来自 Unsplash 的 Quino Al
我在 Python 的道路上走了这么远，接受了广泛的培训、专业经验和教育，以至于我已经看不到 R 已经成长了多少，特别是在它跨越统计用例的生命周期执行和卓越的可视化能力方面。
你要了一份报纸——给你！没有绒毛；直奔主题。
通常，我采用自上而下的方法来定义和扩展给定主题的知识库。
由来自 Unsplash 的 Afif Kusuma
使用 R 编程进行统计分析和部署数据的图形化表示。
r 是一种函数式编程语言，支持向量运算和矩阵代数。r 还可以制作出版物质量的图形，并具有广泛的统计和机器学习算法。r 是高度可扩展的，许多软件包可用于数据分析，包括流行的“tidy verse”[4]软件包集合。r 是开源软件，可以从 CRAN 网站上免费获得[5]。
以下是 25 个用例，未删节版，按知识领域/专业领域分类:
(1)数据可视化(2)数据分析(3)数据操纵(4)机器学习(5)深度学习[8]；
(6)预测分析(7)优化(8)模拟(9)网页开发[6] (10)系统管理；
(11)数据挖掘(12)统计计算(13)生物信息学[10] (14)数据新闻学(15)计量经济学；
(16)保险(17)营销[9] (18)零售(19)网络抓取(20)社交媒体分析；
(21)情感分析(22)网络分析(23)地理空间分析[7] (24)文本挖掘(25)商业智能。
来自 Unsplash 的米凯拉·帕兰特
1.r 是一个强大的数据分析工具，具有许多内置的统计和机器学习功能。
2.r 是一种解释型语言，这意味着代码不需要先编译就可以运行。这使得测试新想法和快速原型解决方案变得切实可行。
3.r 有一个庞大而活跃的社区，有许多在线的有用资源。
4.r 是在 GNU 通用公共许可证[1]下发布的免费开源软件。这使得每个人都可以访问它，并允许修改和改进。
5.r 是跨平台的，这意味着它可以在 Windows、Mac 和 Linux 上使用。
6.r 可以与其他软件环境和语言顺利集成，使其在各种设置中易于使用。
7.r 的语法简单易懂，易于学习，即使对于没有编程经验的人来说也是如此。
8.r 是高度可定制的[2]，允许用户根据他们的特定需求定制软件。
9.r 的绘图和可视化功能非常有效，可以轻松生成复杂的图表和图形。我还没有遇到一个人声称 Python 比 r 有更好的图表和可视化能力。
10.r 是探索性数据分析的优秀工具[3]，为调查数据集提供了一个灵活的交互式环境。
来自 Unsplash 的哈桑·帕夏
1.r 是一种统计编程语言，专门用于处理数据。Python 是一种通用编程语言，允许它用于许多不同的事情。
2.r 被设计用来处理 dataframes [24]，这是一种在统计分析中普遍存在的数据结构。不幸的是，Python 没有本地 dataframe 数据类型，这使得处理数据更加困难。
3.r 有许多内置的统计分析函数，使得处理特定数据更加容易。Python 没有太多的内置统计函数，这使得在更大的统计空间内进行数据分析更加困难。
4.r 是一种基于向量的语言，这意味着大多数操作都是在数据向量上执行的[25]。这对于数据分析非常有帮助，因为它允许您毫不费力地对多个数据点应用操作。另一方面，Python 不是基于向量的语言，使得数据分析更加困难。
5.r 有一个非常活跃的用户社区，这意味着有很多资源可以用来学习如何使用这种语言。Python 也有一个很大的用户社区，但是 R 的社区围绕专门的主题更加活跃，在需要的时候更容易找到帮助。
6.r 是免费和开源的，这意味着任何人都可以免费使用它。当然，Python 也是开源的，但是 R 在科学界使用得更广泛，这使得找到具体的、有用的资源变得更容易。
由来自 Unsplash 的马修·施瓦茨
1.两者都是解释语言，这意味着代码是逐行执行的，而不是同时编译的。
2.它们是高级语言；它们从底层系统中抽象出来，易于读写。
3.它们是免费和开源的；任何人都可以使用它们并为之做出贡献。
4.r 和 Python 是跨平台的:它们可以在不同的操作系统上使用。
5.r 和 Python 都有丰富的库；已经写了很多可以重用的代码。
6.r 和 Python 都是面向对象的:代码被组织成可以操作的对象。
7.r 和 Python 都有大量的文档；有很多关于如何使用它们的信息。
8.r 和 Python 都受到大型社区的支持:许多人可以帮助使用或开发它们。
9.r 和 Python 都用于数据科学；它们非常适合数据分析和机器学习任务。
10.r 和 Python 都是通用语言——它们可以用于各种任务。
来自 Unsplash 的 Michal Vrba
r 是一种用于统计分析、图形表示和报告的编程语言和软件环境。Python 是一种解释型高级通用编程语言。
-
R 是统计语言，Python 是通用编程语言。
-
R 设计用于统计分析和数据可视化，而 Python 更适合通用编程和创建算法。
-
R 的学习曲线比 Python 更陡。
-
R 有很多专门的语法和术语，而 Python 更简洁易读。
-
R 调试起来可能很有挑战性，而 Python 可以是更直观的调试过程。
-
R 比 Python 有更多的内置统计函数[21]。
-
R 比 Python 有更丰富的图形库。
-
R 可能很难扩展，而 Python 更模块化，容易扩展[22]。
-
R 不一定像 Python 一样被广泛使用(与使用 Python 和 R 实现的可用用例数量相比)。
-
R 是根据 GNU GPL [1]授权的，而 Python 是根据 Python 软件基金会许可证[23]授权的。
来自 Unsplash 的约根德拉·辛格
1.分析和预测财务数据。
2.研究消费者行为。
3.理解 DNA 和其他序列数据中的模式[11]。
4.根据用户过去的行为向他们推荐电影和其他项目。
5.跟踪和预测疾病的传播[12]。
6.研究营销活动对销售的影响。
7.跟踪和预测天气[13]。
8.分析社交媒体数据，发现有趣的模式。
9.研究药物对患者的影响[14]。
1.使用 set.seed() :这很重要，因为它确保了你的结果是可重复的[15]。如果没有 set.seed，随机数生成器将在每次运行代码时生成不同的数字，从而导致结果的差异。
2.使用 % > % :管道操作符(% > %)是让你的代码可读性更好的好方法[18]。它将左侧的输出输入到右侧。
3.避免使用全局变量[16]:全局变量在整个 R 会话中都是可用的。使用全局变量会导致代码中的意外变化，并使代码难以阅读。
4.使用函数:函数是避免重复代码的好方法。例如，如果您发现自己在重复编写相同的代码，那么您可以创建一个函数来完成这项工作，从而使代码更加简洁易读。
5.使用 RStudio: RStudio 是一个用于 R 的 IDE(集成开发环境)，它包含了许多使 R 编程更容易的特性，比如语法高亮和代码完成[17]。
6.保持你的代码整洁，比如让代码有条理并且易读。一种方法是使用空格来缩进你的代码，使它更容易扫描[19]。
7.使用注释:注释是一种很好的方式，可以让你的代码更易读，并解释你的代码在做什么。写评论的时候，一定要清晰简洁。
8.使用内置帮助:R 有大量关于其所有函数的文档。
9.遵循风格指南:Hadley Wickham 风格指南[20]是一个广泛使用的 R 编程风格指南。遵循一个风格指南会使你的代码更加一致和易读。
10.使用版本控制:版本控制是一个系统，它可以让你跟踪代码随时间的变化。这对于跟踪您的工作和与他人协作非常重要。
如果您有任何编辑/修改建议或关于进一步扩展此主题的建议，请考虑与我分享您的想法。
pventures.substack.com](https://pventures.substack.com/)
参考文献:
1。r 许可证。https://www.r-project.org/Licenses/
2。https://www.r-project.org/about.html简介
3。服务—语义实验室。【https://www.semanticlabs.at/services】[](https://www.semanticlabs.at/services)
5。克兰网站下载 r .https://cran.r-project.org
6。闪闪发光。https://shiny.rstudio.com
7。r:制图和地理空间。【https://guides.library.duke.edu/r-geospatial】T21
8。R. 深度学习入门 https://www . r studio . com/blog/getting-started-with-deep-learning-in-r/
9。这就是为什么每个现代市场都需要 R 编程。https://www . CMS wire . com/digital-marketing/heres-why-every-modern-market-needs-r-programming/
10。基因组学 R 和 RStudio 简介。https://datacarpentry.org/genomics-r-intro/
11。使用 R 进行生物信息学。https://a-little-book-of-r-for-bio informatics . readthedocs . io/en/latest/src/chapter 1 . html
12。新冠肺炎冠状病毒 100 大资源。https://statsandr . com/blog/top-r-resources-on-新冠肺炎冠状病毒/
13。深度学习天气预报导论。https://blogs . r studio . com/ai/posts/2020-09-01-天气预测/
14。利用 R 编程进行临床试验数据分析。https://www . quanticate . com/blog/r-programming-in-clinical-trials
16。R 的未来:常见问题及解决方案。https://cran . r-project . org/web/packages/future/vignets/future-4-issues . html
17。RStudio。https://www.rstudio.com
18。如何在 R: 7 运算符使用示例中使用%n%。【https://www.marsja.se/how-to-use-in-in-r/】T21
19。干净整洁的 R-script。https://davidzeleny . net/wiki/doku . PHP/recol:clean _ and _ tidy _ script
20。高级 R 风格指南。http://adv-r.had.co.nz/Style.html
21。Python vs. R:有什么区别？https://www.ibm.com/cloud/blog/python-vs-r
22。扩展和嵌入 Python 解释器。https://docs.python.org/3/extending/index.html
23。历史和执照。https://docs.python.org/3/license.html
24。第六章。使用数据框。https://book down . org/DLI/r guide/working-with-data-frames . html