Paras vastaus
Haluan olla tarkka ja sanoa, että R on hyvä tietojen analysointiin, varsinkin jos seuraat sen sijaan ”modern R” -kehitystä syntyperäisen R.: n mielestäni sen ekosysteemi on erittäin houkutteleva. Tässä on joitain asioita, jotka erottavat R: n.
- R on ilmainen verrattuna muihin suosittuihin tilasto- / data-analyysiohjelmistoihin, kuten SAS tai Matlab.
- R oli suunniteltu käsittelemään taulukkotietoja tietojen analysoinnissa. (Sitä ei ole koskaan suunniteltu yleiseksi kieleksi, kuten python, joten niitä ei voida verrata toisiinsa.)
- R: llä on joitain parhaita tietojen käsittely-, visualisointi- ja tulosraportointiominaisuuksia. Asiat kuten tidyverse (dplyr, tidyr, ggplot2 jne.), Data.table, Rmarkdown, kiiltävä sovellus jne. Pythonissa on samanlaisia asioita, mutta ne eivät ole läheskään yhtä hyviä tai helppokäyttöisiä. Visualisointipaketti ggplot2 on vain niin hyvännäköinen ja pystyy käsittelemään hyvin monimutkaista piirtämistä. Jotkut ihmiset saattavat käyttää R: tä yksinkertaisesti ggplot2: lle. On myös verkkopohjaisia grafiikkapaketteja, kuten plotly jne.
- Rstudio IDE. Se on yksinkertaisesti upeaa. Sanoisin, että R: n vetovoima vähenee ainakin puoleen, ellei Rstudioa ole olemassa. Kuinka toivon, että pythonilla on jotain niin mukavaa, helppokäyttöistä ja tehokasta. (Spyder on lähellä, vain ei vielä siellä.)
- Rstudion kaupallinen kehitys. Tulosvetoinen kehitys on kriittistä R-ekosysteemin pitkän aikavälin terveydelle. R: llä on vahva käyttäjäyhteisö ja Rstudion vahva sitoutuminen. Mielestäni Rstudion viimeisimmät ponnistelut ovat tehneet R: stä miellyttävän ympäristön kuin muut. Tämä tarkoittaa upeaa Rstudio IDE -ympäristöä, joka on integroitu Rmarkdowniin, Rbookdowniin, virheenkorjaustyökaluihin, kiiltäviin sovelluksiin jne. Rstudio palkkasi myös joitain tärkeimpiä R-kehittäjiä, kuten Hadley Wickham, Max Kuhn, Yihui Xie jne., Joita pidetään modernin sieluna. R. Hienoa on, kun nämä ihmiset liittyivät Rstudioon, heidän R-pakettiaan, kuten knitr, devtools jne., Myös parannetaan ja integroidaan parempaan työnkulkuun.
- Lopuksi, jos olet jo hypännyt alukselle R: stä, ei ole vaikea soveltaa taitojasi pythoniin. Python on kielenä helpompi oppia kuin R. Kun R-tilassa on koulutettu data-analyysin ajattelutapa, samanlaiset taidot voidaan siirtää pythoniin melko nopeasti.
Jos joku haluaa saada jonkin verran ajatus työskennellä nykyaikaisella R-muodilla, Hadleyn äskettäinen kirja “R for data science” voi toimia erittäin mukavana johdantona. Seuraa myös Rstudion kehitystä, sillä ne lisäävät jatkuvasti uusia asioita, jotka tekevät R: n käytöstä erittäin nautinnollisen kokemuksen.
Vastaus
Kuten Paulina Jonušaitė huomautti, R on hyvä, koska se jonka tilastotieteilijät ovat suunnitelleet tilastotieteilijöille, ja vaikka tilastotieteilijät eivät olekaan päteviä kielisuunnittelijoita – ehdottomasti ei riitä tekemään kielen suunnittelusta johdonmukaista ja ennakoitavaa – käy ilmi, että keskimäärin kieli toimii odotetusti (tai ainakin riittävän usein, jotta ihmiset, joilla oli vain pinnallinen kontakti , eivät yleensä huomaa sitä epäjohdonmukaisuus).
R-ohjelmointikieli suunniteltiin ottamalla erittäin hyvä ohjelmointikieli nimeltä Scheme ja heittämällä outoa syntaksia ja käyttäytymistä, jotta se olisi houkuttelevampi tilastotieteilijöille. Joten jos siinä kielessä on jonkinlaista hyvyyden tunnetta, sen on oltava peräisin kaaviosta.
Löydät joitain viitteitä Panicz Godekin vastauksesta kysymykseen Miksi R: n syntaksit eroavat niin (huonosti) muista ohjelmointikielet?