r語言中有的一些取整運算

在編程實現的時候有時會碰到對數值取整的需求，而取整的方式卻多種多樣，依賴于具體問題，不過在R中已經配備了種類齊全的相關函數。

? ? ? ?主要包括以下五種：floor（）：向下取整；ceiling（）： 向上取整；round（）： 四舍五入取整；turnc（）： 向0取整；signif（）： 保留給定位數的精度。

python與r語言哪個好—總概括：

R主要在學術界流行，python（numpy scipy）在工程方便比較實用。

R是S（Splus）的開源版本，或者下一代。發源地在新西蘭奧克蘭。這個軟件的統計背景很濃烈。我這里濃烈的意思是，如果你不熟習統計知識（歷史）的話，R的幫助文檔看起來是很累的。由統計背景的人開發。R的維護組叫CRAN-R。在生物信息方便，有個叫bioconductor的組織，里面有很多生物信息方面可以用的軟件包，他們有一套自己維護package系統。

Python是個綜合語言（這里特指指CPython解釋器），numpy scipy是數值計算的擴展包，pandas是主要用來做數據處理（numpy依賴），sympy做符號計算（類似mathematica？）此外還有一些不太成熟的包如sciki learn，statistical models。成熟度不如R。但是已經到了可用的水平了。是讀計算機的人寫的統計包。ipython 更新到1.0以后，功能基本完善，其notebook非常強大（感覺就像mathematica）而且還是基于web，在合作分享方面非常好用。

性能：

大家都說R慢，特別是CS的人。其實這里主要是兩點：一個R里面數組的調用都是用復制的，二是Rscript慢。三是處理大數據慢。如果R用的好的話，R是不太慢的。具體來說就是Rscript用的少，多用命令，跑點小數據。這樣的話，實際在跑的都是背后的fortran和C庫。他們都有快二三十年歷史了。可謂異常可靠，優化得不能再優化了（指單線程，如果去看源代碼揮發先許多莫名的常數，永用了以后精度高速度快！）。比如一個自己編寫一個R腳本，loop套loop的那種，那真是想死的心都會有。外加一點，R處理文本文件很慢！

Python歸根揭底還是個有解釋器的腳本語言，而且有致命傷——GIL，但python最難能可貴的就是它很容易變得更快。比如pypy，cython，或者直接ctypes掛C庫。純python寫個原型，然后就開是不斷的profiling和加速吧。很輕易可以達到和C一個數量級的速度，但是寫程序、調試的時間少了很多。

并行計算：

R v15 之后有了自帶的parallel包，用挺輕松的。不過其實就是不停的fork，或者mpi，內存消耗挺厲害的。parSapply，parApply什么的，真是很好用。

Python雖然有GIL——并行計算的死敵，但是有multiprocessing（fork依賴） ，是可以共享數據的什么的，估計內存消耗方面比R好點，數據零散的話overhead很多。到了MPI的話，mpi4py還是挺好用的。用cython的話結合openmp可以打破GIL，但是過程中不能調用python的對象。

學習曲線：假設什么編程都不會的同學。

R一開始還是很容易上手的，查到基本的命令，包，直接print一下就有結果了。但是如果要自己寫算法、優化性能的時候，學習難度陡增。

Python么，挺好學的，絕大多數的幫助文檔都比R好了許多。有些包用起來沒R方便。總的來說深入吼R陡。

擴展資源：

基本上新的統計方法都會有R的package，安裝實用都不麻煩。但是基本上都是搞統計的人寫的計算機包。所以效能上可能有問好。比較出名的有兩個包的管理網站，cran-r 和bioconductor。 所以搞生化的估計R用起來很方便。

python的統計計算包們比R少，多很年輕，還在不斷的開發中。優于是計算機人寫的統計包，用起來的時候要多漲個心眼。

畫圖：

R自帶的那些工具就挺好用了，然后還有ggplot這種非常優美的得力工具。

python 有matplotlib，畫出來效果感覺比R自帶的好一些些，而且界面基于QT，跨平臺支持。可能是R用得多了，pyplot用起來還是不太順手，覺得其各個組建的統一性不高。

IDE：

Rstudio非常不錯，提供類matlab環境。（用過vim-r-plugin，用過emacs + ess現在用vim。）

windows 下有python（x，y） 還有許多商業的工具。（本人現在的emacs環境還不是很順手~）

建議：

如果只是處理（小）數據的，用R。結果更可靠，速度可以接受，上手方便，多有現成的命令、程序可以用。

要自己搞個算法、處理大數據、計算量大的，用python。開發效率高，一切盡在掌握。

ps：盲目地用R的包比盲目的地用python的包要更安全。起碼R會把你指向一篇論文，而python只是指向一堆代碼。R出問題了還有論文作者、審稿人陪葬。

python和r語言的區別對比

網上有很多關于數據科學到底該用哪個，哪個到底好，誰更有前途的文章，一搜一大把。但我還是要寫一下我的觀點：

分析比較這兩種語言到底哪個好，得看你的用途。比如我只需要分析數據，即導入數據，分析數據，可視化，那按理說R語言確實很占優勢。如果想在學習工作之外再將編程語言應用的話，毫無疑問python更占優勢，有句話是這么說的“人生苦短，請用python”。

單就數據分析對比，我認為R的優勢有：

1、學習先易后難，不會把小白們嚇掉；

2、數據科學的包特別多

3、可視化特別吊

R的缺點也不少：

1、R經常更新，更新后經常不支持之前你安裝的包；我電腦里安裝了10+個R的版本，不停的切換

2、R語言的包、函數名起的很隨意，看名字不知道是干什么用的，記不起名字如何讓小白使用啊。

3、R語言社區人少，遇到問題你只能自己解決

4、即使有RStudio，寫代碼還是不方便

下面再說下python，優點：

1、是一門看的懂的，說人話的語言。庫名、函數名都很好理解記憶，而且你看別人寫的代碼基本知道這代碼的意思，不信你試試。

2、數據獲取占優勢，數據分析第一步是數據獲取，現在人文社科很多數據需要網上抓取，不過就抓數據而言，python更占優勢。各種教程，代碼，網上一大片。

3、社區人數特別多，基本你遇到的問題都能找到

python的缺點：

1、學習起來，開頭很難，學習曲線與R正好相反。

2、公平起見，我還是寫上，python的數據分析庫不如R多

3、可視化不如R

最關鍵的是R的收集數據這方面，網上特別少，搜有關R爬蟲的也很少。

于是我五月份開始轉頭學python，而且我是一開始就學python3，堅持選擇有前途的版本，堅持。目前我已經可以用python爬數據了。

綜合下，建議大家學習python，語言通俗易懂，功能強大，越來越簡單。