Ist es notwendig, sowohl R-Sprache als auch Python zu lernen?

R und Python sind derzeit die beiden beliebtesten Programmiersprachen auf hoher Ebene und werden im Bereich der Datenwissenschaft häufig verwendet. Beide sind Open Source und werden von sehr aktiven Communities unterstützt. Hier stellt sich also die Frage: Ist es notwendig, sowohl die R-Sprache als auch Python zu lernen? Die 1995 von Ross Ihaka und Robert Gentleman entworfene Sprache (genannt R-Sprache, weil beide Namen mit dem Buchstaben „R“ beginnen) wird jetzt von entwickelt das „R Core Development Team“.

Obwohl R hauptsächlich für Datenanalyse, Grafiken und Data Mining verwendet wird, verwenden einige Leute es auch für Matrixberechnungen. Seine Berechnungsgeschwindigkeit ist vergleichbar mit der Open-Source-Software GNU Octave und der kommerziellen Software MATLAB für Matrixberechnungen.

Ursprünglich wurde R hauptsächlich in der akademischen Forschung verwendet, doch in den letzten Jahren hat es auch in der Unternehmenswelt an Bedeutung gewonnen, was R zu einer der am schnellsten wachsenden Statistiksprachen der Welt macht, die in Unternehmen verwendet werden. Für datenwissenschaftliche Aufgaben ist die Syntax von R intuitiver und intuitiver

Für Datenverarbeitungsaufgaben ist die Syntax von R oft einfacher. Auch die Benennung von Funktionen und Parametern ist besser gestaltet, sodass sie leichter zu merken und zu verwenden sind.

Zum Beispiel verwenden wir R und Python, um zwei Variablen im Iris-Datenrahmen zu löschen (da sowohl R als auch Python über den Iris-Datenrahmen verfügen, verwenden wir diesen Datenrahmen).

Werfen wir einen Blick auf die jeweilige Syntax:

Python

import seaborn as sns
import pandas as pd
iris = sns.load_dataset('iris')
iris.drop(['sepal_length', 'species'], axis = 1)

R

library(dplyr)
select(iris, -sepal_length, -species)

Um Variablen zu löschen, wird in Python die Drop-Funktion verwendet, und in R Die Auswahlfunktion wird verwendet. Vergleichen wir die Syntax dieser beiden Funktionen (beide in der letzten Codezeile).

Lass uns zuerst über Python sprechen. Die Drop-Funktion hat einen guten Namen und ist leicht zu merken. Das Parameterdesign ist jedoch sehr kompliziert.

Der erste Parameter ist eine Liste mit den Variablen, die Sie löschen möchten. In Python werden eckige Klammern [] verwendet, um die Liste darzustellen. Sie müssen hier eckige Klammern verwenden und die Variable muss in Anführungszeichen gesetzt werden, sonst wird der Code falsch ausgeführt.

In Bezug auf die Datenvisualisierung ist R sehr gut

Visualisierung ist ein wichtiges Kriterium für die Auswahl einer Datenanalysesoftware.

Neben der guten Datenanalyse ist ein weiterer herausragender Punkt von R seine extrem starke Zeichenfähigkeit, mit der fast alle Arten von Diagrammen gezeichnet werden können. Wenn Sie es nicht glauben, können Sie es googeln und das Schlüsselwort „R-Visualisierung“ eingeben.

Vorteile von Python

Für Data Science-Anfänger empfehle ich zwar dringend, R zu lernen, es ist jedoch nicht die einzige Option.

Für manche Menschen ist Python möglicherweise die beste Wahl. Lassen Sie uns über die Situationen sprechen, in denen es besser ist, Python zu wählen.

Wenn Sie über Kenntnisse in Softwareentwicklung oder Informatik verfügen, lernen Sie Python

Wenn Sie Erfahrung in der Softwareentwicklung haben oder Informatik studieren, ist Python meiner Meinung nach besser für Sie geeignet. Da Sie bereits über Programmiererfahrung verfügen, werden Sie sich im Umgang mit Python wohler fühlen.

Wenn Sie Software entwickeln möchten, lernen Sie Python

Ich habe bereits gesagt, dass R in der Datenwissenschaft besser ist. Wenn Sie Softwaresysteme erstellen möchten, ist Python meiner Meinung nach besser geeignet. Der Glanzpunkt von Python ist das Schreiben von Software, die sehr effizient ist. Wie einige Experten sagen, ist das Schreiben von Python-Code wie das Schreiben von Pseudocode.

Darüber hinaus ist Python eine Allzwecksprache und kann grundsätzlich alles. R ist jedoch spezialisierter und eignet sich nur für statistische Analysen und Visualisierung.

Ich möchte klarstellen, dass R keine Software schreiben kann. Es ist nur so, dass immer mehr Menschen Python gerne zum Erstellen von Produktsoftware verwenden. Wenn Sie als Datenwissenschaftler ein Softwaresystem erstellen möchten, ist Python meiner Meinung nach besser geeignet als R.

Wenn Sie sich mit maschinellem Lernen befassen möchten, lernen Sie Python

Wenn Sie sich längere Zeit mit maschineller Lernforschung beschäftigen möchten, empfehle ich Ihnen, Python zu lernen.

Tatsächlich verfügt R auch über ein Ökosystem für maschinelles Lernen. Insbesondere das Caret-Paket von R ist gut entwickelt und kann eine Vielzahl von maschinellen Lernaufgaben ausführen. Beispiel: Verwenden Sie das Caret-Paket, um Regressionsmodelle zu erstellen, Vektormaschinen (SVM) zu unterstützen, Entscheidungsbäume (einschließlich Regression und Klassifizierung) und eine Kreuzvalidierung durchzuführen usw. Alles in allem wächst das Machine-Learning-Ökosystem von R sehr gut.

Die Unterstützung von Python für maschinelles Lernen erschien jedoch schon früher. Um verschiedene Methoden des maschinellen Lernens zu implementieren, bietet die Scikit-Learn-Bibliothek von Python eine prägnantere und lesbarere Syntax. Die Syntax des Caret-Pakets in R ist manchmal etwas schwerfällig. Insbesondere ist das Caret-Paket nicht sehr kompatibel mit dem Tidyverse-Paket und die Ausgabeergebnisse sind manchmal schwierig zu verarbeiten. Im Gegensatz dazu lässt sich die scikit-learn-Bibliothek von Python gut in das Python-Ökosystem integrieren.

Viele der Algorithmusimplementierungen von Büchern über maschinelles Lernen auf dem Markt sind in Python geschrieben.

Zusammenfassend lässt sich sagen, dass Python meiner Meinung nach besser ist, wenn Sie an maschinellem Lernen arbeiten möchten.

Wenn Sie Deep Learning betreiben möchten, lernen Sie Python

Deep Learning ist eine der beliebtesten Technologien im Bereich der künstlichen Intelligenz, und Python ist die beliebteste beliebte Sprache für tiefes Lernen.

Die meisten Deep-Learning-Frameworks verfügen über Python-Schnittstellen, wie zum Beispiel: TensorFlow, Keras, Pytorch, Theano, MXNET usw.

Python ist sehr kompatibel mit verschiedenen Frameworks und verfügt über eine große Anzahl von Mitwirkenden, Suchergebnissen, verwandten Büchern und wissenschaftlichen Artikeln. Die meisten Deep-Learning-Projekte auf Github sind in Python geschrieben. Wenn Sie mit Deep Learning noch nicht vertraut sind, ist die Verwendung von Keras eine gute Wahl.

Im Vergleich dazu schneidet R hinsichtlich der Kompatibilität mit Deep-Learning-Frameworks nicht gut ab. Wenn Sie sich also auf Deep Learning konzentrieren möchten, ist Python möglicherweise besser geeignet.

R oder Python lernen? Es hängt hauptsächlich von Ihrem Hintergrund und Ihren Zielen ab.

Wenn Sie keine Programmiererfahrung haben, wird empfohlen, dass Sie zuerst R lernen, wenn Sie die Datenvisualisierung erlernen möchten. Ich denke, das ggplot2-Paket von R ist das beste Tool, wenn Sie sich auf Daten spezialisieren möchten Analyse und Data Mining, R. Bessere Leistung.

Wenn Sie ein Experte für maschinelles Lernen werden möchten, können Sie die Scikit-Learn-Bibliothek von Python sorgfältig studieren. Wenn Sie Softwaresysteme entwickeln möchten, ist Python besser geeignet.

Wie das Sprichwort sagt: Wenn Sie zu viele Fähigkeiten haben, werden Sie nicht überfordert sein. Sie haben eine dritte Möglichkeit: Lernen Sie sowohl R als auch Python. Tatsächlich beherrschen viele Top-Datenwissenschaftler beide Sprachen. Aber für Neulinge: Lernen Sie eine Lektion nach der anderen. Das gleichzeitige Lernen von zwei Fächern wird Sie verwirren, der Lernzyklus wird sich verlängern und Sie werden mit halbem Aufwand das Doppelte des Ergebnisses erzielen.

Das obige ist der detaillierte Inhalt vonIst es notwendig, sowohl R-Sprache als auch Python zu lernen?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!