python核心教程： 在机器学习和数据分析领域中的对比

为了鼓励新工具的出现，机器学习和数据分析领域似乎已经成了 “开源” 的天下。Python 和 R 语言都具有健全的生态系统，其中包括了很多开源工具和资源库，从而能够帮助任何水平层级的数据科学家展示其分析工作。
机器学习和数据分析之间的差异有些难以言明，但二者最主要的不同就在于，比起模型的可解释性，机器学习更加强调预测的准确性；而数据分析则更加看重模型的可解释性以及统计推断。Python ，由于更看重预测结果的准确性，使其成为机器学习的一把利器。 R ，作为一种以统计推断为导向的编程语言，在数据分析界也得到广泛应用。
当然，这并不代表二者只能在各自的一个领域中得到应用。Python 也可以高效地完成数据分析工作，R 在机器学习中也具有一定的灵活性。它们都拥有相当多的资源库去实现彼此特定的函数功能，比如 Python 就有很多资源库来提高自己统计推断的能力，R 也有很多包可以提升预测的准确率。
Python 中关于机器学习和数据分析的包
虽然 Python 本身就更倾向于机器学习， 但它还是有很多包可以进一步优化这一属性。PyBrain 是一个模块化的机器学习资源库，其中包含很多有效的算法可以满足机器学习任务的需要。除了很多直观灵活的算法，这个资源库还内置很多环境可以用来检验和比较这些机器学习算法的效果。
Scikit-learn 可能是 Python 最受欢迎的机器学习资源库了。基于 Numpy 和 Scipy ，scikit-learn 提供大量用于数据挖掘和分析的工具，从而提高了 Python 本就出色的机器学习可用性。NumPy 和 SciPy 各自为战，虽然它们是 Python 中数据分析的核心部分，但数据分析家更可能仅仅原生地去使用它们，而不是基于一个更高的角度。 Scikit-learn 却将二者结合成为一个机器学习资源库，同时也降低了大家的学习门槛。