Por qué aprendí R para análisis de datos

Cuando empecé a programar, Python fue mi primera opción. Es versátil, tiene una comunidad enorme, y sirve para casi todo. Entonces, ¿por qué aprender R?

La respuesta corta: porque R está diseñado específicamente para estadística y análisis de datos, y esa diferencia se nota.

Lo que Python hace bien (y sus límites para análisis)

Python es una navaja suiza. Puedes construir webapps, automatizar tareas del sistema, entrenar modelos de ML. Pero para análisis estadístico puro, la sintaxis puede volverse verbosa rápidamente.

# Análisis básico con pandas
import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv("ventas.csv")
resumen = df.groupby("categoria")["ventas"].agg(["sum", "mean", "std"])
resumen.plot(kind="bar", figsize=(10, 6))
plt.title("Ventas por categoría")
plt.tight_layout()
plt.show()

Funciona bien. Pero R lo expresa de una forma más elegante y cercana al pensamiento analítico.

R y el tidyverse

El tidyverse es un conjunto de paquetes que transforman R en algo que se lee casi como lenguaje natural.

library(tidyverse)

ventas <- read_csv("ventas.csv")

ventas |>
  group_by(categoria) |>
  summarise(
    total    = sum(ventas),
    promedio = mean(ventas),
    desv     = sd(ventas)
  ) |>
  ggplot(aes(x = reorder(categoria, -total), y = total)) +
  geom_col(fill = "#1a1a17") +
  theme_minimal(base_size = 13) +
  labs(
    title = "Ventas por categoría",
    x     = NULL,
    y     = "Total de ventas"
  )

El operador |> encadena operaciones de manera que el código se lee de arriba hacia abajo, como un relato. Una vez que entiendes dplyr y ggplot2, leer código R es como leer un análisis escrito.

Mi conclusión

No es una competencia. Uso Python para automatización, producción y webapps. Uso R para exploración estadística y visualizaciones complejas donde la gramática de ggplot brilla.

Son herramientas complementarias. Si trabajas con datos y solo conoces una, aprende la otra. La inversión vale.