KeepCoding.

io

Python
VS
R
 ÍNDICE: 
 
0… Introducción. 
1… Contexto: ¿Qué es el Data Science? 
2... ¿Para qué sirve el Data Science? 
3... Hola, soy Python. 
4... Hola, soy R. 
5... R VS Python, ¡comienza la pelea! 
6... ¿Cuándo y cómo usar Python? 
7... ¿Cuándo y cómo usar R? 
8... R - Ventajas y desventajas. 
9... Python - Ventajas y desventajas. 
10... Y el ganador de la pelea es... 
 
 
 

 
  

0. Introducción 
 
A  día  de  hoy  tanto  Python  como  R  son  dos  de  los  lenguajes  más  populares  y  con 
mayor  grado  de  utilización  para  el  análisis de datos y su procesamiento a través de 
diversas  técnicas  como  minería  de  datos,  business  intelligence,  machine  learning. 
Todas ellas son imprescindibles para interpretar el Big Data.  
 
Si  quieres  saber  más  sobre  ​Python​,  te  recomiendo  que  te  leas  el  ​eBook  ​15  +  2 
motivos  por  el  que  Python  debería  ser  tu  primer  lenguaje  de  programación  para 
conocer  en  profundidad  todas  las  utilidades  de  este  lenguaje  tan  completo  y 
versátil.  
 
Pero antes de introducirnos en materia hay que establecer un contexto de dónde se 
sitúan  en  la  actualidad  ambos  sistemas:  el  ​Data  Science​.  La  cuestión  es,  ¿en  qué 
consiste  esta  disciplina?  Es  un  campo  interdisciplinario  que  aplica  diferentes 
campos  como  matemáticas,  programación  y  estadística,  que  son  aplicadas  a 
distintas  áreas  como  la  biología,  física,  economía,  psicología,  sociología,  etc.  La 
intersección  entre  los  3  campos  es  lo  que  se  conoce  internacionalmente  como 
Data Science​. 
   
 
 

KeepCoding​ | ​Guerra de Titanes: R vs Python ​ | ​cursos@keepcoding.io​ 1 

  

1. Contexto: ¿Qué es Data Science? 

 
Podría  definirse  como  una  receta  que  incluye  ingredientes  como  ​software, 
estadística,  matemática,  programación.  ​Con  estos  recursos  se  extraer  datos 
valiosos  e  interpretables  para  planificar  una  hoja de ruta para el modelo de negocio 
óptimo  para  la  empresa  e  incluso  desarrollar  nueva  información.  Las  conclusiones 
obtenidas  gracias  a  la  interpretación  de  dichos  datos  son  una  valiosa  fuente  de 
información.  Por  algo  se  dice  que  los  datos  son  el  nuevo  oro.  ¿Y  por  qué  tienen 
tanto  valor?  Porque  permiten  conocer  las  necesidades  y  la  demanda  del  mercado, 
lo  que  nos  lleva  a  conocer  mejor  las  necesidades  de  los  consumidores.  A  su  vez, 
esto  se  traduce  en  la  especialización  de  las  empresas  para  desarrollar  su  modelo 
de negocio en función de dicha información. 
 
Los  profesionales  que  se  dedican  a  cazar  e  interpretar  todo  este  volumen  de 
información  son,  los llamados científicos de datos, los cuales provienen de distintas 
disciplinas  laborales  y  son  muy  valorados en las grandes empresas, ya que pueden 
predecir  el  éxito  o  fracaso  de un producto, la necesidad de cambio en un servicio o 
el  comportamiento  de  los  consumidores  casi  a  tiempo real. Se basan en el ​estudio 
de  las  tendencias  de  compra  del  mercado  para  poder  anticiparse  a  los 
acontecimientos  y  optimizar  los  procesos  de  decisión  para  hacer  frente  a  esos 
cambios. 
   
 
 
 
 
 
 
 
 

KeepCoding​ | ​Guerra de Titanes: R vs Python ​ | ​cursos@keepcoding.io​ 2 

  

Algunas  de  las  habilidades  más  relevantes  que  se  necesitan para convertirse en un 

auténtico  científico  de  datos  son:  el  manejo  de  probabilidades  estadísticas, 
programación,  matemáticas,  álgebra  lineal,  cálculo,  haber trabajado con algoritmos 
y  lo  más  importante  de  todo:  ​creatividad​.  Gracias  a  ella  y  unido  a  una  potente 
curiosidad,  permite  al  profesional  de  este  sector  formular  hipótesis  y  probarlas 
analizando  los  datos  obtenidos,  lo  que  abre  un  frente  inmenso  de  posibilidades  de 
estudio del mercado. 
 
 

2. ¿Para qué sirve el Data Science? 

 
Se  podría  resumir  en  una  frase:  ​disminuir  el  riesgo  que  supone la incertidumbre 
del  mercado  al  que  se  enfrentan  cada  día  las  empresas.  Es  necesario  optimizar 
todo  el  proceso  de  creación  de  un  nuevo  producto  o  servicio  y  llevarlo  al  mercado 
con  las  máximas  garantías  posibles  de  que  no  fracase.  Ahí  es  donde  entra  el  Big 
Data  combinado  con  Machine  Learning,  que  explicaremos  más  adelante.  ​No  se 
puede  garantizar  un  100%  de  éxito  de  un  producto  o  servicio  gracias  a  esta 
novedosa  disciplina,  pero  reducir  las  probabilidades  de  fracaso  supone  un  gran 
ahorro de costes para cualquier empresa a largo plazo. 
 
Cada  día  se  avanza  más  en  esta  disciplina  y  se  conoce  cómo  funciona  cada  vez 
mejor  el  cerebro  humano  y  como  éste  toma  sus  decisiones  en  todos  los  aspectos 
de  su  vida.  ¿Os  imagináis  que  llegase  un  punto  en  que  las  empresas  diseñan 
productos  específicos  para  públicos  concretos​,  simplemente  con  el  estudio  de 
nuestro  comportamiento?  Tanto  la  publicidad  como  los  productos  serían  del 
agrado  de  la  sociedad  y  se  haría  de  a  forma  eficiente,  sin  despilfarro de recursos y 
sin intrusismo​. 
 

KeepCoding​ | ​Guerra de Titanes: R vs Python ​ | ​cursos@keepcoding.io​ 3 

  

 
 
Por  poner  un  ejemplo  más  claro  de  cómo  funciona  toda  esta  tecnología,  hay  una 
empresa en Estados Unidos que es pionera es Big Data y Machine Learning y utiliza 
el  Data  Science  para  mejorar  la  calidad  del  producto  hacia  sus  clientes;  esta 
empresa  es  ​Netflix​.  Gracias  este  sistema  permite  detectar  anomalías  como  el 
fraude,  clasificar  información  o  hacer  recomendaciones  al  cliente  según  sus 
intereses  estadísticos.  Así  como  establecer  patrones  de  conducta,  valorar  sus 
productos,  hacer  segmentaciones  de  mercado  (edad,  sexo,  nivel  sociocultural)  y 
programar  algoritmos para automatizar procesos que facilitan las labores cotidianas 
de una gran empresa. 
 

 
 
 

KeepCoding​ | ​Guerra de Titanes: R vs Python ​ | ​cursos@keepcoding.io​ 4 

  

Empresas  como  ​Apple,  Facebook,  Amazon  o  Twitter  trabajan  con  ​Data 

Scientist  ​para  determinar  cuáles  serán  las  tendencias  del  mercado  y  cómo 
reaccionará  el  público.  Por  poner  dos  ejemplos  más  concretos,  Facebook  analiza 
tus  gustos y palabras clave en los comentarios para mostrarte contenido parecido y 
Netflix  te  recomienda  películas y series según la información de las películas que ya 
has visto junto al tipo de perfil que te considera según tu navegación. 
 
Con  la  creciente  demanda  de  productos o servicios personalizados por parte de un 
público  cada  vez  más  crítico  y  exigente,  esta  profesión  no  es  futuro,  esta  pasando 
ya solicitada para realizar segmentaciones de marketing cada vez más específicas y 
especializadas. 
 
Los  avances  tecnológicos  traen  consigo  una  nueva  avalancha  de  datos  que  los 
usuarios  cedemos  a  las  grandes  firmas.  El  cambio  de  lo  analógico  por  lo  digital 
supone  que  se  conozca  cada  vez  más  acerca  de  nuestro  comportamiento,  lo  cual 
revela  muchos  datos  en  bruto  que  si se usan de forma ética y responsable, abre un 
mundo de posibilidades y ventajas para la sociedad a largo plazo. 
 

 
 

KeepCoding​ | ​Guerra de Titanes: R vs Python ​ | ​cursos@keepcoding.io​ 5 

  

3. Hola, soy Python 

 
Python  fue  creado  por  ​Guido  Van  Rossem  en  el  año  1991  y  hace  hincapié  en  la 
productividad  y  la  legibilidad  del  código  como  pilares  fundamentales.  Los 
programadores  que  desean  profundizar  en  el  análisis  de  datos  o  técnicas 
estadísticas  son  algunos  de  los  principales  usuarios  de  Python​.  Como  dato 
curioso,  ​el  nombre  del  lenguaje  proviene  de  la  afición  de  su  creador  por  los 
humoristas británicos Monty Python. 
 
Cuanto  más  te  acerques  a  trabajar  en  un  entorno  de  ingeniería,  es  más  probable 
que  prefieras  Python.  Es  un  lenguaje  flexible  que  es  genial  para  hacer  algo 
novedoso,  y  dado  su  enfoque  en  la  legibilidad  y  la  simplicidad,  su  ​curva  de 
aprendizaje es relativamente baja​. 
 
Al  igual  que  R,  Python  tiene  también  paquetes  predeterminados.  ​PyPi  es  el  índice 
del  paquete  Python  y  consiste  en  ​bibliotecas  ​a  las  que  los  usuarios  pueden 
contribuir.  Python  tiene  una  gran  comunidad pero está un poco dispersa, ya que es 
un  lenguaje  menos  especializado.  Sin  embargo,  Python  para  Data  Science  está 
reclamando  rápidamente  una posición más dominante en el universo de Python: las 
expectativas  están  creciendo  y  las  aplicaciones  de  ciencia  de  datos  más 
innovadoras verán su origen aquí. 

KeepCoding​ | ​Guerra de Titanes: R vs Python ​ | ​cursos@keepcoding.io​ 6 

  

 
 
 

4. Hola, soy R 
Ross  Ihaka  y  ​Robert  Gentleman  crearon el lenguaje de código abierto R en el año 
1995  como  una  implementación  del  lenguaje  S.  El  objetivo  era  desarrollar  un 
lenguaje  que  se  centrara  en  ofrecer  una  mejor  y  más  fácil  forma  de  hacer  ​análisis 
de  datos,  estadísticas  y  modelos  gráficos​.  R  se  usaba  principalmente dentro del 
ámbito  de  la  ​investigación​,  pero  a  medida  que  pasaron  los  años se fue ampliando 
al  mundo  corporativo.  Esto  hace  que  R  haya sido uno de los lenguajes estadísticos 
de  más  rápido  crecimiento  en  el  mundo  empresarial  durante  las  últimas  décadas. 
Un  factor  clave  del  gran  desarrollo  de  Data  Science  y  el  ​Machine  Learning como 
vehículo de negocio. 
 
Una  de  las  principales  fortalezas  de  R  es  su  ​enorme  comunidad​,  la  cual  brinda 
soporte  a  través  de  listas  de  correo  y  documentación  aportada  por  los  usuarios. 
También  existe  ​CRAN​,  una  enorme  ​biblioteca  de  paquetes  R  almacenados por la 
comunidad  de  desarrolladores  para  que  los usuarios pueden utilizar de una manera 
ágil,  fácil  y  rápida.  Estos  paquetes  son  una  colección  de  funciones  R  y  datos  que 
facilitan  el  acceso  inmediato  a  las  últimas  técnicas  y funcionalidades sin necesidad 
de  desarrollar  todo  desde  cero,  similar  a  lo  que  se  puede  encontrar en ​WordPress 

KeepCoding​ | ​Guerra de Titanes: R vs Python ​ | ​cursos@keepcoding.io​ 7 

  

y  sus  plantillas  predeterminadas  ​para  encontrar  la  que  mejor se adapte a los que 

necesitas. 
 
Para  finalizar,  si  eres  un  programador  experimentado,  probablemente  no  tengas 
problemas  para  ponerte  al  día  con  R.  Sin  embargo,  como  principiante,  es  posible 
que te encuentres luchando con la empinada ​curva de aprendizaje​. 
 
La  mayoría  de  las  personas  que están familiarizadas con estos lenguajes a menudo 
se  preguntan  si  deberían  usar  R  o  Python  para  sus  tareas  cotidianas de análisis de 
datos.  Por  lo  que  a  continuación  despejaremos  esa  duda  acerca  de  ​cuándo  usar 
cada  uno  de  ellos  para  lograr  conseguir  nuestros  objetivos  de  una  manera 
eficiente, según nuestras necesidades. 
 

 
5.​ ​R vs Python, ¡comienza la pelea! 
 
Navegando  por  Internet  se  pueden  encontrar  muchas  cifras  que  comparan  la 
adopción  y  la  popularidad  de  R  y  Python.  Si  bien  estas  cifras  a  menudo  son  un 
buen  indicativo de cómo estos dos lenguajes están evolucionando en el ecosistema 
general  de  la  programación,  es  difícil  compararlos  uno  al  lado  del  otro.  La  razón 

KeepCoding​ | ​Guerra de Titanes: R vs Python ​ | ​cursos@keepcoding.io​ 8 

  

principal  de  esto  es  que  encontrarás  R  sólo  en  un  entorno  de  ​Data  Science​, 
mientras  que  Python,  por  otro  lado,  se  usa  ampliamente  en  una  ​gran  variedad  de 
campos​.  Esto  puede  afectar  a  los  resultados  de  clasificación  a  favor  de  Python, 
mientras  que  los  salarios  se  ven  afectados  de  manera  algo  negativa,  debido 
principalmente  al  alto  grado  de  especialización  en  R  y  a  la  menor  cantidad  de 
profesionales que dominan este lenguaje. 
 
Por  principio,  se  dice  que  R  tiene  mayor  ventaja  al  ser  usado  para  resolver  ​tareas 
profundamente  matemáticas​.  En  cambio,  Python  es  más  recomendable  para 
aquellas  tareas  que  necesitan  programación  pura,  ya  que  tiene  una  sintaxis  más 
rápida.  A  la  hora  escoger  uno  u  otro,  es  mejor  utilizar  el  lenguaje  que  te  ayude  a 
terminar una tarea de la forma más rápida y óptima. 
 
En  las  comunidades  y  foros  sobre  estadísticas  se  usa  mayoritariamente  R.  Por  lo 
tanto,  hay  bastante  documentación  y  soporte  a  la  hora  de trabajar con este tipo de 
datos.  Puedes  encontrar  muchas  librerías  que  pueden  realizar  toda  clase  de 
operaciones  estadísticas  y  matemáticas  muy  avanzadas​.  La  más  popular  de 
todas ellas es​ ​CRAN. 
 
R  es  muy  fuerte  para  las  tareas  de  ​análisis  de  datos​,  y  en  términos  generales,  es 
mucho  mejor  para  trabajar  con  Big  Data.  Se  puede  utilizar  tanto  como  para 
estudios  académicos  de  investigación  como  en  el  ámbito  empresarial  con  un buen 
código de producción optimizado. 
 
La  sintaxis  orientada  a  vectores  facilita  la  implementación  práctica  de  las 
matemáticas,  especialmente  para  personas  que  no  dominan  la  programación.  En 
otras  palabras,  se  hace  muy  fácil  pasar  vectores,  matrices  y  funciones  del  papel  al 
código. 
 
Si  hablamos  de  ​Python​,  es  un  lenguaje  de  propósito  más  amplio  y  general​.  Es 
muy  útil  a  la  hora  de  ​combinar  operaciones  matemáticas  con  otros  tipos  de 

KeepCoding​ | ​Guerra de Titanes: R vs Python ​ | ​cursos@keepcoding.io​ 9 

  

operaciones  más  del  terreno  de  la  programación.  En  el  contexto  del  análisis  de 
datos,  incorpora  más  capacidades  a  un  software  que  trabaje  con  datos.  Python 
como  lenguaje  tiene  ​mayor  capacidad  de  integración  con  cualquier  otra 
tecnología y aplicaciones externas. 
 
En  Python  tienes  mayor  libertad  para  definir  formatos  de  salida,  estructuras  de 
datos  diferentes,  etc.  Este  es  sólo  un  ejemplo  que  tiene  como  ventaja.  Si  lo 
analizamos de una manera sintáctica, ​Python es mucho más legible que R​. 
 
Otro  aspecto  positivo  que  tiene  Python,  son  sus  librerías  para  el  uso  de  Machine 
Learning  de  una  forma  variada  y  con  bastantes  funcionalidades.  Es  perfecto  para 
realizar  y  ​extraer  información  de  las  páginas  web  (​scraping  website​),  por  lo  que 
sirve para realizar aplicaciones web como clientes de escritorio. 
 
Cabe  destacar  que  en  términos  de  velocidad  de  procesamiento  de  información 
ambos  lenguajes  pecan  ligeramente  de  lentitud.  A  pesar  de  ello,  la  productividad 
que  se  gana  utilizándolos  compensa  enormemente  esta  falta  de  velocidad.  Poder 
implementar  ​conceptos  estadísticos  complejos  a  código  de  forma  sencilla  es 
algo muy útil para lograr una mayor eficiencia. 
 
En  este  sentido,  tanto  R  como  Python  van  de  la  mano.  A  la  hora  de  escoger, 
muchos  programadores  o  científicos  de  datos  eligen  R  para  realizar  ​análisis  de 
datos​ y Python para el resto de tareas. 
 
Cabe  destacar  que  R  tiene  una  lista  de  ​paquetes  modelo  para  cualquier  técnica 
o  fórmula  estadística,  por  lo  que  a  la  hora  de  elegir  un  lenguaje,  depende  de  cuán 
complicada  o  específica  sea  la  tarea  que  se  quiere  llevar  a  cabo.  Para  cosas  más 
generales, es preferible usar Python. 
 

KeepCoding​ | ​Guerra de Titanes: R vs Python ​ | ​cursos@keepcoding.io​ 10 

  

Si  nos  enfocamos  en  cómo  es  el  manejo  para  datos  estructurados,  ​R  es  mucho 
eficaz  que  Python​,  ya que este último lenguaje tiene una curva de aprendizaje más 
elevada. 
 
En  cambio,  si  nos  enfocamos  en el manejo de data no estructurada (texto), Python 
es  muy  superior  que  R.  Permite  generar  todo  tipo  de  analizadores  léxicos  (Parser) 
para la manipular cualquier clase de cadena de caracteres. 
 
Por  hacer  un  primer  resumen,  ​Python  es  un  lenguaje  de  programación  general​, 
fácil  de  utilizar  y  con  una  curva  de  aprendizaje  muy  asequible.  Está  más ​enfocado 
a  producción​,  por  lo  que  puede  ser  usado  para  crear  productos  comerciales.  R, 
por  otro  lado,  es  perfecto  para  el  análisis  estadístico  y  procesamiento  de 
información a nivel de investigación científica.  

 
6. ¿Cuándo y cómo usar R? 
 
R  se  usa  principalmente  cuando  la  tarea  de  ​análisis  de  datos  requiere  una 
computación  independiente  o  un  análisis  en  servidores  individuales.  Es  ideal  para 
trabajos  de  investigación  de  mercado​,  y  es  muy  útil  para  casi  cualquier  tipo  de 
análisis  de  datos  debido  a  la  gran  cantidad  de  paquetes  y  pruebas  fácilmente 
utilizables  que  a  menudo  le  brindan  las  herramientas  necesarias  para  comenzar  a 
funcionar  rápidamente,  ya  que  muchas  de  esas  funciones  ya  están  desarrolladas 
por  los  usuarios,  lo  que  ahorra  enormemente  el  esfuerzo  para  obtener  resultados 
rápidamente. R puede incluso ser parte de una solución de ​Big Data​. 
 
Al  comenzar  con  R,  un  buen  primer  paso  sería  instalar  el  software  ​RStudio​.  Este 
programa  es  un  entorno  de  desarrollo  integrado  para  el  lenguaje  de  programación 
R,  dedicado  a  la  computación  estadística  y gráficos. Una vez hecho esto, se puede 

KeepCoding​ | ​Guerra de Titanes: R vs Python ​ | ​cursos@keepcoding.io​ 11 

  

acceder a los paquetes más populares. 

 

7. ¿Cuándo y cómo usar Python? 

 
Puedes  usar  Python  cuando  las  tareas  de  análisis  de  datos  deben  integrarse  con 
aplicaciones  web.  Siendo  un  lenguaje  de  programación  ​completamente 
desarrollado​, es una gran herramienta para implementar toda clase de algoritmos. 
 
Si  bien  en  sus  comienzos  los  paquetes  de  Python  para  el  análisis  de  datos  fueron 
un problema en el pasado, esto ha mejorado significativamente en los últimos años.  

8. R - Ventajas y Desventajas 

 
 
 
 

KeepCoding​ | ​Guerra de Titanes: R vs Python ​ | ​cursos@keepcoding.io​ 12 

  

Ventajas: 
 
1. Una  imagen  vale  más  que  mil  palabras​.  Los  datos  visualizados  a  menudo 
se  pueden  entender  de  manera  más  eficiente  y  efectiva  que  los  números 
brutos  solos.  R  y  visualización  son  una  combinación  perfecta.  Algunos 
paquetes  de  visualización  imperdibles  son  ​ggplot2​,  ggvis​,  ​googleVis  y 
rCharts​. 
 
2. Ecosistema​.  R  tiene  un  rico  ecosistema  de  paquetes  de  vanguardia  y 
comunidad  activa.  Los  paquetes están disponibles en ​CRAN​, ​BioConductor 
y ​Github​. 
 
3. R  lingua  franca  de  la  ciencia  de  datos​.  Puedes  comunicar  ideas  y 
conceptos  a  través  del  código  R  y  los  paquetes;  no  es  necesario  tener 
conocimientos de programación para comenzar.  
 
4. Es  un  software  libre:  ​Cuenta  con  la  licencia  GNU  GPL  el  cual  consta  de  4 
libertades: 
○ Libertad  0:  ejecutar  el  programa  como  desees  y  con  cualquier 
propósito. 
○ Libertad  1:  estudiar  el  funcionamiento  del  programa  y  adaptarlo  a  tus 
necesidades. 
○ Libertad 2: reescribir copias para ayudar a los demás miembros. 
○ Libertad  3:  manejar  el  programa  y  publicar  mejoras  en  el  código,  de 
manera que toda la comunidad se beneficie de ello. 

5.  Es  multiplataforma​.  Funciona  en  ​Mac​,  ​Windows​,  y  en  numerosos  sistemas 
UNIX.  Esto  significa  que  cualquier  persona  puede  trabajar  con  tus  datos, 
figuras,  análisis  y  más  importante  aún,  usar  tus  instrucciones  para  generar 
las  figuras  y  análisis.  Así  que  cualquier  usuario,  y  en  cualquier  lugar,  con 

KeepCoding​ | ​Guerra de Titanes: R vs Python ​ | ​cursos@keepcoding.io​ 13 

  

acceso  a  cualquier  sistema  operativo  puede  usar  R  sin  ningún  tipo  de 
restricción. 
 
6.  Es  de  código  abierto​.  Existe  una  gran  comunidad  de  voluntarios  trabajando 
para  mejorarlo,  lo  cual  permite  ser  moldeado  y  dirigido  a  cuestiones 
específicas.  Creando  así  programas  y  paquetes  que  funcionen  en el entorno 
R.  Programas  tales  como  ​RStudio​,  ​Java  GUI para R, ​R - commander ​y con 
más  de  6.000  paquetes  indexados  en  ​CRAN​,  ​Bioconductor​,  GitHub  y 
R-Forge​. 
 
  7.  ​Plataforma  estadística​. Ofrece todas las técnicas de análisis de datos. Además 
de  programar  nuevos  métodos  y  rutinas  estadísticas  de  una  manera  fácil  y 
sólida.  También  hay que destacar que los ​gráficos disponibles en R son de 
gran calidad​ y muy versátiles. 
 
 
 
 

Desventajas: 
 
1.  ​Es  algo  lento​. Fue desarrollado para facilitar la vida de los estadísticos, no la 
vida  de  su  computadora.  Aunque R puede experimentarse como lento debido a 
un  código  mal  escrito,  existen  múltiples  paquetes  para  mejorar  el  rendimiento 
de R: pqR, renjin y FastR, Riposte y muchos más. 
 
2.  ​Tiene  una  curva  de  aprendizaje  elevada​.  La  curva  de  aprendizaje  de  R  no 
es  algo  trivial,  especialmente  si  se  utiliza  para  su  uso  en  el  análisis  estadístico. 
Incluso  encontrar  paquetes  puede  consumir  mucho  tiempo  si  no  está 
familiarizado con él. 
 

KeepCoding​ | ​Guerra de Titanes: R vs Python ​ | ​cursos@keepcoding.io​ 14 

  

3.  ​Lenguaje  de  programación  en  línea  de  comando​.  Esto involucra el uso de 

menús  como  otros  programas  estadísticos,  esto  hace  que  muchas  personas 
que  no  están  familiarizadas  en  la  programación,  les  resulte  muy  complicado 
migrar a R. 
 
 

9. Python - Ventajas y Desventajas 

 
Ventajas:  
 
1. IPython  Notebook​.  ​Es  un  entorno  de  computación  interactivo,  en  el  que  se 
puede  combinar  la  ejecución  de  código, texto, matemáticas y gráficos. H​ace 
que  sea  más  fácil  trabajar  con  Python  y  los  datos.  Puede  compartir 
fácilmente  cuadernos  con  otros  usuarios,  sin  tener  que  instalar  nada.  Esto 
reduce  drásticamente  la  sobrecarga de organizar archivos de código. Esto te 
permitirá pasar más tiempo haciendo un trabajo real. 
 
2.  ​Lenguaje  muy  general​.  Python  es  un  lenguaje  que  es  fácil de usar y muy 
intuitivo.  Esto  le  da  una  curva  de  aprendizaje  relativamente  plana  y  aumenta 

KeepCoding​ | ​Guerra de Titanes: R vs Python ​ | ​cursos@keepcoding.io​ 15 

  

la  velocidad  a  la  que  puede  escribir  un  programa.  Necesitas  menos  tiempo 
para codificar y tienes más tiempo para jugar con él. 
 
3.  ​Lenguaje  multiuso​.  Python reúne a personas con diferentes perfiles. Como 
un  lenguaje  común,  fácil  de  entender,  conocido  por  los  programadores  y  que 
los  estadísticos  pueden  aprender  fácilmente,  puede  crear  una  herramienta 
única que se integre con cada parte de su flujo de trabajo. 
 

​Desventajas:  
 
1. Las  visualizaciones​.  Son  un  criterio  importante  al  elegir  el  software  de 
análisis  de  datos.  Aunque  Python  tiene  algunas  bibliotecas  de  visualización 
agradables,  como  son  ​Seaborn​,  ​Bokeh  y  ​Pygal​,  es  posible  que  sean 
demasiadas  opciones  a  la  hora  de  elegir.  Además,  hay  que  tener  en  cuenta 
que  en  comparación  con  R,  las  visualizaciones  suelen  ser  más  complejas  y 
los resultados no siempre son tan agradables a la vista. 
 
2.  ​Python  desafía  a  R​.  No  ofrece  una  alternativa  a  los  cientos  de  paquetes 
esenciales  de  R. Aunque se está actualizando contenido día a día, aún no está 
claro si esto hará que la gente abandone R en busca de Python. 
 
3.  ​Análisis  estadístico​.  Al  ser  una  herramienta  más  amplia  y  genérica  no  es 
tan útil y especializada como R a la hora de realizar análisis estadísticos. 
 
 
 
 
 
 
 

KeepCoding​ | ​Guerra de Titanes: R vs Python ​ | ​cursos@keepcoding.io​ 16 

  

10. Y el ganador de la pelea es... 

 
 
¡Los  dos!  Como  científico  de  datos  tu  labor  es  entender  todas  las  características  y 
disciplinas  posibles  para  poder  abarcar  un  mayor  grado  de  comprensión  del  Data 
Science.  Por  este  motivo  es  necesario  tener  conocimientos  de  los  dos  lenguajes, 
aunque  puedes  especializarte  más  tarde  en  uno  de  ellos.  Ambos  tienen  que 
entenderse  como  bienes  complementarios,  no  sustitutivos,  por  lo  que  lo  ideal  es 
utilizar  los  dos  de  ​manera  simultánea​.  Saltar  de  uno  al  otro  es  vital  para  lograr  la 
eficiencia  y  una  productividad  óptima.  Buscando  un símil más hogareño, Python es 
como  una  sartén,  ya  que  vale  para  cocinar  cualquier  alimento  y  es muy versátil. En 
cambio  R  podría  entenderse  como  una  olla,  un  utensilio  mucho  más  especializado 
que complementa a la sartén para poder realizar mejores y más variadas recetas. 
 
La  esencia  del  asunto  es  saber  cuándo  utilizar  alguno  de  los  lenguajes,  para  qué 
tareas  son  más  precisas.  En  la  actualidad,  es  muy  difícil  que  estas  ​dos 
herramientas no se intercalen ​en algún momento. 

 
Llegados  a  este  punto,  la  gran  pregunta  muchas  veces  es  «¿cómo  comienzo  mi 
formación  en  estos  dos  lenguajes  para  convertirme  en  un  profesional  de  Big 
Data?».  

KeepCoding​ | ​Guerra de Titanes: R vs Python ​ | ​cursos@keepcoding.io​ 17 

  

Es  cierto  que  el  mundo autodidacta es muy rico y desde KeepCoding lo apoyamos, 

pero  hay  que  saber diferenciar qué tipo de conocimiento requiere de supervisión de 
expertos que te guíen, orienten, ayuden y motiven. Porque Python y R, como ya has 
podido  ver,  sirven  para  cosas  diferentes  y para poder aplicarlo de la forma correcta 
es  necesario  el  seguimiento  por  parte  de  profesionales,  que  no  son  fáciles  de 
encontrar en este sector. 

Así  pues,  después  de  hablar  con  las  empresas  que  más  invierten  en  Big  Data  y 
entender  que  las  necesidades  en  Big  Data  &  Machine  Learning  son  muy  amplias  y 
no  hay  dos  compañías  que  necesiten  las  mismas  características,  decidimos  crear 
un  Bootcamp  único  en  su  especie,  un  programa  que  tuviese  una  amplitud  de 
conocimientos  capaz  de  tratar  a  fondo  tanto  Big  Data  como  Machine  Learning  y 
Analytics.  

¿Por  qué  luchamos  y  nos  esforzamos  tanto  por  tratar  de  conseguir  el  mejor  y  más 
completo programa? Por 2 motivos: 

1. Creemos  que  para  poder  marcar  la  diferencia  como  un  profesional 
destacado,  hay  que  tener  una  visión  global  técnica  de  todas  las  áreas, 
así  como  conocimiento  práctico  que  te  permitan  desarrollar  tu  trabajo 
sin ningún impedimento. 
2. Siempre  guiamos  a  nuestros  alumnos  a  través  de  todas  las  áreas  del 
conocimiento  para  que  descubran  en  cuáles  se  desenvulven  mejor, 
cuáles  le  gustan  más  y  en  cuáles  se  sienten  más  cómodos.  Que 
dependiendo  de  las  inquietudes  y  habilidades  pueda  inclinarse por una 
salida u otra. 

Porque  el  objetivo  de  todos  nuestros  Bootcamps  es  que  el  alumno  encuentre  un 
trabajo  que  le  llene,  con  el  que  sea  feliz,  y  donde  destaque.  Porque  nuestro  éxito 
depende  del  de  nuestros  KeepCoders. Por eso, además de contar con los temarios 
más  acordes  a  lo  que  la industria necesita y a lo que el futuro dicta y los profesores 
e  instructores  más valiosos del panorama, nos volcamos con los alumnos poniendo 

KeepCoding​ | ​Guerra de Titanes: R vs Python ​ | ​cursos@keepcoding.io​ 18 

  

un  equipo  de  personas  a  su  disposición  que  le  ayudarán  y  guiarán  desde  antes de 
empezar,  orientándolos  para  que  empiecen  el  programa  con  garantías,  hasta 
después  de  finalizar,  donde  cuentan  con  apoyo  y  asesoramiento  profesional, 
ofertas  de  trabajo  personalizadas  y acceso a nuestra comunidad, eventos y nuestra 
Bolsa de Talento. 

Por  ello,  Python  y  R  son  las  dos  habilidades  básicas  que  deberás  dominar  para 
convertirte  en  un  profesional  cualificado  en  Big  Data  &  Machine  Learning.  ​Nuestro 
Bootcamp  Big  Data  &  Machine  Learning  ha  sido  diseñado  en  ​Silicon  Valley  y 
contiene  las  herramientas,  lenguajes,  tecnologías  y  metodologías  más  punteras 
para  convertirte,  no  sólo  en  un  gran  profesional,  sino  en  uno  de  los  mejores 
cualificados dentro de este área, tanto en España como fuera.  

Infórmate  sobre  nuestro  ​Bootcamp  y  entiende  por  qué  se  ha convertido en uno de 

los programas más competitivos del sector en muy poco tiempo.  
 
 

KeepCoding​ | ​Guerra de Titanes: R vs Python ​ | ​cursos@keepcoding.io​ 19