做数据分析时，R 用户如何学习 Python？
本文是帮助 R 用户增强技能和为数据科学进阶而学习 Python (从零开始)。毕竟，R 和 Python 是数据科学从业者必需掌握的两门最重要的编程语言。
Python 是一门功能强大和多用途的编程语言，在过去几年取得惊人发展。它过去用于 Web 开发和游戏开发，现在数据分析和机器学习也要用到它。数据分析和机器学习是 Python 应用上相对新的分支。
作为初学者，学习 Python 来做数据分析是比较痛苦的。为什么？
在谷歌上搜索“Learn Python ”，你会搜到海量教程，但内容只是关于学习 Python 做 Web 开发应用。那你如何找到方法？
在本教程，我们将探讨 Python 在执行数据操作任务上的基础知识。同时，我们还将对比在 R 上是如何操作的。这种并行比较有助于你将 R 和 Python 上的任务联系起来。最后，我们将采用一个数据集来练习我们新掌握的 Python 技能。
注意：阅读这篇文章时最好具备一定的 R 基础知识。
内容概要
为什么学习 Python（即使你已经懂 R ）
理解 Python 的数据类型和结构（与 R 对比）
用 Python 写代码（与 R 对比）
用一个数据集实践 Python
为什么学习 Python（即使你已经懂R）
毫无疑问，R 在它自身的领域是极其强大的，实际上，它最初是用来做统计计算和操作。强大的社区支持使得初学者可以很快掌握 R .
但是， Python 正迎头赶上，无论成熟公司还是初创公司对Python 的接受程度要远远大于 R 。
根据 indeed.com 提供的数据（2016年1月至2016年12月），“用 Python 做机器学习”的招聘信息数量要比“用 R 做机器学习” 增长快得多（约 123%）。这是因为：
Python 以更好的方式支持机器学习覆盖的全部范围。
Python 不仅支持模型构建，而且支持模型部署。
相比 R , Python 支持多种强大的诸如 keras、convnet,、theano 和 tensorflow 深度学习库。
Python的库相对独立，每个库都拥有数据科学工作者所需要的所有函数。你不需要像在 R 中一样在各种包之间来回查找一个函数。
理解 Python 数据类型和结构(与 R 对比)
编程语言是基于它的变量和数据类型来理解复杂的数据集。是的，假设你有一个 100 万行，50 列的数据集。编程语言会如何理解这些数据呢？
基本上，R 和 Python 都有未定义数据类型。独立和非独立变量都有着不同的数据类型。解释器根据数据类型分配内存。Python 支持的数据类型包括：
数值型（Numbers）——存储数值。这些数值可以存储为4种类型：整型，长整型，浮点型，复数型。让我们分别理解。
整型（Integer）—— 它指的是整数类型，比如 10 、13 、91、102 等。相当于 R 中的整型（integer）。
长整型（Long）——它指的是用八进制或者十六进制表示的长整数，在 R 中，用 64 位包读取十六进制值。
浮点型（Float）——指的是小数值，比如 1.23 , 9.89 等， R 中浮点数包含在数值型（numeric）。
复数型（Complex）——它指的是复数值，比如 as 2 + 3i, 5i 等。不过这种数据类型在数据中不太常见。
布尔型（Boolean）——布尔型只存储两个值（True 和 False）。在 R 中，它可以存储为因子（factor）类型或字符（character）类型。R 和 Python 的布尔值之间存在着微小的差别。在 R 中，布尔型存储为 TRUE 和 FALSE。在 Python 中，它们存储为 True 和 False 。字母的情况有差异。
字符串（Strings）——它存储文本（字符）数据，如“elephant,”lotus,”等，相当于R的字符型（character）。
列表——它与 R 的列表数据类型相同。它能够存储多种变量类型的值，如字符串、整数、布尔值等。
元组—— R 中没有元组类型，把元组看成是 R 中的向量，它的值不能改变。即它是不可变的。
字典—— 它提供支持 key-value 对的二维结构。简而言之，把键（key )看作是列名，对（pair）看作是列值。
因为 R 是统计计算语言，所有操作数据和读取变量的函数都是固有的。而另一方面，Python 数据的分析、处理、可视化函数都是从外部库调用。Python 有多个用于数据操作和机器学习的库。以下列举最重要的几个：
Numpy——在Python中它用于进行数值计算。它提供了庞大的诸如线性代数、统计等的数学函数库。它主要用于创建数组。在 R 中，把数组看作列表。它包含一个类（数字或字符串或布尔）或多个类。它可以是一维或多维的。
Scipy ——在Python中它用于进行科学计算。
Matplotlib——在 Python 中它用于进行数据可视化。在 R，我们使用著名的 ggplot2 库。
Pandas ——对于数据处理任务它极其强大。在 R 中，我们使用 dplyr，data.table 等包。
Scikit Learn—— 它是实现机器学习算法的强大工具。实际上，它也是 python 中用来做机器学习的最好工具。它包含建模所需的所有函数。
在某种程度上，对于数据科学工作者来说，最主要的是要掌握上面提到的 Python 库。但人们正开始使用的高级 Python 库有太多。因此，为了实际目标，你应该记住以下这些：
数组（Array）——这与 R 的列表类似。它可以是多维的。它可以包含相同或多个类的数据。在多个类的情况下，会发生强制类型转换。
列表（List）—— 相当于 R 中的列表。
数据框（Data Frame）——它是一个包含多个列表的二维结构。R中有内置函数 data.frame，Python则从 pandas库中调用 Dataframe 函数。
矩阵（Matrix）——它是二维（或多维）结构，包含同一类（或多个类）的所有值。把矩阵看成是向量的二维版。在R中，我们使用 matrix 函数。在Python中，我们使用 numpy.column_stack 函数。
到这里，我希望你已经明白了R和Python中数据类型和数据结构的基本知识。
人工智能、大数据、云计算和物联网的未来发展值得重视，均为前沿产业，多智时代专注于人工智能和大数据的入门和科谱，在此为你推荐几篇优质好文：
大数据分析现状是什么，主要的分析技术是什么？
大数据分析，主要有哪些核心技术？
大数据分析工具越来越多，怎么才能选择最适合自己的大数据分析工具
多智时代-人工智能和大数据学习入门网站|人工智能、大数据、物联网、云计算的学习交流网站