做数据分析的，无论你是金融界，医药界，学术界or……各种界，总离不开使用软件。初入门的，面对名目繁多，品种齐全的分析软件，总要在入哪个门这一十字路口徘徊一阵（当然，也有牛人每个软件都精通），但毕竟大多数等人总会相对惯用一种软件。其中，可能R&SAS便是其中一个纠结点吧。那么这两个软件到底有什么不同？或者他们的针对的用户群有什么不一样？我们先来看看网上的一些评论：

R开源、免费，扩展包丰富，但是语言本身特性比较匮乏，可读性不高，处理数据量不大的研究比较方便，处理数据量很大的就得借助数据库。R语言相比于SAS更偏向与编程，就是要把你的统计研究的问题转化成编程问题，把数据用R对象（Vector, List, Data Frame等等）存储起来，然后用特定的函数操作这些R对象，把数据整理成可以进行统计分析的形式，然后用统计分析的函数来执行分析，如果不熟悉这些对象的操作方式，很容易发生细节或者操作思路上的问题。例如：数据类型不匹配（读入的数据明明是股票代码字符串，读进来变成数字），不知道如何批量转化数据（根据某个变量合并数据，如果合并中发现缺失就用线性插值来填补）等等，需要不断地积累经验才行。R相比与SAS的一个最大优势就是扩展包相当多，相当全面，对于大部分研究问题而言都不需要自己去实现底层的计算方法，在CRAN上的扩展包已经能够基本满足各种统计检验、数据挖掘、数据可视化等方面的需求，但是扩展包比较零散，很多时候需要自己去「淘金」。

SAS很庞大，但主要优势在于入门简单，语言可读性强，语言思路比较符合统计分析的思路：大体上是数据步整理筛选数据，过程步做数据分析等等。写SAS代码的过程就是告诉SAS系统做什么，而不是怎么做，减少了很多编程细节上的麻烦。由于SAS程序是基于数据集来执行的，在处理大批量数据时（例如用整个金融市场所有股票的所有日数据分时段做三因素模型）速度很快，具有明显的优势。但是在处理很小的数据片段上有时显得比较麻烦，比如想做一个简单的回归然后获得回归系数和残差序列，然后做一些检验，R代码明显比SAS代码简单，因为R代码直接操作对象，而SAS代码考虑的是一个数据集整体上的操作，而不是单个对象层面上的操作。

---

       对于上文说的，楼主觉得还是比较客观的。身边的有用R也有用SAS，我从来不觉得软件之间有什么明显的好坏之分，再简单的软件，你若能掌握的好，照样你成大牛！但从周遭的情况看来，楼主还是觉得这两个软件在用户群上有所区别：SAS——大公司，特别是500强的用的较多（谁让它贵啊！），当然处理大批量的数据（像金融行业）得心应手，通常业界普遍认为它的数据质量可靠。R——越来越多的数据分析公司开始使用，最大的优点当然是免费；开源，图形处理能力很强（当然算法也不错），作为一股新兴力量，这几年的涨势非常高！

       但是，两者在学术领域的应用楼主真的知之甚少，有没有童鞋可以分享一下经验？或者自己的工作领域，如果涉及到这两个软件，能否也谈谈各自的心得体会呢？让更多的在软件门口的同学有所选择方向……