R是创建可重现的高质量分析的方法之一

因为与电子表格不同，R脚本可以进行审核和重新运行，R语言及其软件包存储库提供了广泛的统计技术，数据处理和绘图功能，以至于如果存在某种技术，则很可能是在R软件包中实现的，尽管R可能不是深度神经网络的，但R对机器学习的支持几乎一样强大，深度神经网络需要比R当前提供更高性能的计算。

为什么选择R？R语言的优缺点？

软件包生态系统和图形是优势；安全性和内存管理是弱点，R编程语言是在数值分析和机器学习领域进行开发的重要工具，随着机器作为数据生成器变得越来越重要，只能期望该语言的普及，但是R具有开发人员应该知道的利弊，随着对语言的兴趣不断增长，R首次出现在1990年代，并已成为S统计编程语言的一种实现，R是统计领域中使用广泛的语言。

因为从更高的计算机科学水平进行编程非常容易

随着时间的流逝，R变得越来越快，并且可以作为胶合语言来将不同的数据集，工具或软件包组合在一起，R是创建可重复的高质量分析的方法，它具有处理数据时我所需要的所有灵活性和功能，用R编写的大多数程序实际上只是组织成项目的脚本的集合，R的强大包装生态系统和制图优势，R的优势包括其封装生态系统，庞大的软件包生态系统是R的强品质之一-如果存在统计技术，那么就已经有R软件包了。

内置了许多功能这些功能是为统计人员建立的

R是可扩展的并为开发人员提供了丰富的功能，以构建自己的工具和方法来分析数据，随着时间的流逝，包括生物科学甚至人文科学在内的其他领域吸引了更多的人，人们可以扩展它，而无需征得许可， 确实R的用法术语对很多年前有很大帮助，当它首次问世时的优势是它是自由软件，源代码及其所有内容都可以查看，所有R的图形和图表功能都是的，分别用于数据处理和绘图的软件包确实改善了我的生活质量。

对于机器学习R的优势主要与R与学术界的紧密联系联系在一起

该领域的任何新研究都可能从一开始就附带一个R软件包，因此在这方面R处于前沿，插入符号包还提供了一种通过相对统一的API在R中进行机器学习的漂亮方法，R中实现了许多流行的机器学习算法。

R在安全性和内存管理方面的缺点

尽管具有所有优点，但R也有其缺点，内存管理速度和效率可能是R面临的挑战，在这些方面取得了进步，而且还在继续取得进步，而且从其他语言来到R的人们也可能认为R古怪，R的基本原理源于1960年代构建的编程语言，从这个意义上讲它是原始设计中的一种旧技术， 这种语言的设计有时会在处理非常大的数据集时带来问题，数据必须存储在物理内存中，但是随着计算机获得更多的内存，这已不再是一个问题。

安全性等功能并未内置在R语言中

R无法嵌入到Web浏览器中，您不能将其用于类似Web或类似Internet的应用程序，由于R在Web上缺乏安全性，因此基本上不可能将R用作后端服务器来进行计算，通过在云平台上使用虚拟容器等开发，已减轻了安全性问题，很长一段时间以来这种语言没有太多的交互性，JavaScript之类的语言仍然必须填补这一空白，他说尽管可以使用R语言进行分析，但是结果的显示可以使用其他语言完成。

R不仅仅适合高级程序员

尽管如此将R视为可访问的语言，我并非来自计算机科学领域，也从未渴望成为一名程序员，在将R添加到工具箱中时，对编程基础知识的了解当然会有所帮助，但我不会说这是入门所必需的，不会说R是给程序员使用的，它适合那些试图解决面向数据的问题的人，而不论他们的编程能力如何。