Какой язык лучше для анализа данных и статистики: Python vs R? С каким работают ведущие data science специалисты и почему?

R - язык для обучения, исследований и быстрого прототипирования. Не согласен с тем, что он "сложнее Python в освоении": наверное, он сложнее для программиста, но для человека не изнуренного Паскалем он намного проще, поскольку более человечен. Таков мой личный опыт преподавания R с 2011 года. Он специализированный, прощает многие ошибки непрофессиональных пользователей (которые Python не простит),  его легко инсталлировать; он отлично работает с векторами - это вообще его идеология, заточенная под анализ данных; но он неэффективно работает с памятью и он медленный. Ориентация R на векторы и матрицы становится препятствием для опытных программистов, но для пользователей Excel это вещь интуитивно понятная: простые люди не умеют циклы (в R их лучше избегать - все медленно), а обработку данных мыслят как обработку колонок. По сравнению с Питоном, установка новых пакетов в R - это рай: все зависимости подгружаются сами, никогда не произойдет так, что вы день торчите на форумах, пытаясь понять что и откуда нужно подкачать, чтобы подкачать то, что позволит вам подкачать то, что позволит вам установить штуку, которая даст наконец возможность подкачать нужный пакет (причем этих штук обязательно окажется несколько, или несколько версий, или их нужно будет собирать у вас на компе, и т.п.) Узкая специализация, бесплатность, ориентация на непрограммистов и долгий срок жизни привели к тому, что вокруг R сложилась колоссальная экосистема: stackoverflow, масса форумов и блогов (r-bloggers.com), огромное количество учебников и учебных курсов, в том числе онлайновых, но самое главное (как отметил один из предыдущих ораторов) - в R реализовано все, что существует в data science, и даже сверх того. Все это определило сценарии использования R. Например, люди (специалисты по риск-менеджменту и анализу рынка), которые делают информационно-аналитическую платформу Bloomberg, сначала прототипируют модели в R, а потом программисты переписывают код на более эффективном C++. Но даже копирование вектора в C++ - это целая история, с точки зрения пользователя R. Важный момент - что исследователи-непрограммисты (они же часто и преподаватели экономики, финансов, социологии, психологии, биологии, зоологии и проч.) переходят на R в силу вышеописанных причин. А студенты учат язык, который знают их преподаватели :) В итоге мы имеем большую комьюнити, в которой все знают R и используют его для коммуникации научных результатов (Sweave в помощь). 

Python - это современный полноценный язык, со всеми достоинствами и недостатками понятия "современный полноценный язык". Точнее достоинство тут одно, и очень простое: если вы выучили современный полноценный язык, то вы полноценный современный программист. Python  более "строгий", установка пакетов - это ад, работа с векторами требует установки пакета, линейная регрессия требует установки пакета, и вообще, все требует установки пакета (то есть, прохода через ад). Но Python годится не только для data science; существует огромное число способов использования этого языка за пределами data science: вы можете прописывать бизнес-логику в различных платформах, писать серверную часть мобильных приложений, заниматься веб-разработкой, писать скрипты для личного использования, и т.п. В конце концов, если много раз пройти через ад, вы научитесь быстро ставить пакеты, и траблшутить всякие проблемы. В Python намного меньше библиотек для анализа данных, хотя менее экзотические, "стандартные" вещи почти все реализованы. Тоже много учебников и есть определенная экосистема, но она не только про анализ данных, а про все вообще приложения этого замечательного языка. 

В общем и целом, если вы не собираетесь выходить никуда за пределы просто анализа данных - Python вам не нужен. Если же вы собираетесь делать приложения, которые регулярно будут анализировать данные - без Python не обойтись. То есть, например, финансисту или маркетологу в 21 веке без R нельзя никак. Без Python он, наверное, сможет прожить. А вот программист в области анализа данных совершенно точно должен знать оба.