Was ist besser, R oder Python?

Wenn Sie im Bereich der Datenwissenschaft tätig sind und Programmiersprachen erwähnen, werden Sie sofort an die Sprache R und die Sprache Python denken. Wenn Sie nach „R vs. Python“ suchen „in Google“ kann man viele Diskussionen darüber sehen, welches besser ist, aber tatsächlich Ob R oder Python, beide sind hervorragende Tools.

Die von Ihnen verwendete Programmiersprache unterteilt den Bereich der Datenwissenschaft in mehrere Lager, darunter das R-Lager und das. Python Lager. Die Menschen in beiden Lagern glauben fest daran, dass die von ihnen gewählte Sprache weitaus besser ist als die der anderen. Diese Meinungsverschiedenheit ist also bis zu einem gewissen Grad nicht nur auf das Tool selbst zurückzuführen, sondern auch auf den Benutzer.

Warum nicht beide Sprachen gleichzeitig verwenden?

Tatsächlich gibt es im Kreis der Datenwissenschaft auch Leute, die Python und R gleichzeitig verwenden, aber das Verhältnis ist groß ist sehr klein. Darüber hinaus hoffen viele Menschen, die auf der Verwendung einer bestimmten Sprache bestehen, auch darauf, bestimmte Funktionen einer anderen Sprache zu beherrschen. Beispielsweise benötigen R-Benutzer manchmal die objektorientierten Eigenschaften von Python. Gleichzeitig möchten einige Python-Benutzer auch die leistungsstarken statistischen Verteilungsfunktionen von R nutzen.

Die obige Grafik zeigt die Ergebnisse einer von Red Monk im dritten Quartal 2018 durchgeführten Umfrage. Dieses Ergebnis basiert auf der Beliebtheit von Sprachen auf Stack Overflow und Github und es ist klar, dass sowohl R als auch Python gut abschneiden. Die Sprache selbst ist nicht der Grund, warum wir nicht beide im selben Projekt verwenden können. Unser oberstes Ziel ist es, aufschlussreichere und wertvollere Analysen durchzuführen, und die Wahl der Sprache sollte dabei kein Hindernis darstellen.

Ein Blick auf R und Python

Jetzt können wir diese beiden Sprachen unter verschiedenen Gesichtspunkten vergleichen, um ihre Vor- und Nachteile zu erkennen.

>

Python

• 
  

  Seit seiner Veröffentlichung im Jahr 1991 erfreut sich Python großer Beliebtheit, insbesondere in der Datenverarbeitung. Es gibt mehrere Gründe, warum es so beliebt ist:

Objektorientierte Sprache

• Vielseitigkeit

• Starke Skalierbarkeit, starke Community-Unterstützung

• Einfach zu verstehen und lernen

• Pakete wie Pandas, Numpy und Scikit-learn machen Python zu einer ausgezeichneten Wahl für maschinelles Lernen

Im Gegensatz zu R verfügt Python jedoch nicht über dedizierte Pakete für statistische Berechnungen.

>

R

• 
  

  R wurde erstmals 1995 veröffentlicht und entwickelte sich sofort zu einem der am häufigsten verwendeten Tools in der Datenwissenschaft.

Enthält fast jedes erdenkliche Statistikanwendungs-Toolkit. Derzeit verfügt CRAN über 100.000 Pakete.

• Verfügen Sie über hervorragende Visualisierungstools wie ggplot2.

• Kann unabhängige Analysen durchführen.

• In Bezug auf die Leistung ist R nicht die schnellste Sprache und kann bei der Verarbeitung großer Datenmengen speicherintensiv sein.

  
  

  „Zwei Schwerter vereint“

  
  

  Ist es möglich, die außergewöhnliche statistische Leistungsfähigkeit von R und die Programmierleistung von Python gleichzeitig zu nutzen? Wir können SQL-Code problemlos mit R oder Python kombinieren, um ein Skript zu schreiben. Warum also nicht R und Python zusammen verwenden?

  
  

  Es gibt zwei grundlegende Methoden für die gleichzeitige Anwendung von Python und R im selben Projekt. Als Nächstes werde ich diese beiden Methoden mit Ihnen teilen :

  
  

  R in Python

  
  

  • PypeR

  
  

  PypeR Eine einfache Möglichkeit, R mit Python zu verbinden, ist eine Pipe. PypeR ist auch im Python-Toolkit enthalten und bietet eine bequemere Installationsmethode. PypeR ist ideal, wenn keine häufigen Datenübertragungen zwischen Python und R erforderlich sind. Wenn wir R über Pipelines ausführen, sind Python-Programme flexibler hinsichtlich der Unterprozesssteuerung, der Speichersteuerung und der Portabilität zwischen Betriebssystemen, einschließlich Windows, GNU Linux und Mac OS.

  
  

  

  • pyRserve

  
  

  pyRserve Verwenden Sie Rserve Als RPC-Verbindungsgateway können Benutzer über diese Verbindungsmethode R-Variablen in Python festlegen und R-Funktionen auch remote aufrufen.

  
  

  • rpy2

  
  

  ryp2 kann die eingebettete R-Sprache im Python-Prozess ausführen. Es erstellt ein Framework, das Python-Objekte in R-Objekte konvertiert, sie an R-Funktionen übergibt und schließlich die R-Ausgabe zurück an Python-Objekte übergibt.

  
  

  

  
  

  Einer der Vorteile des Aufrufs der R-Sprache in Python besteht darin, dass wir die leistungsstarken Toolkits der R-Sprache in Python bequem verwenden können, wie z. B. ggplot2, Tidyr, Dplyr usw. Nehmen wir ein einfaches Beispiel, um zu sehen, wie ggplot2 in Python verwendet wird.

  
  

  • Grundplot

  
  

  https://rpy2.github.io/doc/latest/html/graphics .html#plot

  
  

  

  • Geometrie

  
  

  https://rpy2.github.io/doc/latest/html/graphics.html#geometry

  
  

  

       

  关于 rpy2 的资料

  rpy2官方文档

  https://rpy2.github.io/doc/latest/html/index. html

  RPy2: Kombination der Leistung von R + Python für Data Science:

  https://community.alteryx.com/t5/Data-Science-Blog/RPy2-Combining-the-Power-of-R-Python-for-Data-Science/ba-p/138432

  Zugriff auf R von Python aus mit RPy2:

  https://www.r-bloggers.com/accessing- r-from-python-using-rpy2/

  
  

  Python mit R
  

  
  

  Wir können R-Sprachskripte in Python mit den folgenden Tools ausführen:

  
  

  • rJython

  
  

  Dieses Toolkit stellt eine Schnittstelle zur Verbindung von Python über Jython bereit und bietet eine Möglichkeit, Python mit R verbunden zu verbinden Schnittstelle.

  
  

  • rPython

  
  

  rPython ist auch ein Toolkit zum Aufrufen von Python in der R-Sprache. Es kann Python-Code in R ausführen, Funktionen aufrufen, Variablen zuweisen und abrufen usw.

  
  

  • SnakeCharmR

  
  

  SnakeCharmR ist eine verbesserte Version von rPython, die von rPythons 'jsonlite abgeleitet ist '-Zweig, der im Vergleich zu rPython viele Verbesserungen aufweist.

  
  

  • PythonInR

  
  

  PythonInR ermöglicht Benutzern die sehr bequeme Verwendung von Python in der R-Sprache und bietet Funktionen, die mit Python interagieren können.

  
  

  • retikulieren

  
  

  Das Reticulate-Paket bietet eine Reihe von Tools, die die Zusammenarbeit von Python und R ermöglichen. Von allen oben genannten Tools ist dieses das am weitesten verbreitete, vor allem weil es unter der Leitung von Rstudio entwickelt wurde. Reticulate bettet Python-Module in R-Module ein, sodass die beiden Sprachen nahtlos und mit hoher Leistung zusammenarbeiten können. Mit diesem Toolkit können wir Python-Code in R „einweben“ und so einen neuen Projekttyp erstellen, der die beiden Sprachen kombiniert.

  
  

  >Das Reticulate-Paket bietet folgende Funktionen:

  
  

  Bietet mehrere Möglichkeiten, Python in der R-Sprache aufzurufen, einschließlich R Markdown, Import von Python-Skripten, Import von Python-Modulen und Verwendung von Python in R-Modulen.

  
  

  • Bietet Konvertierung zwischen R-Objekten und Python-Objekten (z. B. Konvertierung zwischen R- und Pandas-Datenrahmen oder R-Matrix und NumPy-Array). Konvertierung).

  • Flexible Zusammenarbeit mit verschiedenen Python-Versionen, einschließlich virtueller Umgebungen und Conda-Umgebungen.

Ressourcen zum Reticulate-Toolkit:

The The Die Dokumentation bietet viele Beispiele, die Ihnen den Einstieg erleichtern:

https://rstudio.github.io/reticulate/

Verwenden Sie das Reticulate-Paket unter Verwendung von Python in der R-Sprache:

https://longhowlam.wordpress.com/2017/04 /10 /test-driving-python-integration-in-r-using-the-reticulate-package/

„snake“ im Toolpaket: Reticulate-Mähdrescher verwenden Python mit R:

https://www.mango-solutions.com/blog/snakes-in-a-package-combining-python -and- r-with-reticulate

Fazit

R und Python sind beide vollständige und stabile Sprachen, die beide in der Lage sind, eine Datenanalyseaufgabe zu erledigen. Obwohl beide ihre eigenen Vor- und Nachteile haben, können wir die Aufgabe besser bewältigen, wenn wir ihre Vorteile sinnvoll nutzen. Kurz gesagt: Wenn wir zwei Sprachen gleichzeitig beherrschen, sind wir flexibler und können in verschiedenen Umgebungen bequem arbeiten.

[Empfohlener Kurs: Python-Video-Tutorial]

Das obige ist der detaillierte Inhalt vonWas ist besser, R oder Python?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!