R

R语言主要用于统计分析、绘图、数据挖掘，可在多种平台下运行，包括UNIX、Windows和MacOS。R主要是以命令行操作，也有图形用户界面支持。

优点：

缺点：

Python

Python在学术界一直很流行，尤其是在自然语言处理(NLP)领域。
Python有面向神经网络的Theano和Tensorflow，有面向机器学习的scikit-learn，以及面向数据分析的NumPy和Pandas。
有Juypter/iPython这种基于Web的笔记本服务器框架让你可以使用一种可共享的日志格式，将代码、图形以及几乎任何对象混合起来。
Python往往在大数据处理框架中得到支持，但与此同时，它往往又不是“一等公民”。比如说，Spark中的新功能几乎总是出现在Scala绑定的首位，可能需要用PySpark编写面向那些更新版的几个次要版本(对Spark Streaming/MLLib方面的开发工具而言尤为如此)。
Python是一种动态类型语言，这意味着类型错误经常是不可预料的。
对于特定的统计和数据分析目的，R的大量包使它比Python更具优势。对于通用语言，更快更安全的Python稍有优势。

Scala是一种能够运行在JVM上的语言。它是一种多范型语言，支持面向对象和函数式编程。

优点：

缺点：

Go（Golang）是Google开发的一种静态强类型、编译型、并发型，并具有垃圾回收功能的编程语言。

与C++相比，Go语言并不包括如异常处理、继承、泛型、断言、虚函数等功能，但增加了 Slice 型、并发、管道、垃圾回收、接口（Interface）等特性的语言级支持。

Go语言的主要的功能在于简单易用的并行设计Goroutine，支持异步运行而不需要担心一个函数导致程序中断，因此Go语言也非常地适合网络服务。

Goroutine是类似线程的概念（但Goroutine并不是线程）。线程属于系统层面，通常来说创建一个新的线程会消耗较多的资源且管理不易。而 Goroutine就像轻量级的线程，可以称其为并发，一个Go程序可以运行超过数万个 Goroutine，并且这些性能都是原生级的，随时都能够关闭、结束。

Julia是一种用于数学计算的高级编程语言，为分布式计算和并行而设计。Julia最大的卖点就是处理速度，作为一门动态语言，它几乎具备跟静态语言，如C语言一般的效率。

按开发者的话说，“我们希望这门开源语言像C一样快，像Python一样通用，像R做统计那么简单，像Perl做文本处理那么方便，像Matlab的线性代数一样强大，还和Shell一样可以把各种程序连接起来”。

然而使用者实在过少，支持库也少得可怜。

Spark 目前支持Scala、Python、Java三种编程语言。

Scala 作为Spark的原生语言，代码优雅、简洁而且功能完善，很多开发者都比较认可，它是业界广泛使用的Spark程序开发语言。
Spark 也提供了Python的编程模型PySpark，使得Python可以作为Spark开发语言之一。尽管现在PySpark还不能支持所有的Spark API，但是以后的支持度会越来越高。
Java 也可以作为Spark的开发语言之一，但是相对于前两者而已，逊色了很多。但是Java8却很好地适应了Spark的开发风格。

Python API和Scala API：

Python是动态语言，RDD 可以持有不同类型的对象。
PySpark 目前并没有支持全部的API，但核心部分已经全部支持。
在PySpark里，RDD支持和Scala一样的方法，只不过这些方法是Python函数来实现的，返回的也是Python的集合类型；对于RDD方法中使用的短函数，则可以使用Python的Lambda语法实现。
使用Python开发Spark应用程序也有很多优势，比如说不需要编译，使用方便，还可以与许多系统集成，特别是NoSQL大部分都提供了Python开发包。