在分析开始之前，Matloff先抛出自己可能带有的潜在偏见：他写过4本与R相关的书，在useR!和其他R的会议上做过演讲，并且目前担任R期刊的主编。但同时他也用Python敲过多年代码。Matloff希望自己的分析能够被认为是公平且有帮助的。
接着，这位专业的计算机科学家和统计学家从以下几方面对R和Python做出了对比：
优雅Python明显胜出。
当然这是主观的。但是在不同编程语言的对比之下，Python大大减少了括号的使用：ifxy:z=5w=8vs.
if(xy){z=5w=8}
Python很时尚！
学习曲线R在这一场赢得巨大胜利。
作为一名教育工作者，Matloff对这一点尤其感兴趣。
若使用Python做数据科学，必须学习很多不在基础Python中的材料，例如NumPy、Pandas和matplotlib。
相比之下，矩阵类型和基本图形已经内置于基础R，新手可以在几分钟内完成简单的数据分析。
即使对于精通系统的人来说，Python库也很难配置，而大多数R软件包都是开箱即用的。
可用的数据科学库R轻微取胜。
CRAN拥有超过14,个包。PyPI的包则多于,个，不过在数据科学方面看起来似乎比较薄弱。
Matloff举了一个例子：他曾经需要代码来快速计算给定数据点的最近相邻，在CRAN中能够立即找到不止一个包来执行此操作。而在PyPi中粗略搜索后空手而归。
他还指出在PyPI中进行以下搜索没有任何结果：EM算法；对数线性模型；泊松回归；工具变量；空间数据；整体错误率等等。
“这并不是说这些东西不存在Python库。只是在PyPI中不容易找到它们，而在CRAN中很容易找到。”
事实上，R具有规范的封装结构是一个很大的优势。安装新软件包时，确切地知道会出现什么。类似地，R的泛型函数对于R来说也是一大的优势。当使用新的包时，人们知道自己可以使用print()、plot()、summary()等，所有这些都构成了包的“通用语言”。
机器学习Python略微胜出。
Rvs.Python辩论主要是统计与CS的争论，由于神经网络的大多数研究来自CS，因此NN（NeuralNetwork，神经网络）的可用软件主要是Python。RStudio在开发Keras实现方面做了一些出色的工作，但目前为止，R在这个领域受到限制。另一方面，随机森林研究（randomforestresearch）主要由统计界进行，在这个领域R更具优越性。R还具有优异的梯度增强封装。
这里Python略胜一筹，因为对很多人来说，机器学习就意味着神经网络。
统计正确性R赢得大胜。
Matloff表示“R是由统计学家为统计学家编写的”。他发现“那些主要使用Python进行机器学习的人往往对其中的统计问题缺乏了解，甚至不屑一顾”。
并行计算双方打成平手。
R和Python的基础版本都不能很好地支持多核计算。Python中的线程很适合I/O，但由于臭名昭著的GlobalInterpreterLock，使用它们进行多核计算是不可能的。Python的多处理软件包和R的“并行”软件包都不是好的解决方法。支持集群计算的外部库在两种语言中都OK。
目前，Python具有更好的GPU接口。
C/C++接口和性能增强R略胜一筹。
虽然有SWIG等工具可以将Python连接到C/C++，但目前没有像R的Rcpp那样强大的功能。Pybind11软件包正在开发中。
此外，R的新ALTREP理念在提高性能和可用性方面具有巨大潜力。
另一方面，Python的Cython和PyPy变体在某些情况下可以预先消除对显式C/C++接口的需求。确实有人会说Cython是一个C/C++接口。
面向对象，元编程依然是R略胜一筹。
举例来说，尽管函数在两种语言中都可作为对象，但R比Python更进一步。Matloff说每当自己使用Python工作时，都会因为无法直接将函数输入到终端或编辑它而感到恼火，但在R上就可以这样做。
Python只有一个OOP范例。在R中，可以选择几种（S3、S4、R6等），不过也有些人可能会争论这是否是一件好事。
R有神奇的元编程特性（产生代码的代码），但是大多数CS人都没有意识到它。
语言统一性R惨败。
Python目前正在从2.7版过渡到3.x版，这会导致一些中断，但不至于太复杂。
相比之下，R正迅速转变为两种相互无法理解的语言，即普通的R和Tidyverse。作为一名经验丰富的R程序员，Matloff表示自己无法阅读Tidy代码，因为它调用了许多他不知道的Tidyverse函数。也有网友评论说“人们可以在对R没什么了解的情况下，在Tidyverse中进行编码”。
关联的数据结构Python获胜。
经典计算机科学数据结构，例如二叉树，很容易在Python中实现。它不是基础R的一部分，但可以以各种方式完成，例如数据结构包，它包含了使用广泛的BoostC++库。
在线帮助R大获胜。
首先，R的基本help()函数比Python的信息量大得多。它很好地补充了example()。最重要的是，在R包中能够编写vignette（通过函数vignette()返回，一般是PDF格式的实用介绍性文章）使R在这方面成为了一个不折不扣的赢家。
R/Python互操作性RStudio开发的reticulate包能够在R上运行Python，可以作为Python和R之间的桥梁，适用于纯计算。但它并没有解决Python中出现的棘手问题，例如虚拟环境等。
目前，Matloff不建议编写混合的Python/R代码。
分析了这么多，最后当然还是要根据实际需求来进行选择，毕竟语言之间没有孰优孰劣。
查看「阅读原文」以了解更多。
开源中国征稿啦！
开源中国