R ou PYTHON ? - Para CIência de Dados


R ou PYTHON ? - Para Ciência de Dados

Quanto se fala, em Ciência de Dados, instintivamente vem á nossa mente dia fantásticas linguagens de programação...R e Python.

Muitos paradigmas envolvem estas duas mestrias em programação, e como não poderíamos deixar de esperar, muitas divisões criam na comunidade de cientistas de dados.
Uns defende fervorosamente a linguagem R, outros elevam aos céus a famosa Python. Mas qual ferramenta usar e qual será a melhor?

Para podermos efetuar uma decisão mais certa, necessitamos conhecer melhor cada uma delas.

Nós na Incube elaboramos um estudo e levamos para nossos seguidores um overview de cada ferramenta.

Python


Python é uma linguagem muito generalizada, podendo ser utilizada para inúmeras situações, desde coleta de dados, análise de dados, Web Scraping , aplicativos web, entre outras funções.
Sua curva de aprendizado é bem menor que R para quem já tem domino de linguagens de programação orientada a objetos como o Java por exemplo.
Devido ao fato de ser uma linguagem orientada a objetos, torna-se mais fácil de codificar em grande escala e de forma mais sólida que R.
 Embora Python não tenha um conjunto de pacotes e bibliotecas tão abrangente como os disponíveis para a linguagem R, a combinação de Python com ferramentas como Pandas, Numpy, Scipy, Scikit-learn e Seaborn, torna a linguagem uma das principais escolhas entre os Cientistas de Dados.
Graças ao seu crescimento rápido e elevado, e com uma comunidade muito ativa, Python já começa a ser utilizado para tarefas que antes, só R executava, como atividades de estatística avançada.

R


R tem uma uma longa história de muito confiavél, sua comunidade é muito forte e dedicada, logo suporte não será problema.
Sua abundância de pacotes (são mais de 5.000), são totalmente gratuitos e com uma otima documentação.
Tornando R uma otima ferramenta para análise de dados exploratória.
Possui uma ótima integração com outras linguagens como C++ e Java.
Mas onde R gosta de mostrar todo o seu potêncial é quando utilizado para análises estatisticas pesadas e/ou gráficas.

Comparando ao Python, é bem menos flexível e diversificado e também possui uma comunidade focada na linguagem.
R se diferencia do Python na sua implementação natural, suporte a aritmética matricial e estruturas de dados associados, com vetores e matrizes bem próximos do matlab.
Devido ao seu repositório muito bem alimentado, o CRAN, quem utiliza esta linguagem, acaba até por ter dificuldade em qual pacote utilizar, o que pode ser bom...ou pode se tornar uma complicação.

Qual usar, quando e por que?

 Ambas as linguagens têm inúmeros pacotes sólidos e com enorme capacidade.
Muitas pessoas defendem que todo o cientista de dados deve começar por R ao invés de Python. Mas tem algo que nenhum cientista de dados deve esquecer...uma coisa é criar um algoritmo no seu laptop, outra coisa é colocar esse algoritmo em produção, e nesse quesito, é provável que Python atenda melhor.
Resumindo, não será erro algum optar por R ou Ptyhon! Cada linguagem tem seus prós e contras.
Como sempre defendemos aqui na InCUbe, não existe linguagem melhor, existe sim a linguagem que irá solucionar o problema!

Para poder explorar melhor estas duas fantásticas linguagens, nada melhor do que colocar a mão na massa e tirar suas próprias conclusões.

Para isso disponibilizamos aqui os repositórios de download para cada ferramenta.

R:
https://www.r-project.org/

Python:
https://www.python.org/downloads/ 

Anaconda:
https://www.anaconda.com/distribution/


E você, qual linguagem utiliza para Ciência de Dados? E porquê?

 

Comentários

Postar um comentário

Postagens mais visitadas deste blog

Tutorial de Machine Learning com Python - Iniciantes - Parte 1

Imagem
Este tutorial tem como objetivo explicar apenas o necessário para que qualquer pessoa, possa iniciar sua caminhada em Ciência de Dados.  Abordaremos as principais ferramentas que um Cientista de Dados na linguagem Python, não pode deixar de utilizar. Criamos este material para pessoas que ainda não possuem o ferramental matemático avançado de machine learning. Apresentaremos exemplos mais simples como introdução para motivar os iniciantes O tutorial é dividido em duas partes, sendo a segunda parte publicada posteriormente á publicação da primeira. Como dados utilizaremos um dataset bem conhecido no universo de data science, que é o Pokemons, muito utilizado para fins acadêmicos, como é este caso. O cientista de dados precisa ter as seguintes habilidades: Ferramentas básicas: como python, R ou SQL. Você não precisa saber tudo. O que você só precisa é aprender a usar python. Estatística Básica: Como média, mediana ou desvio padrão. Se você conhece estatísticas básicas, pod
Leia mais

Regressão Múltipla com R

Imagem
CONCEITO A regressão múltipla é uma extensão da regressão linear na relação entre mais de duas variáveis. Na relação linear simples, temos uma variável preditora e uma resposta, mas, na regressão múltipla, temos mais de uma variável preditora e uma variável de resposta. A equação matemática geral para regressão múltipla é : y = a + b1x1 + b2x2 +...bnxn A seguir, é apresentada a descrição dos parâmetros usados: y é a variável de resposta a, b1, b2 ... bn são os coeficientes x1, x2, ... xn são as variáveis preditoras Criamos o modelo de regressão usando a função lm() em R. O modelo determina o valor dos coeficientes usando os dados de entrada. Em seguida, podemos  Prever o valor da variável de resposta para um determinado conjunto de variáveis preditoras usando esses coeficientes. FUNÇÃO LM() Essa função cria o modelo de relacionamento entre o preditor e a variável de resposta. A sintaxe básica da função lm() na regressão múltipla é: lm(y ~ x1+x2+x3...,data)
Leia mais

Tutorial de Machine Learning com Python - Iniciantes - Parte 2

Imagem
Em continuação á parte 1 do tutorial de machine learning para iniciantes, que pode ser encontrado em  https://incubedatascience.blogspot.com/2020/02/tutorial-de-machine-learning-com-python.html vamos iniciar a segunda parte deste tutorial, onde valos abordar mais diretamente Machine Learning, Aprendizado Supervisionado e Não Supervisionado, Deep Learning, Predição de Séries Temporais e um pouco do uso de Pytorch. Vamos iniciar importante as principais bibliotecas que vamos trabalhar do Python Os arquivos de dados de entrada estão disponíveis no diretório "../input/". Por exemplo, executar isso (clicando em executar ou pressionando Shift + Enter) listará os arquivos no diretório de entrada Todos os resultados que você escreve no diretório atual são salvos como saída. Ler o  csv (valor separado por vírgula) nos dados MACHINE LEARNING (ML) Aprendizado Supervisionado Aprendizado supervisionado: usa dados que possuem rótulos. Por exemplo, exis
Leia mais