R是由Ross Ihaka和Robert Gentleman在1993年开发的一种编程语言，R拥有广泛的统计和图形方法目录。它包括机器学习算法、线性回归、时间序列、统计推理等。大多数R库都是用R编写的，但是对于繁重的计算任务，最好使用C、c++和Fortran代码。

R不仅在学术界很受欢迎，很多大公司也使用R编程语言，包括Uber、谷歌、Airbnb、Facebook等。用R进行数据分析需要一系列步骤：编程、转换、发现、建模和交流结果

R是用来干什么的？

统计推断

数据分析

机器学习算法

为什么使用R ?

数据科学正在塑造企业运营的方式，毫无疑问，远离人工智能和机器将导致公司的失败，最大的问题是应该使用哪种工具/语言？

市场上有很多工具可以用来进行数据分析，学习一门新语言需要一些时间。下图描述了与一种语言提供的业务能力相比的学习曲线，这种消极的关系意味着没有免费的午餐。如果你想从数据中获得最好的见解，那么你需要花一些时间学习合适的工具，也就是R。

在图的左上角，您可以看到Excel和PowerBI。这两个工具学习起来很简单，但是没有提供出色的业务功能，特别是在建模方面。在中间，您可以看到Python和SAS。

情景应用程序是一个专门用于运行业务统计分析的工具，但它不是免费的。SAS是一个点击并运行的软件，然而，Python是一种学习曲线单调的语言。Python是部署机器学习和人工智能的理想工具，但缺乏通信功能。由于具有相同的学习曲线，R是实现和数据分析之间的一个很好的权衡。

说到数据可视化(DataViz)，您可能听说过Tableau。Tableau无疑是通过图形和图表发现模式的好工具，另外，学习Tableau也不是很耗时。数据可视化的一个大问题是，您可能永远找不到一个模式，或者只是创建大量无用的图表。Tableau是快速可视化数据或商业智能的好工具，当涉及到统计和决策工具时，R更合适。

Stack Overflow是一个很大的编程语言社区，如果您有编码问题或需要了解模型，Stack Overflow可以提供帮助。一年来，与其他语言相比，R语言的提问率大幅上升。这种趋势当然与数据科学蓬勃发展的时代高度相关，但也反映了R语言对数据科学的需求。

在数据科学中，有两种工具相互竞争，R和Python可能是定义数据科学的编程语言。

简而言之，R是探索和研究数据的好工具。使用R进行复杂的分析，例如聚类，相关性和数据缩减。这是最关键的部分，如果没有良好的特征工程和模型，则机器学习的部署将不会产生有意义的结果。