在現在的時代，資料=金錢，資料的潛在價值非常大，可以幫助我們更精準的商業決策、政府決策。下面我來說說我的看法，供大家參考參考:

1. 我個人比較推薦Python語言，為什麼？(Python語言簡潔，開發成本低，門檻低，維護成本低，利於更新升級。現在Python領域的投資也在不斷的增加，很多公司都在用Python做研發，而且現在Python也列入了中學生的教程，由此可見Python是挺有分量的)

2. Python最大的優勢就是資料科學這個方面做的挺好的(Python是資料科學方面的首選語言，也是資料科學家必備的開發語言)

3. Python大資料方面的知識是:

(1)首先，採集資料作為樣本資料(這裡用到了Python爬蟲，大家都知道Python爬蟲是很容易入門和掌握的，這對於研發也有很大的便利)

(2)其次，處理資料。(這裡用到了Python資料分析，Python有非常強大的資料分析庫，如numpy、matplotlib視覺化，pandas，還有機器學習庫等，這些都是Python的優勢所在)

(3)最後，使用資料建模(這裡用到了Python的機器學習演算法，要成為出色的“資料科學家”，機器學習，深度學習這些演算法類的知識肯定要認識和掌握的)

在資料科學方面選擇 Python 還是 R 程式語言？

R 是一種用於統計計算和圖的語言及環境。它是一個 GNU 專案，與貝爾實驗室的 John Chambers 及其同事開發的 S 語言及環境類似。R 可以視為 S 的一種不同實現。二者存在一些重要差異，但使用 S 寫的很多程式碼在 R 下執行時無需修改。

優點：

端到端開發到執行(一些 brokers package 允許執行，IB)

開發速度快(比 Python 的程式碼少 60%)

開源包多

成熟的量化交易包(quantstrat、quantmod、performanceanalyitics、xts)

社群最大

使用 rcpp 可以整合 R 和 C++/C

缺點：

比 Python 慢，尤其是在迭代迴圈和非向量化函式中

比 Matlab 繪圖差，難以實現互動式圖表

建立獨立應用程式的能力有限

Python 是一種用於通用程式設計的解釋型高階程式語言，由 Guido van Rossum 建立並於 1991 年首次釋出。Python 的設計強調程式碼可讀性，使用了大量空格。它的結構使其在大規模和小規模程式設計中都能清晰明瞭。

優點：

端到端開發到執行(一些 brokers package 允許執行，IB)

開源包(Pandas、Numpy、scipy)

交易包(zipline、pybacktest、pyalgotrade)

最適合一般程式設計和應用程式開發

可連線 R、C++ 和其他語言的「膠水」語言

總體速度最快，尤其是在迭代迴圈中

缺點：

有一些不成熟的包，尤其是交易包

有些包與其他包不相容或包含重疊

在金融領域的社群比 R 小

與 R 或 Matlab 相比，相同操作需要更多程式碼

追蹤靜默錯誤(silent error)可能需要很長時間(即使使用視覺化偵錯程式/IDE)

下面是這兩種語言之間一些值得比較的因素，這並不是一個完全的列表。

• 歷史：R 和 Python 具有明顯不同的歷史，有時候會交叉。

• 社群：透過實際調查發現的很多複雜的社會人類學因素。

• 效能：詳盡的比較以及為什麼比較起來這麼難。

• 第三方支援：模組，程式碼庫，視覺化，儲存庫，組織和開發環境。

• 用例：有些任務和工作型別適合其中一種或者另一種。

全文：大資料科學領域，程式語言你該選 Python 還是 R？

https://www.toutiao.com/i6582361752531370500/

相關：

除了R、Python，這些資料科學工具也重要

https://www.toutiao.com/i6624359252272087559/