用R做过Python擅长的，也用Python做过R擅长的。有一天，打开官网，看到两句话，豁然开朗。

R：R is a free software environment for statistical computing and graphics.

Python: Python is a programming language that lets you work quickly and integrate systems more effectively.

至于在统计学领域，python和R哪个用于更适合统计学分析，就目前来看，要就统计学的不同领域来考虑：

1. 对于基本的统计学分析，如涉及到数据的提取，清洗，重组，切片，合并，基本统计表和统计图，简单的假设检验，python的简洁性和统一性更适合我，所以个人更偏向python。即使R里面有很多非常高效的包(参考Hadley Wickman大神的那一大堆)。

2. 对于更加专业的统计学分析。R完全对得起生于S语言之中，长于统计学家之手一说。比如，GLMM，实验设计，多元时间序列等等，无论是丰富性还是专业性R都要胜过python很多。

这也是为什么Python更具有工业基因，而R更为统计学术研究所接纳的一个原因吧。

————————————

好久前的一个回答，没想到还会更新。

如果认真回答问题，“R 和 Python (numpy scipy pandas) 用于统计学分析，哪个更好？”。如果强调的是统计学分析，答案是R更好，Python(Numpy Scipy pandas)最多算上是数据清洗和处理吧(也许用词不大准确)，与真正统计学意义上的分析靠的不是很近，Statsmodels 还差的远，也就算得上是传统统计(截止到上个世纪60年代？我不确定)吧。下面说说自己的两个角度的思考：

第一个角度，每一个软件都有一个基因，相比python的计算机基因，R有浓重的统计学基因。Python(仅仅含数据方面的模块，其他的方面Python应用太广，不讨论)和R的比较其实可以映射到目前很火的机器学习和统计学的比较。机器学习重预测，统计学重可解释性。当然机器学习也借鉴了统计学的分析模型(注意只是分析模型)，如Scikit-Learn上的ridge regression, lasso 等，但是如果对比相应的R上的输出结果，你就会很清晰的看到明白，一个的预测性和一个解释性。R的结果常常会输出一大堆假设检验，解释性的东西；而python就是典型的计算机输出结果。

另外，还说一个角度，工具的好坏永远是工具其中的哲学。人们喜欢R中以DataFrame呈现数据的方式，其实这个不就是统计学中样本+变量的思维方式吗？还是统计学的哲学；ggplot2十年前出现的时候，在可视化界可以说是一骑绝尘，但是这个和R好像关系不大吧(R只是承载这个实现的一个平台而已)，真正令人赏心悦目的难道不是The grammar of graphics 中所蕴含的哲学么？而这个模块出现在R或者python中并不是很重要。而同样的，人们喜欢用Python，难道不是向往于The Zen of Python中的美好生活么？来一起念：Beautiful is better than ugly；Explicit is better than implicit；Simple is better than complex，etc. etc......

最后，实际工作了就不会有这种哪个更好的想法，黑猫白猫，撸到老鼠就是好猫。软件没有谁好，谁坏，永远取决使用者的目的。

比如好不容易学了那么长时间的R和Python，无意间进入一级市场，现在99%的情况都在用Excel。

我也觉得好惊喜，好意外。