R：数据科学导论（2019）
围绕 R 在数据科学中的角色，评论者意见分歧：一方认为它是一门老旧而古怪的语言，另一方则认为它在探索性数据分析、统计建模和高质量可视化方面无可替代。评论中将 R 以 tidyverse 为中心的生态、可复现报告工具（R Markdown/Quarto）以及强大的领域包（如生物信息学、计量经济学、贝叶斯统计）与 Python 更适合大规模生产系统、Web 应用和现代 ML 框架进行对比。包管理、融入流水线以及长期维护成为两种语言共同的主要痛点，许多团队会根据既有基础设施、招聘现实，以及他们更看重快速交互式分析还是稳健的软件工程来做选择。
R 擅长的使用场景
- 适合探索性数据分析（EDA）、快速绘图，以及对表格数据进行“像思考一样快”的迭代。
- 在传统统计和贝叶斯统计、GLM/GAM、分层模型以及 Stan 集成方面很强。
- 广泛用于生物信息学、遗传学、制药行业的 PK/PD、计量经济学、GIS，以及部分量化金融和交易工作流。
- 往往是那些主要产出静态分析和报告、而非长期运行服务的团队中的主力工具。
R vs Python（以及 Julia）
- 许多用户转向 Python，是为了流水线集成、Web 应用、招聘以及通用开发。
- 也有人反馈，在 R 中进行数据整理和建模的生产率更高，然后只在生产环境或基于 autograd 的模型上才迁移到 Python。
- Python 的 pandas 常被形容为比 dplyr/tidyverse 更笨拙；一些 Python 用户更喜欢 polars 或 ggplot 风格的仿制品。
- 有些人认为 Julia 可能是 R 的潜在继任者，但目前仍过于小众，而且缺乏 R 那样的包深度。
Tidyverse、ggplot2 和 EDA
- Tidyverse 一再被提及为 R 的关键优势：简洁、可读、管道式的数据操作，以及一致的模型接口。
- ggplot2（及其概念上的仿制品）被认为在可视化质量和表现力上无可匹敌。
- R 被认为尤其适合作为 REPL/交互式环境，尤其是在 IDE 支持下。
生产、流水线与 Web
- 体验褒贬不一：有些组织完全用 R 运行大型、业务关键的流水线和应用；另一些则发现集成很痛苦，最终标准化到 Python。
- 争议点包括较弱的 Web 框架选择（没有 Django 的对应物）、棘手的错误/异常语义，以及“做了点什么”而不是大声失败。
- Shiny 因仪表盘和迷你应用而受到称赞，但被认为不足以支撑完整规模的 Web 应用；R 还有其他 Web 框架，但较为小众。
包与环境管理
- 分歧很大：有人觉得 CRAN 和相关工具极其可靠；也有人报告频繁损坏、版本锁定不佳，以及二进制构建问题。
renv、对 CRAN 做快照，以及包管理器等工具提高了可复现性，但仍无法完全解决边缘情况。- R 和 Python 的大型生态中都有很多陈旧或已被放弃的包。
语言设计与学习
- R 被描述为强大但特立独行：以向量为先的语义、多种 apply 变体、factor 处理、32 位整数、NA/NULL 的怪癖。
- 有些人认为它实际上是一个面向统计的 DSL；另一些人则认为它是一个有能力但设计古怪的通用语言。
- 对易用性的评价从“对统计最直观”到“令人困惑的遗物，学习曲线几乎是垂直的”不等。