Tôi mới bắt đầu phát triển một ứng dụng học máy cho mục đích học tập. Tôi hiện đang sử dụng R và đào tạo bản thân trong đó. Tuy nhiên, ở rất nhiều nơi, tôi đã thấy mọi người sử dụng Python .

Những người đang sử dụng trong học viện và ngành công nghiệp, và khuyến nghị là gì?

Một số khác biệt quan trọng thực sự cần xem xét khi bạn chọn R hoặc Python thay cho nhau:

• Học máy có 2 giai đoạn. Xây dựng mô hình và giai đoạn Dự đoán. Thông thường, việc xây dựng mô hình được thực hiện như một quy trình hàng loạt và dự đoán được thực hiện theo thời gian thực . Quá trình xây dựng mô hình là một quy trình chuyên sâu tính toán trong khi dự đoán xảy ra trong nháy mắt. Do đó, hiệu suất của thuật toán trong Python hoặc R không thực sự ảnh hưởng đến thời gian quay vòng của người dùng. Trăn 1, R 1.
• Sản xuất: Sự khác biệt thực sự giữa Python và R là sẵn sàng sản xuất. Python, như vậy là một ngôn ngữ lập trình đầy đủ và nhiều tổ chức sử dụng nó trong các hệ thống sản xuất của họ. R là một phần mềm lập trình thống kê được nhiều học giả ưa chuộng và do sự gia tăng của khoa học dữ liệu và tính sẵn có của các thư viện và là nguồn mở, ngành công nghiệp đã bắt đầu sử dụng R. Nhiều trong số các tổ chức này có hệ thống sản xuất của họ bằng Java, C ++, C #, Python v.v ... Vì vậy, lý tưởng nhất là họ muốn có hệ thống dự đoán trong cùng một ngôn ngữ để giảm các vấn đề về độ trễ và bảo trì. Trăn 2, R 1.
• Thư viện: Cả hai ngôn ngữ đều có thư viện khổng lồ và đáng tin cậy. R có hơn 5000 thư viện phục vụ cho nhiều miền trong khi Python có một số gói đáng kinh ngạc như Pandas, NumPy, SciPy, Scikit Learn, Matplotlib . Trăn 3, R 2.
• Phát triển: Cả hai ngôn ngữ là ngôn ngữ giải thích. Nhiều người nói rằng trăn rất dễ học, nó gần giống như đọc tiếng Anh (để đặt nó trên một ghi chú nhẹ hơn) nhưng R đòi hỏi nhiều nỗ lực học tập ban đầu hơn. Ngoài ra, cả hai đều có IDE tốt (Spyder vv cho Python và RStudio cho R). Trăn 4, R 2.
• Tốc độ: Phần mềm R ban đầu có vấn đề với các tính toán lớn (ví dụ như phép nhân ma trận nxn). Nhưng, vấn đề này được giải quyết với việc giới thiệu R bởi Revolution Analytics. Họ đã viết lại các hoạt động chuyên sâu tính toán trong C rất nhanh. Python là một ngôn ngữ cấp cao tương đối chậm. Trăn 4, R 3.
• Trực quan hóa: Trong khoa học dữ liệu, chúng tôi thường có xu hướng vẽ dữ liệu để hiển thị các mẫu cho người dùng. Do đó, trực quan hóa trở thành một tiêu chí quan trọng trong việc lựa chọn một phần mềm và R hoàn toàn giết chết Python trong vấn đề này. Cảm ơn Hadley Wickham cho một gói ggplot2 đáng kinh ngạc. R thắng tay xuống. Trăn 4, R 4.
• Xử lý dữ liệu lớn: Một trong những hạn chế của R là lưu trữ dữ liệu trong bộ nhớ hệ thống (RAM). Vì vậy, dung lượng RAM trở thành một hạn chế khi bạn xử lý Dữ liệu lớn. Python làm tốt, nhưng tôi có thể nói, vì cả R và Python đều có các đầu nối HDFS, việc tận dụng cơ sở hạ tầng Hadoop sẽ giúp cải thiện hiệu suất đáng kể. Vì vậy, Python 5, R 5.

Vì vậy, cả hai ngôn ngữ đều tốt như nhau. Do đó, tùy thuộc vào tên miền của bạn và nơi bạn làm việc, bạn phải khéo léo chọn ngôn ngữ phù hợp. Thế giới công nghệ thường thích sử dụng một ngôn ngữ duy nhất. Người dùng doanh nghiệp (phân tích tiếp thị, phân tích bán lẻ) thường đi với các ngôn ngữ lập trình thống kê như R, vì họ thường thực hiện tạo mẫu nhanh và xây dựng trực quan (được thực hiện nhanh hơn trong R so với Python).

Không có gì như "python is better" hay "R tốt hơn nhiều so với x".

Sự thật duy nhất tôi biết là trong ngành công nghiệp, mọi người đều dính vào trăn vì đó là những gì họ học được ở trường đại học. Cộng đồng python thực sự hoạt động và có một vài khung tuyệt vời để khai thác dữ liệu và ML, v.v.

Nhưng thành thật mà nói, nếu bạn có một lập trình viên c giỏi, anh ta có thể làm giống như mọi người làm trong python hoặc r, nếu bạn có một lập trình viên java giỏi, anh ta cũng có thể làm (gần) mọi thứ trong java.

Vì vậy, chỉ cần gắn bó với ngôn ngữ bạn cảm thấy thoải mái.

Một số suy nghĩ bổ sung.

Ngôn ngữ lập trình 'per se' chỉ là một công cụ. Tất cả các ngôn ngữ được thiết kế để làm cho một số loại cấu trúc dễ xây dựng hơn các loại khác. Và kiến ​​thức và sự thành thạo của một ngôn ngữ lập trình là quan trọng và hiệu quả hơn các tính năng của ngôn ngữ đó so với các ngôn ngữ khác.

Theo như tôi có thể thấy có hai chiều của câu hỏi này. Chiều hướng đầu tiên là khả năng khám phá, xây dựng bằng chứng về các khái niệm hoặc mô hình với tốc độ nhanh, cuối cùng có sẵn các công cụ để nghiên cứu những gì đang diễn ra (như kiểm tra thống kê, đồ họa, công cụ đo lường, v.v.). Loại hoạt động này thường được các nhà nghiên cứu và nhà khoa học dữ liệu ưa thích (tôi luôn tự hỏi điều đó có nghĩa là gì, nhưng tôi sử dụng thuật ngữ này cho định nghĩa lỏng lẻo của nó). Họ có xu hướng dựa vào các công cụ nổi tiếng và được xác minh, có thể được sử dụng để chứng minh hoặc lập luận.

Chiều thứ hai là khả năng mở rộng, thay đổi, cải thiện hoặc thậm chí tạo ra các công cụ, thuật toán hoặc mô hình. Để đạt được điều đó bạn cần một ngôn ngữ lập trình thích hợp. Tất cả đều giống nhau. Nếu bạn làm việc cho một công ty, hơn bạn phụ thuộc rất nhiều vào cơ sở hạ tầng của công ty, văn hóa nội bộ và các lựa chọn của bạn giảm đi đáng kể. Ngoài ra, khi bạn muốn thực hiện một thuật toán để sử dụng sản xuất, bạn phải tin tưởng vào việc thực hiện. Và thực hiện bằng ngôn ngữ khác mà bạn không thành thạo sẽ không giúp bạn nhiều.

Tôi có xu hướng ủng hộ loại hoạt động đầu tiên của hệ sinh thái R. Bạn có một cộng đồng tuyệt vời, một bộ công cụ khổng lồ, bằng chứng cho thấy những công cụ này hoạt động như mong đợi. Ngoài ra, bạn có thể xem xét Python, Octave (để đặt tên một vài), là những ứng cử viên đáng tin cậy.

Đối với nhiệm vụ thứ hai, bạn phải suy nghĩ trước về những gì bạn thực sự muốn. Nếu bạn muốn các công cụ sẵn sàng sản xuất mạnh mẽ, thì C / C ++, Java, C # là những ứng cử viên tuyệt vời. Tôi coi Python như một công dân thứ hai trong thể loại này, cùng với Scala và bạn bè. Tôi không muốn bắt đầu một cuộc chiến rực lửa, đó chỉ là ý kiến ​​của tôi. Nhưng sau hơn 17 năm làm nhà phát triển, tôi có xu hướng thích một hợp đồng chặt chẽ và kiến ​​thức của mình hơn là tự do làm bất cứ điều gì bạn có thể nghĩ đến (giống như nó xảy ra với rất nhiều ngôn ngữ động).

Cá nhân, tôi muốn học càng nhiều càng tốt. Tôi quyết định rằng tôi phải chọn một cách khó khăn, có nghĩa là tự mình thực hiện mọi thứ. Tôi sử dụng R như một mô hình và cảm hứng. Nó có kho báu tuyệt vời trong thư viện và rất nhiều kinh nghiệm chắt lọc. Tuy nhiên, R là ngôn ngữ lập trình là một cơn ác mộng đối với tôi. Vì vậy, tôi quyết định sử dụng Java và không sử dụng thêm thư viện. Đó chỉ là vì kinh nghiệm của tôi, và không có gì khác.

Nếu bạn có thời gian, điều tốt nhất bạn có thể làm là dành thời gian cho tất cả những điều này. Bằng cách này, bạn sẽ kiếm được cho mình câu trả lời tốt nhất có thể, phù hợp với bạn. Dijkstra đã từng nói rằng các công cụ ảnh hưởng đến cách bạn nghĩ, vì vậy nên biết các công cụ của bạn trước khi cho phép họ mô hình hóa cách bạn nghĩ. Bạn có thể đọc thêm về điều đó trong bài báo nổi tiếng của mình có tên The Humble Lập trình viên

Tôi sẽ thêm vào những gì người khác đã nói cho đến bây giờ. Không có câu trả lời duy nhất rằng một ngôn ngữ tốt hơn ngôn ngữ khác.

Phải nói rằng, R có một cộng đồng tốt hơn để khám phá và học tập dữ liệu. Nó có khả năng hình dung rộng rãi. Python, mặt khác, đã trở nên tốt hơn trong việc xử lý dữ liệu kể từ khi giới thiệu gấu trúc. Thời gian học tập và phát triển rất ít trong Python, so với R (R là ngôn ngữ cấp thấp).

Tôi nghĩ rằng cuối cùng nó sôi sục với hệ thống sinh thái mà bạn đang ở và sở thích cá nhân. Để biết thêm chi tiết, bạn có thể xem so sánh này ở đây .

Không có ngôn ngữ viên đạn bạc nào có thể được sử dụng để giải quyết mọi vấn đề liên quan đến dữ liệu. Sự lựa chọn ngôn ngữ phụ thuộc vào bối cảnh của vấn đề, kích thước của dữ liệu và nếu bạn đang làm việc tại nơi làm việc, bạn phải tuân theo những gì họ sử dụng.

Cá nhân tôi sử dụng R thường xuyên hơn Python do các thư viện trực quan và phong cách tương tác của nó. Nhưng nếu tôi cần hiệu năng cao hơn hoặc mã có cấu trúc, tôi chắc chắn sử dụng Python vì nó có một số thư viện tốt nhất như SciKit-Learn, numpy, scipy, v.v. Tôi sử dụng cả R và Python trong các dự án của mình thay thế cho nhau.

Vì vậy, nếu bạn đang bắt đầu công việc khoa học dữ liệu, tôi khuyên bạn nên tìm hiểu cả hai và không khó vì Python cũng cung cấp giao diện tương tự như R với Pandas .

Nếu bạn phải đối phó với các bộ dữ liệu lớn hơn nhiều, bạn không thể thoát khỏi các hệ sinh thái được xây dựng bằng Java (Hadoop, Pig, Hbase, v.v.).

Không có ngôn ngữ "tốt hơn". Tôi đã thử cả hai và tôi thấy thoải mái với Python nên tôi chỉ làm việc với Python. Mặc dù tôi vẫn đang học các thứ, nhưng tôi chưa gặp phải bất kỳ rào cản nào với Python cho đến bây giờ. Điểm hay của Python là cộng đồng quá tốt và bạn có thể nhận được rất nhiều sự giúp đỡ trên Internet một cách dễ dàng. Ngoài ra, tôi sẽ nói đi với ngôn ngữ bạn thích không phải là người mà bạn đề nghị.

Theo kinh nghiệm của tôi, câu trả lời phụ thuộc vào dự án trong tầm tay. Đối với nghiên cứu thuần túy, tôi thích R vì hai lý do: 1) nhiều thư viện và 2) nhiều tài liệu khoa học dữ liệu bao gồm các mẫu R.

Nếu dự án yêu cầu giao diện tương tác được sử dụng bởi các cư dân, tôi đã thấy R quá hạn chế. Shiny là một khởi đầu tuyệt vời, nhưng nó chưa đủ linh hoạt. Trong những trường hợp này, tôi sẽ bắt đầu xem xét chuyển công việc R của tôi sang Python hoặc js.

Một vấn đề mà tất cả các câu trả lời khác không giải quyết được là cấp phép .

Hầu hết các thư viện R tuyệt vời nói trên là GPL (ví dụ ggplot2 , data.table ). Điều này ngăn bạn phân phối phần mềm của bạn ở dạng độc quyền.

Mặc dù nhiều cách sử dụng của các thư viện đó không ngụ ý phân phối phần mềm (ví dụ: để đào tạo các mô hình ngoại tuyến), GPL có thể tự thu hút các công ty sử dụng chúng. Ít nhất là trong kinh nghiệm của tôi.

Trong cõi trăn, mặt khác, hầu hết các thư viện đều có giấy phép phân phối thân thiện với doanh nghiệp, chẳng hạn như BSD hoặc MIT.

Trong học viện, vấn đề cấp phép thường không phải là vấn đề.

Không có nhiều để thêm vào các ý kiến ​​được cung cấp. Chỉ có điều là có thể infographic này so sánh R vs Python cho mục đích khoa học dữ liệu http://blog.datacamp.com/r-or-python-for-data-analysis/

Một trong những thách thức thực sự, tôi gặp phải với R là các gói khác nhau tương thích với các phiên bản khác nhau .. khá nhiều gói R không có sẵn cho phiên bản R mới nhất. Và R khá nhiều lần bị lỗi do thư viện hoặc gói được viết cho cũ hơn phiên bản..

Tôi chưa thử R (tốt, một chút, nhưng không đủ để so sánh tốt). Tuy nhiên, đây là một số điểm mạnh của Pythons:

• Cú pháp rất trực quan : tuple giải nén, element in a_list, for element in sequence, matrix_a * matrix_b(cho phép nhân ma trận), ...
• Nhiều thư viện :
  • scipy : Tính toán khoa học; nhiều phần của nó chỉ là các hàm bao cho mã Fortran khá nhanh
  • theano > Lasagne > nolearn : Thư viện cho các mạng thần kinh - họ có thể được đào tạo về GPU (nvidia, CUDA là bắt buộc) mà không cần điều chỉnh
  • sklearn : Thuật toán học tập chung
• Cộng đồng tốt :
  • Python có hơn 450.000 câu hỏi về SO (R có 99.000+)
  • Python có 103 câu hỏi về datascience.SE (R có 140)
  • PEP , hơn 63.000 gói trên PyPI
• Máy tính xách tay IPython
• Linh tinh :
  • Mảng 0 chỉ mục ... Tôi luôn mắc lỗi đó với R.
  • Cấu trúc gói thành lập
  • Hỗ trợ tốt để kiểm tra mã của bạn

Tôi thích Python hơn R vì Python là ngôn ngữ lập trình hoàn chỉnh nên tôi có thể kết thúc các nhiệm vụ học máy như thu thập dữ liệu bằng máy chủ HTTP được viết bằng Python, thực hiện các tác vụ ML nâng cao và sau đó xuất bản kết quả trực tuyến. Tất cả điều này có thể được thực hiện trong Python. Tôi thực sự thấy R khó học hơn và số tiền chi trả cho việc học Python lớn hơn nhiều vì nó có thể được sử dụng cho hầu hết mọi nhiệm vụ lập trình.

R: R là bản sao nguồn mở. mà theo truyền thống đã được sử dụng trong các học giả và nghiên cứu. Do tính chất nguồn mở của nó, các kỹ thuật mới nhất được phát hành nhanh chóng. Có rất nhiều tài liệu có sẵn trên internet và đó là một lựa chọn rất hiệu quả. Python: Với nguồn gốc là ngôn ngữ kịch bản mã nguồn mở, việc sử dụng Python đã tăng lên theo thời gian. Ngày nay, nó là các thư viện thể thao (numpy, scipy và matplotlib) và các chức năng cho hầu hết mọi hoạt động thống kê / xây dựng mô hình mà bạn có thể muốn làm. Kể từ khi giới thiệu gấu trúc, nó đã trở nên rất mạnh trong các hoạt động trên dữ liệu có cấu trúc.

Mã Python

Thư viện nhập khẩu

Nhập các thư viện cần thiết khác như gấu trúc, numpy ...

từ sklearn nhập linear_model

Tải tập dữ liệu Train and Test

Xác định (các) tính năng và biến trả lời và các giá trị phải là mảng số và numpy

x_train = input_variables_values_training_datasets y_train = target_variables_values_training_datasets x_test = input_variables_values_test_datasets

Tạo đối tượng hồi quy tuyến tính

linear = linear_model.LinearRegression ()

Huấn luyện mô hình bằng cách sử dụng các bộ huấn luyện và kiểm tra điểm số

linear.fit (x_train, y_train) linear.score (x_train, y_train)

Hệ số phương trình và đánh chặn

print ('Hệ số: \ n', linear.coef_) print ('Chặn: \ n', linear.intercept_)

Dự đoán đầu ra

dự đoán = linear.predict (x_test) Mã R

Tải tập dữ liệu Train and Test

Xác định (các) tính năng và biến trả lời và các giá trị phải là mảng số và numpy

x_train <- input_variabled_values_training_datasets y_train <- target_variables_values_training_datasets x_test <- input_variabled_values_test_datasets x <- cbind (x_train, y_train)

Huấn luyện mô hình bằng cách sử dụng các bộ huấn luyện và kiểm tra điểm số

tóm tắt tuyến tính <- lm (y_train ~., data = x) (tuyến tính)

Dự đoán đầu ra

dự đoán = dự đoán (tuyến tính, x_test)

Tôi không nghĩ Python có GUI bấm chuột biến nó thành SPSS và SAS. Chơi xung quanh với những người thực sự là niềm vui.

Tôi đã nhận được hình ảnh này trong một bài viết linksin. Bất cứ khi nào tôi nghi ngờ về việc sử dụng python hoặc R, tôi đều nhìn vào nó và nó tỏ ra rất hữu ích.