Si vous êtes engagé dans le domaine de la science des données et mentionnez les langages de programmation, vous penserez immédiatement au langage R et au langage Python Si vous recherchez "R vs Python " dans Google ", on peut voir beaucoup de discussions pour savoir lequel est le meilleur entre les deux, mais en fait Que ce soit R ou Python, les deux sont d'excellents outils.

                                                       Le langage de programmation que vous utilisez divise le domaine de la science des données en plusieurs camps, dont le camp R et le camp Python. . Les gens des deux camps croient fermement que la langue qu'ils ont choisie est bien meilleure que celle de l'autre. Donc, dans une certaine mesure, ce désaccord ne vient pas uniquement de l’outil lui-même, mais aussi de l’utilisateur.

Pourquoi ne pas utiliser les deux langues en même temps ?

En fait, dans le cercle de la science des données, il y a aussi des gens qui utilisent Python et R en même temps, mais la proportion est très petit. En outre, un grand nombre de personnes qui insistent pour utiliser une certaine langue espèrent également maîtriser certaines fonctions d’une autre langue. Par exemple, les utilisateurs de R ont parfois besoin des propriétés orientées objet de Python. Dans le même temps, certains utilisateurs de Python souhaitent également utiliser les puissantes fonctions de distribution statistique de R.

Le graphique ci-dessus montre les résultats d'une enquête menée par Red Monk au troisième trimestre 2018. Ce résultat est basé sur la popularité des langages sur Stack Overflow et Github, et il est clair que R et Python obtiennent tous deux des scores élevés. Le langage lui-même n’est pas la raison pour laquelle nous ne pouvons pas utiliser les deux dans le même projet. Notre objectif ultime est de réaliser une analyse plus approfondie et plus précieuse, et le choix de la langue ne devrait pas être un obstacle dans ce processus.

Regard sur R et Python

Nous pouvons désormais comparer ces deux langues sous plusieurs aspects différents pour voir leurs avantages et leurs inconvénients.

>

Python

• 
  

  Depuis sa sortie en 1991, Python est devenu extrêmement populaire, notamment dans le traitement des données. Il y a plusieurs raisons pour lesquelles il est si populaire :

• Polyvalence

• Forte évolutivité, fort soutien de la communauté

• Facile à comprendre et apprendre

• Des packages comme Pandas, Numpy et Scikit-learn font de Python un excellent choix pour l'apprentissage automatique

Cependant, contrairement à R, Python ne dispose pas de packages dédiés aux calculs statistiques.

>

R

• 
  

  R a été lancé pour la première fois en 1995 et est immédiatement devenu l'un des outils les plus utilisés en science des données.

• Disposer d'excellents outils de visualisation tels que ggplot2.

• Capable de mener une analyse indépendante.

• En termes de performances, R n'est pas le langage le plus rapide et peut être gourmand en mémoire lors du traitement de grands ensembles de données.

  
  

  "Deux épées combinées"

  
  

  Est-il possible d'utiliser en même temps l'extraordinaire puissance statistique de R et la puissance de programmation de Python ? Nous pouvons facilement combiner du code SQL avec R ou Python pour écrire un script, alors pourquoi ne pas utiliser R et Python ensemble ?

  
  

  Il existe deux méthodes de base pour appliquer Python et R en même temps dans le même projet. Ensuite, je partagerai ces deux méthodes avec vous. . :

  
  

  R dans Python

  
  

  • PypeR

  
  

  PypeR Un moyen simple de connecter R à Python consiste à utiliser un tube. PypeR existe également dans la boîte à outils Python, offrant une méthode d'installation plus pratique. PypeR est idéal lorsque des transferts de données fréquents entre Python et R ne sont pas requis. Lorsque nous exécutons R via des pipelines, les programmes Python sont plus flexibles en termes de contrôle des sous-processus, de contrôle de la mémoire et de portabilité sur les systèmes d'exploitation, notamment Windows, GNU Linux et Mac OS.

  
  

  

  • pyRserve

  
  

  pyRserve Utiliser Rserve En tant que passerelle de connexion RPC, grâce à cette méthode de connexion, les utilisateurs peuvent définir des variables R en Python et les fonctions R peuvent également être appelées à distance.

  
  

  • rpy2

  
  

  ryp2 peut exécuter le langage R intégré dans le processus Python. Il crée un framework qui convertit les objets Python en objets R, les transmet en fonctions R et enfin renvoie la sortie R aux objets Python.

  
  

  

  
  

  L'un des avantages d'appeler le langage R en Python est que nous pouvons facilement utiliser les puissantes boîtes à outils du langage R en Python, telles que ggplot2, Tidyr, dplyr, etc. Prenons un exemple simple pour voir comment utiliser ggplot2 en Python.

  
  

  • Intrigue de base

  
  

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

  
  

  

  • Géométrie

  
  

  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 : Combiner la puissance de R + Python pour la science des données：

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

  Accès à R depuis Python à l'aide de RPy2：

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

  
  

  Python avec R
  

  
  

  Nous pouvons exécuter des scripts en langage R en Python via les outils suivants :

  
  

  • rJython

  
  

  Cette boîte à outils déploie une interface pour se connecter à Python via Jython, offrant un moyen de connecter Python à R interface connectée.

  
  

  • rPython

  
  

  rPython est également une boîte à outils pour appeler Python en langage R. Il peut exécuter du code Python en R, appeler des fonctions, allouer et obtenir des variables, etc.

  
  

  • SnakeCharmR

  
  

  SnakeCharmR est une version améliorée de rPython, dérivée de 'jsonlite de rPython ', qui présente de nombreuses améliorations par rapport à rPython.

  
  

  • PythonInR

  
  

  PythonInR permet aux utilisateurs d'utiliser Python en langage R de manière très pratique, en fournissant des fonctions qui peuvent interagir avec Python.

  
  

  • réticulé

  
  

  Le package Reticulate fournit un ensemble d'outils qui permettent à Python et R d'interopérer. De tous les outils mentionnés ci-dessus, celui-ci est le plus utilisé, principalement parce qu’il a été développé sous la direction de Rstudio. Reticulate intègre des modules Python dans les modules R, permettant aux deux langages d'interagir de manière transparente et avec des performances élevées. Grâce à cette boîte à outils, nous pouvons « tisser » du code Python dans R, créant ainsi un nouveau type de projet combinant les deux langages.

  
  

  >Le package Reticulate offre les fonctions suivantes :

  
  

  Fournit plusieurs façons d'appeler Python en langage R, notamment R Markdown , d'importer des scripts Python, d'importer des modules Python et d'utiliser Python dans les modules R.

  
  

  • Fournit une conversion entre les objets R et les objets Python (par exemple, la conversion entre les trames de données R et Pandas, ou la matrice R et le tableau NumPy conversion).

  • Coopération flexible avec différentes versions de Python, y compris les environnements virtuels et les environnements Conda.

Ressources sur la boîte à outils réticulée :

Le Le la documentation fournit de nombreux exemples pour vous aider à démarrer :

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

Utiliser le package reticulate, en utilisant Python en langage R :

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

"snake" dans le package d'outils : utiliser des combinaisons réticulées Python avec R :

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

Conclusion

R et Python sont tous deux des langages complets et stables, tous deux capables d'accomplir une tâche d'analyse de données. Bien que les deux aient leurs propres avantages et inconvénients, si nous pouvons faire bon usage de leurs avantages, nous pourrons mieux accomplir la tâche. Bref, maîtriser deux langues en même temps nous rend plus flexibles et capables de travailler confortablement dans des environnements variés.

[Cours recommandé : Tutoriel vidéo Python]

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!