 ?s ± 5.99 ?s per loop (mean ± std. dev. of 7 runs, 1000 loops each)n"

]

}

],

"source": [

"%%timeit -n 1000n",

"u1 = np.random.randn(100)n",

"do_loop(u1)"

]

}

],

"metadata": {

"kernelspec": {

"display_name": "Python 3",

"language": "python",

"name": "python3"

},

"language_info": {

"codemirror_mode": {

"name": "ipython",

"version": 3

},

"file_extension": ".py",

"mimetype": "text/x-python",

"name": "python",

"nbconvert_exporter": "python",

"pygments_lexer": "ipython3",

"version": "3.6.3"

}

},

"nbformat": 4,

"nbformat_minor": 2

}

Python为0.000037秒，R为0.00158秒

包括加载时间和在命令行上运行：R需要0.238秒，Python需要0.147秒。强调，这并不是科学严谨的测试。

测试证明，Python的运行速度明显加快。通常这并没有太大影响。

除了运行速度外，对于数据科学家而言哪种性能更重要？两种语言之所以受欢迎是因为它们能被用作命令语言。例如，在使用Python时大多时候我们都很依赖Pandas。这涉及到每种语言中模块和库，以及其执行方式。

第三方支持

Python有PyPI，R语言有CRAN，两者都有Anaconda。

CRAN使用内置的install.packages命令。目前，CRAN上有大约1.2万个包。其中超过1/2的包都能用于数据科学。

PyPi中包的数量超过前者的10倍，约有14.1万个包。专门用于科学工程的有3700个。其中有些也可以用于科学，但没有被标记。

在两者中都有重复的情况。当搜索“随机森林”时，PyPi中可以得到170个项目，但这些包并不相同。

尽管Python包的数量是R的10倍，但数据科学相关的包的数量大致相同。

运行速度

比较DataFrames和Pandas更有意义。

我们进行了一项实验：比较针对复杂探索任务的执行时间，结果如下：

在大多数任务中Python运行速度更快。

可以看到，Python + Pandas比原生的R语言DataFrames更快。注意，这并不意味着Python运行更快，Pandas 是基于Numpy用C语言编写的。

可视化

这里将ggplot2与matplotlib进行比较。

matplotlib是由John D. Hunter编写的，他是我在Python社区中最敬重的人之一，他也是教会我使用Python的人。

Matplotlib虽然不易学习但能进行定制和扩展。ggplot难以进行定制，有些人认为它更难学。

如果你喜欢漂亮的图表，而且无需自定义，那么R是不错的选择。如果你要做更多的事情，那么Matplotlib甚至交互式散景都不错。同样，R的ShinnyR能够增加交互性。

是否能同时使用

可能你会问，为什么不能同时使用Python和R语言?

以下情况你可以同时使用这两种语言：

· 公司或组织允许；

· 两种都能在你的编程环境中轻松设置和维护；

· 你的代码不需要进入另一个系统；

· 不会给合作的人带来麻烦和困扰。

一起使用两种语言的方法是：

· Python提供给R的包：如rpy2、pyRserve、Rpython等；

· R也有相对的包：rPython、PythonInR、reticulate、rJython，SnakeCharmR、XRPython

· 使用Jupyter，同时使用两者，例子如下：

之后可以传递pandas的数据框，接着通过rpy2自动转换为R的数据框，并用“-i df”转换：

预测

Kaggle上有人对开发者使用R还是Python写了一个Kernel。他根据数据发现以下有趣的结果：

· 如果你打算明年转向Linux，则更可能是Python用户；

· 如果你研究统计数据，则更可能使用R；如果研究计算机科学，则更可能使用Python；

· 如果你还年轻(18-24岁)，则更可能是Python用户；

· 如果你参加编程比赛，则更可能是Python用户；

· 如果你明年想使用Android，则更可能是Python用户；

· 如果你想在明年学习SQL，则更可能是R用户；

· 如果你使用MS office，则更可能是R用户；

· 如果你想在明年使用Rasperry Pi，则更可能是Python用户；

· 如果你是全日制学生，则更可能是Python用户；

· 如果你使用的敏捷方法(Agile methodology)，则更可能是Python用户；

· 如果对待人工智能，比起兴奋你更持担心态度，则更可能是R用户。

企业和个人偏好

当我与Googler和Stack Overflow的大神级人物Alex Martelli交流时，他向我解释了为什么Google最开始只官方支持少数几种语言。即使是在Google相对开发的环境中，也存在一些限制和偏好，其他企业也是如此。

除了企业偏好，企业中第一个使用某种语言的人也会起到决定性作用。第一个在德勤使用R的人他目前仍在公司工作，目前担任首席数据科学家。我的建议是，选择你喜欢的语言，热爱你选择的语言，起到领导作用，并热爱你的事业。

当你在研究某些重要的内容时，犯错是难以避免的。然而，每个精心设计的数据科学项目都为数据科学家留有一些空间，让他们进行实验和学习。重要的是保持开放的心态，拥抱多样性。

最后就我个人而言，我主要使用Python，之后我期待学习更多R的内容。

r语言和python哪个更有用

通常，我们认为Python比R在计算机编程、网络爬虫上更有优势，而 R 在统计分析上是一种更高效的独立数据分析工具。所以说，同时学会Python和R这两把刷子才是数据科学的王道。

R语言，一种自由软件编程语言与操作环境，主要用于统计分析、绘图、数据挖掘。R本来是由来自新西兰奥克兰大学的罗斯·伊哈卡和罗伯特·杰特曼开发(也因此称为R)，现在由“R开发核心团队”负责开发。

R基于S语言的一个GNU计划项目，所以也可以当作S语言的一种实现，通常用S语言编写的代码都可以不作修改的在R环境下运行。R的语法是来自Scheme。

R的源代码可自由下载使用，亦有已编译的可执行文件版本可以下载，可在多种平台下运行，包括UNIX(也包括FreeBSD和Linux)、Windows和MacOS。R主要是以命令行操作，同时有人开发了几种图形用户界面。

R的功能能够通过由用户撰写的包增强。增加的功能有特殊的统计技术、绘图功能，以及编程接口和数据输出/输入功能。这些软件包是由R语言、LaTeX、Java及最常用C语言和Fortran撰写。

下载的可执行文件版本会连同一批核心功能的软件包，而根据CRAN纪录有过千种不同的软件包。其中有几款较为常用，例如用于经济计量、财经分析、人文科学研究以及人工智能。

Python与R语言的共同特点：

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。

Python和R两门语言有多平台适应性，linux、window都可以使用，并且代码可移植性强。

Python和R比较贴近MATLAB以及minitab等常用的数学工具。

Python与R语言的区别：

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)。

而 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(可读写、有序)、元组(只读、有序)、集合(唯一、无序)、字典(Key-Value)等等。

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分析数据时需要先通过数据库把大数据转化为小数据(通过groupby)才能交给R做分析，因此R不可能直接分析行为详单，只能分析统计结果。

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，和数据源的连接、读取，对系统的操作，还是正则表达和文字处理，Python都有着明显优势。 而R是在统计方面比较突出。

Python的pandas借鉴了R的dataframes，R中的rvest则参考了Python的BeautifulSoup，两种语言在一定程度上存在互补性。