在真实的数据科学世界里，我们会有两个极端，一个是业务，一个是工程。偏向业务的数据科学被称为数据分析（DataAnalysis），也就是A型数据科学。偏向工程的数据科学被称为数据构建(DataBuilding)，也就是B型数据科学。
从工具上来看，按由业务到工程的顺序，这个两条是：EXCELRPythonScala
在实际工作中，对于小数据集的简单分析来说，使用EXCEL绝对是最佳选择。当我们需要更多复杂的统计分析和数据处理时，我们就需要转移到Python和R上。在确定工程实施和大数据集操作时，我们就需要依赖Scala的静态类型等工程方法构建完整的数据分析系统。
Scala和Excel是两个极端，对于大多数创业公司而言，我们没有足够多的人手来实现专业化的分工，更多情况下，我们会在Python和R上花费更多的时间同时完成数据分析（A型）和数据构建（B型）的工作。而许多人也对Python和R的交叉使用存在疑惑，所以本文将从实践角度对Python和R中做了一个详细的比较。
应用场景对比应用Python的场景网络爬虫/抓取：尽管rvest已经让R的网络爬虫/抓取变得容易，但Python的beautifulsoup和Scrapy更加成熟、功能更强大，结合django-scrapy我们可以很快的构建一个定制化的爬虫管理系统。
连接数据库:R提供了许多连接数据库的选择，但Python只用sqlachemy通过ORM的方式，一个包就解决了多种数据库连接的问题，且在生产环境中广泛使用。Python由于支持占位符操作，在拼接SQL语句时也更加方便。
内容管理系统：基于Django，Python可以快速通过ORM建立数据库、后台管理系统，而R中的Shiny的鉴权功能暂时还需要付费使用。
API构建：通过Tornado这个标准的网络处理库，Python也可以快速实现轻量级的API，而R则较为复杂。
应用R的场景统计分析:尽管Python里Scipy、Pandas、statsmodels提供了一系列统计工具，R本身是专门为统计分析应用建立的，所以拥有更多此类工具。
互动式图表/面板:近来bokeh、plotly、intuitics将Python的图形功能扩展到了网页浏览器，甚至我们可以用tornado+d来进一步定制可视化页面，但R的shiny和shinydashboard速度更快，所需代码更少。
数据流编程对比接着，我们将通过下面几个方面，对Python和R的数据流编程做出一个详细的对比。
参数传递
数据读取
基本数据结构对照
矩阵转化
矩阵计算
数据操作
参数传递Python/R都可以通过命令行的方式和其他语言做交互，通过命令行而不是直接调用某个类或方法可以更好地降低耦合性，在提高团队协作的效率。
参数PythonR命令行输入Pythonpath/to/myscript.pyarg1argargRscriptpath/to/myscript.Rarg1argarg脚本识别importsysmy_args=sys.argvmyArgs-儿童白癜风饮食北京白癜风治疗白癜风的医院