本科
从个人的专业背景出发，我想分享一些关于预防医学和公共卫生领域中编程与数据分析的看法。我
本科读的是预防医学，
硕士是公共卫生，之后在基层从事了三年的公卫工作，一年担任SAS程序员，并且积累了若干年的卫生行业经验。同时，我也是一名有十二年使用经验的
linux用户和Emacs爱好者。对于预防医学专业的学生来说，我认为最重要的是学好统计学，而不是单纯地学习如何操作软件。事实上，很多医学生在编程上的瓶颈并不是语言本身或者技巧的问题，而是数学和统计学基础不够扎实。如果对编程感兴趣并且学有余力，可以考虑学习C语言，这有助于理解
计算机的运行机制，就像分子生物学知识决定了生命科学领域科研的上限一样。学生时期通常有充足的时间和热情去尝试新事物，但工作后可能就没有这样的机会了。不过，我不建议过于深入地研究编程细节，毕竟医学生的主要任务是应用，而数理统计、程序开发以及分子生物学等领域的深度内容更适合由相关专业的人员负责。最理想的分工方式就是让每个人专注于自己擅长的事情。至于R语言，它是必须掌握的工具。作为一门以统计分析为核心的编程语言，无论是在进行统计推断、生成图表还是应用新的方法和函数方面，根据我的认知范围，R依然是医学科研领域的首选。近年来兴起的应用生物信息学领域也离不开R的支持，例如Bioconductor平台上提供了许多用于测序数据分析的包。尽管
Python在某些方面也有一定优势，但在处理基于测序的科研任务时，很多计算目前还无法通过
Python高效完成。需要注意的是，测序及拼装相关的生物信息学研究主要属于生命科学学院的研究范畴，公共卫生领域通常不会涉及这些内容。再谈谈SAS，由于FDA的认可，它仍然是医药行业中最具影响力的软件之一。如果你想进入
合同研究组织（CRO）或制药企业，掌握SAS技术几乎是必不可少的。此外，在金融领域，SAS也有广泛应用。不过，我离职前听说FDA已经开始接受用R提交分析结果作为备选方案了。至于
Python，虽然它功能强大且用途广泛，但我个人使用的频率并不高。原因主要有三个：第一，我不太喜欢它的缩进规则；第二，
Python与我的实际需求匹配度较低；第三，我对Anaconda及其不同版本的管理感到有些头疼。虽然
Python在性能上可能优于R，但这并不是我特别关注的点，因为我更关心能否实现目标，而进一步优化的任务未必是
Python能比C做得更好的地方。另外，据几位朋友反馈，用
Python计算标准误（Standard Error）的结果有时不够准确。当然，多学一些技能总是有益的，只是需要明确优先级和侧重点。如果能够同时精通
Python和R，那简直就是双倍的优势，别人只会羡慕不已。最后重申一下，理解原理远比熟练使用工具更重要。举个例子，现代测序数据动辄达到GB甚至TB级别，
Python在这种场景下确实比R更加得心应手，但还有更快的选择如Shell脚本或Perl。然而，在开始分析之前，你必须清楚什么是单端数据、什么是双端数据，具体选择哪种工具则可以根据个人习惯灵活决定。只有掌握了背后的逻辑，才能更好地利用工具解决问题。
