R是S（Splus）的開源版本，或者下壹代。發源地在新西蘭奧克蘭。這個軟件的統計背景很濃烈。我這裏濃烈的意思是，如果妳不熟習統計知識（歷史）的話，R的幫助文檔看起來是很累的。由統計背景的人開發。R的維護組叫CRAN-R。在生物信息方便，有個叫bioconductor的組織，裏面有很多生物信息方面可以用的軟件包，他們有壹套自己維護package系統。
Python是個綜合語言（這裏特指指CPython解釋器），numpy scipy是數值計算的擴展包，pandas是主要用來做數據處理（numpy依賴），sympy做符號計算（類似mathematica？）此外還有壹些不太成熟的包如sciki learn，statistical models。成熟度不如R。但是已經到了可用的水平了。是讀計算機的人寫的統計包。ipython 更新到1.0以後，功能基本完善，其notebook非常強大（感覺就像mathematica)而且還是基於web，在合作分享方面非常好用。
性能：
大家都說R慢，特別是CS的人。其實這裏主要是兩點：壹個R裏面數組的調用都是用復制的，二是Rscript慢。三是處理大數據慢。如果R用的好的話，R是不太慢的。具體來說就是Rscript用的少，多用命令，跑點小數據。這樣的話，實際在跑的都是背後的fortran和C庫。他們都有快二三十年歷史了。可謂異常可靠，優化得不能再優化了（指單線程，如果去看源代碼揮發先許多莫名的常數，永用了以後精度高速度快！）。比如壹個自己編寫壹個R腳本，loop套loop的那種，那真是想死的心都會有。外加壹點，R處理文本文件很慢！
Python歸根揭底還是個有解釋器的腳本語言，而且有致命傷——GIL，但python最難能可貴的就是它很容易變得更快。比如pypy，cython，或者直接ctypes掛C庫。純python寫個原型，然後就開是不斷的profiling和加速吧。很輕易可以達到和C壹個數量級的速度，但是寫程序、調試的時間少了很多。
並行計算：
R v15 之後有了自帶的parallel包，用挺輕松的。不過其實就是不停的fork，或者mpi，內存消耗挺厲害的。parSapply，parApply什麽的，真是很好用。
Python雖然有GIL——並行計算的死敵，但是有multiprocessing(fork依賴) ，是可以***享數據的什麽的，估計內存消耗方面比R好點，數據零散的話overhead很多。到了MPI的話，mpi4py還是挺好用的。用cython的話結合openmp可以打破GIL，但是過程中不能調用python的對象。
學習曲線：假設什麽編程都不會的同學。
R壹開始還是很容易上手的，查到基本的命令，包，直接print壹下就有結果了。但是如果要自己寫算法、優化性能的時候，學習難度陡增。
Python麽，挺好學的，絕大多數的幫助文檔都比R好了許多。有些包用起來沒R方便。總的來說深入吼R陡。
擴展資源：
基本上新的統計方法都會有R的package，安裝實用都不麻煩。但是基本上都是搞統計的人寫的計算機包。所以效能上可能有問好。比較出名的有兩個包的管理網站，cran-r 和bioconductor。 所以搞生化的估計R用起來很方便。
python的統計計算包們比R少，多很年輕，還在不斷的開發中。優於是計算機人寫的統計包，用起來的時候要多漲個心眼。
畫圖：
R自帶的那些工具就挺好用了，然後還有ggplot這種非常優美的得力工具。
python 有matplotlib，畫出來效果感覺比R自帶的好壹些些，而且界面基於QT，跨平臺支持。可能是R用得多了，pyplot用起來還是不太順手，覺得其各個組建的統壹性不高。
IDE：
Rstudio非常不錯，提供類matlab環境。（用過vim-r-plugin，用過emacs + ess現在用vim。）
windows 下有python(x,y) 還有許多商業的工具。（本人現在的emacs環境還不是很順手~）
建議：
如果只是處理（小）數據的，用R。結果更可靠，速度可以接受，上手方便，多有現成的命令、程序可以用。
要自己搞個算法、處理大數據、計算量大的，用python。開發效率高，壹切盡在掌握。
ps：盲目地用R的包比盲目的地用python的包要更安全。起碼R會把妳指向壹篇論文，而python只是指向壹堆代碼。R出問題了還有論文作者、審稿人陪葬。