新入門的數據科學家都面臨一個非常重要的問題：我應該學習Python還是R?

這個問題非常重要，因為學習第一門編程語言需要花費很多時間。嘗試兩者兼得是不切實際的，尤其是在你剛開始職業生涯的時候。

所以你應該選哪一個呢?

根據我的經驗，如果選擇Python，你的職業生涯會受益更多。

在我看來，Python，尤其是在剛剛起步的情況下，是從事數據科學的更好選擇。

我會分四點來解釋為什么要選擇Python，但同時我要聲明，這并不意味著R是一個糟糕的選擇。

選擇R不會對你的工作產生負面影響，如果你的團隊有要求，那你也必須去學習R。事實上，Facebook已經使用R作為內部調查工具的分析組件，我們所有的數據科學基礎設施都支持這種語言。

也就是說，我認為如果先學習Python，作為一名實踐數據科學家，你將變得更有效率，并且能夠更好地在統計建模之外的重要領域為團隊做出貢獻。

因此，學習Python后，你能為公司帶來更大的影響力，而你的職業生涯也會受益更多。

理由1：你總要學習Python

大多數公司不僅僅要求他們的數據科學家學會預測建模(即機器學習)。至少，你可能需要維護為模型提供數據的數據管道，而這些數據管道可能是用Python構建的。

如今，管道的行業標準是基于Python的Airflow,，而在Facebook，我們使用的內部Python工具和其基本相同。

事實上，我估計Facebook的所有數據科學家每周都會使用Python，而只有大約10%的人會經常使用R。

因此，選擇Python可能更有效：雖然一些工作可以避免使用R，但不太可能會避免使用Python。

理由2：Python更容易學習

在就業之前，你學習這些技能的時間非常重要，特別是在大學之外自學的話。

Python以易學而聞名。在同時學習了Python和R之后(盡管更深入地學習了Python)，我認為Python有此名聲當之無愧。

當你開始使用統計建模以外的語言特性時，Python易于學習的優點尤其明顯。這些特性包括打包項目以供分發、開發命令行接口、使用ORMs(如SQLAlchemy)建模數據結構等。

使用Python能讓你更輕松地學會并精通這些特性，你的職業生涯也會因此受益。

理由3：Python社區更大

[[315123]]

來源：Pexels

Python是全球最流行的編程語言之一，在stack overflow、kaggle甚至medium等站點上都有一個龐大的社區。

因此，當遇到一個自己無法解決的問題時，你會更容易找到有經驗的人尋求幫助，解決問題。

這意味著你無需在調試與系統的兼容性問題上花太多時間，這樣一來，你也有更多的時間交付公司所需的代碼。

理由4：Python更易于部署模型

最后，你可能會在職業生涯中達到這樣一個階段：你想實時將模型提供給任何一個終端用戶。要解決這個問題，需要構建一個基于REST的web應用程序，而使用Python來構建這個程序會容易很多。

事實上，Python擁有一些全球最流行的web應用框架，即Django和Flask。你公司的內部部署工具更可能支持這些框架，而相對不太可能支持R。

這些框架的流行還意味著它們得到了平臺即服務提供商(如Heroku、Amazon Lightsail等)的良好支持。你將能夠在線發布個人項目，這與在R中部署相同項目所需的花費相比，簡直是九牛一毛。

最重要的是，如果你足夠幸運，你的公司為自己的產品使用了Python框架，學習Python意味著連接你的應用內跟蹤變得十分危險。如果你能自主為模型捕獲更多的功能，個人影響力會發生巨大改變。

當然，所有的決定都有取舍，選擇學習Python而不是R也是如此。盡管我相信Python是數據科學職業的更好選擇，但也要考慮它帶來的不利因素。

對我來說，Python最大的缺點是沒有等同于Rstudio的工具。在Python中最具可比性的工具是Jupyter Notebook，但我個人認為Rstudio更好，因為它具有數據探索功能。

R在學術界也很受歡迎，因此R中包的文檔更有可能直接引用學術研究。這些文檔對于從事“尖端”研究的數據科學家來說非常有用。

但我不認為缺少和Rstudio等同的工具可以否定Python的相對優勢。在數據科學學術界，職位也少得多，所以對大多數數據科學家來說，R的研究相關優勢也不那么重要了。

因此，盡管R有很多優點，但我相信如果你選擇學習Python，職業生涯將會受益匪淺。

最后值得一提的是，我并不認為學習R是一個糟糕的選擇，最重要的是，不論選擇哪種語言，你都不應該永遠止步于此。所有的編程語言之間，相似之處總是多于差異：學習第二語言也會比學習第一語言容易得多。

事實上，我選擇了先學習R!因此盡管我現在推薦Python作為職業生涯的更好選擇，我也很難對R作出不好的評價。