我想说这是您的选择，完全取决于您对语言的舒适度（或学习的愿望）。两种语言都有广泛的软件包/库生态系统，包括一些可用于欺诈检测的生态系统。我认为异常检测是该主题的主题。因此，以下资源说明了每个生态系统中任务的各种方法、方法和工具。

Python 生态系统

• scikit-learn图书馆：例如，请参阅此页面；
• LSAnomaly, 一个 Python 模块，改进OneClassSVM（一个替代品）：见这个页面；
• Skyline: 一个开源的实现例子，见它的 GitHub repo；
• StackOverflow上的相关讨论；
• pyculiarity，Twitter 的 AnomalyDetection R 包的 Python 端口（如“Twitter 的异常检测包”下面的 R 生态系统的第二个项目符号中所述）。

R 生态系统

• CRAN 任务视图，特别是时间序列、多变量和机器学习；
• Twitter 的异常检测包；
• 预警信号 (EWS) 工具箱，其中包括earlywarnings 软件包；
• h2o机器学习平台（与 R 的接口）使用深度学习进行异常检测。

其他一般信息

• 一组幻灯片，提到了异常检测（AD）的多种方法；
• 关于Cross Validated的相关讨论；
• ELKI 数据挖掘框架，实现了大量的 AD（和其他）算法。

这在很大程度上是一个主观问题。试图列出一些对我来说似乎客观的标准：

• Python 的重要优点是它是一种通用语言。如果您需要对程序进行统计之外的任何其他操作（生成 Web 界面，将其与报告系统集成，将其传递给其他开发人员进行维护），那么使用 Python 会好得多。

• R 的重要优势在于它是一种专门的语言。如果您已经知道要使用一种技术，并且它不是通常的嫌疑人（如 NN），那么您可能会在 CRAN 中找到一个让您的生活更轻松的库。

这是另一个更主观的建议：

• 两种语言都不是真正以性能为导向的。如果你需要处理大量的数据，或者处理速度非常快，或者并行处理，你就会遇到麻烦……但是使用 R 遇到这样的麻烦要比使用 Python 容易得多。以我的经验，你会在几周内发现 R 的极限，而推动极限的方法非常神秘。虽然您可以使用 Python 多年，但永远不会真正错过 C 开发人员一直称为圣杯的速度，即使您这样做了，您也可以使用 Cython 来弥补差异。唯一真正的问题是并发性，但对于统计数据来说，这几乎不是问题。