我最初来自 R，但现在 Python 似乎是更常见的语言。理想情况下，我会在 Python 中完成所有编码，因为语法更容易，而且我在使用它时有更多的实际经验——而且来回切换是一种痛苦。
除了 ML 类型的东西之外，我所做的所有统计分析都是在 R 中进行的——比如回归、时间序列、方差分析、逻辑回归等。我从来没有真正在 Python 中做过那种类型的东西。但是，我正在尝试为自己创建一堆代码模板，在开始之前，我想知道 Python 是否足够深，可以完全取代 R 作为我选择的语言。我最终确实计划更多地转向 ML，并且我知道 Python 可以做到这一点，最终我会想象我必须使用更基础的语言，比如 C++。
任何人都知道 Python 在统计分析方面的局限性是什么，或者与使用 R 与 Python 作为统计分析的主要语言的优缺点有关吗？
Python 更“通用”，而 R 则更清楚（呃）关注统计数据。但是，您可以在 R 中完成的大多数（如果不是全部）事情也可以在 Python 中完成。不同之处在于您需要在 Python 中使用额外的包来完成一些可以在基础 R 中执行的操作。
一些例子：
lm) 是基础 R，而您需要在 Python中使用statsmodels或scikit 。有一些重要的概念差异需要考虑。总体而言，这导致需要在 Python 中流利地工作所需的一些额外努力（和知识）。我个人经常觉得使用基础 R 更舒服，因为我觉得在（基础）R 中“更接近数据”。
然而，在其他情况下，例如当我使用 boosting 或神经网络时，Python 似乎比 R 更有优势。许多算法都是在C++（例如Keras、LightGBM）中开发的，并适用于 Python 和（通常后来）R。至少在如果您使用 Windows，这通常更适用于 Python。你可以在 R 中使用诸如 Tensorflow/Keras、LightGBM、Catboost 之类的东西，但有时在 R 中运行额外的包可能会让人望而生畏（尤其是在 GPU 支持的情况下）。
许多包（或方法）可用于 R 和 Python，例如 GLMnet（for R / for Python）。您还可以根据“统计学习简介”的实验室（也可用于 R和Python ）看到，就您可以做什么而言，这两种语言之间并没有太大的区别。不同之处更像是事情的完成方式。
最后，由于 Python 比 R 更“通用”（至少在我看来），你可以用 Python 做一些有趣和有趣的事情（除了统计数据），而用 R 做不到（至少它更难）。
Python 被更广泛地使用是一个重要的考虑因素。这在申请工作时尤其重要。此外，Python 拥有与 R 一样多的关键统计和 ML/AI 工具，以及更大的开源基础可供使用。Python 是为程序员设计的，R 是为统计学家设计的。最初我是一名 R 程序员，但我的大多数同事都在使用 Python，所以我最终转行了。
以下是一些基本区别：
Python：
回复：
很好的参考：datacamp.com/community/tutorials/r-or-python-for-data-analysis
还应该提到我在 Python 中使用 R 代码，使用 Rpy2。如果您使用的是笔记本，只需在安装必要的 R 库后使用 %%R
我想在现有答案中添加两点：
R 和 python 之间有很好的交互，每个方向都有各种可能性。
对我来说，python 与 R 的决定并不重要。决定是为手头的项目选择适当的主要语言，然后如果出于某种原因更好的话，用另一种语言做部分。
我发现在 R 中生成报告的工具更加方便。
由于我的许多工作都在于生成有关统计分析的报告，因此我主要使用 R。
如果我今天遇到我认为在 python 中完成的数据分析+报告，我会将报告设置为“R”markdown 并在 python 块中执行 python。
从 R 到 Python 的一个问题是 Python 统计生态系统往往更面向机器学习而不是推理统计。
这可能会造成一些麻烦，因为 R 中的一些默认值是默认值，因为在社会科学中进行推理统计的人总是使用它们，而不是主要 Python 库中的默认值。
例如，Statsmodels（推理统计的标准库之一）在执行线性回归时默认不包含截距，除非您将 R-style 公式与 Patsy 一起使用，在这种情况下它包含在内。
另一个例子：Python 中的 Scikit-learn 使用除以 n（“人口”）公式计算标准差，而 R 使用除以 n-1（“样本”）公式。
这类事情往往会让生态系统新手感到困惑，并造成完全不必要的认知负担。所以这是一个权衡。