1、非常好学。输入几行代码，即可得到结果。R不但数据分析好用，而且作图能力极好，推荐你用。下面是R数据分析的一些代码，包括数据导入、方差分析、卡方测验、线性模型及其误差分析。
2、适用场景不同 R适用于数据分析任务需要独立计算或单个服务器的应用场景。Python作为一种粘合剂语言，在数据分析任务中需要与Web应用程序集成或者当一条统计代码需要插入到生产数据库中时，使用Python更好。任务不同 在进行探索性统计分析时，R胜出。它非常适合初学者，统计模型仅需几行代码即可实现。
3、python与r语言区别如下：Python的优势： Python 包含比R更丰富的数据结构来实现数据更精准的访问和内存控制，大多数深度学习研究都是用python来完成的。 Python与R相比速度要快。
4、R很适合被用于发展中的新方法所进行的交互式数据分析。由于R是一个动态的环境，所以新发布的版本并不总是与之前发布的版本完全兼容。某些用户欢迎这些变化因为新技术和新方法的所带来的好处；有些则会担心旧的代码不再可用。
1、简单缺失值处理的方法有。：完整数据及分析法、简单均数填补法、回归均数填补法、新类别法和LOCF法。
2、删除包含缺失值的实例或用合理的数值代替（插补）缺失值。识别缺失数据：R语言中， NA 代表缺失值， NaN 代表不可能值， Inf 和 -Inf 代表正无穷和负无穷。在这里，推荐使用 is.na ， is.nan ， is.finite ， is.infinite 4个函数去处理。
3、在R语言中，null值通常表示缺失值。可以使用is.na（）函数来判断数据中是否存在缺失值，并使用subset（）函数或na.omit（）函数删除缺失值。
4、用NA remove条件语句即可，例如求和公式中添加na.rm=TRUE就可以把缺失值去除，向量个数也对应减少。如果数据集中包含NA，那么所有的计算都会有问题。发现值为NA时，我们再使用 na.rm 进行处理，这样的操作是滞后的，所以需要在处理数据之前就知道数据集中是否包含了缺失值。
1、框内的数字是行变量和列变量之间的相关系数R，相关系数R绝对值越大，颜色越深（红正，蓝负）。
2、当p值小于0.05的阈值，原假设就被否定，暗示着变量间存在关联。在R中，我们可以通过代码直观地操作这个过程。看看这个例子，通过创建交叉表mytable，然后运行CMH检验，结果显示关联性并不显著（p=0.1486，共同的比值比为619048），这意味着Treatment、Sex和Improved这三个变量之间的关联并不强烈。
3、结果显示两个样本正态，接下来执行配对T检验，发现配对差值的t值为-939，P=0.007，说明差异显著。Stata：同样进行正态性检验和配对样本T检验，结果验证了正态性并得到t=-939，P=0.007，进一步证实了差异的存在。
4、结果解读：可以看出v1，v2和v3在nitrogen之间存在很大的不同（P值均小于0.05）。单因素多元方差分析有两个前提假设，一个是多元正态性，一个是方差—协方差矩阵同质性。 第一个假设即指因变量组合成的向量服从一个多元正态分布。可以用Q-Q图来检验该假设条 件。
5、t检验假设两个样本的数据集之间的差别符合正态分布（当两个样本集都符合正态分布时，t检验效果最佳），但当服从正态分布的假设并不确定时，我们执行wilcoxon秩和检验来验证数据集中mtcars中自动档与手动档汽车的mpg值的分布是否一致，p值0.05，原假设不成立。意味两者分布不同。