Depende del problema comercial que tenga y del equipo que tenga. Me encanta Python y puedo hacer todo el trabajo necesario en Python, salvo algunas consultas SQL, MongoDB y algunas en Excel.
Las únicas tres formas reales en las que pensaría que estarías presionado para hacer R es
- Está encontrando que algunos de los algoritmos de ML que necesita no están disponibles o no sabe cómo escribirlos en Python
- Tienes algún tipo de tecnología que funciona mejor con R.
- Tienes miembros del equipo que se sienten más cómodos con R y estás tratando de colaborar en un proyecto y es más fácil para ti aprender R que para ellos aprender Python.
Probablemente haya otros casos de uso, pero esos son los que he visto con más frecuencia.
- ¿Facebook tiene demasiados científicos de datos? ¿La empresa se está llevando al contratar más de lo requerido?
- ¿Los bioestadísticos son científicos de datos?
- Si la demanda de científicos de datos supuestamente supera la oferta, ¿por qué los salarios de los científicos de datos siguen siendo mucho más bajos que los de los mejores abogados, banqueros y cirujanos?
- Cómo pasar del científico de datos a la economía
- ¿Cuáles son los dominios más populares para las carreras de ciencia de datos?
Lo bueno es que si conoces las bibliotecas científicas en Python bastante bien, R no es tan difícil de entender, ya que una buena parte de las características de Pandas, Numpy, Scipy, Seaborn, Scikit Learn y Matplotlib obtuvieron sus inspiraciones de R o son casi las mismas ideas.