Python与R不同，Python是一门多功能的语言。数据统计是更多是通过第三方包来实现的。
具体来说，我常用的Python在统计上面的Package有这样一些
1.Numpy与Scipy。这两个包是Python之所以能在数据分析占有一席之地的重要原因。其中Numpy封装了基础的矩阵和向量的操作，而Scipy则在Numpy的基础上提供了更丰富的功能，比如各种统计常用的分布和算法都能迅速的在Scipy中找到。
2.Matplotlib。这个Package主要是用来提供数据可视化的，其功能强大，生成的图标可以达到印刷品质，在各种学术会议里面出镜率不低。依托于Python，可定制性相对于其他的图形库更高。还有一个优点是提供互动化的数据分析，可以动态的缩放图表，用做adhoc analysis非常合适。
3.Scikit Learn。非常好用的Machine Learning库，适合于用于快速定制原型。封装几乎所有的经典算法(神经网络可能是唯一的例外，不过这个有Pylearn2来补充)，易用性极高。
4.Python标准库。这里主要是体现了Python处理字符串的优势，由于Python多功能的属性和对于正则表达式的良好支持，用于处理text是在合适不过的了。
基本上就日常使用就涉及这些。符号运算等等也有Sympy和Theano等强力第三方库来支持。总结，Python在你列举这些里面是综合功能最强大的，但是这些功能分散在第三方库里面，没有得到有机的整合，相应的学习成本会较高。
【pengwang的回答(23票)】:
python与R相比速度要快。python可以直接处理上G的数据；R不行，R分析数据时需要先通过数据库把大数据转化为小数据（通过groupby）才能交给R做分析，因此R不可能直接分析行为详单，只能分析统计结果。Python=R+SQL/Hive
R的优势在于有包罗万象的统计函数可以调用，特别是在时间序列分析方面（主要用在金融分析与趋势预测）无论是经典还是前沿的方法都有相应的包直接使用；相比python在这方面贫乏不少。
Python的优势在于其胶水语言的特性，一些底层用C写的算法封装在python包里后性能非常高效(Python的数据挖掘包Orange canve 中的决策树分析50万用户10秒出结果，用R几个小时也出不来，8G内存全部占满)。
总的来说Python是一套比较平衡的语言，各方面都可以，而R是在统计方面比较突出。但是数据分析其实不仅仅是统计，前期的数据收集，数据处理，数据抽样，数据聚类，以及比较复杂的数据挖掘算法，数据建模等等这些任务，只要是100M以上的数据，R都很难胜任，但是Python却基本胜任。
补充一下：
Python有专门的数据分析包Pandas用来完成类似SQL的功能，不过Pandas是会把数据都load到内存里，如果数据太大（2G以上）需要想办法分chunk分析，或者用pytables/pyh5转换为hdf5格式的文件在硬盘上分析。
另外如果是windows环境的话，建议用winpython，上面提到的这些包会自带。当然更丰富的是pythonxy可惜这个只有32位的。
SAS和SPSS是商业数据分析软件，本屌从来没用过。
【知乎用户的回答(2票)】:
详情请看url详情请看url
SAS vs. R (vs. Python)
【陈丹奕的回答(2票)】:
说说我的经验吧，我的工作偏向于数据分析建模，所以PYTHON主要用来处理一些数据，比如做名称关键字的切词统计。SPSS主要用于对处理好的数据作分析，生成报告。
【马光的回答(3票)】:
首先，我觉得用python来和r比较是蛮合理的，同时作为开源语言，有着强大的类库和开源文档支持。而用python来和SASSPSS比，不是很合理，作为主攻“开箱即用”的商业软件，UI、适用性等都可能重要，大多用商业软件的都是图方便，比如你要作为ARIMA，用软件就更方便，用开源语言还得编程。
工作中的适用性就得看工作要求，我一直学校R，统计制图很强大，直接生成印刷级别的图像。python的话，只知一二，不敢献丑。
所以，用开源工具还是用商业软件，就得看自己的风格，要便捷还是要全面？！
【栾生的回答(0票)】:
没有很大的数据。目前一般几十兆是大的，所以R基本够用。不过迈向基因组选择育种，数据都是上百兆的，不知道R如何？听说有不少针对大数据的R包，不知道效果如何。
