我將嘗試使用這兩種語言的人來提出答案，以解決這兩種語言在數據科學/統計/數據分析等方面發揮作用的要點。
數據分析的工作流程通常包括以下步驟：
- 從某種來源（很可能是SQL / noSQL數據庫或.csv文件）中獲取數據。
- 以一種體面且合理的格式（數據幀）解析數據，以便人們可以進行操作並據此進行思考。
- 對數據應用某些功能（分組，刪除，合併，重命名）。
- 對數據應用某種模型（回歸，聚類，神經網絡或任何其他或多或少複雜的理論）。
- 向或多或少的技術受眾部署/展示結果。
ol>
獲取數據
99％的時間裡，獲取數據的過程歸結為查詢某種SQL或Impala數據庫：Python和R都有特定的客戶端或庫，這些客戶端或庫可立即且同樣出色地完成工作（ RImpala ，用於R的 RmySQL 和用於Python的 MySQLdb 可以正常工作，實際上並沒有增加太多）。在讀取外部.csv文件時，用於R的 data.table 程序包提供了 fread 函數，該函數可以讀取大型複雜的.csv文件，並在其中包含任何自定義解析選項。沒有時間，並將結果直接轉換為具有列名和行號的數據框。
整理數據框
我們希望將數據存儲在某種表中，以便我們可以輕鬆訪問任何單個條目，行或列。
R包 data.table 提供了無與倫比的方式來標記，重命名，刪除和訪問數據。標準語法非常類似於SQL，如 dt [i，j，fun_by] ，其中意為 dt [where_condition，select_column，grouped_by（或類似名稱）] 代碼>;可以在其中以及 j 子句中放置自定義的用戶定義函數，這樣您就可以完全自由地操作數據並將任何復雜的或複雜的函數應用於組或子集（例如第i行，第k個元素，並將其求和到第（i-1）行的第（k-2）個元素，當且僅當整列的標準偏差為“是”時，完全按最後一列分組）。看看基準和關於SO的另一個令人驚奇的問題。對列和行進行排序，刪除和重命名就可以完成它們，標準的矢量化R方法 apply，sapply，lapply，ifelse 可以對列和數據幀執行全部矢量化操作，而無需循環遍歷每個元素（請記住，每當您在R中使用循環時，都會犯錯）。
Python的反武器是 pandas 庫。最後，它提供了一種結構 pd.DataFrame （標準Python缺少這種結構，由於某種原因我還是不知道），該結構將數據按其本身來對待，即數據幀（而不是某些 numpy數組，numpy列表，numpy矩陣或其他）。分組，重命名，排序等操作很容易實現，在這裡，用戶也可以使用Python apply 或 lambda 。我個人不喜歡語法 df [df.iloc（...）] 來訪問條目，但這只是個人喜好，完全沒有問題。分組操作的基準仍然比R data.table 差一點，但是除非您想節省0.02秒的編譯時間，否則性能不會有太大差異。
字符串
R處理字符串的方法是使用 stringr 包，該包允許輕鬆進行任何文本操作，字謎，正則表達式，尾隨空格或類似操作。它也可以與JSON庫結合使用，這些JSON庫解壓縮JSON字典並取消列出其元素，從而使人們擁有一個最終的數據幀，其中的列名和元素是它們所必須的，而沒有任何非UTF8字符或空白在那裡。
Python的Pandas .str。在處理正則表達式，尾隨或其他方面都表現出與競爭對手相同的工作，因此即使在口味上也沒有太大差異。
應用模型
在我看來，這是兩種語言之間出現差異的地方。
R擁有無與倫比的庫集，這些庫使用戶基本上可以在一到兩行代碼中完成他們想要的任何事情。標準函數或多項式回歸以單線執行，並產生其係數易於閱讀的輸出，以及相應的置信區間和p值分佈。同樣對於聚類，對於隨機森林模型，對於樹狀圖，主成分分析，奇異值分解，對數擬合，等等。上面每一個的輸出很可能帶有一個特定的繪圖類，該類生成可視化的可視化內容，並用顏色和氣泡表示係數和參數。假設檢驗，統計檢驗，Shapiro，Kruskal-Wallis等可以通過適當的庫以一行代碼進行。
Python試圖跟上 SciPy 和 scikit-learn 。大多數標準分析和模型也都可用，但它們的編碼時間稍長，而讀取則不太直觀（我認為）。雖然可以追溯到已經存在的庫的某些組合，但是缺少更複雜的機械。我更喜歡在Python中而不是在R中做的一件事是使用二字組，三字組和更高階的詞袋文本分析。
呈現結果
這兩種語言都有漂亮的繪圖工具，首先是R ggplot2 和相應的Python等效項。雖然競爭並不多，但它們可以安全可靠地完成工作，儘管我相信，如果您要展示結果，則可能必須使用其他工具-那裡有花哨的色彩繽紛的設計工具，而且沒有Python R也不用花哨的紅色和綠色拖放來使觀眾驚訝。 R最近在其 shiny應用功能上發布了許多改進，這些改進基本上使它能夠生成交互式輸出。我從不想學習它，但我知道它在那里而且人們很好地使用了它。
旁注
作為旁注，我想強調指出，兩種語言之間的主要區別在於Python是通用編程語言，由計算機科學，可移植性，部署等製成，並由它們製成。它的功能很棒，而且學習起來很簡單；沒有人不喜歡python。但這是一種進行編程的編程語言。
另一方面，R是由數學家，物理學家，統計學家和數據科學家發明的，並且是為他們而創造的。如果您來自那個背景，那麼一切都會非常有意義，因為它完美地反映和重現了統計和數學中使用的概念。但是，如果相反，您是計算機科學背景的，並且想在R中模擬Java或C，您將很失望。它沒有標準意義上的“對象”（嗯，有，但是沒有人通常認為的...），它沒有標準意義上的類（是，但沒有通常意義上的類）認為它們是……），它沒有“指針”或所有其他計算機科學結構-只是因為它不需要它們。最後但並非最不重要的一點：文檔和軟件包很容易創建和閱讀（如果使用Rstudio）；那裡有一個龐大而熱情的社區，而Google花費大約五秒鐘的時間“如何在R中執行插入隨機問題”，其第一項將您重定向到具有相應代碼的問題的解決方案（由他人完成） ，很快。
大多數工業公司的基礎設施都使用Python（或Python友好環境）構建，可以輕鬆集成Python代碼（只需在任何地方 import myAnalysis 即可完成）。但是，任何現代技術，服務器或平台都可以輕鬆運行後台R代碼，而不會出現任何問題。