我在数据科学家的职位描述中多次看到要求有 Python/Java 经验而无视 R。以下是我收到的一封个人电子邮件，来自我通过 LinkedIn 申请的一家公司的首席数据科学家。
X，感谢您的联系和表达兴趣。你确实有很好的分析技能。然而，我们所有的数据科学家都必须具备良好的 Java/Python 编程技能，因为我们是一个互联网/移动组织，我们所做的一切都是在线的。
虽然我尊重首席数据科学家的决定，但我无法清楚地了解 Python 可以完成哪些 R 无法完成的任务。有人可以详细说明吗？我实际上很想学习 Python/Java，只要我能了解更多细节。
编辑：我在 Quora 上发现了一个有趣的讨论。 为什么 Python 是数据科学家的首选语言？
Edit2：Udacity 关于机器学习语言和库的博客
因此，您可以与代码库的其余部分集成。您的公司似乎混合使用了 Java 和 python。如果网站的某个小角落需要机器学习，你会怎么做？将数据与数据库或缓存一起传递，放到 R 中，等等？为什么不直接用同一种语言来做呢？它更快、更清洁、更易于维护。
知道任何仅在 R 上运行的在线公司吗？我也不...
综上所述，Java 是我从事数据科学工作的最后一种语言。
可能有很多原因，比如：
劳动力灵活性：一名 Java / Python 程序员可以轻松地转移到其他任务或项目中。
候选人可用性：有大量的 Java/Python 程序员。您不想引入一种新的编程语言，以便以后发现没有合格的工人或者他们太贵了。
集成和 ETL：有时获取质量正确的数据是项目中最难的部分。因此，使用与其他系统相同的语言是很自然的。
业务模型定义：大多数业务规则和业务模型已经用这种语言编写。
只是保持简单。跟上这些技术已经够难的了。多样化的语言基础可能是混乱的。R 用于此，Ruby 用于此，Scala、Clojure、F#、Swift、Dart ......他们可能需要不同的服务器、不同的路径、管理地狱。所有人都有自己的带有工具和插件的 IDE（并不总是免费的）。查看 Bob 大叔关于语言选择和新技术的一些观点
因此，即使您在特定任务中使用 R 有 5% 到 15% 的生产力优势，他们也可能更喜欢能够完成工作的工具，即使不是以最有效的方式。
一般来说，对于纯粹的数据科学和统计练习，R 提供了最好和最快的（特别是如果使用data.table包）工具和方法，否则在 Python 中实现会更重（我假设 Python 都是指 Pandas，尽管）。事实上，大多数数据科学家确实使用 R 来执行他们的模型和计算，或者只是为了查看数据的行为方式。
练习完成后，就可以将其提供给其他必须使用它的人（即部署）；为此，通常首选使用 Python 提交代码，主要有两个原因：
综上所述，如果方法、库和包可用（在 Python 中大部分都可用，所以完全没有问题），仍然可以轻松地将 R 代码翻译成任何其他语言。大量的基础设施和数据库支持底层 R 代码，因此可移植性并不是一个真正的问题，特别是如果只需要提交计算结果（在此范围内，没有人真正看到底层代码）。
Java 对纯数据科学本身几乎没有用处（尽管据我所知，斯坦福大学有一组用 Java 编写的机器学习 NLP 库——但请检查）。需要它的唯一原因是公司的其他人在很大程度上使用它，并且他们不想用新的东西代替它。
我见过不少公司使用“数据科学家”这一头衔来担任“数据工程师”类型的角色。特别是在大数据领域。
如果公司使用 Hadoop 或 Spark 等分布式框架进行分析，那么 Java 或 Python（或者可能是 Scala）将是最有意义的语言。