පයිතන් සංඛ්‍යාලේඛන වැඩ බංකුවක් ලෙස

බොහෝ පුද්ගලයින් ඔවුන්ගේ සංඛ්‍යාලේඛන අවශ්‍යතා සඳහා එක්සෙල් හෝ වෙනත් පැතුරුම්පතක්, එස්පීඑස්එස්, ස්ටේටා හෝ ආර් වැනි ප්‍රධාන මෙවලමක් භාවිතා කරයි. ඔවුන් විශේෂ අවශ්‍යතා සඳහා යම් නිශ්චිත පැකේජයක් වෙත යොමුවිය හැකි නමුත් සරල පැතුරුම්පතක් හෝ සාමාන්‍ය සංඛ්‍යාලේඛන පැකේජයක් හෝ සංඛ්‍යාලේඛන ක්‍රමලේඛන පරිසරයක් සමඟ බොහෝ දේ කළ හැකිය.

මම සෑම විටම ක්‍රමලේඛන භාෂාවක් ලෙස පයිතන්ට කැමතියි, සරල අවශ්‍යතා සඳහා, මට අවශ්‍ය දේ ගණනය කරන කෙටි වැඩසටහනක් ලිවීම පහසුය. මැට්ප්ලොට්ලිබ් මට එය සැලසුම් කිරීමට ඉඩ දෙයි.

කවුරුහරි සම්පූර්ණයෙන්ම පයිතන් වෙත මාරු වී තිබේද? ආර් (හෝ වෙනත් සංඛ්‍යාලේඛන පැකේජයක්) සංඛ්‍යාලේඛනවලට විශේෂිත වූ ක්‍රියාකාරිත්වයන් රාශියක් ඇති අතර, ඔබට සිදු කිරීමට අවශ්‍ය සංඛ්‍යාලේඛන ගැන සිතා බැලීමට සහ ඔබේ දත්තවල අභ්‍යන්තර නිරූපණය ගැන අඩුවෙන් සිතීමට ඉඩ සලසන දත්ත ව්‍යුහයන් එහි ඇත. හුරුපුරුදු, ඉහළ මට්ටමේ භාෂාවකින් වැඩසටහන් කිරීමට මට ඉඩ දීමේ වාසිය පයිතන් (හෝ වෙනත් ගතික භාෂාවක්) සතු වන අතර, දත්ත වාසය කරන හෝ මට මිනුම් ගත හැකි තාත්වික ලෝක පද්ධති සමඟ ක්‍රමලේඛිකව සම්බන්ධ වීමට එය මට ඉඩ දෙයි. නමුත් "සංඛ්‍යානමය පාරිභාෂිතය" සමඟ දේවල් ප්‍රකාශ කිරීමට මට ඉඩ සලසන කිසිදු පයිතන් පැකේජයක් මා සොයාගෙන නැත - සරල විස්තරාත්මක සංඛ්‍යාලේඛනවල සිට වඩාත් සංකීර්ණ බහුකාර්ය ක්‍රම දක්වා.

ආර්, එස්පීඑස්එස් යනාදිය වෙනුවට පයිතන් “සංඛ්‍යාලේඛන වැඩ බංකුවක්” ලෙස භාවිතා කිරීමට මට අවශ්‍ය නම් ඔබට නිර්දේශ කළ හැක්කේ කුමක්ද?

ඔබගේ අත්දැකීම් මත පදනම්ව මා ලබා ගන්නේ කුමක්ද?

R / CRAN හි ඇති සංඛ්‍යාන පැකේජවල ධනය නොසලකා හැරීම දුෂ්කර ය. එයින් කියැවෙන්නේ මම පයිතන් භූමියේ බොහෝ කාලයක් ගත කරන අතර මා තරම් විනෝද වීමට කිසිවෙකු කිසිවිටෙකත් බාධා නොකරන බවයි. :) සංඛ්‍යානමය කටයුතු සඳහා ඔබට ප්‍රයෝජනවත් විය හැකි පුස්තකාල / සබැඳි කිහිපයක් මෙන්න.

• NumPy / Scipy ඔබ දැනටමත් මේවා ගැන දන්නවා ඇති. නමුත් දැනටමත් ලබා දී ඇති සංඛ්‍යානමය පහසුකම් සහ ක්‍රියාකාරකම් සඳහා (දත්ත හැසිරවීම සහ වෙනත් මෙහෙයුම් ඇතුළුව) හොඳ සඳහනක් වන උදාහරණ ලැයිස්තුව ගැන ඔබට කියවිය හැකි කුක් පොත පෙන්වා දීමට මට ඉඩ දෙන්න . තවත් පහසු සඳහනක් වන්නේ ජෝන් කුක්ගේ ස්කිපි හි බෙදාහැරීම් ය .

• pandas මෙය සංඛ්‍යාන දත්ත සමඟ වැඩ කිරීම සඳහා ඉතා හොඳ පුස්තකාලයකි - වගු දත්ත, කාල ශ්‍රේණි, පැනල් දත්ත. දත්ත සාරාංශ, කණ්ඩායම්කරණය / එකතු කිරීම, හැරීම සඳහා බොහෝ බිල්ඩින් කාර්යයන් ඇතුළත් වේ. සංඛ්‍යාලේඛන / ආර්ථිකමිතික පුස්තකාලයක් ද ඇත.

• NumPy සමඟ හොඳින් සෙල්ලම් කරන ලැරී ලේබල් කරන ලද අරාව. NumPy හි නොමැති සංඛ්‍යානමය කාර්යයන් සපයන අතර දත්ත හැසිරවීමට හොඳය.

• python-statlib විසිරුණු සංඛ්‍යාලේඛන පුස්තකාල ගණනාවක් ඒකාබද්ධ කළ තරමක් මෑත උත්සාහයකි. ඔබ NumPy හෝ pandas භාවිතා නොකරන්නේ නම් මූලික සහ විස්තරාත්මක සංඛ්‍යාලේඛන සඳහා ප්‍රයෝජනවත් වේ.

• statsmodels සංඛ්යාන ආකෘති නිර්මාණය: රේඛීය ආකෘති, GLMs, ඒ අතර වේ.

• scikits සංඛ්යාන හා විද්යාත්මක පරිගණකය පැකේජ - සැලකිය යුතු සුමට, ප්රශස්තිකරණය සහ මැෂින් ඉගෙනුම.

• PyMC ඔබේ බේසියානු / MCMC / ධූරාවලි ආකෘති නිර්මාණ අවශ්‍යතා සඳහා. බෙහෙවින් නිර්දේශිතයි.

• පයිමික්ස් මිශ්‍රණ ආකෘති.

• Biopython ඔබේ ජීව විද්‍යාත්මක දත්ත පයිතන් වෙත පැටවීම සඳහා ප්‍රයෝජනවත් වන අතර විශ්ලේෂණය සඳහා මූලික සංඛ්‍යාන / යන්ත්‍ර ඉගෙනුම් මෙවලම් සපයයි.

වේගය ගැටලුවක් බවට පත්වුවහොත් , ගැඹුරු ඉගෙනුම් පුද්ගලයින් විසින් සාර්ථක ලෙස භාවිතා කරන තියානෝ සලකා බලන්න .

වෙනත් දේවල් ඕනෑ තරම් තිබේ, නමුත් ඔබ සඳහන් කළ ආකාරයටම මෙය වඩාත් ප්‍රයෝජනවත් වේ.

සංඛ්‍යාත්මක වේදිකාවක් සහ මැට්ලැබ් වෙනුවට ආදේශකයක් ලෙස, පයිතන් අවම වශයෙන් අවුරුදු 2-3 කට පෙර පරිණතභාවයට පත්වූ අතර දැන් එය බොහෝ ආකාරවලින් මැට්ලැබ්ට වඩා හොඳය. මම ඒ කාලයේ ආර් සිට පයිතන් වෙත මාරු වීමට උත්සාහ කළ අතර එය අවාසනාවන්ත ලෙස අසාර්ථක විය. පයිතන් හා සමාන නොවන මම දිනපතා භාවිතා කරන R පැකේජ ඕනෑ තරම් තිබේ. Ggplot2 නොමැති වීම ප්‍රදර්ශනාගාරයක් වීමට ප්‍රමාණවත් නමුත් තවත් බොහෝ දේ ඇත. මීට අමතරව, දත්ත විශ්ලේෂණය සඳහා R වඩා හොඳ වාක්‍ය ඛණ්ඩයක් ඇත. පහත සඳහන් මූලික උදාහරණය සලකා බලන්න:

පයිතන් :

results = sm.OLS(y, X).fit()

R :

results <- lm(y ~ x1 + x2 + x3, data=A)

වඩා ප්‍රකාශිත ලෙස ඔබ සලකන්නේ කුමක්ද? R හි, ඔබට විචල්යයන් අනුව සිතිය හැකි අතර, ආකෘතියක් පහසුවෙන් දිගු කළ හැකිය.

lm(y ~ x1 + x2 + x3 + x2:x3, data=A)

ආර් හා සසඳන විට, පයිතන් යනු ආකෘති ගොඩනැගීම සඳහා පහත් මට්ටමේ භාෂාවකි.

උසස් සංඛ්‍යාලේඛන කාර්යයන් සඳහා මට අවශ්‍යතාවයන් අඩු නම් සහ විශාල ව්‍යාපෘතියක් සඳහා දැනටමත් පයිතන් කේතනය කරමින් සිටියේ නම්, මම පයිතන් හොඳ අපේක්ෂකයෙකු ලෙස සලකමි. වේග සීමාවන් නිසා හෝ R පැකේජයන් දාරයක් ලබා නොදෙන නිසා හිස් අස්ථි ප්‍රවේශයක් අවශ්‍ය වූ විටත් මම එය සලකා බලමි.

සාපේක්ෂව උසස් සංඛ්යාලේඛන කරන්නේ අයට දැන් , ඇති පිළිතුර කිසිදු-ආකාරයකින් මොළය වෙහෙසවීමක් වන අතර, වන කිසිදු . ඇත්ත වශයෙන්ම, දත්ත විශ්ලේෂණය ගැන ඔබ සිතන ආකාරය පයිතන් විසින් සීමා කරනු ඇතැයි මම විශ්වාස කරමි. අත්යවශ්ය R පැකේජ 100 සඳහා මොඩියුලය ප්රතිස්ථාපනය කිරීම සඳහා වසර කිහිපයක් සහ බොහෝ මිනිස් උත්සාහයන් ගතවනු ඇති අතර, එසේ වුවද, දත්ත විශ්ලේෂණ හැකියාවන් ඉහළ නංවා ඇති භාෂාවක් ලෙස පයිතන්ට දැනෙනු ඇත. ක්ෂේත්‍ර කිහිපයක් හරහා ව්‍යවහාරික සංඛ්‍යාලේඛන ians යින්ගේ විශාලතම සාපේක්ෂ කොටස R දැනටමත් අත්පත් කර ගෙන ඇති හෙයින්, මෙය ඉක්මණින් සිදුවන බවක් මට නොපෙනේ. එසේ පැවසීමෙන් පසු එය නිදහස් රටක් වන අතර ඒපීඑල් සහ සී හි සංඛ්‍යාලේඛන කරන පුද්ගලයින් මම දනිමි.

පළමුවෙන්ම, ජෝන් ඩී කුක්ගේ පිළිතුරට මම එකඟ යැයි කියමි: පයිතන් යනු ආර් වැනි වසම් විශේෂිත භාෂාවක් නොවන අතර, ඒ අනුව, ඔබට තව දුරටත් පාරට බැසීමට හැකි වනු ඇත. ඇත්ත වශයෙන්ම, ආර් ඩීඑස්එල් වීම යන්නෙන් අදහස් වන්නේ ජාසා හි ප්‍රකාශයට පත් කරන ලද නවතම ඇල්ගොරිතම නිසැකවම ආර් හි ඇති බවයි. ඔබ වැඩිපුරම තාවකාලික වැඩක් කරන්නේ නම් සහ නවතම ලැසෝ ප්‍රතිගාමී තාක්‍ෂණය අත්හදා බැලීමට අවශ්‍ය නම්, කියන්න, ආර් පරාජය කිරීම අසීරු ය. ඔබ වැඩිපුර නිෂ්පාදන විශ්ලේෂණාත්මක කාර්යයන් කරන්නේ නම්, පවතින මෘදුකාංග හා පරිසරයන් සමඟ ඒකාබද්ධ වී වේගය, විස්තීරණතාව සහ නඩත්තු කිරීමේ හැකියාව ගැන සැලකිලිමත් වන්නේ නම්, පයිතන් ඔබට වඩා හොඳ සේවාවක් සපයනු ඇත.

දෙවනුව, ආර්ස් හොඳ සබැඳි සමඟ හොඳ පිළිතුරක් ලබා දුන්නේය. පයිතන් හි විශ්ලේෂණ කටයුතු සඳහා අත්‍යවශ්‍ය යැයි මා සලකන තවත් පැකේජ කිහිපයක් මෙන්න:

• ලස්සන, ප්‍රකාශන ගුණාත්මක ග්‍රැෆික් සඳහා matplotlib .
• වැඩි දියුණු කළ අන්තර්ක්‍රියාකාරී පයිතන් කොන්සෝලය සඳහා IPython . වැදගත් වන්නේ, පයිතන්හි අන්තර්ක්‍රියාකාරී, සමාන්තර පරිගණනය සඳහා ප්‍රබල රාමුවක් IPython සපයයි.
• පයිතන්හි සී දිගු ලිවීම සඳහා සයිතන් . මෙම පැකේජය මඟින් ඔබට පරිගණකමය වශයෙන් දැඩි පයිතන් කේතයක් ගෙන එය සී දිගුවකට පහසුවෙන් පරිවර්තනය කළ හැකිය. එවිට ඔබට වෙනත් ඕනෑම පයිතන් මොඩියුලයක් මෙන් සී දිගුව පූරණය කළ හැකි නමුත් කේතය සී හි ඇති බැවින් කේතය ඉතා වේගයෙන් ක්‍රියාත්මක වේ.
• PyIMSL චිත්‍රාගාරය ගණිතමය හා සංඛ්‍යානමය ඇල්ගොරිතම සිය ගණනක් එකතුවක් සඳහා තරයේ ලේඛනගත කර සහාය දක්වයි. ඔබට එකම API සමඟ පයිතන් සහ සී වෙතින් එකම ඇල්ගොරිතම ඇමතිය හැකි අතර ඔබට එකම ප්‍රති .ල ලැබෙනු ඇත. සම්පුර්ණ අනාවරණය කිරීම: මම මෙම නිෂ්පාදනය මත වැඩ කරන නමුත් මම එය ද බොහෝ දේ භාවිතා කරමි.
• එක්සෙල් ලිපිගොනු පහසුවෙන් කියවීම සඳහා xlrd .

ඔබට වඩා MATLAB වැනි අන්තර්ක්‍රියාකාරී IDE / console අවශ්‍ය නම්, ස්පයිඩර් හෝ සූර්යග්‍රහණය සඳහා PyDev ප්ලගිනය බලන්න .

මම හිතන්නේ නැහැ එහි දී සංඛ්යානමය පැකේජයන් පරාසය ඕනෑම තර්කයක් ඇති කියලා cran හා Bioconductor දුර වෙනත් භාෂා වලින් ඉදිරිපත් මත ඕනෑම දෙයක් ඉක්මවා, කෙසේ වෙතත්, නොවන සලකා බලන ලෙස එකම දේ.

මගේ පර්යේෂණයේදී, මට හැකි විට මම R භාවිතා කරන නමුත් සමහර විට R ඉතා මන්දගාමී වේ. උදාහරණයක් ලෙස, විශාල MCMC ධාවනය.

මෑතකදී, මම මෙම ගැටළුව විසඳීම සඳහා පයිතන් සහ සී ඒකාබද්ධ කළෙමි. සංක්ෂිප්ත සාරාංශය: oc 60 පරාමිතීන් සහිත විශාල ජනගහණ ආකෘතියක් සවි කිරීම සහ MCMC භාවිතා කරමින් ගුප්ත රාජ්‍යයන් 150 ක් පමණ අනුමාන කිරීම.

1. පයිතන්හි දත්ත කියවන්න
2. Ctypes භාවිතා කරමින් පයිතන්හි C දත්ත ව්‍යුහයන් සාදන්න .
3. පයිතන් forලූපයක් භාවිතා කරමින් , පරාමිතීන් යාවත්කාලීන කර සම්භාවිතාව ගණනය කළ සී ශ්‍රිත අමතන්න.

ක්ෂණික ගණනය කිරීමකින් පෙන්නුම් කළේ වැඩසටහන 95% C කාර්යයන් සඳහා වැය කර ඇති බවයි. කෙසේ වෙතත්, දත්ත කියවීමට හෝ සී දත්ත ව්‍යුහයන් තැනීමට මට වේදනාකාරී සී කේතයක් ලිවීමට අවශ්‍ය නොවීය.

මම දන්නවා rpy ද තියෙනවා , එහිදී පයිතන්ට R ශ්‍රිත ඇමතිය හැකිය. මෙය ප්‍රයෝජනවත් විය හැකිය, නමුත් ඔබ සංඛ්‍යාලේඛන කරන්නේ “නිකම්ම” නම් මම ආර්.

පහත දැක්වෙන StackOverflow සාකච්ඡා ප්‍රයෝජනවත් විය හැකිය

• ආර් එදිරිව පයිතන්
• SciPy එදිරිව R.
• මනෝවිද්‍යා පර්යේෂක ආර්, පයිතන් සහ මැට්ලබ් අතර තෝරා ගැනීම

ඉහත පිළිතුරු වල පැහැදිලිව සඳහන් කර ඇති ස්කිකිට්-ඉගෙනීම මා දැක නැත . එය පයිතන් හි යන්ත්‍ර ඉගෙනීම සඳහා පයිතන් පැකේජයකි. එය තරමක් තරුණ නමුත් ඉතා වේගයෙන් වර්ධනය වේ (වියාචනය: මම ස්කිකිට්-ඉගෙනුම් සංවර්ධකයෙක්). වේගය සහ භාවිතාව පිළිබඳ අවධානය යොමු කරමින් ඒකාබද්ධ අතුරු මුහුණතක් තුළ සම්මත යන්ත්‍ර ඉගෙනීමේ ඇල්ගොරිතම මෙවලම් සැපයීම එහි අරමුණු වේ. මා දන්නා තරමින් ඔබට මැට්ලැබ්හි සමාන කිසිවක් සොයාගත නොහැක. එය ශක්තිමත් කරුණු:

• ඒ සවිස්තර ප්රලේඛනය සමග, බොහෝ උදාහරණ

• උසස් තත්ත්වයේ සම්මත අධීක්ෂණ ඉගෙනුම් (ප්‍රතිගාමී / වර්ගීකරණ) මෙවලම්. විශේෂයෙන්:

  • ඉතා බහුකාර්ය SVM (libsvm මත පදනම්ව, නමුත් බාහිර පැච් ඒකාබද්ධ කිරීම සහ පයිතන් බන්ධනය පිළිබඳ වැඩ ගොඩක්)

  • කාර්යක්ෂම ක්‍රියාත්මක කිරීම් සමඟ දණ්ඩනය කරන ලද රේඛීය ආකෘති ( ලාසෝ , විරල ලොජිස්ටික් රෙග්‍රේෂන් ...).

• බහු CPU භාවිතා කරමින් හරස් වලංගුකරණය මඟින් ආකෘති තේරීම සිදු කිරීමේ හැකියාව

• අධීක්ෂණය නොකරන ලද ඉගෙනුම් වලට පහසුවෙන් සම්බන්ධ කළ හැකි දත්ත ගවේෂණය කිරීමට හෝ පළමු මානයන් අඩු කිරීමට අධීක්ෂණය නොකළ ඉගෙනීම.

• විවෘත මූලාශ්‍රය, BSD බලපත්‍රලත්. ඔබ තනිකරම ශාස්ත්‍රීය පරිසරයක නොසිටින්නේ නම් (මම සිටින්නේ ප්‍රාන්තයේ ජාතික විද්‍යාගාරයක් වනු ඇත) මැට්ලැබ් පිරිවැය ඉතා ඉහළ මට්ටමක පවතින බැවින් මෙය බොහෝ සෙයින් වැදගත් වන අතර ඔබේ වැඩවලින් නිෂ්පාදන ලබා ගැනීම ගැන ඔබ සිතනවා විය හැකිය.

මැට්ලැබ් විශිෂ්ට මෙවලමකි, නමුත් මගේම කෘතියක දී, ස්කයිපී + ස්කිකිට්-ලර්න් මට මැට්ලැබ් පිළිබඳ අද්දරක් ලබා දීමට පටන් ගෙන ඇත, මන්ද පයිතන් එහි දෘෂ්ටි යාන්ත්‍රණය නිසා (සහ මට විශාල දත්ත ඇත) මතකය සමඟ වඩා හොඳ කාර්යයක් කරන නිසාය. විවිධ ප්‍රවේශයන් ඉතා පහසුවෙන් සංසන්දනය කිරීමට ස්කිකිට්-ලර්න් මට හැකියාව ලබා දෙයි.

පයිතන් වෙත යාමේ එක් වාසියක් වන්නේ එක් භාෂාවක වැඩිපුර වැඩ කිරීමට ඇති හැකියාවයි. පයිතන් යනු සංඛ්‍යා බිඳීම, වෙබ් අඩවි ලිවීම, පරිපාලන ස්ක්‍රිප්ටින් යනාදිය සඳහා සාධාරණ තේරීමකි. එබැවින් ඔබ ඔබේ සංඛ්‍යාලේඛන පයිතන්හි කරන්නේ නම්, වෙනත් ක්‍රමලේඛන කාර්යයන් සඳහා භාෂා මාරු කිරීමට ඔබට අවශ්‍ය නොවේ.

යාවත්කාලීන කිරීම: 2011 ජනවාරි 26 වන දින මයික්‍රොසොෆ්ට් රිසර්ච් විසින් දත්ත විශ්ලේෂණය සඳහා නව පයිතන් පදනම් කරගත් පරිසරයක් වන ෂෝ නිවේදනය කරන ලදී . මට තවම එය උත්සාහ කිරීමට අවස්ථාවක් ලැබී නැත, නමුත් පයිතන් ධාවනය කිරීමට සහ .NET පුස්තකාල සමඟ අන්තර් ක්‍රියා කිරීමට අවශ්‍ය නම් එය සිත්ගන්නාසුලු අවස්ථාවක් ලෙස පෙනේ.

සමහර විට මෙම පිළිතුර වංචාවකි , නමුත් R සහ Python අතර අතුරු මුහුණතක් සපයන rpy ව්‍යාපෘතිය ගැන කිසිවෙකු සඳහන් නොකිරීම පුදුමයක් නොවේ . (මම වඩාත් හොඳින් තර්ක කරමි) වාක්‍ය ඛණ්ඩය, දත්ත සැකසීම සහ සමහර අවස්ථාවල පයිතන්ගේ වේගය රඳවා ගනිමින් R හි බොහෝ ක්‍රියාකාරිත්වයට ඔබට පයිතොනික් api එකක් ලැබේ. R යනු ඩීඑස්එල් එකක් වන නිසාත්, සංඛ්‍යාලේඛන ප්‍රජාව වෙනත් ඕනෑම භාෂාවකට වඩා ආර් සඳහා වැඩි ආයෝජනයක් කර ඇති නිසාත්, පයිතන්ට කිසි විටෙකත් ආර් තරම් ලේ ගැලීමේ එජ් සංඛ්‍යාලේඛන මෙවලම් තිබිය හැකි යැයි සිතිය නොහැක.

SQL හි වාසි උකහා ගැනීම සඳහා ORM භාවිතා කිරීම හා සමාන වන අතර, පයිතන්ට පයිතන් වීමටත්, SQL SQL වීමටත් ඉඩ සලසයි.

දත්ත ව්‍යුහයන් සඳහා විශේෂයෙන් ප්‍රයෝජනවත් වන වෙනත් පැකේජවලට ඇතුළත් වන්නේ:

• pydataframe data.frame ප්‍රතිවර්තනය කරන අතර එය rpy සමඟ භාවිතා කළ හැකිය. R වැනි පෙරහන් සහ මෙහෙයුම් භාවිතා කිරීමට ඔබට ඉඩ දෙයි.
• pyTables යටින් ඇති වේගවත් hdf5 දත්ත වර්ගය භාවිතා කරයි, එය අවුරුදු ගණනාවක් තිස්සේ පැවතුනි
• h5py එසේම hdf5, නමුත් විශේෂයෙන් ඉලක්ක කර ඇත්තේ අංකී සමඟ අන්තර්ක්‍රියා කිරීමයි
• pandas දත්ත වැනි දත්ත කළමනාකරණය කරන තවත් ව්‍යාපෘතියක් rpy, pyTables සහ numpy සමඟ ක්‍රියා කරයි

මම අත්‍යවශ්‍යයෙන්ම ආර් සාප්පුවක ජීව විද්‍යා ist යෙක් වෙමි (~ 80 මිනිසුන් ඔවුන්ගේ මූලික මෙවලම ලෙස R භාවිතා කරයි). තවමත්, මම මගේ කාලයෙන් 3/4 ක් පමණ පයිතන්හි වැඩ කරනවා. මම මෙය මූලික වශයෙන් ආරෝපණය කරන්නේ මගේ කාර්යයට සංඛ්‍යාලේඛන ආකෘති නිර්මාණය සඳහා බේසියානු හා යන්ත්‍ර ඉගෙනීමේ ප්‍රවේශයන් සම්බන්ධ වීමයි. පයිතන් R ට වඩා කාර්ය සාධනය / tivity ලදායිතා මිහිරි ස්ථානයට වඩා සමීප වේ, අවම වශයෙන් ක්‍රියාකාරී හෝ සමාකරණ මත පදනම් වූ සංඛ්‍යානමය ක්‍රම සඳහා. මම ANOVAS, ප්‍රතිගාමී සහ සංඛ්‍යාන පරීක්ෂණ සිදු කරන්නේ නම්, මම මූලික වශයෙන් R භාවිතා කරන බව මට විශ්වාසයි. කෙසේ වෙතත් මට අවශ්‍ය බොහෝ දේ ටින් කළ R පැකේජයක් ලෙස ලබා ගත නොහැක.

මම මගේ රැකියාව තවත් පැති සඳහා මගේ සංඛ්යාන කටයුතු සඳහා රේඛීය ආකෘති මත දැඩි ලෙස පරිහරණය කරන කෙනෙක්, ප්රේමය හා Python දෘෂ්ටි ආස්ථානයෙන්, මම කර ඇති බව කියන්න කැමතියි ඉතා කිසිවක් නොව තරමක් මූලික සංඛ්යා ලේඛන කරන්නේ සඳහා වේදිකාවක් ලෙස Python බලාපොරොත්තු කඩ වී.

R හට සංඛ්‍යාලේඛන ප්‍රජාවෙන් වඩා හොඳ සහයෝගයක් ඇති බවත්, රේඛීය ආකෘති වඩා හොඳින් ක්‍රියාත්මක කරන බවත්, සංඛ්‍යාලේඛන පැත්තෙන් අවංකව කටයුතු කළ යුතු බවත්, එන්තොට් වැනි විශිෂ්ට බෙදාහැරීම් සමඟ වුවද, පයිතන්ට වයිල්ඩ් වෙස්ට් මෙන් දැනේ.

ඔබ තනිවම වැඩ නොකරන්නේ නම්, සංඛ්‍යාලේඛන සඳහා පයිතන් භාවිතා කරන සහකාරියන් සිටීම ඔබට ඇති අවාසිය, මේ අවස්ථාවේ දී, ඉතා සිහින් ය.

කෙසේ වෙතත් පයිතන් සඳහා ආර් අතහැර දැමීමේ අවශ්‍යතාවයක් නැත. ඔබ සම්පූර්ණ තොගයක් සමඟ IPython භාවිතා කරන්නේ නම් , ඔබට R, Octave සහ Cython දිගු ඇත, එබැවින් ඔබට ඔබේ IPython සටහන් පොත් තුළ පහසුවෙන් සහ පිරිසිදු ලෙස එම භාෂා භාවිතා කළ හැකිය. ඒවා සහ ඔබේ පයිතන් නාම අවකාශය අතර අගයන් පසු කිරීම සඳහා ඔබට සහාය ඇත. මැට්ප්ලොට්ලිබ් භාවිතා කරමින් සහ නිසි ලෙස ඉදිරිපත් කරන ලද ගණිත ප්‍රකාශන ලෙස ඔබේ දත්ත බිම් කොටස් ලෙස ප්‍රතිදානය කළ හැකිය. වෙනත් විශේෂාංග ටොන් ගණනක් ඇති අතර ඔබට මේ සියල්ල ඔබගේ බ්‍රව්සරයේ කළ හැකිය.

IPython බොහෝ දුර පැමිණ ඇත :)

ඔබ සොයන දේ Sage: http://www.sagemath.org/

එය ගණිතය සඳහා පයිතන් මෙවලම් හොඳින් ගොඩනඟා ඇති විශිෂ්ට මාර්ගගත අතුරු මුහුණතකි.

Rpy2 - පයිතන් හි R රැඳී සිටීම සමඟ සෙල්ලම් කරන්න ...

ගුන්ග්ගේ ඉල්ලීම අනුව තවදුරටත් විස්තර කිරීම:

Rpy2 ප්‍රලේඛනය http://rpy.sourceforge.net/rpy2/doc-dev/html/introduction.html වෙතින් සොයාගත හැකිය.

ප්‍රලේඛනයෙන්, rpy2 හි ඉහළ මට්ටමේ අතුරුමුහුණත නිර්මාණය කර ඇත්තේ පයිතන් ක්‍රමලේඛකයින් විසින් R භාවිතා කිරීමට පහසුකම් සැලසීම සඳහා ය. R වස්තූන් පයිතන් ක්‍රියාත්මක කරන ලද පංතිවල අවස්ථා ලෙස නිරාවරණය වන අතර R ක්‍රියා අවස්ථා කිහිපයකදීම එම වස්තූන් සමඟ බැඳී ඇති ක්‍රම වේ. මෙම කොටසේ R: පන්දලම් (දැලිස්) බිම් කැබලි සමඟ ග්‍රැෆික්ස් පිළිබඳ හැඳින්වීමක් මෙන්ම ggplot2 හි ක්‍රියාත්මක කර ඇති ග්‍රැෆික්ස් වල ව්‍යාකරණ ද කුඩා කේතයක් සහිතව සංකීර්ණ හා තොරතුරු සහිත බිම් කැබලි සෑදීමට ඉඩ සලසයි.

මා එයට කැමති ඇයි:

මට මගේ දත්ත පයිතන්ගේ නම්යතාවය භාවිතයෙන් සැකසිය හැකිය, එය අංකිත හෝ පැන්ඩා භාවිතයෙන් අනුකෘතියක් බවට පත් කර R හි ගණනය කිරීම කළ හැකි අතර පසු සැකසුම් කිරීම සඳහා r වස්තු ආපසු ලබා ගත හැකිය. මම ඉකොනොමෙට්‍රික්ස් භාවිතා කරන අතර පයිතන් හුදෙක් ආර් හි ලේ ගැලීමේ දාර සංඛ්‍යාලේඛන මෙවලම් නොතිබෙනු ඇත. ආර් කිසි විටෙකත් පයිතන් තරම් නම්යශීලී නොවනු ඇත. මේ සඳහා ඔබට ආර් තේරුම් ගැනීමට අවශ්‍ය වේ. වාසනාවකට මෙන්, එයට හොඳ සංවර්ධක ප්‍රජාවක් ඇත.

Rpy2 මනා සහය දක්වන අතර එයට සහාය දක්වන මහත්වරුන් SO සංසදවලට නිතර යති. වින්ඩෝස් ස්ථාපනය සුළු වේදනාවක් විය හැකිය - /programming/5068760/bizzarre-issue-trying-to-make-rpy2-2-1-9-work-with-r-2-12-1-using -python-2-6-un? rq = 1 උදව් විය හැකිය.

සංඛ්‍යානමය විශ්ලේෂණය සහ පුරෝකථනය සඳහා මම පයිතන් භාවිතා කරමි. ඉහත සඳහන් කළ වෙනත් අය සඳහන් කළ පරිදි, නැම්පි සහ මැට්ප්ලොට්ලිබ් හොඳ වැඩකරුවන් වේ. PDF ප්‍රතිදානය නිෂ්පාදනය කිරීම සඳහා මම ReportLab ද භාවිතා කරමි.

මම දැනට පයිතන් මත පදනම් වූ එක්සෙල් වැනි පැතුරුම්පත් යෙදුම් වන රිසෝල්වර් සහ පයිස්ප්‍රෙඩ් යන දෙකම දෙස බලමි. රිසෝල්වර් වාණිජ නිෂ්පාදනයක් වන නමුත් පයිස්ප්‍රෙඩ් තවමත් විවෘත මූලාශ්‍රයකි. (සමාව ඉල්ලන්න, මම එක් සබැඳියකට පමණක් සීමා වෙමි)

මේ දක්වා විශිෂ්ට දළ විශ්ලේෂණයක්. මම විශ්ව විද්‍යාලයේ වසර 3 ක් සේවය කළ දා සිට මැට්ලැබ් ආදේශකයක් ලෙස පයිතන් (විශේෂයෙන් scipy + matplotlib) භාවිතා කරමි. මම නිශ්චිත පුස්තකාල ගැන හුරුපුරුදු නිසා සමහර විට මම තවමත් ආපසු යමි. උදා: මැට්ලැබ් තරංග පැකේජය තනිකරම නියමයි.

මම කැමතියි http://enthought.com/ python බෙදාහැරීමට. එය වාණිජමය, නමුත් අධ්‍යයන කටයුතු සඳහා නොමිලේ වන අතර, මා දන්නා පරිදි, සම්පූර්ණයෙන්ම විවෘත මූලාශ්‍රයකි. මම බොහෝ සිසුන් සමඟ වැඩ කරන විට, සිතීමට පෙර සමහර විට ඔවුන්ට අංකිත, ස්කිපි, අයිපයිතන් ආදිය ස්ථාපනය කිරීම කරදරකාරී විය. එන්ටොට් වින්ඩෝස්, ලිනක්ස් සහ මැක් සඳහා ස්ථාපකයක් සපයයි.

සඳහන් කළ යුතු තවත් පැකේජ දෙකක්:

1. ipython (දැනටමත් එන්ටොට් සමඟ පැමිණේ) විශිෂ්ට දියුණු කවචය. හොඳ හැඳින්වීමක් showmedo හි ඇත http://showmedo.com/videotutorials/series?name=PythonIPythonSeries

2. nltk - ස්වාභාවික භාෂා මෙවලම් කට්ටලය http://www.nltk.org/ ඔබට ඕනෑම මළකඳක් පිළිබඳ සංඛ්‍යාලේඛන / යන්ත්‍ර ඉගෙනීමට අවශ්‍ය නම් විශිෂ්ට පැකේජයකි.

මෙය සිත්ගන්නාසුලු ප්‍රශ්නයකි.

මම රොස්ලින් බිලිනා සමඟ ලියූ පුවත්පතක ඔබට ප්‍රයෝජනවත් සාකච්ඡාවක් සොයාගත හැකිය. අවසාන අනුවාදය මෙහි ඇත: http://www.enac.fr/recherche/leea/Steve%20Lawford/papers/python_paper_revised.pdf (එතැන් සිට එය මේ ආකාරයෙන් ම පාහේ “පරිසරමිතික හා සංඛ්‍යාලේඛන පිළිබඳ එක්සත් පර්යේෂණ සඳහා පයිතන්” ලෙස පෙනී සිටියේය. ", Econometric Reviews (2012), 31 (5), 558-591).

සමහර විට කෙලින්ම සම්බන්ධ නැති නමුත් R හට අන්තර්ක්‍රියාකාරී සැසි සඳහා හොඳ GUI පරිසරයක් ඇත (සංස්කරණය: මැක් / වින්ඩෝස් මත). අයිපයිතන් ඉතා හොඳයි, නමුත් මැට්ලැබ්ට සමීප පරිසරයක් සඳහා ඔබට ස්පයිඩර් හෝ අයිඊපී උත්සාහ කළ හැකිය. IEP භාවිතා කිරීම ප්‍රමාද වීමට මට වඩා හොඳ වාසනාවක් ඇත, නමුත් ස්පයිඩර් වඩා හොඳ පෙනුමක් ඇත.

IEP: http://code.google.com/p/iep/

ස්පයිඩර්: http://packages.python.org/spyder/

IEP වෙබ් අඩවියට අදාළ මෘදුකාංග පිළිබඳ කෙටි සංසන්දනයක් ඇතුළත් වේ: http://code.google.com/p/iep/wiki/ විකල්ප

මෙහි පැන්ඩා සඳහා හොඳ හැඳින්වීමක් මට හමු විය. පැන්ඩාස් යනු විස්මිත මෙවලම් කට්ටලයක් වන අතර R හි ඉහළ මට්ටමේ දත්ත විශ්ලේෂණ හැකියාවන් පුළුල් පුස්තකාල සහ පයිතන්ගේ නිෂ්පාදන ගුණාත්මකභාවය සමඟ සපයයි.

මෙම බ්ලොග් සටහන සම්පූර්ණ ආරම්භකයකුගේ දෘෂ්ටි කෝණයෙන් පණ්ඩස්ට හොඳ හැඳින්වීමක් ලබා දෙයි:

http://manishamde.github.com/blog/2013/03/07/pandas-and-python-top-10/

මීට පෙර කිසිවෙකු තැඹිලි ගැන සඳහන් කර නැත :

දෘශ්‍ය වැඩසටහන්කරණය හෝ පයිතන් ස්ක්‍රිප්ටින් හරහා දත්ත කැණීම. යන්ත්‍ර ඉගෙනීම සඳහා සංරචක. ජෛව තොරතුරු හා පෙළ කැණීම් සඳහා ඇඩෝන. දත්ත විශ්ලේෂණ සඳහා විශේෂාංග වලින් පිරී ඇත.

මම එය දිනපතා භාවිතා නොකරමි, නමුත් විධාන රේඛා අතුරුමුහුණතට වඩා GUI වලට කැමති ඕනෑම අයෙකු එය නැරඹිය යුතුය.

ඔබ දෙවැන්න කැමති වුවත්, ඔරේන්ජ් හුරුපුරුදු වීම හොඳ දෙයකි, මන්ද ඔබට එහි ක්‍රියාකාරීත්වය අවශ්‍ය නම් ඔරේන්ජ් කැබලි පහසුවෙන් ඔබේ පයිතන් ස්ක්‍රිප්ට් වලට ආනයනය කළ හැකිය.

අයන්පයිතන් මත ගොඩනගා ඇති සංඛ්‍යාත්මක පරිගණක පරිසරය වන ෂෝ සඳහා මම කෑගැසීමක් කළ යුතුය. මම දැන් එය ස්ටැන්ෆර්ඩ් යන්ත්‍ර ඉගෙනීමේ පන්තිය සඳහා භාවිතා කරන අතර එය ඇත්තෙන්ම ප්‍රයෝජනවත් විය. එය රේඛීය වීජ ගණිත පැකේජ සහ ප්‍රස්ථාර හැකියාවන්ගෙන් සාදා ඇත. .නෙට් වීම සී # හෝ වෙනත් ඕනෑම .නෙට් භාෂාවක් සමඟ දිගු කිරීම පහසුය. සෘජු පයිතන් සහ NumPy වලට වඩා වින්ඩෝස් පරිශීලකයෙකු වීම ආරම්භ කිරීම මට පහසු බව මට පෙනී ගියේය.

එස්පීඑස්එස් සංඛ්‍යාලේඛනවලට ඒකාබද්ධ පයිතන් අතුරුමුහුණතක් (ආර් ද ඇත) ඇති බව සලකන්න. එබැවින් ඔබට සංඛ්‍යාලේඛන ක්‍රියා පටිපාටි භාවිතා කරන පයිතන් වැඩසටහන් ලිවිය හැකි අතර සුපුරුදු ලෙස හැඩගස්වා ඇති සංඛ්‍යාන ප්‍රතිදානය හෝ වැඩිදුර සැකසුම් සඳහා ඔබේ වැඩසටහනට ප්‍රති results ල ලබා දිය හැකිය. නැතහොත් ඔබට සංඛ්‍යාන විධාන ප්‍රවාහයේ පයිතන් වැඩසටහන් ක්‍රියාත්මක කළ හැකිය. ඔබ තවමත් සංඛ්‍යාලේඛන විධාන භාෂාව දැන සිටිය යුතුය, නමුත් සංඛ්‍යාලේඛන සපයන සියලුම දත්ත කළමනාකරණය, ඉදිරිපත් කිරීමේ ප්‍රතිදානය සහ ක්‍රියා පටිපාටි වලින් ඔබට ප්‍රයෝජන ගත හැකිය.

ඩේටාකැම්ප් හි මෑත සංසන්දනය මඟින් ආර් සහ පයිතන් පිළිබඳ පැහැදිලි චිත්‍රයක් සපයයි.

දත්ත විශ්ලේෂණ ක්ෂේත්‍රය තුළ මෙම භාෂා දෙක භාවිතා කිරීම. දත්ත විශ්ලේෂණ කාර්යයන් වෙබ් යෙදුම් සමඟ ඒකාබද්ධ කිරීමට අවශ්‍ය වූ විට හෝ සංඛ්‍යාලේඛන කේතය නිෂ්පාදන දත්ත ගබඩාවකට ඇතුළත් කිරීමට අවශ්‍ය වූ විට පයිතන් සාමාන්‍යයෙන් භාවිතා වේ. R ප්‍රධාන වශයෙන් භාවිතා කරනුයේ දත්ත විශ්ලේෂණ කාර්යයන් සඳහා තනි සේවාදායකයන් මත තනිවම පරිගණකයක් හෝ විශ්ලේෂණයක් අවශ්‍ය වූ විටය.

මෙම බ්ලොග් අඩවියේ එය එතරම් ප්‍රයෝජනවත් බව මට පෙනී ගිය අතර මෙම භාෂා දෙකෙහිම මෑත කාලීන ප්‍රවණතා තේරුම් ගැනීමට එය අන් අයටත් උපකාරී වනු ඇතැයි මම බලාපොරොත්තු වෙමි. ජූලියා ද ප්‍රදේශයට පැමිණේ. මෙය උපකාරී වේ යැයි සිතමු!

මම විශ්වාස කරන්නේ පයිතන් මගේ ක්ෂේත්‍රයේ විශිෂ්ට වැඩපොළක් බවයි. මම සීරීම්, දත්ත පොරබැදීම, විශාල දත්ත වැඩ, ජාල විශ්ලේෂණය, බේසියානු ආකෘති නිර්මාණය සහ සමාකරණ බොහෝ දේ කරමි. මේ සෑම දෙයකටම සාමාන්‍යයෙන් වේගය හා නම්‍යතාවය අවශ්‍ය වේ. එබැවින් මෙම අවස්ථා වලදී R ට වඩා හොඳින් ක්‍රියා කිරීමට පයිතන් මට පෙනේ. මෙන්න මම කැමති පයිතන් ගැන කරුණු කිහිපයක් (සමහරක් ඉහත සඳහන් කර ඇත, වෙනත් කරුණු එසේ නොවේ):

-ලීනර් සින්ටැක්ස්; වඩා කියවිය හැකි කේතය. පයිතන් වඩාත් නවීන හා කෘතිමව ස්ථාවර භාෂාවක් වනු ඇතැයි මම විශ්වාස කරමි.

කේත බෙදාගැනීම, සහයෝගීතාව, ප්‍රකාශනය සඳහා පයිතන් සතුව නෝට්බුක්, අයිපයිතන් සහ වෙනත් විස්මිත මෙවලම් ඇත.

-iPython හි සටහන් පොත මඟින් කෙනෙකුට Python කේතයේ R භාවිතා කිරීමට හැකි වන අතර එමඟින් සෑම විටම R වෙත ආපසු යා හැකිය.

සී වෙත යොමු නොවී සැලකිය යුතු වේගයකින් සයිතන්, NUMBA, සහ සී ඒකාබද්ධ කිරීමේ වෙනත් ක්‍රම භාවිතා කිරීමෙන් ඔබේ කේතය පිරිසිදු සී හා සැසඳිය හැකි වේගයකට යොමු වේ. මා දන්නා පරිදි මෙය ආර්.

-පන්ඩාස්, නැම්පි සහ ස්කිපි ජලයේ සම්මත ආර්. ඔව්, R ට තනි පේළියකින් කළ හැකි දේවල් කිහිපයක් ඇති නමුත් පැන්ඩා 3 හෝ 4 ගනී. පොදුවේ ගත් කල, පැන්ඩාස්ට විශාල දත්ත කට්ටල හැසිරවිය හැකිය, භාවිතා කිරීමට පහසුය, සහ අනෙකුත් පයිතන් සමඟ ඒකාබද්ධ වීම සම්බන්ධයෙන් ඇදහිය නොහැකි නම්‍යශීලී බවක් ලබා දෙයි. පැකේජ සහ ක්‍රම.

-පයිතන් වඩාත් ස්ථායී වේ. RStudio වෙත 2gig දත්ත කට්ටලයක් පූරණය කිරීමට උත්සාහ කරන්න.

- ඉහත සඳහන් කර නැති බව පෙනෙන එක් පිළිවෙලට පැකේජයක් වන්නේ PyMC3 - ඔබේ බොහෝ බේසියානු ආකෘති නිර්මාණය සඳහා විශිෂ්ට පොදු පැකේජයකි.

-සමහර විට, ggplot2 සහ gyb ගැන සඳහන් කරන්න. ඔබ කවදා හෝ මැට්ලැබ්ගේ ප්‍රස්ථාරික ක්‍රියාකාරිත්වය සහ / හෝ පයිතන්හි මැට්ප්ලොට්ලිබ් භාවිතා කර ඇත්නම්, පසුව ඇති විකල්පයන් සාමාන්‍යයෙන් ggplot2 ට වඩා වැඩි හැකියාවක් ඇති බව ඔබ දැන ගනු ඇත.

කෙසේ වෙතත්, සමහර විට R ඉගෙනීම පහසු වන අතර ආකෘති නිර්මාණ ක්‍රමවේදයන් පිළිබඳව මා තවමත් හුරුපුරුදු නැති අවස්ථාවන්හිදී මම එය නිතර භාවිතා කරමි. එවැනි අවස්ථාවක, ආර් හි අක්‍රීය සංඛ්‍යාලේඛන පුස්තකාලවල ගැඹුර පරාජය කළ නොහැකි ය. ඉතා මැනවින්, අවශ්‍යතාවය මත භාවිතා කිරීමට හැකි වන පරිදි මම දෙකම හොඳින් දනිමි.

වින්ඩෝස් යටතේ වැඩ කළ යුතු අයට, ඇනකොන්ඩා ( https://store.continuum.io/cshop/anaconda/ ) සැබවින්ම බොහෝ උපකාර කරයි. වින්ඩෝස් යටතේ පැකේජ ස්ථාපනය කිරීම හිසරදයක් විය. ඇනකොන්ඩා ස්ථාපනය කර ඇති විට, ඔබට එක් ලයිනර් සමඟ භාවිතයට සූදානම් සංවර්ධන පරිසරයක් සැකසිය හැකිය.

උදාහරණයක් ලෙස, සමඟ

conda create -n stats_env python pip numpy scipy matplotlib pandas

මෙම සියලු පැකේජ ස්වයංක්‍රීයව ලබාගෙන ස්ථාපනය කෙරේ.

ආර් සමඟ සැසඳීමට පෙර පයිතන්ට බොහෝ දුර යා යුතුව ඇත. එහි R ට වඩා සැලකිය යුතු තරම් අඩු පැකේජයක් සහ අඩු ගුණාත්මක බවක් ඇත. මූලික දේවලට ඇලී සිටින හෝ ඔවුන්ගේ අභිරුචි පුස්තකාල මත පමණක් විශ්වාසය තබන පුද්ගලයින්ට ඔවුන්ගේ කාර්යය පයිතන්හි පමණක් කළ හැකි නමුත් ඔබ වඩාත් දියුණු ප්‍රමාණාත්මක විසඳුම් අවශ්‍ය අයෙක් නම්, එතැනින් ආර් වෙත කිසිවක් ළඟා නොවන බව මම කියමි.

මේ දක්වා, පයිතන්ට ආර්-ස්ටුඩියෝ හා සැසඳිය හැකි නිසි විද්‍යාත්මක මැට්ලැබ් විලාසිතාවේ IDE නොමැති බව සැලකිල්ලට ගත යුතුය (කරුණාකර ස්පයිඩර් යැයි නොකියන්න) සහ ඔබ කොන්සෝලයෙහි ඇති සෑම දෙයක්ම සකස් කළ යුතුය. පොදුවේ ගත් කල, සමස්ත පයිතන් අත්දැකීම සඳහා බොහෝ දෙනෙකුට අඩු හා සැලකිල්ලක් නොදක්වන හොඳ “භූගෝලීය” ප්‍රමාණයක් අවශ්‍ය වේ.

මාව වැරදියට තේරුම් ගන්න එපා, මම පයිතන්ට ආදරෙයි, එය ඇත්ත වශයෙන්ම මගේ ප්‍රියතම භාෂාව වන අතර එය ආර් මෙන් නොව සැබෑ ක්‍රමලේඛන භාෂාවකි. තවමත්, පිරිසිදු දත්ත විශ්ලේෂණයක දී මම රඳා පවතින්නේ R මත වන අතර එය අද වන විට වඩාත්ම විශේෂිත හා සංවර්ධිත විසඳුමයි. මෘදුකාංග විශ්ලේෂණය සමඟ දත්ත විශ්ලේෂණය ඒකාබද්ධ කිරීමට අවශ්‍ය වූ විට මම පයිතන් භාවිතා කරමි, උදා: අපිරිසිදු ආර් ස්ක්‍රිප්ට් එකකින් මා මුලින් වැඩසටහන්ගත කළ ක්‍රම පිළිබඳව ස්වයංක්‍රීයකරණය සිදුකරන මෙවලමක් සාදන්න. බොහෝ අවස්ථාවන්හිදී මම පයිතන් වෙතින් R ඇමතීමට rpy2 භාවිතා කරමි. මන්ද බොහෝ අවස්ථාවන්හිදී R පැකේජ වඩා හොඳය (හෝ පයිතන්හි කිසිසේත්ම නොපවතී). මේ ආකාරයෙන් මම උත්සාහ කරන්නේ ලෝක දෙකෙහිම හොඳම දේ ලබා ගැනීමටයි.

මම තවමත් මැට්ලැබ් පිරිසිදු ඇල්ගොරිතම සංවර්ධනය සඳහා භාවිතා කරන්නේ එහි ගණිතමය විලාසිතාවේ වාක්‍ය ඛණ්ඩයට සහ වේගයට මා ප්‍රිය කරන බැවිනි.

ලබා දුන් පිළිතුරු වලට වඩා යාවත්කාලීන පිළිතුරක් එක් කිරීමට මම සිතුවෙමි. මම පයිතන් මිනිහෙක්, හරහා සහ හරහා, මෙන්න මෙන්න:

1. ලැබ්වීව් හැරෙන්නට, මම මෙතෙක් භාවිතා කර ඇති ඕනෑම ක්‍රමලේඛන භාෂාවක වඩාත්ම බුද්ධිමත් වාක්‍ය ඛණ්ඩය පයිතන් වේ . පයිතන් හි කේත පේළි 20-30 ක් මම උත්සාහ කළ වාර ගණන මට ගණන් කළ නොහැක, ඒවා ක්‍රියාත්මක වී ඇත. එය නිසැකවම වෙනත් ඕනෑම භාෂාවකට කිව හැකි ප්‍රමාණයට වඩා වැඩිය, ලැබ්වීව් පවා. මෙය අතිශය වේගවත් සංවර්ධන කාලයක් සඳහා හේතු වේ.

2. පයිතන් කාර්ය සාධනය. මෙය වෙනත් පිළිතුරු වල සඳහන් කර ඇති නමුත් එය පුනරාවර්තනය වේ. පයිතන් විශාල දත්ත කට්ටල විශ්වසනීයව විවෘත කරන බව මට පෙනේ.

3. පයිතන් හි ඇති පැකේජ R හි පැකේජ වෙත වේගයෙන් ඇදී යයි. ඇත්ත වශයෙන්ම, පයිතන් භාවිතය පසුගිය වසර කිහිපය තුළ ආර් භාවිතය සැලකිය යුතු ලෙස ඉක්මවා ඇත, තාක්‍ෂණිකව මෙම තර්කය ඇත්ත වශයෙන්ම දැන්වීම් ජනප්‍රියත්වයක් වුවද.

4. හොඳ කේතයට තිබිය හැකි වඩාත්ම වැදගත් ගුණාංග අතර කියවීමේ හැකියාව වැඩි වැඩියෙන් මට පෙනේ, සහ පයිතන් යනු මෙතෙක් කියවිය හැකි වඩාත්ම කියවිය හැකි භාෂාවයි (ඔබ හොඳ කේතීකරණ පිළිවෙත් අනුගමනය කරන බව උපකල්පනය කරන්න). පෙර පිළිතුරු වලින් සමහරක් ආර් වඩා කියවිය හැකි යැයි තර්ක කිරීමට උත්සාහ කර ඇත, නමුත් ඔවුන් පෙන්වා ඇති උදාහරණ සියල්ලම මට ප්‍රතිවිරුද්ධ බව ඔප්පු කරයි: පයිතන් ආර් ට වඩා කියවිය හැකි අතර එය ඉගෙන ගැනීමට ද ඉක්මන් වේ. මම සතියකින් මූලික පයිතන් ඉගෙන ගත්තා!

5. මෙම ලැම්ඩා ලැබ් Stack වඩා නව මෙවලමක් වන ඇනකොන්ඩා , සහ එක්-ups එය, මගේ මතය. අවාසිය: ඔබට එය ස්ථාපනය කළ හැක්කේ උබුන්ටු 16.04 සහ 18.04 වලින් පමණක් වන අතර එම අනුවාදවල උබුන්ටු ව්‍යුත්පන්නයන් පමණි. උඩු යටිකුරු කිරීම: දෘඩාංග ධාවක වෙත යන සියලු සම්මත GPU- වේගවත් පැකේජ ඔබ වෙනුවෙන් කළමනාකරණය කරයි . ඇනකොන්ඩා ඒක කරන්නේ නැහැ. ලැම්බඩා ලැබ්ස් තොගය ඔබේ තියානෝ හෝ කෙරස් අනුවාදයේ සිට එන්වීඩියා ජීපීයූ ධාවක අනුවාදය දක්වා අනුකූල අනුවාද අංක පවත්වා ගනී. ඔබ බොහෝ විට දන්නා පරිදි මෙය සුළුපටු කාර්යයක් නොවේ. යන්ත්‍ර ඉගෙනීම සම්බන්ධයෙන් ගත් කල, පයිතන් රජ වේ. GPU ත්වරණය යනු බොහෝ දත්ත වෘත්තිකයින්ට තමන්ට නොමැතිව කළ නොහැකි දෙයක්.

6. පයිතන්ට දැන් ඉතා හොඳින් සිතා බලා ඇති IDE එකක් ඇත: PyCharm . මගේ මතය අනුව, බරපතල පයිතන් සංවර්ධකයින් භාවිතා කළ යුත්තේ මෙයයි - නියත වශයෙන්ම ජුපිටර් සටහන් පොත් නොවේ. බොහෝ අය විෂුවල් ස්ටුඩියෝ කේතය භාවිතා කරන අතර, පයිචාර්ම් පයිතන් සඳහා හොඳම IDE ලෙස මම දකිමි. ඔබට ප්‍රායෝගිකව අවශ්‍ය සෑම දෙයක්ම ඔබට ලැබේ - IPython, terminal, මතකයේ ඇති කැල්කියුලේටරය ඇතුළු උසස් නිදොස් කිරීමේ මෙවලම් සහ ප්‍රභව කේත පාලන ඒකාබද්ධ කිරීම.

7. බොහෝ අය පවසා ඇත්තේ පයිතන්ගේ සංඛ්‍යාලේඛන පැකේජ R තරම් සම්පූර්ණ නොවන බවයි. එය තවමත් තරමක් සත්‍ය බවට සැකයක් නැත (ඉහත 3 බලන්න). අනෙක් අතට, මට, ඇදහිය නොහැකි තරම් දියුණු සංඛ්‍යාලේඛන පැකේජ අවශ්‍ය වී නැත. අසනු ලබන ව්‍යාපාරික ප්‍රශ්නය සම්පූර්ණයෙන් වටහා ගන්නා තෙක් උසස් සංඛ්‍යාලේඛන විශ්ලේෂණයක් සඳහා බලා සිටීමට මම කැමැත්තෙමි. බොහෝ විට, මෙට්‍රික් ගණනය කිරීම සඳහා සාපේක්ෂව සෘජු ඉදිරි ඇල්ගොරිතමයක් ගැටළුවට විසඳුම වන අතර, එම අවස්ථාවේ දී පයිතන් ප්‍රමිතික ගණනය කිරීම සඳහා විශිෂ්ට මෙවලමක් සාදයි.

8. එක් කේත පේළියක් තුළ පමණක් ප්‍රබල දේ කිරීමට R ට ඇති හැකියාව ගැන බොහෝ අය කැමතියි. මගේ මතය අනුව, එය අතිශය විශාල තර්කයක් නොවේ. එය එක් කේත පේළියක් කියවිය හැකිද? සාමාන්‍ය කේතය එක් වරක් ලියා ඇති අතර දස වතාවක් කියවන්න! පයිතන්හි සෙන් පවසන පරිදි කියවීමේ හැකියාව ගණන් ගනී. R කේතයේ එක් ගුප්ත රේඛාවකට වඩා මට කියවිය හැකි පයිතන් කේත පේළි කිහිපයක් තිබේ (ඒවා එකම තේරීම නොවේ, ඇත්ත වශයෙන්ම; මට අවශ්‍ය වන්නේ කේත පේළි කිහිපයක් වැඩි කියවීමේ හැකියාවකට සමාන නොවන බව පෙන්වා දීමටයි).

9. අහම්බෙන්, මට තරමක් මාතෘකාවක් වුවද, SAS ගැන අදහස් දැක්වීම මට විරුද්ධ විය නොහැක. මා කලින් සඳහන් කළ පරිදි, මම සතියකින් මූලික පයිතන් ඉගෙන ගත්තා. ඊට පස්සේ මම SAS අත්හදා බැලුවා. SAS පිළිබඳ පරිච්ඡේද 11 ක පොතක පරිච්ඡේද තුනක් පමණ මම සොයා බැලුවෙමි, ඒ සඳහා මට මාස දෙකක් ගත විය! එපමනක් නොව, මම යමක් උත්සාහ විට, එය කවදාවත් නෑ වැඩ ප්රථම වරට. ඔබට හැකි ඉක්මනින් SAS අත්හරින ලෙස මම තරයේ ඉල්ලා සිටිමි. එය අතිශයින්ම කැටි ගැසුණු වාක්‍ය ඛණ්ඩයක් ඇත, අසාමාන්‍ය ලෙස සමාව දිය නොහැකි ය. හූප්ටි කරන්න.

ඉතින්, එහි ඔබට එය තිබේ. පයිතන් ඔක්කොම!