La elección de los mejores lenguajes de programación para la ciencia de datos
La codificación es una de las habilidades primarias en la caja de herramientas de un científico de datos. Algunas aplicaciones muy potentes han hecho con éxito elimina la necesidad de codificar en algunos contextos en la ciencia de datos, pero nunca se van a poder utilizar estas aplicaciones para el análisis y la visualización personalizada. Para tareas avanzadas, vas a tener que codificar las cosas por sí mismo, utilizando el lenguaje de programación Python o el lenguaje de programación R.
Video: ¿Qué lenguaje de programación debería aprender para empezar?
Al utilizar Python para la ciencia de datos
Python es un lenguaje de programación legible y fácil de aprender, que se puede utilizar para munging avanzada de datos, análisis y visualización. Puede instalarlo y configurarlo muy fácilmente, y se puede obtener más fácilmente Python que el lenguaje de programación R. Python se ejecuta en Mac, Windows y UNIX.
IPython ofrece una interfaz de codificación muy fácil de usar para las personas que no les gusta la codificación de la línea de comandos. Si se descarga e instala el Anaconda Python distribución, se obtiene su entorno IPython / Jupyter, así como NumPy, SciPy, matplotlib, pandas, y scikit-learn bibliotecas (entre otros) de que es probable que necesita en sus procedimientos de creación de sentido de datos.
El paquete NumPy base es el facilitador básico para la computación científica en Python. Proporciona contenedores / estructuras de matriz que se pueden utilizar para hacer cálculos con ambos vectores y matrices (como en I). SciPy y pandas son las bibliotecas de Python que se utilizan con mayor frecuencia para la computación científica y técnica.
Ofrecen miles de algoritmos matemáticos que simplemente no están disponibles en otras bibliotecas de Python. funcionalidades más populares son el álgebra lineal, cálculo de matrices, las funcionalidades de matrices dispersas, estadísticas y datos munging. Matplotlib es la biblioteca de visualización de datos estreno de Python.
Por último, la biblioteca scikit-learn es útil para el aprendizaje de máquina, los datos pre-procesamiento y evaluación del modelo.
El uso de R para la ciencia de datos
R es otro lenguaje de programación popular que se utiliza para el cálculo estadístico y científico. Escritura de análisis y visualización rutinas en R se conoce como R scripting. R ha sido desarrollado específicamente para el cálculo estadístico y, en consecuencia, tiene una oferta más abundante de paquetes de cómputo estadístico de código abierto que las ofertas de Python.
Video: Los 10 lenguajes de programación más usados del mundo
Además, las capacidades de visualización de datos de R son un poco más sofisticado que Python, y por lo general más fácil de generar. Dicho esto, como lengua, Python es un poco justo más fácil para los principiantes a aprender.
R tiene una comunidad de usuarios muy grande y muy activo. Los desarrolladores están subiendo con (y compartir) nuevos paquetes todo el tiempo - por mencionar sólo unos pocos, la pronóstico paquete, el ggplot2 paquete, y el statnet / igraph paquetes.
Video: ¿Cuál es el mejor lenguaje de programación o el más fácil de aprender?
Si usted quiere hacer un análisis predictivo y pronóstico en R, el paquete de previsión es un buen lugar para comenzar. Este paquete ofrece la ARMA, AR, y los métodos de suavizado exponencial.
Para la visualización de datos, puede utilizar el ggplot2 paquete, que tiene todos los tipos de gráficos de datos estándar, más mucho más.
Video: Los 5 Lenguajes de Programación mejor pagados
Por último, los paquetes de análisis de red de R son bastante especial también. Por ejemplo, puede utilizar igraph y StatNet para el análisis social de la red, el mapeo genético, la planificación del tráfico, e incluso modelos hidráulicos.