Python與R相比速度要快。Python可以直接處理上G的數據；R不行，R分析數據時需要先通過數據庫把大數據轉化為小數據（通過groupby）才能交給R做分析，因此R不可能直接分析行為詳單，只能分析統計結果。所以有人說：Python=R+SQL/Hive，並不是沒有道理的。
Python的壹個最明顯的優勢在於其膠水語言的特性，很多書裏也都會提到這壹點，壹些底層用C寫的算法封裝在Python包裏後性能非常高效(Python的數據挖掘包Orange canve 中的決策樹分析50萬用戶10秒出結果，用R幾個小時也出不來，8G內存全部占滿)。但是，凡事都不絕對，如果R矢量化編程做得好的話（有點小難度），會使R的速度和程序的長度都有顯著性提升。
R的優勢在於有包羅萬象的統計函數可以調用，特別是在時間序列分析方面，無論是經典還是前沿的方法都有相應的包直接使用。
相比之下，Python之前在這方面貧乏不少。但是，現在Python有了pandas。pandas提供了壹組標準的時間序列處理工具和數據算法。因此，妳可以高效處理非常大的時間序列，輕松地進行切片/切塊、聚合、對定期/不定期的時間序列進行重采樣等。可能妳已經猜到了，這些工具中大部分都對金融和經濟數據尤為有用，但妳當然也可以用它們來分析服務器日誌數據。於是，近年來，由於Python有不斷改良的庫（主要是pandas），使其成為數據處理任務的壹大替代方案。
做過幾個實驗：
1. 用python實現了壹個統計方法，其中用到了ctypes，multiprocess。
之後壹個項目要做方法比較，又用回R，發現壹些bioconductor上的包已經默認用parallel了。（但那個包還是很慢，壹下子把所有線程都用掉了，導致整個電腦使用不能，看網頁非常卡~）
2. 用python pandas做了壹些數據整理工作，類似數據庫，兩三個表來回查、匹配。感覺還是很方便的。雖然這些工作R也能做，但估計會慢點，畢竟幾十萬行的條目了。
3. 用python matplotlib畫圖。pyplot作圖的方式和R差異很大，R是壹條命令畫點東西，pylot是準備好了以後壹起出來。pyplot的顏色選擇有點尷尬，默認顏色比較少，之後可用html的顏色，但是名字太長了~。pyplot 的legend比R 好用多了，算是半自動化了。pyplot畫出來後可以自由拉升縮放，然後再保存為圖片，這點比R好用。
總的來說Python是壹套比較平衡的語言，各方面都可以，無論是對其他語言的調用，和數據源的連接、讀取，對系統的操作，還是正則表達和文字處理，Python都有著明顯優勢。 而R是在統計方面比較突出。但是數據分析其實不僅僅是統計，前期的數據收集，數據處理，數據抽樣，數據聚類，以及比較復雜的數據挖掘算法，數據建模等等這些任務，只要是100M以上的數據，R都很難勝任，但是Python卻基本勝任。
結合其在通用編程方面的強大實力，我們完全可以只使用Python這壹種語言去構建以數據為中心的應用程序。
但世上本沒有最好的軟件或程序，也鮮有人能把單壹語言挖掘運用到極致。尤其是很多人早先學了R，現在完全不用又舍不得，所以對於想要學以致用的人來說，如果能把R和Python相結合，就更好不過了，很早看過壹篇文章——讓R與Python***舞，咱們壇子裏有原帖，就不多說了，看完會有更多啟發。
BTW： 如果之前沒有學過R，可以先學Python然後決定是不是學R，如果學了R，學Python的時候會更快上手。