【周则禹的回答(160票)】:
错别字比较多，请谅解~
总的概括：R主要在学术界流行，python(numpy scipy)在工程方便比较实用。
R是S（Splus）的开源版本，或者下一代。发源地在新西兰奥克兰。这个软件的统计背景很浓烈。我这里浓烈的意思是，如果你不熟习统计知识（历史）的话，R的帮助文档看起来是很累的。由统计背景的人开发。R的维护组叫CRAN-R。在生物信息方便，有个叫bioconductor的组织，里面有很多生物信息方面可以用的软件包，他们有一套自己维护package系统。
Python是个综合语言（这里特指指CPython解释器），numpy scipy是数值计算的扩展包，pandas是主要用来做数据处理（numpy依赖），sympy做符号计算（类似mathematica？）此外还有一些不太成熟的包如sciki learn，statistical models。成熟度不如R。但是已经到了可用的水平了。是读计算机的人写的统计包。ipython 更新到1.0以后，功能基本完善，其notebook非常强大（感觉就像mathematica)而且还是基于web，在合作分享方面非常好用。
性能：
大家都说R慢，特别是CS的人。其实这里主要是两点：一个R里面数组的调用都是用复制的，二是Rscript慢。三是处理大数据慢。如果R用的好的话，R是不太慢的。具体来说就是Rscript用的少，多用命令，跑点小数据。这样的话，实际在跑的都是背后的fortran和C库。他们都有快二三十年历史了。可谓异常可靠，优化得不能再优化了（指单线程，如果去看源代码挥发先许多莫名的常数，永用了以后精度高速度快！）。比如一个自己编写一个R脚本，loop套loop的那种，那真是想死的心都会有。外加一点，R处理文本文件很慢！
Python归根揭底还是个有解释器的脚本语言，而且有致命伤——GIL，但python最难能可贵的就是它很容易变得更快。比如pypy，cython，或者直接ctypes挂C库。纯python写个原型，然后就开是不断的profiling和加速吧。很轻易可以达到和C一个数量级的速度，但是写程序、调试的时间少了很多。
并行计算：
R v15 之后有了自带的parallel包，用挺轻松的。不过其实就是不停的fork，或者mpi，内存消耗挺厉害的。parSapply，parApply什么的，真是很好用。
Python虽然有GIL——并行计算的死敌，但是有multiprocessing(fork依赖) ，是可以共享数据的什么的，估计内存消耗方面比R好点，数据零散的话overhead很多。到了MPI的话，mpi4py还是挺好用的。用cython的话结合openmp可以打破GIL，但是过程中不能调用python的对象。
学习曲线：假设什么编程都不会的同学。
R一开始还是很容易上手的，查到基本的命令，包，直接print一下就有结果了。但是如果要自己写算法、优化性能的时候，学习难度陡增。
Python么，挺好学的，绝大多数的帮助文档都比R好了许多。有些包用起来没R方便。总的来说深入吼R陡。
扩展资源：
基本上新的统计方法都会有R的package，安装实用都不麻烦。但是基本上都是搞统计的人写的计算机包。所以效能上可能有问好。比较出名的有两个包的管理网站，cran-r 和bioconductor。 所以搞生化的估计R用起来很方便。
python的统计计算包们比R少，多很年轻，还在不断的开发中。优于是计算机人写的统计包，用起来的时候要多涨个心眼。
画图：
R自带的那些工具就挺好用了，然后还有ggplot这种非常优美的得力工具。
python 有matplotlib，画出来效果感觉比R自带的好一些些，而且界面基于QT，跨平台支持。可能是R用得多了，pyplot用起来还是不太顺手，觉得其各个组建的统一性不高。
IDE：
Rstudio非常不错，提供类matlab环境。（本人过去用vim-r-plugin，现在用emacs + ess。）
windows 下有python(x,y) 还有许多商业的工具。（本人现在的emacs环境还不是很顺手~）
建议：
如果只是处理（小）数据的，用R。结果更可靠，速度可以接受，上手方便，多有现成的命令、程序可以用。
要自己搞个算法、处理大数据、计算量大的，用python。开发效率高，一切尽在掌握。
ps：盲目地用R的包比盲目的地用python的包要更安全。起码R会把你指向一篇论文，而python只是指向一堆代码。R出问题了还有论文作者、审稿人陪葬。
题外话，个人经验：
【知乎用户的回答(41票)】:
的确，如同@周则禹 在回答中说到的，R是统计学家的东西。
统计学家是一种什么生物呢？
“哈希表？二叉树？链表？这是啥，可以吃吗？”
“循环？递归？没学过，不会！”
所以，在R中没有我们在计算机课上学的各种数据结构（至少不安装扩展包就没有）。如果你写的代码中还用循环来处理数据，而不是用apply、aggregate之类的函数，那么在R圈里会被人嘲笑。如果你的思维还是无法从计算机编程习惯中切换到R的话，那么还是用Python吧。
也是由于上述问题，R完全没有考虑内存优化和算法加速之类的问题（R中不会关心sort函数是用快排还是冒泡实现的），所以数据量一大，计算机的内存就被占光了。不过有关内存和加速的问题已经有了许多的解决方案，例如用ICC编译R源代码链接MKL加速R数值计算，使用扩展包实现内存映射硬盘，等等。这些对于一个经验丰富的码农来说完全不在话下。所以，决定使用R还是Python的关键，就是你是否能够接受R的思想。
在R中，没有变量，只有数据！
没有循环，只有批处理！
没有计算机算法，只有数学模型！
如果决定使用R，那么就必须将自己从数据结构，算法策略这些知识中解脱出来。一个函数就是一个数学模型（回归、假设检验、方差估计），用统计和概率的思路去理解数据挖掘和机器学习的算法。使用R，能够将工作者从习惯的算法中解脱出来，真正去思考模型本身的数学意义，在数学层面去修改算法。忘记我们经常思考的算法复杂度和内存消耗之类的问题，推动机器学习和数据挖掘的关键动力，就是数学模型！
最后总结一下：
R能够用最短的代码实现一个新的统计模型和机器学习模型（前提是对R和扩展库很熟悉），并且每一句代码都有对应的数据和数学意义；因此R适用与建立新模型，新算法，并且对模型进行统计意义的评价。
Python能够让程序员在尽量不受语言细节的干扰下，将一个已经证明成熟和可靠的算法实现出来，并且投入工程应用，开发出实用的决策系统。
对语言的选择其实也是程序员对自我的定位：
是想做科学家，还是工程师。
【过拟合的回答(14票)】:
根据我的使用经验，我认为一般性的科研可以使用numpy工具链做为主力。
首先，在写矩阵计算相关的语句时，numpy的语法几乎能逼近MATLAB的简洁程度，而其他语言相对来说稍微“难看、难写”一些。
其次，当程序不仅仅涉及到科学计算时，用Python就可以大发神威了。比如我自己遇到的一个实际问题：需要对点云进行一些非常复杂的优化操作，之后需要画出三维图且支持一些拉近拉远转视角的操作，并且还要做出一个不错的界面方便调整参数、载入数据等等。看到画三维点云的第一反应就是用OpenGL，但是使用C/C++写那些非常繁杂的数值优化...用MATLAB可以很舒服、很便捷地写出优化部分的代码，但是直接画大规模的三维点云的速度，以及它那令人忧伤的GUI...
那Python就行吗？是的。在数值计算方面，Numpy/Scipy，以及强大的机器学习包scikit.learn，让这个过程十分惬意。在画三维点云方面，PyOpengl包完全就是OpenGL的Python封装，速度非常快，而且语法几乎同OpenGL一样。最后，使用PyQt写出基于Qt的GUI，这至少是一个标准的完备的GUI包，外观功能都不错。最后的最后，这个程序不需改动就可以跨平台运行，只要Linux/Windows用户按照标准过程安装了相应的包就可以使用，不用折腾本地编译之类的事情。
还有一个问题是速度。Windows下使用python(x,y)、Linux下源里默认安装方法的Python链接的都是较慢的Blas/Lapack库，而MATLAB默认链接MKL，所以矩阵计算速度会慢非常多。但是至少在Linux下是很容易让Numpy链接上MKL的，这样的Numpy计算速度与MATLAB几乎相同，所以速度不是严重的问题。也许C++能在循环上秒杀Python，但是如果你涉及到矩阵计算，用的普通的BLAS/LAPACK库，那么在核心的某几步上会慢成渣，从而在总的速度上被Python超越，得不偿失。当然你也可以让C++程序链接上MKL库，但要移植到别的平台又是一番折腾。
最后就是开发环境，个人推荐Eclipse的Pydev，用起来几乎同MATLAB一样，尤其是调试和看变量值方面。
在统计问题方面，用R写起来最舒服，因为包全，这一点Python或者C比不上。而且R也能链接MKL大大加快速度。还有就是，如果你要写统计方面的论文，那论文里的代码用R似乎会“显得”你更“
专业”一些。
上学期有流形学习课，我用scikit.learn包，几乎每次只改一句话就能提交作业（把LLE变成ISOMAP什么的）。还有一门统计学习课，让我深刻感觉到R就是用来写老师布置的ESL后面的那些编程题的，因为那些方法的作者，以及这本书的作者，写的就是R的包。至于大规模计算、实际的大型工程问题，我没有经验，所以不能提供更多信息了。
补充：如果觉得自己链接MKL库编译Numpy和R麻烦的话，Python可以使用Canopy(就是之前的EPD)，R可以使用Revolution R，都是一些商业公司帮配置好的完整发行版，链接了MKL库并支持其他一些特性（例如自带IDE等）。前者各平台都有，后者仅限Windows平台。
再补充：之前我写过两篇博文讲链接MKL库的方法。NumPy链接MKL请见Numpy使用MKL库提升计算性能，R链接MKL请见R链接MKL库以显著提升计算速度。
【知乎用户的回答(7票)】:
R为比较高等级的语言，R和python, C如今可以进行无缝连接。所以我觉得应该各取其长，用R把python和C连接好，取长补短，不被单一语言限制，才能迎接各种困难。
【肖楠的回答(7票)】:
个人现状：使用 R，学习 Python，关注 Julia。
【茉茉的回答(3票)】:
R。如有可能再接觸下 SAS 更好。
【肖龙飞的回答(2票)】:
如果做数据分析师，那么R就够用了，R中有很多现成的统计、数据挖掘的工具包；
如果是程序员，可以学python，用来做一般化编程python更合适些。
Python (programming language): What are the advantages of using Python over R?
【reverland的回答(2票)】:
先接触R，学习过程就一个蛋疼。后来开始python，从入门开始相比R一路顺手到不行。python不仅仅作为计算而开发，数据分析统计往往又要涉及很多非计算的东西，当时觉得脚本语言做这些乱七八糟的事真方便。
但这回头开始深入R之后，发现R rocks too，R是个很专注的环境，现成的东西太多了。
就国内而言，觉得R的社区比python科学计算社区活跃很多，两者风格也迥异(感觉一个大部分是折腾数据的一个简直都是折腾程序的)。
所以，不是为了写程序就R吧
【克林的回答(2票)】:
我也希望能只选一个而放弃另一个，但是在实际工作中，做不到。
R有着独一无二神一样的的ggplot（只是效率太低，希望dplyr发布后作者能够用它重构ggplot里的数据处理部分，取代plyr），还有data.table (它的语法实在是太精简了）。当然，R最显著的特点就是其语言特性支持超高的信噪比（这里特指数据整洁、分析时，其他时候相反！），同样的功能在R里所占据的字符数比在Python里少了一半以上。比如
R: a[x<2 & a>-3, list(y, z)] # (a 是一个 data.table)Python: a[(a['x']<2) & (a['x']>-3)][['y','z']] # (a 是一个 data frame)
但是，有时候，你需要自己写一些复杂的程序，或者调用一些外部的C, python代码，这个时候就Python 就显示出优势来了。用R写程序极其令人烦躁（很多代码都是为了做些不相干的事情，比如在一个正确的frame里获取一个object的名字 --> 为了能够在使用的时候保持高信噪比，我多次深陷quote, substitute, eval, parent.frame里不能自拔），同时效率也不高（除非你用Rcpp）。
【吴告于的回答(1票)】:
R会慢一些，pandas关键在于提供了两个类dataframe和series，以及许多高层的实现特定功能的函数。具体看你做什么应用。我比较偏向pandas。
【李作刚的回答(1票)】:
目前来看 ：
R 在统计方面做得非常好。是因为统计学领域长时间的积累，他又非常完善的各种统计学 package。但在实际操作中，R 单独是做不了事情的。 必须依赖Python 或者 Java 才能完成一个项目。
Python 可以方便的处理除了统计之外的其他事情。但统计这个短板绕不过。短期内也很难达到 R 的成熟。
所以当前的最好的是，用 R 来负责统计分析的核心环节。剩下的交给其他。
从长远来看，如果 Python 能把R 拥有的所有的统计学 package 重写一遍。就没 R 什么事情了。
【林春艾的回答(0票)】:
这个我也比较困惑，但现在想来，先学python相关的科学计算库，这个学起来曲线平缓一点。
【知乎用户的回答(0票)】:
尝试过很多次R，但最终还是Python用着顺手
【废城院长的回答(0票)】:
牵扯到多个平台间的计算 Python 容易点，如果数据都在一个平台，R的library 更丰富些。当然两者也可以互相调用.
【CosmiaFu的回答(0票)】:
为什么不试试两个都用呢？
就像C好还是Python好一样，为什么不试试两个一起用呢？
【林枫的回答(0票)】:
显然
python numpy scipy pandas matplotlib
R不适合集成
【Nextchen的回答(0票)】:
这个是在拉仇恨吗？完全没法比较，演变到最后，就成了程序派别之争了！学习的话，两个都无所谓。如果是生产环境，python 的性能自不必多说，R 近几年在大数据方面也是有长足的进步，SparkR，mpi，hadoop 等等，而且 Google facebook twitter 这些巨头也在关注 R。所以性能现在已经不是 R 的弊端，像 dplyr 这类 R 的包出现，单机的性能也能得到优化。所以说，不用问，试试才知道哪个适合你？
【王双洋的回答(0票)】:
既然题主说到 统计分析，那么我想应该毫无争议的选着R
【你知道我是张三的回答(0票)】:
玩学术理论什么的还是R，工程实践还是python吧。。。。
原文地址:知乎
联系客服
