Αν έχεις ασχοληθεί με την επιστήμη των δεδομένων γενικότερα, τότε σίγουρα θα έχει χρειαστεί να εφαρμόσεις μια γλώσσα προγραμματισμού όπως είναι η Python ή η R.

Πρόκειται για δύο γλώσσες που είναι εξαιρετικά χρήσιμες σε κλάδους όπως:

 To machine learning

 Η τεχνητή νοημοσύνη

 Η στατιστική

 Το Data Science

Καθώς και πολλά ακόμα.

Πώς συγκρίνονται όμως μεταξύ τους οι γλώσσες αυτές και ποια από τις δύο είναι καλύτερη για τις ανάγκες σου;

Αυτά ακριβώς τα ερωτήματα θα απαντήσουμε παρακάτω, στη σύγκριση R vs Python, καθώς και:

 Τι είναι η R

 Πού εφαρμόζεται η R

 Τι είναι η Python

 Πού εφαρμόζεται η Python

 Βασικές διαφορές μεταξύ R και Python

Ας ξεκινήσουμε με τα βασικά.

 Τι Είναι η R;

Η R είναι μια open-source γλώσσα προγραμματισμού, η οποία εξειδικεύεται σε στατιστικές αναλύσεις και οπτικοποιήσεις δεδομένων.

Μάλιστα, σύμφωνα με την ίδια την ιστοσελίδα της R: “Η R είναι μια γλώσσα και ένα περιβάλλον για στατιστικό προγραμματισμό και γραφιστική”.

Όταν λέμε “περιβάλλον” εννοούμε ένα καλά δομημένο και ολοκληρωμένο οικοσύστημα με πολλές λειτουργίες, παρά ένα συγκεκριμένο εργαλείο.

Το περιβάλλον της R συγκεκριμένα προσφέρει μια ευρεία γκάμα τεχνικών που εφαρμόζονται στη στατιστική και τη γραφιστική, όπως είναι το clustering και η μη-γραμμική μοντελοποίηση, καθώς και:

 Η αποδοτική διαχείριση και αποθήκευση δεδομένων

 Διάφορα εργαλεία για ανάλυση δεδομένων

 Μια γλώσσα προγραμματισμού που περιλαμβάνει συνθήκες, loops, και διάφορες συναρτήσεις

Έως τώρα, γίνεται αντιληπτό ότι η R έχει πολλές δυνατότητες και είναι λογικό το γεγονός ότι χρησιμοποιείται από χιλιάδες επαγγελματίες και εταιρείες ανά τον κόσμο.

Ποιοί είναι όμως οι τομείς και οι κλάδοι που εφαρμόζεται; Ας τους δούμε πιο αναλυτικά.

 3 Κλάδοι που Εφαρμόζεται η R

Μερικές από τις πιο σημαντικές εφαρμογές της R βρίσκονται στο κομμάτι του Data Science, όμως οι κλάδοι ποικίλουν.

   Κλάδος #1: Χρηματοοικονομική

Η R είναι μια από τις πιο δημοφιλείς γλώσσες προγραμματισμού όταν πρόκειται για τον χρηματοοικονομικό κλάδο.

Αυτό συμβαίνει επειδή προσφέρει εξειδικευμένες στατιστικές δυνατότητες που μπορούν να φέρουν εις πέρας διάφορες υποχρεώσεις που χρειάζονται στον κλάδο αυτό.

Τέτοιες υποχρεώσεις μπορεί να είναι ο υπολογισμός ρίσκου, καθώς και η οπτικοποίηση/μοντελοποίηση δεδομένων (π.χ η τιμή μιας μετοχής) σε μορφή διαγραμμάτων.

Οι χρηματοοικονομικοί οργανισμοί αξιοποιούν επίσης τις στατιστικές δυνατότητες της R, για να προβλέψουν τις τιμές των μετοχών.

   Κλάδος #2: Υγεία

Έχουμε αναφέρει και σε προηγούμενο άρθρο εδώ στη BigBlue, ότι ο κλάδος της υγείας μπορεί να εξελιχθεί σημαντικά αν χρησιμοποιηθούν σωστά τα δεδομένα.

Η γενετική, η επιδημιολογία, η ανακάλυψη νέων φαρμάκων, είναι ορισμένοι μόνο από τους τομείς όπου η R μπορεί να φανεί χρήσιμη, καθώς οι εταιρείες μπορούν να επεξεργαστούν δεδομένα με τέτοιο τρόπο, που θα επιτρέψει στους αναλυτές να εξάγουν πολύτιμα συμπεράσματα.

   Κλάδος #3: Ηλεκτρονικό Εμπόριο

Είναι περιττό να αναλύσουμε την ανάπτυξη που έχει δει το ηλεκτρονικό εμπόριο (eCommerce) τα τελευταία χρόνια, μπορούμε όμως να σταθούμε στο γεγονός ότι είναι ένας κλάδος που στηρίζεται σημαντικά στο Data Science.

Από τη στιγμή που οι εταιρείες ηλεκτρονικού εμπορίου καλούνται να διαχειριστούν και να οργανώσουν μεγάλους όγκους δεδομένων, είτε είναι από απλά υπολογιστικά φύλλα, είτε από περίπλοκες βάσεις δεδομένων, η R είναι μια αξιόπιστη επιλογή.

Για παράδειγμα, μπορεί να φανεί χρήσιμη στο cross-selling, δηλαδή στις προτάσεις συμπληρωματικών προϊόντων ανάλογα με το τι έχει αγοράσει ένας καταναλωτής, καθώς και στην διεξαγωγή A/B testing.

Τώρα που είδαμε ορισμένα βασικά πράγματα για την R, ας δούμε τι έχει να μας προσφέρει η Python.

 Τι Είναι η Python;

Η Python είναι μια αντικειμενοστραφής γλώσσα προγραμματισμού και από τις πιο χρήσιμες για έναν developer ή Data Scientist.

Αυτό συμβαίνει επειδή είναι μια γλώσσα υψηλού επιπέδου, επομένως προσφέρει ταχεία δημιουργία εφαρμογών και μπορεί να φέρει εις πέρας διάφορα tasks, τα οποία μπορεί να σχετίζονται με:

 Τεχνητή νοημοσύνη

 Machine learning

 NLP

 Application/software development

Καθώς και πολλά ακόμα.

Μάλιστα, κατά πολλούς η Python είναι η πιο απλή γλώσσα για να μάθει ένας αρχάριος και δεν είναι άδικα η πιο δημοφιλής στον κόσμο.

Αυτό φαίνεται και από την πορεία δημοτικότητας που έχει η Python σε σχέση με την Java, η οποία ήταν μέχρι πρότινος η πιο δημοφιλής γλώσσα.

Αξίζει επίσης να σημειώσουμε ότι μερικές από τις εταιρείες που έχουν χρησιμοποιήσει την Python είναι:

 Το Spotify

 Η NASA

 Η Pixar

 Το Netflix

 Το YouTube (Google)

Και πολλές ακόμα, λόγω του γεγονότος ότι η Python είναι ιδανική για διάφορες αυτοματοποιήσεις, καθώς και για ανάλυση/διαχείριση περίπλοκων δεδομένων.

Ας δούμε λίγο πιο συγκεκριμένα πού μπορεί να εφαρμοστεί η γλώσσα αυτή.

 3 Κλάδοι που Εφαρμόζεται η Python

Αν και θα μπορούσαμε να αναφέρουμε διάφορους κλάδους, θα εστιάσουμε σε 3 που θεωρούμε ιδιαίτερα σημαντικούς.

Σημείωση: Κατά κύρια βάση, η Python μπορεί να εφαρμοστεί και στους κλάδους της R που αναφέραμε παραπάνω, θα αναλύσουμε όμως παρακάτω διαφορετικούς κλάδους.

   Κλάδος #1: Game Development

Τις τελευταίες δεκαετίες, το game development έχει δει και θα συνεχίσει να βλέπει ραγδαία ανάπτυξη.

Βέβαια, για το development ενός ολόκληρου παιχνιδιού, δεν είναι δυνατό να σταθεί αρκετή μία μόνο γλώσσα προγραμματισμού, χρειάζεται όμως ένας συνδυασμός.

Για τον λόγο αυτό, αν και ορισμένες δυνατότητες Python έχουν χρησιμοποιηθεί από παιχνίδια όπως:

 Το Battlefield

 Το Sims

 Το World of Tanks

Έχει χρειαστεί να εφαρμοστούν και άλλες γλώσσες συμπληρωματικά.

Λόγω της απλότητας της Python, οι developers μπορούν να χτίσουν συστήματα που θα “τρέχουν” ομαλά και γρήγορα.

   Κλάδος #2: Ethical Hacking

Όταν μιλάμε για hacking, απευθείας σκεφτόμαστε κάποια κακόβουλη ενέργεια.

Τι γίνεται όμως όταν το hacking μπορεί να χρησιμοποιηθεί για καλό σκοπό;

Αυτό είναι κάτι που ονομάζεται ethical hacking και χρησιμοποιείται για να “τεστάρει” διάφορα λογισμικά ως προς το πόσο καλά προστατευμένα είναι από εξωτερικές απειλές.

Με τη Python λοιπόν μπορεί να αλληλεπιδράσει κανείς με ένα λογισμικό, είτε απευθείας, είτε μέσω μιας μεταφρασμένης γλώσσας (μια μέθοδος που ο κώδικας μεταφράζεται σε άλλη γλώσσα) και να δοκιμαστεί το κατά πόσο ευάλωτο είναι.

Η διαδικασία αυτή διαβάζει γλώσσες υψηλού επιπέδου ως input, και τις μετατρέπει σε output σε μια άλλη γλώσσα.

   Κλάδος #3: Ασφάλιση

Στον ασφαλιστικό κλάδο, η Python μπορεί να χρησιμοποιηθεί για την εξαγωγή σημαντικών συμπερασμάτων μέσω μηχανικής μάθησης.

Για παράδειγμα, μπορούν να σχεδιαστούν συστήματα που θα προβλέψουν πόσα ατυχήματα μπορεί να συμβούν και τι ζημιές θα προκληθούν, με βάση ορισμένους παράγοντες.

Αυτό δίνει μια καλή ιδέα στις ασφαλιστικές εταιρείες για να τα χρηματικά ποσά που θα πρέπει να διαθέσουν, καθώς και τις ενέργειες που πιθανότατα να μπορούν να κάνουν για να αποτρέψουν κάποια από τα ατυχήματα αυτά, σε συνεργασία με αρμόδιες αρχές.

Τώρα που είδαμε ορισμένα βασικά πράγματα τόσο για την R, όσο και για την Python, αξίζει να δούμε και τις βασικές διαφορές μεταξύ τους.

 R vs Python: Οι Βασικές Διαφορές

Ίσως η βασικότερη διαφορά μεταξύ των γλωσσών αυτών, είναι η προσέγγιση που έχουν ως προς το Data Science.

Αν και η R χρησιμοποιείται ιδιαίτερα για στατιστικές αναλύσεις, η Python προσφέρει μια πιο ολοκληρωμένη προσέγγιση στην επιστήμη και την ανάλυση των δεδομένων.

Για παράδειγμα, η Python μπορεί να χρησιμοποιηθεί για την δημιουργία ενός συστήματος αναγνώρισης προσώπου ή ενός φωνητικού βοηθού, σε αντίθεση με την R που είναι πιο χρήσιμη στην ανάπτυξη στατιστικών μοντέλων.

Ας δούμε παρακάτω ορισμένες ακόμα διαφορές.

   Διαφορά #1: Συλλογή Δεδομένων

Όταν πρόκειται για συλλογή δεδομένων, η Python υποστηρίζει διάφορα αρχεία όπως είναι τα JSON files, τα CSV files, τα SQL tables, και πολλές ακόμα πηγές.

Μάλιστα, με τη βοήθεια της βιβλιοθήκης της Python μπορούν να συλλεχθούν διάφορα δεδομένα από το διαδίκτυο για τη δημιουργία βάσεων δεδομένων.

Από την άλλη, η R επιτρέπει την συλλογή δεδομένων από αρχεία Excel, CSV, και TXT. Βέβαια, μπορούν να χρησιμοποιηθούν και αρχεία που προέρχονται από μια ανάλυση στο SPSS.

Επομένως, αν και η Python είναι πιο ευέλικτη ως προς την συλλογή δεδομένων, η R είναι σχεδιασμένη για βασικό web scraping.

   Διαφορά #2: Ανακάλυψη Δεδομένων

Η ανακάλυψη δεδομένων (data exploration) είναι συχνά το πρώτο βήμα στην ανάλυση δεδομένων και σχετίζεται με την βαθύτερη κατανόηση των δεδομένων, με σκοπό να εντοπιστούν μοτίβα και άλλα χρήσιμα συμπεράσματα.

Στην Python, η διαδικασία αυτή μπορεί να γίνει με το Pandas, ένα από τα βασικότερα εργαλεία ανάλυσης δεδομένων το οποίο διδάσκουμε και εδώ στη BigBlue.

Στην R, εφαρμόζονται πιο “βασικές” τεχνικές όπως είναι το data mining και διάφορες στατιστικές δοκιμές.

   Διαφορά #3: Μοντελοποίηση Δεδομένων

Στη περίπτωση του data modeling, το καλό με την Python είναι ότι έχει βιβλιοθήκες αποκλειστικά για τη χρήση αυτή, όπως είναι το Numpy, το SciPy και το sci-kit learn, όπου η διαδικασία γίνεται πιο εύκολη και αυτοματοποιημένη.

Όσον αφορά την R όμως, θα πρέπει να βασιστείς σε πακέτα και τεχνικές εκτός των βασικών τεχνικών της R.

   Διαφορά #4: Οπτικοποίηση Δεδομένων

Η οπτικοποίηση των δεδομένων (data visualization) είναι κάτι ιδιαίτερα σημαντικό και τόσο η Python, όσο και η R, μπορούν να συμβάλλουν σε αυτή.

Στη περίπτωση της Python, μπορούν να χρησιμοποιηθούν διάφορα εργαλεία (όπως το Matplotlib) για τη δημιουργία διαγραμμάτων και άλλων απεικονίσεων, καθώς και το Seaborn για τη δημιουργία άλλων στατιστικών απεικονίσεων.

Στη περίπτωση της R τώρα, η γλώσσα είναι ειδικά σχεδιασμένη για την οπτικοποίηση στατιστικών αναλύσεων, είτε πρόκειται για βασικά διαγράμματα, είτε για περίπλοκα scatter plots στο clustering.

Επομένως, αν και η Python φαίνεται να είναι πιο ευέλικτη στις 3 πρώτες διαφορές, η R έχει ένα πλεονέκτημα όταν πρόκειται για data visualization.

Η Τελική Επιλογή Μεταξύ R και Python

Είδαμε λοιπόν τι είναι η R και η Python, πού εφαρμόζονται, καθώς και τις βασικές διαφορές μεταξύ τους.

Αυτό που πρέπει να αναφέρουμε είναι πως δεν είναι απαραίτητα η μία γλώσσα καλύτερη από την άλλη, εξαρτάται όμως από τις ανάγκες που έχεις.

Αν για παράδειγμα θέλεις να δώσεις έμφαση σε μια στατιστική ανάλυση, τότε ενδεχομένως η R να είναι η ιδανικότερη επιλογή.

Από την άλλη, αν ενδιαφέρεσαι για την ανάπτυξη λογισμικών, συστημάτων machine learning και τεχνητής νοημοσύνης, ή την ανάλυση δεδομένων, τότε η Python είναι η κατάλληλη γλώσσα προγραμματισμού.

Αν λοιπόν σε ενδιαφέρει περισσότερο η Python και θέλεις να μάθεις τα πάντα για αυτήν, ακόμα και αν ξεκινάς από το 0, μπορείς να ανακαλύψεις το Python for Data Science Course που δημιουργήσαμε εδώ στην BigBlue!