इंटरनेटवर R किंवा Python शोधून, तुम्हाला लाखो लेख आणि डेटासह काम करण्यासाठी कोणता अधिक चांगला, जलद आणि अधिक सोयीस्कर आहे या विषयावरील चर्चा सापडतील. पण दुर्दैवाने, हे सर्व लेख आणि विवाद विशेष उपयुक्त नाहीत.

या लेखाचा उद्देश दोन्ही भाषांमधील सर्वात लोकप्रिय पॅकेजमधील मूलभूत डेटा प्रोसेसिंग तंत्रांची तुलना करणे हा आहे. आणि वाचकांना त्यांना अद्याप माहित नसलेल्या गोष्टींवर त्वरित प्रभुत्व मिळवण्यास मदत करा. जे Python मध्ये लिहितात त्यांच्यासाठी R मध्ये समान गोष्ट कशी करायची ते शोधा आणि त्याउलट.

लेखादरम्यान आम्ही R मधील सर्वात लोकप्रिय पॅकेजेसच्या वाक्यरचनेचे विश्लेषण करू. ही लायब्ररीमध्ये समाविष्ट असलेली पॅकेजेस आहेत. tidyverseआणि पॅकेज देखील data.table. आणि त्यांच्या वाक्यरचनेची तुलना करा pandas, Python मधील सर्वात लोकप्रिय डेटा विश्लेषण पॅकेज.

आम्ही पायथन आणि आर वापरून डेटा विश्लेषणाचा संपूर्ण मार्ग ते लोड करण्यापासून ते विश्लेषणात्मक विंडो फंक्शन्स करण्यासाठी टप्प्याटप्प्याने पुढे जाऊ.

सामग्री

विचाराधीन पॅकेजपैकी एकामध्ये काही डेटा प्रोसेसिंग ऑपरेशन कसे करावे हे आपण विसरला असल्यास हा लेख फसवणूक पत्रक म्हणून वापरला जाऊ शकतो.

R आणि Python मधील मुख्य वाक्यरचना फरक
1.1. पॅकेज फंक्शन्समध्ये प्रवेश करणे
1.2. असाइनमेंट
1.3. अनुक्रमणिका
1.4. पद्धती आणि OOP
1.5. पाइपलाइन
1.6. डेटा संरचना
आम्ही वापरणार असलेल्या पॅकेजबद्दल काही शब्द
2.1. नीटनेटका
2.2. डेटा.टेबल
2.3. पांडा
पॅकेजेस स्थापित करत आहे
डेटा लोड करत आहे
डेटाफ्रेम तयार करणे
आपल्याला आवश्यक असलेले स्तंभ निवडणे
पंक्ती फिल्टर करणे
समूहीकरण आणि एकत्रीकरण
टेबल्सचे अनुलंब युनियन (UNION)
टेबल्सचे क्षैतिज जोडणे (जॉइन)
मूलभूत विंडो कार्ये आणि गणना केलेले स्तंभ
R आणि Python मधील डेटा प्रोसेसिंग पद्धतींमधील पत्रव्यवहार सारणी
निष्कर्ष
तुम्ही कोणते पॅकेज वापरता याबद्दल एक लहान सर्वेक्षण

जर तुम्हाला डेटा विश्लेषणामध्ये स्वारस्य असेल, तर तुम्ही माझे शोधू शकता तार и YouTube चॅनेल बहुतेक सामग्री आर भाषेला समर्पित आहे.

R आणि Python मधील मुख्य वाक्यरचना फरक

तुमच्यासाठी पायथन वरून R वर किंवा त्याउलट स्विच करणे सोपे करण्यासाठी, मी काही मुख्य मुद्दे देईन ज्याकडे तुम्हाला लक्ष देणे आवश्यक आहे.

पॅकेज फंक्शन्समध्ये प्रवेश करणे

एकदा पॅकेज R मध्ये लोड केले की, तुम्हाला त्याच्या फंक्शन्समध्ये प्रवेश करण्यासाठी पॅकेजचे नाव निर्दिष्ट करण्याची आवश्यकता नाही. बहुतेक प्रकरणांमध्ये हे R मध्ये सामान्य नाही, परंतु ते स्वीकार्य आहे. तुम्हाला तुमच्या कोडमधील फंक्शनपैकी एखादे पॅकेज हवे असल्यास तुम्हाला अजिबात आयात करण्याची गरज नाही, परंतु फक्त पॅकेजचे नाव आणि फंक्शनचे नाव निर्दिष्ट करून कॉल करा. R मधील पॅकेज आणि फंक्शन नावांमधील विभाजक दुहेरी कोलन आहे. package_name::function_name().

पायथनमध्ये, त्याउलट, पॅकेजचे नाव स्पष्टपणे निर्दिष्ट करून त्याचे कार्य कॉल करणे क्लासिक मानले जाते. जेव्हा एखादे पॅकेज डाउनलोड केले जाते, तेव्हा त्याला सहसा लहान नाव दिले जाते, उदा. pandas सहसा टोपणनाव वापरले जाते pd. पॅकेज फंक्शन डॉटद्वारे ऍक्सेस केले जाते package_name.function_name().

असाइनमेंट

आर मध्ये, ऑब्जेक्टला मूल्य नियुक्त करण्यासाठी बाण वापरणे सामान्य आहे. obj_name <- value, जरी सिंगल इक्वल चिन्हास अनुमती असली तरी, R मधील सिंगल इक्वल चिन्ह प्रामुख्याने फंक्शन वितर्कांना मूल्ये पास करण्यासाठी वापरले जाते.

पायथनमध्ये, असाइनमेंट केवळ एकाच समान चिन्हासह केले जाते obj_name = value.

अनुक्रमणिका

येथे देखील लक्षणीय फरक आहेत. R मध्ये, अनुक्रमणिका एकपासून सुरू होते आणि परिणामी श्रेणीतील सर्व निर्दिष्ट घटक समाविष्ट करतात,

पायथनमध्ये, अनुक्रमणिका शून्यापासून सुरू होते आणि निवडलेल्या श्रेणीमध्ये निर्देशांकामध्ये निर्दिष्ट केलेला शेवटचा घटक समाविष्ट नाही. त्यामुळे डिझाइन x[i:j] Python मध्ये j घटक समाविष्ट होणार नाही.

आर नोटेशनमध्ये नकारात्मक अनुक्रमणिका मध्ये देखील फरक आहेत x[-1] शेवटचा घटक सोडून वेक्टरचे सर्व घटक परत करेल. Python मध्ये, एक समान नोटेशन फक्त शेवटचा घटक देईल.

पद्धती आणि OOP

आर त्याच्या स्वत: च्या मार्गाने ओओपी लागू करते, मी लेखात याबद्दल लिहिले "आर भाषेत OOP (भाग 1): S3 वर्ग". सर्वसाधारणपणे, आर ही कार्यशील भाषा आहे आणि त्यातील प्रत्येक गोष्ट फंक्शन्सवर बनलेली आहे. म्हणून, उदाहरणार्थ, एक्सेल वापरकर्त्यांसाठी, वर जा tydiverse पेक्षा सोपे होईल pandas. हे माझे व्यक्तिनिष्ठ मत असले तरी.

थोडक्यात, आर मधील ऑब्जेक्ट्समध्ये पद्धती नाहीत (जर आपण S3 वर्गांबद्दल बोललो, परंतु इतर OOP अंमलबजावणी आहेत जी खूपच कमी सामान्य आहेत). फक्त सामान्यीकृत फंक्शन्स आहेत जी ऑब्जेक्टच्या वर्गावर अवलंबून वेगळ्या पद्धतीने प्रक्रिया करतात.

पाइपलाइन

कदाचित हे नाव आहे pandas ते पूर्णपणे बरोबर नाही, पण मी अर्थ सांगण्याचा प्रयत्न करेन.

मध्यवर्ती गणना जतन न करण्यासाठी आणि कार्यरत वातावरणात अनावश्यक वस्तू तयार न करण्यासाठी, आपण एक प्रकारची पाइपलाइन वापरू शकता. त्या. एका गणनेचा निकाल एका फंक्शनमधून दुसऱ्या फंक्शनमध्ये पास करा आणि इंटरमीडिएट रिझल्ट जतन करू नका.

चला खालील कोडचे उदाहरण घेऊ, जिथे आपण इंटरमीडिएट कॅल्क्युलेशन वेगळ्या ऑब्जेक्ट्समध्ये साठवतो:

temp_object <- func1()
temp_object2 <- func2(temp_object )
obj <- func3(temp_object2 )

आम्ही अनुक्रमे 3 ऑपरेशन्स केल्या आणि प्रत्येकाचा निकाल वेगळ्या ऑब्जेक्टमध्ये जतन केला गेला. पण खरं तर, आम्हाला या मध्यवर्ती वस्तूंची गरज नाही.

किंवा आणखी वाईट, परंतु एक्सेल वापरकर्त्यांसाठी अधिक परिचित.

obj  <- func3(func2(func1()))

या प्रकरणात, आम्ही मध्यवर्ती गणना परिणाम जतन केले नाहीत, परंतु नेस्टेड फंक्शन्ससह कोड वाचणे अत्यंत गैरसोयीचे आहे.

आम्‍ही R मध्‍ये डेटा प्रोसेसिंगच्‍या अनेक पध्‍दतींकडे पाहणार आहोत आणि ते वेगवेगळ्या प्रकारे समान ऑपरेशन्स करतात.

लायब्ररीतील पाइपलाइन tidyverse ऑपरेटरद्वारे लागू केले जाते %>%.

obj <- func1() %>% 
            func2() %>%
            func3()

अशा प्रकारे आपण कामाचा निकाल घेतो func1() आणि प्रथम युक्तिवाद म्हणून पास करा func2(), नंतर आम्ही या गणनेचा निकाल पहिला युक्तिवाद म्हणून पास करतो func3(). आणि शेवटी, आम्ही ऑब्जेक्टमध्ये केलेली सर्व गणना लिहितो obj <-.

वरील सर्व या मेमद्वारे शब्दांपेक्षा चांगले चित्रित केले आहे:

В data.table साखळ्यांचा वापर त्याच प्रकारे केला जातो.

newDT <- DT[where, select|update|do, by][where, select|update|do, by][where, select|update|do, by]

प्रत्येक चौरस ब्रॅकेटमध्ये आपण मागील ऑपरेशनचा परिणाम वापरू शकता.

В pandas अशा ऑपरेशन्स एका बिंदूने विभक्त केल्या जातात.

obj = df.fun1().fun2().fun3()

त्या. आम्ही आमचे टेबल घेतो df आणि तिची पद्धत वापरा fun1(), नंतर आम्ही प्राप्त परिणामावर पद्धत लागू करतो fun2()नंतर fun3(). परिणामी परिणाम ऑब्जेक्टमध्ये जतन केला जातो हरकत .

डेटा संरचना

R आणि Python मधील डेटा स्ट्रक्चर्स समान आहेत, परंतु त्यांची नावे भिन्न आहेत.

वर्णन
आर मध्ये नाव
Python/pandas मध्ये नाव

टेबल रचना
data.frame, data.table, tibble
डेटाफ्रेम

मूल्यांची एक-आयामी सूची
वेक्टर
पांडामधील मालिका किंवा शुद्ध पायथनमधील सूची

बहु-स्तरीय नॉन-टेब्युलर रचना
यादी
शब्दकोश (डिक्ट)

आम्ही खाली वाक्यरचनामधील इतर काही वैशिष्ट्ये आणि फरक पाहू.

आम्ही वापरणार असलेल्या पॅकेजबद्दल काही शब्द

प्रथम, मी तुम्हाला या लेखादरम्यान ज्या पॅकेजेसशी परिचित व्हाल त्याबद्दल थोडेसे सांगेन.

नीटनेटका

अधिकृत वेबसाइट: tidyverse.org

लायब्ररी tidyverse हेडली विकहॅम, RStudio मधील वरिष्ठ संशोधन शास्त्रज्ञ यांनी लिहिलेले. tidyverse डेटा प्रोसेसिंग सुलभ करणाऱ्या पॅकेजेसचा एक प्रभावशाली संच आहे, ज्यापैकी 5 CRAN रेपॉजिटरीमधून टॉप 10 डाउनलोडमध्ये समाविष्ट आहेत.

लायब्ररीच्या कोरमध्ये खालील पॅकेजेस असतात: ggplot2, dplyr, tidyr, readr, purrr, tibble, stringr, forcats. यातील प्रत्येक पॅकेज विशिष्ट समस्येचे निराकरण करण्याच्या उद्देशाने आहे. उदाहरणार्थ dplyr डेटा हाताळणीसाठी तयार केलेले, tidyr डेटा व्यवस्थित स्वरूपात आणण्यासाठी, stringr स्ट्रिंगसह काम करणे सोपे करते, आणि ggplot2 सर्वात लोकप्रिय डेटा व्हिज्युअलायझेशन साधनांपैकी एक आहे.

फायदा tidyverse ही साधेपणा आणि वाचण्यास सोपी वाक्यरचना आहे, जी अनेक प्रकारे SQL क्वेरी भाषेसारखी आहे.

डेटा.टेबल

अधिकृत वेबसाइट: r-datatable.com

द्वारे data.table H2O.ai चा मॅट डोल आहे.

लायब्ररीचे पहिले प्रकाशन 2006 मध्ये झाले.

पॅकेज सिंटॅक्स प्रमाणे सोयीस्कर नाही tidyverse आणि आर मधील क्लासिक डेटाफ्रेमची अधिक आठवण करून देणारे आहे, परंतु त्याच वेळी कार्यक्षमतेमध्ये लक्षणीय विस्तारित आहे.

या पॅकेजमधील सारणीसह सर्व हाताळणी चौरस कंसात वर्णन केल्या आहेत आणि जर तुम्ही वाक्यरचना अनुवादित केली तर data.table SQL मध्ये, तुम्हाला असे काहीतरी मिळते: data.table[ WHERE, SELECT, GROUP BY ]

या पॅकेजची ताकद म्हणजे मोठ्या प्रमाणात डेटावर प्रक्रिया करण्याची गती.

पांडा

अधिकृत वेबसाइट: pandas.pydata.org

लायब्ररीचे नाव "पॅनेल डेटा" या अर्थमितीय शब्दावरून आले आहे, ज्याचा वापर माहितीच्या बहुआयामी संरचित संचाचे वर्णन करण्यासाठी केला जातो.

द्वारे pandas अमेरिकन वेस मॅककिनी आहे.

पायथनमधील डेटा विश्लेषणाचा विचार केल्यास, समान pandas नाही. एक अतिशय मल्टीफंक्शनल, उच्च-स्तरीय पॅकेज जे तुम्हाला कोणत्याही स्त्रोतांकडून डेटा लोड करण्यापासून ते व्हिज्युअलाइझ करण्यापर्यंत डेटासह कोणतेही फेरफार करण्यास अनुमती देते.

अतिरिक्त पॅकेजेस स्थापित करत आहे

या लेखात चर्चा केलेली पॅकेजेस मूलभूत R आणि Python वितरणामध्ये समाविष्ट केलेली नाहीत. जरी एक लहान चेतावणी आहे, आपण अॅनाकोंडा वितरण स्थापित केले असल्यास, नंतर अतिरिक्त स्थापित करा pandas आवश्यक नाही.

आर मध्ये पॅकेजेस स्थापित करणे

जर तुम्ही किमान एकदा RStudio डेव्हलपमेंट एन्व्हायर्नमेंट उघडले असेल, तर कदाचित तुम्हाला R मध्ये आवश्यक पॅकेज कसे इंस्टॉल करायचे हे आधीच माहित असेल. पॅकेजेस स्थापित करण्यासाठी, मानक कमांड वापरा. install.packages() थेट R मध्येच चालवून.

# установка пакетов
install.packages("vroom")
install.packages("readr")
install.packages("dplyr")
install.packages("data.table")

स्थापनेनंतर, पॅकेजेस कनेक्ट करणे आवश्यक आहे, ज्यासाठी बहुतेक प्रकरणांमध्ये कमांड वापरली जाते library().

# подключение или импорт пакетов в рабочее окружение
library(vroom)
library(readr)
library(dplyr)
library(data.table)

पायथनमध्ये पॅकेजेस स्थापित करणे

तर, जर तुमच्याकडे शुद्ध पायथन स्थापित असेल तर pandas आपल्याला ते व्यक्तिचलितपणे स्थापित करणे आवश्यक आहे. तुमच्या ऑपरेटिंग सिस्टमवर अवलंबून कमांड लाइन किंवा टर्मिनल उघडा आणि खालील कमांड एंटर करा.

pip install pandas

मग आम्ही पायथनवर परत आलो आणि कमांडसह स्थापित पॅकेज आयात करू import.

import pandas as pd

डेटा लोड करत आहे

डेटा खनन ही डेटा विश्लेषणातील सर्वात महत्वाची पायरी आहे. Python आणि R दोन्ही, इच्छित असल्यास, आपल्याला कोणत्याही स्त्रोतांकडून डेटा मिळविण्याच्या विस्तृत संधी प्रदान करतात: स्थानिक फाइल्स, इंटरनेटवरील फाइल्स, वेबसाइट्स, सर्व प्रकारचे डेटाबेस.

संपूर्ण लेखामध्ये आम्ही अनेक डेटासेट वापरू:

Google Analytics वरून दोन डाउनलोड.
टायटॅनिक पॅसेंजर डेटासेट.

सर्व डेटा माझ्याकडे आहे GitHub csv आणि tsv फाइल्सच्या स्वरूपात. आम्ही त्यांना कुठून विनंती करणार?

R मध्ये डेटा लोड करत आहे: tidyverse, vroom, readr

लायब्ररीमध्ये डेटा लोड करण्यासाठी tidyverse दोन पॅकेजेस आहेत: vroom, readr. vroom अधिक आधुनिक, परंतु भविष्यात पॅकेजेस एकत्र केले जाऊ शकतात.

पासून कोट अधिकृत दस्तऐवजीकरण vroom.

vroom विरुद्ध वाचक
काय रिलीझ करते vroom साठी अर्थ readr? सध्या आम्ही दोन पॅकेजेस स्वतंत्रपणे विकसित करू देण्याची योजना आखत आहोत, परंतु भविष्यात आम्ही पॅकेजेस एकत्र करू. व्रुमच्या आळशी वाचनाचा एक तोटा म्हणजे काही डेटा समस्या समोर नोंदवल्या जाऊ शकत नाहीत, त्यामुळे त्यांना एकत्र कसे करावे याबद्दल थोडा विचार करणे आवश्यक आहे.

vroom वि वाचक
सुटका म्हणजे काय? vroom ते readr? याक्षणी आम्ही दोन्ही पॅकेजेस स्वतंत्रपणे विकसित करण्याची योजना आखत आहोत, परंतु आम्ही कदाचित भविष्यात ते एकत्र करू. आळशी वाचनाचा एक तोटा vroom डेटासह काही समस्या आगाऊ नोंदवल्या जाऊ शकत नाहीत, म्हणून आपण त्यांना कसे एकत्र करावे याबद्दल विचार करणे आवश्यक आहे.

या लेखात आम्ही दोन्ही डेटा लोडिंग पॅकेजेस पाहू:

R: vroom पॅकेजमध्ये डेटा लोड करत आहे

# install.packages("vroom")
library(vroom)

# Чтение данных
## vroom
ga_nov  <- vroom("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/ga_nowember.csv")
ga_dec  <- vroom("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/ga_december.csv")
titanic <- vroom("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/titanic.csv")

R: readr मध्ये डेटा लोड करत आहे

# install.packages("readr")
library(readr)

# Чтение данных
## readr
ga_nov  <- read_tsv("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/ga_nowember.csv")
ga_dec  <- read_tsv("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/ga_december.csv")
titanic <- read_csv("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/titanic.csv")

पॅकेजमध्ये vroom, csv/tsv डेटा फॉरमॅटकडे दुर्लक्ष करून, लोडिंग त्याच नावाच्या फंक्शनद्वारे केले जाते vroom(), पॅकेजमध्ये readr आम्ही प्रत्येक फॉरमॅटसाठी वेगळे फंक्शन वापरतो read_tsv() и read_csv().

R: data.table मध्ये डेटा लोड करत आहे

В data.table डेटा लोड करण्यासाठी एक कार्य आहे fread().

R: data.table पॅकेजमध्ये डेटा लोड करत आहे

# install.packages("data.table")
library(data.table)

## data.table
ga_nov  <- fread("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/ga_nowember.csv")
ga_dec  <- fread("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/ga_december.csv")
titanic <- fread("https://raw.githubusercontent.com/selesnow/publications/master/data_example/r_python_data/titanic.csv")

Python मध्ये डेटा लोड करत आहे: pandas

जर आपण R पॅकेजेसशी तुलना केली, तर या प्रकरणात वाक्यरचना सर्वात जवळ आहे pandas असेल readr, कारण pandas कोठूनही डेटाची विनंती करू शकते आणि या पॅकेजमध्ये फंक्शन्सचे संपूर्ण कुटुंब आहे read_*().

read_csv()
read_excel()
read_sql()
read_json()
read_html()

आणि विविध स्वरूपातील डेटा वाचण्यासाठी डिझाइन केलेली इतर अनेक कार्ये. पण आमच्या हेतूंसाठी ते पुरेसे आहे read_table() किंवा read_csv() युक्तिवाद वापरून सप्टेंबर स्तंभ विभाजक निर्दिष्ट करण्यासाठी.

Python मध्ये डेटा लोड करत आहे: pandas

import pandas as pd

ga_nov  = pd.read_csv("https://raw.githubusercontent.com/selesnow/publications/master/data_example/russian_text_in_r/ga_nowember.csv", sep = "t")
ga_dec  = pd.read_csv("https://raw.githubusercontent.com/selesnow/publications/master/data_example/russian_text_in_r/ga_december.csv", sep = "t")
titanic = pd.read_csv("https://raw.githubusercontent.com/selesnow/publications/master/data_example/russian_text_in_r/titanic.csv")

डेटाफ्रेम तयार करणे

टेबल प्रचंड, जे आम्ही लोड केले आहे, तेथे एक फील्ड आहे लिंग, जे प्रवाशाचे लिंग ओळखकर्ता संग्रहित करते.

परंतु प्रवासी लिंगाच्या दृष्टीने डेटाच्या अधिक सोयीस्कर सादरीकरणासाठी, तुम्ही लिंग कोडऐवजी नाव वापरावे.

हे करण्यासाठी, आम्ही एक छोटी निर्देशिका तयार करू, एक टेबल ज्यामध्ये अनुक्रमे फक्त 2 स्तंभ (कोड आणि लिंग नाव) आणि 2 पंक्ती असतील.

आर मध्ये डेटाफ्रेम तयार करणे: tidyverse, dplyr

खालील कोड उदाहरणामध्ये, आम्ही फंक्शन वापरून इच्छित डेटाफ्रेम तयार करतो tibble() .

R: dplyr मध्ये डेटाफ्रेम तयार करणे

## dplyr
### создаём справочник
gender <- tibble(id = c(1, 2),
                 gender = c("female", "male"))

R: data.table मध्ये डेटाफ्रेम तयार करणे

R: data.table मध्ये डेटाफ्रेम तयार करणे

## data.table
### создаём справочник
gender <- data.table(id = c(1, 2),
                    gender = c("female", "male"))

Python मध्ये डेटाफ्रेम तयार करणे: pandas

В pandas फ्रेम्सची निर्मिती अनेक टप्प्यांत केली जाते, प्रथम आम्ही एक शब्दकोश तयार करतो आणि नंतर आम्ही शब्दकोशाला डेटाफ्रेममध्ये रूपांतरित करतो.

Python मध्ये डेटाफ्रेम तयार करणे: pandas

# создаём дата фрейм
gender_dict = {'id': [1, 2],
               'gender': ["female", "male"]}
# преобразуем словарь в датафрейм
gender = pd.DataFrame.from_dict(gender_dict)

स्तंभ निवडणे

तुम्ही काम करत असलेल्या सारण्यांमध्ये डझनभर किंवा शेकडो कॉलम डेटा असू शकतात. परंतु विश्लेषण करण्यासाठी, नियमानुसार, आपल्याला स्त्रोत सारणीमध्ये उपलब्ध असलेल्या सर्व स्तंभांची आवश्यकता नाही.

म्हणून, आपण स्रोत सारणीसह प्रथम ऑपरेशन कराल ते म्हणजे अनावश्यक माहिती काढून टाकणे आणि ही माहिती व्यापलेली मेमरी मोकळी करणे.

R मध्ये स्तंभ निवडणे: tidyverse, dplyr

वाक्यरचना dplyr SQL क्वेरी भाषेसारखीच आहे, जर तुम्हाला ती माहित असेल तर तुम्ही या पॅकेजवर पटकन प्रभुत्व मिळवाल.

स्तंभ निवडण्यासाठी, फंक्शन वापरा select().

खाली कोडची उदाहरणे आहेत ज्याद्वारे तुम्ही खालील प्रकारे स्तंभ निवडू शकता:

आवश्यक स्तंभांची नावे सूचीबद्ध करणे
रेग्युलर एक्सप्रेशन्स वापरून कॉलमच्या नावांचा संदर्भ घ्या
डेटा प्रकार किंवा कॉलममध्ये समाविष्ट असलेल्या डेटाच्या इतर कोणत्याही गुणधर्मानुसार

R मध्ये स्तंभ निवडणे: dplyr

# Выбор нужных столбцов
## dplyr
### выбрать по названию столбцов
select(ga_nov, date, source, sessions)
### исключь по названию столбцов
select(ga_nov, -medium, -bounces)
### выбрать по регулярному выражению, стобцы имена которых заканчиваются на s
select(ga_nov, matches("s$"))
### выбрать по условию, выбираем только целочисленные столбцы
select_if(ga_nov, is.integer)

R: data.table मधील स्तंभ निवडणे

मध्ये समान ऑपरेशन्स data.table थोड्या वेगळ्या पद्धतीने केले जातात, लेखाच्या सुरुवातीला मी चौरस कंसात कोणते वितर्क आहेत याचे वर्णन दिले आहे data.table.

DT[i,j,by]

कोठे:
i - कुठे, i.e. पंक्तीद्वारे फिल्टर करणे
j - निवडा|अपडेट|डू, म्हणजे स्तंभ निवडणे आणि त्यांना रूपांतरित करणे
द्वारे - डेटा ग्रुपिंग

R: data.table मधील स्तंभ निवडणे

## data.table
### выбрать по названию столбцов
ga_nov[ , .(date, source, sessions) ]
### исключь по названию столбцов
ga_nov[ , .SD, .SDcols = ! names(ga_nov) %like% "medium|bounces" ]
### выбрать по регулярному выражению
ga_nov[, .SD, .SDcols = patterns("s$")]

चल .SD तुम्हाला सर्व स्तंभांमध्ये प्रवेश करण्याची परवानगी देते आणि .SDcols तुम्हाला आवश्यक असलेल्या स्तंभांची नावे फिल्टर करण्यासाठी नियमित अभिव्यक्ती किंवा इतर कार्ये वापरून आवश्यक स्तंभ फिल्टर करा.

Python, pandas मधील स्तंभ निवडणे

मध्ये नावानुसार स्तंभ निवडण्यासाठी pandas त्यांच्या नावांची यादी देणे पुरेसे आहे. आणि रेग्युलर एक्स्प्रेशन्स वापरून नावानुसार कॉलम निवडण्यासाठी किंवा वगळण्यासाठी, तुम्हाला फंक्शन्स वापरण्याची आवश्यकता आहे drop() и filter(), आणि वाद अक्ष = 1, ज्यासह तुम्ही सूचित करता की पंक्तींऐवजी स्तंभांवर प्रक्रिया करणे आवश्यक आहे.

डेटा प्रकारानुसार फील्ड निवडण्यासाठी, फंक्शन वापरा select_dtypes(), आणि वादांमध्ये समावेश किंवा वगळा तुम्हाला कोणत्या फील्डची निवड करायची आहे याच्याशी संबंधित डेटा प्रकारांची यादी पास करा.

Python मध्ये स्तंभ निवडणे: pandas

# Выбор полей по названию
ga_nov[['date', 'source', 'sessions']]
# Исключить по названию
ga_nov.drop(['medium', 'bounces'], axis=1)
# Выбрать по регулярному выражению
ga_nov.filter(regex="s$", axis=1)
# Выбрать числовые поля
ga_nov.select_dtypes(include=['number'])
# Выбрать текстовые поля
ga_nov.select_dtypes(include=['object'])

पंक्ती फिल्टर करणे

उदाहरणार्थ, स्त्रोत सारणीमध्ये अनेक वर्षांचा डेटा असू शकतो, परंतु आपल्याला फक्त शेवटच्या महिन्याचे विश्लेषण करणे आवश्यक आहे. पुन्हा, अतिरिक्त ओळी डेटा प्रक्रिया प्रक्रिया मंद करेल आणि पीसी मेमरी बंद करेल.

R मध्ये पंक्ती फिल्टर करणे: tydyverse, dplyr

В dplyr फंक्शन पंक्ती फिल्टर करण्यासाठी वापरले जाते filter(). हे प्रथम युक्तिवाद म्हणून डेटाफ्रेम घेते, नंतर आपण फिल्टरिंग अटी सूचीबद्ध करा.

सारणी फिल्टर करण्यासाठी तार्किक अभिव्यक्ती लिहिताना, या प्रकरणात, कोट्सशिवाय आणि टेबलचे नाव घोषित न करता स्तंभांची नावे निर्दिष्ट करा.

फिल्टर करण्यासाठी एकाधिक तार्किक अभिव्यक्ती वापरताना, खालील ऑपरेटर वापरा:

& किंवा स्वल्पविराम - तार्किक AND
| - तार्किक किंवा

R मध्ये पंक्ती फिल्टर करणे: dplyr

# фильтрация строк
## dplyr
### фильтрация строк по одному условию
filter(ga_nov, source == "google")
### фильтр по двум условиям соединённым логическим и
filter(ga_nov, source == "google" & sessions >= 10)
### фильтр по двум условиям соединённым логическим или
filter(ga_nov, source == "google" | sessions >= 10)

R मध्ये पंक्ती फिल्टर करणे: data.table

जसे मी आधीच वर लिहिले आहे, मध्ये data.table डेटा रूपांतरण वाक्यरचना चौरस कंसात बंद आहे.

DT[i,j,by]

पंक्ती फिल्टर करण्यासाठी युक्तिवाद वापरला जातो i, ज्याला चौरस कंसात प्रथम स्थान आहे.

स्तंभांमध्ये अवतरण चिन्हांशिवाय आणि सारणीचे नाव निर्दिष्ट न करता तार्किक अभिव्यक्तींमध्ये प्रवेश केला जातो.

तार्किक अभिव्यक्ती एकमेकांशी तशाच प्रकारे संबंधित आहेत dplyr & आणि | ऑपरेटरद्वारे.

R मध्ये पंक्ती फिल्टर करणे: data.table

## data.table
### фильтрация строк по одному условию
ga_nov[source == "google"]
### фильтр по двум условиям соединённым логическим и
ga_nov[source == "google" & sessions >= 10]
### фильтр по двум условиям соединённым логическим или
ga_nov[source == "google" | sessions >= 10]

Python मध्ये स्ट्रिंग फिल्टर करणे: pandas

मध्ये पंक्तीनुसार फिल्टर करा pandas मध्ये फिल्टर करण्यासारखे data.table, आणि चौरस कंसात केले जाते.

या प्रकरणात, डेटाफ्रेमचे नाव दर्शवून स्तंभांमध्ये प्रवेश करणे आवश्यक आहे; नंतर स्तंभाचे नाव चौरस कंसातील अवतरण चिन्हांमध्ये देखील सूचित केले जाऊ शकते (उदाहरण df['col_name']), किंवा कालावधीनंतर अवतरण न करता (उदाहरण df.col_name).

तुम्हाला अनेक अटींनुसार डेटाफ्रेम फिल्टर करायची असल्यास, प्रत्येक अट कंसात ठेवली पाहिजे. तार्किक परिस्थिती ऑपरेटरद्वारे एकमेकांशी जोडलेली असतात & и |.

Python मध्ये स्ट्रिंग फिल्टर करणे: pandas

# Фильтрация строк таблицы
### фильтрация строк по одному условию
ga_nov[ ga_nov['source'] == "google" ]
### фильтр по двум условиям соединённым логическим и
ga_nov[(ga_nov['source'] == "google") & (ga_nov['sessions'] >= 10)]
### фильтр по двум условиям соединённым логическим или
ga_nov[(ga_nov['source'] == "google") | (ga_nov['sessions'] >= 10)]

डेटाचे समूहीकरण आणि एकत्रीकरण

डेटा विश्लेषणामध्ये सर्वात सामान्यपणे वापरल्या जाणार्‍या ऑपरेशन्सपैकी एक म्हणजे गट आणि एकत्रीकरण.

या ऑपरेशन्स करण्यासाठी वाक्यरचना आम्ही पुनरावलोकन करत असलेल्या सर्व पॅकेजेसमध्ये विखुरलेली आहे.

या प्रकरणात, आम्ही उदाहरण म्हणून डेटाफ्रेम घेऊ प्रचंड, आणि केबिन वर्गावर अवलंबून तिकिटांची संख्या आणि सरासरी किंमत मोजा.

R मधील डेटाचे समूहीकरण आणि एकत्रीकरण: tidyverse, dplyr

В dplyr फंक्शन ग्रुपिंगसाठी वापरले जाते group_by(), आणि एकत्रीकरणासाठी summarise(). खरं तर, dplyr फंक्शन्सचे संपूर्ण कुटुंब आहे summarise_*(), परंतु या लेखाचा उद्देश मूळ वाक्यरचनाची तुलना करणे हा आहे, म्हणून आम्ही अशा जंगलात जाणार नाही.

मूलभूत एकत्रीकरण कार्ये:

sum() - बेरीज
min() / max() - किमान आणि कमाल मूल्य
mean() - सरासरी
median() - मध्य
length() - प्रमाण

R: dplyr मध्ये गटबद्धता आणि एकत्रीकरण

## dplyr
### группировка и агрегация строк
group_by(titanic, Pclass) %>%
  summarise(passangers = length(PassengerId),
            avg_price  = mean(Fare))

कार्य करण्यासाठी group_by() आम्ही प्रथम युक्तिवाद म्हणून टेबल पास केले प्रचंड, आणि नंतर फील्ड सूचित केले Pclass, ज्याद्वारे आपण आमचे टेबल गटबद्ध करू. ऑपरेटर वापरून या ऑपरेशनचा परिणाम %>% फंक्शनला पहिला युक्तिवाद म्हणून पास केले summarise(), आणि आणखी 2 फील्ड जोडले: प्रवासी и सरासरी_किंमत. प्रथम, फंक्शन वापरून length() तिकिटांची संख्या मोजली आणि दुसऱ्यामध्ये फंक्शन वापरून mean() तिकिटाची सरासरी किंमत मिळाली.

R: data.table मधील डेटाचे समूहीकरण आणि एकत्रीकरण

В data.table युक्तिवाद एकत्रीकरणासाठी वापरला जातो j ज्याला चौरस कंसात दुसरे स्थान आहे, आणि गटासाठी by किंवा keyby, ज्यांना तिसरे स्थान आहे.

या प्रकरणातील एकत्रीकरण कार्यांची यादी मध्ये वर्णन केलेल्या सारखीच आहे dplyr, कारण ही मूळ आर सिंटॅक्समधील फंक्शन्स आहेत.

R: data.table मध्ये गटबद्धता आणि एकत्रीकरण

## data.table
### фильтрация строк по одному условию
titanic[, .(passangers = length(PassengerId),
            avg_price  = mean(Fare)),
        by = Pclass]

Python मधील डेटाचे समूहीकरण आणि एकत्रीकरण: पांडा

मध्ये गट करणे pandas च्या सारखे dplyr, परंतु एकत्रीकरण सारखे नाही dplyr चालू नाही data.table.

गट करण्यासाठी, पद्धत वापरा groupby(), ज्यामध्ये तुम्हाला स्तंभांची सूची पास करायची आहे ज्याद्वारे डेटाफ्रेम गटबद्ध केली जाईल.

एकत्रीकरणासाठी आपण पद्धत वापरू शकता agg()जो शब्दकोश स्वीकारतो. डिक्शनरी की हे स्तंभ आहेत ज्यावर तुम्ही एकत्रीकरण कार्ये लागू कराल आणि मूल्ये एकत्रीकरण कार्यांची नावे आहेत.

एकत्रीकरण कार्ये:

sum() - बेरीज
min() / max() - किमान आणि कमाल मूल्य
mean() - सरासरी
median() - मध्य
count() - प्रमाण

कार्य reset_index() खालील उदाहरणामध्ये ते नेस्टेड इंडेक्स रीसेट करण्यासाठी वापरले जाते pandas डेटा एकत्रीकरणानंतर डीफॉल्ट.

प्रतीक तुम्हाला पुढील ओळीवर जाण्यास अनुमती देते.

Python मध्ये गटबद्धता आणि एकत्रीकरण: पांडा

# группировка и агрегация данных
titanic.groupby(["Pclass"]).
    agg({'PassengerId': 'count', 'Fare': 'mean'}).
        reset_index()

सारण्यांचे अनुलंब जोड

एक ऑपरेशन ज्यामध्ये तुम्ही एकाच संरचनेच्या दोन किंवा अधिक टेबल्समध्ये सामील होता. आम्ही लोड केलेल्या डेटामध्ये टेबल्स आहेत ga_nov и ga_dec. या सारण्या संरचनेत एकसारख्या आहेत, म्हणजे. समान स्तंभ आहेत आणि या स्तंभांमधील डेटा प्रकार आहेत.

हे नोव्हेंबर आणि डिसेंबर महिन्यासाठी Google Analytics वरून अपलोड केलेले आहे, या विभागात आम्ही हा डेटा एका टेबलमध्ये एकत्र करू.

टेबल्समध्ये अनुलंब जोडणे R: tidyverse, dplyr

В dplyr फंक्शन वापरून तुम्ही 2 टेबल्स एकामध्ये एकत्र करू शकता bind_rows(), त्याचे वितर्क म्हणून पासिंग टेबल.

R मध्ये पंक्ती फिल्टर करणे: dplyr

# Вертикальное объединение таблиц
## dplyr
bind_rows(ga_nov, ga_dec)

R: data.table मधील सारण्यांना अनुलंब जोडणे

यात काहीही क्लिष्ट नाही, चला वापरुया rbind().

R मध्ये पंक्ती फिल्टर करणे: data.table

## data.table
rbind(ga_nov, ga_dec)

पायथन: पांडा मधील टेबल्समध्ये अनुलंब जोडणे

В pandas फंक्शन टेबलमध्ये सामील होण्यासाठी वापरले जाते concat(), ज्यामध्ये तुम्हाला फ्रेम्स एकत्र करण्यासाठी त्यांची यादी पास करणे आवश्यक आहे.

Python मध्ये स्ट्रिंग फिल्टर करणे: pandas

# вертикальное объединение таблиц
pd.concat([ga_nov, ga_dec])

टेबल्सचे क्षैतिज जोड

एक ऑपरेशन ज्यामध्ये दुसर्‍यामधील स्तंभ पहिल्या सारणीमध्ये की द्वारे जोडले जातात. काही संदर्भ डेटासह (उदाहरणार्थ, उत्पादनाची किंमत) तथ्य सारणी (उदाहरणार्थ, विक्री डेटासह टेबल) समृद्ध करताना हे सहसा वापरले जाते.

जोडण्याचे अनेक प्रकार आहेत:

पूर्वी लोड केलेल्या टेबलमध्ये प्रचंड आमच्याकडे एक स्तंभ आहे लिंग, जे प्रवाश्यांच्या लिंग कोडशी संबंधित आहे:

1 - महिला
2 - पुरुष

तसेच, आम्ही एक टेबल तयार केले आहे - एक संदर्भ पुस्तक लिंग. प्रवाशांच्या लिंगावरील डेटाच्या अधिक सोयीस्कर सादरीकरणासाठी, आम्हाला निर्देशिकेतून लिंगाचे नाव जोडणे आवश्यक आहे. लिंग टेबलावर प्रचंड.

क्षैतिज सारणी R मध्ये सामील व्हा: tidyverse, dplyr

В dplyr क्षैतिज जोडणीसाठी फंक्शन्सचे संपूर्ण कुटुंब आहे:

inner_join()
left_join()
right_join()
full_join()
semi_join()
nest_join()
anti_join()

माझ्या सराव मध्ये सर्वात सामान्यपणे वापरले जाते left_join().

पहिले दोन आर्ग्युमेंट म्हणून, वर सूचीबद्ध केलेली फंक्शन्स जोडण्यासाठी दोन टेबल घेतात आणि तिसरा वितर्क म्हणून by आपण सामील होण्यासाठी स्तंभ निर्दिष्ट करणे आवश्यक आहे.

क्षैतिज सारणी R मध्ये सामील व्हा: dplyr

# объединяем таблицы
left_join(titanic, gender,
          by = c("Sex" = "id"))

R: data.table मध्ये सारण्यांचे क्षैतिज जोडणे

В data.table फंक्शन वापरून तुम्हाला की द्वारे टेबल्स जोडणे आवश्यक आहे merge().

data.table मध्ये मर्ज() फंक्शन करण्यासाठी वितर्क

x, y — सामील होण्यासाठी सारण्या
द्वारे — दोन्ही सारण्यांमध्ये समान नाव असल्यास सामील होण्याची की आहे
by.x, by.y — विलीन केली जाणारी स्तंभ नावे, जर त्यांची सारण्यांमध्ये वेगवेगळी नावे असतील
all, all.x, all.y — सामील होण्याचा प्रकार, सर्व दोन्ही सारण्यांमधून सर्व पंक्ती परत करेल, all.x डाव्या सामील प्रक्रियेशी संबंधित आहे (पहिल्या सारणीच्या सर्व पंक्ती सोडेल), all.y — शी संबंधित आहे राईट जॉईन ऑपरेशन (दुसऱ्या टेबलच्या सर्व पंक्ती सोडल्या जातील).

R: data.table मध्ये सारण्यांचे क्षैतिज जोडणे

# объединяем таблицы
merge(titanic, gender, by.x = "Sex", by.y = "id", all.x = T)

क्षैतिज सारणी Python मध्ये सामील व्हा: pandas

तसेच मध्ये data.table, मध्ये pandas फंक्शन टेबलमध्ये सामील होण्यासाठी वापरले जाते merge().

पांडांमध्ये मर्ज() फंक्शनचे वितर्क

कसे - कनेक्शन प्रकार: डावे, उजवे, बाहेरील, आतील
on — दोन्ही सारण्यांमध्ये समान नाव असल्यास कॉलम की आहे
left_on, right_on — की कॉलम्सची नावे, जर त्यांना टेबलमध्ये वेगवेगळी नावे असतील

क्षैतिज सारणी Python मध्ये सामील व्हा: pandas

# объединяем по ключу
titanic.merge(gender, how = "left", left_on = "Sex", right_on = "id")

मूलभूत विंडो कार्ये आणि गणना केलेले स्तंभ

विंडो फंक्शन्स एग्रीगेशन फंक्शन्सच्या अर्थाने समान आहेत आणि डेटा विश्लेषणामध्ये देखील वापरली जातात. परंतु एकत्रीकरण फंक्शन्सच्या विपरीत, विंडो फंक्शन्स आउटगोइंग डेटाफ्रेमच्या पंक्तींची संख्या बदलत नाहीत.

मूलत:, विंडो फंक्शन वापरून, आम्ही येणार्‍या डेटाफ्रेमला काही निकषांनुसार भागांमध्ये विभाजित करतो, म्हणजे. फील्ड किंवा अनेक फील्डच्या मूल्यानुसार. आणि आम्ही प्रत्येक विंडोवर अंकगणित ऑपरेशन्स करतो. या ऑपरेशन्सचा परिणाम प्रत्येक ओळीत परत केला जाईल, म्हणजे. टेबलमधील पंक्तींची एकूण संख्या न बदलता.

उदाहरणार्थ, टेबल घेऊ प्रचंड. प्रत्येक तिकिटाची किंमत त्याच्या केबिन वर्गात किती टक्के होती हे आम्ही मोजू शकतो.

हे करण्यासाठी, आम्हाला प्रत्येक ओळीत सध्याच्या केबिन वर्गाच्या तिकिटाची एकूण किंमत मिळवावी लागेल, त्यानंतर प्रत्येक तिकिटाची किंमत त्याच केबिन वर्गाच्या सर्व तिकिटांच्या एकूण किंमतीने विभाजित करा. .

R मध्ये विंडो फंक्शन्स: tidyverse, dplyr

पंक्ती गट न वापरता नवीन स्तंभ जोडण्यासाठी, मध्ये dplyr कार्य करते mutate().

फील्डनुसार डेटा गटबद्ध करून तुम्ही वर वर्णन केलेल्या समस्येचे निराकरण करू शकता Pclass आणि नवीन स्तंभात फील्डचा सारांश भाडे. पुढे, टेबलचे गट काढून टाका आणि फील्ड व्हॅल्यूज विभाजित करा भाडे मागील चरणात काय झाले.

R मध्ये विंडो फंक्शन्स: dplyr

group_by(titanic, Pclass) %>%
  mutate(Pclass_cost = sum(Fare)) %>%
  ungroup() %>%
  mutate(ticket_fare_rate = Fare / Pclass_cost)

R मध्ये विंडो फंक्शन्स: data.table

सोल्यूशन अल्गोरिदम मध्ये प्रमाणेच राहते dplyr, आम्हाला फील्डनुसार टेबल विंडोमध्ये विभाजित करणे आवश्यक आहे Pclass. नवीन स्तंभामध्ये प्रत्येक पंक्तीशी संबंधित गटासाठी रक्कम प्रदर्शित करा आणि एक स्तंभ जोडा ज्यामध्ये आम्ही प्रत्येक तिकिटाच्या किमतीचा त्याच्या गटातील हिस्सा मोजतो.

मध्ये नवीन स्तंभ जोडण्यासाठी data.table ऑपरेटर उपस्थित :=. खाली पॅकेज वापरून समस्या सोडवण्याचे उदाहरण आहे data.table

R मध्ये विंडो फंक्शन्स: data.table

titanic[,c("Pclass_cost","ticket_fare_rate") := .(sum(Fare), Fare / Pclass_cost), 
        by = Pclass]

Python मध्ये विंडो फंक्शन्स: pandas

मध्ये नवीन स्तंभ जोडण्याचा एक मार्ग pandas - फंक्शन वापरा assign(). पंक्ती गट न करता, केबिन वर्गानुसार तिकिटांची किंमत सारांशित करण्यासाठी, आम्ही फंक्शन वापरू transform().

खाली एका सोल्यूशनचे उदाहरण आहे ज्यामध्ये आम्ही टेबलमध्ये जोडतो प्रचंड समान 2 स्तंभ.

Python मध्ये विंडो फंक्शन्स: pandas

titanic.assign(Pclass_cost      =  titanic.groupby('Pclass').Fare.transform(sum),
               ticket_fare_rate = lambda x: x['Fare'] / x['Pclass_cost'])

कार्ये आणि पद्धती पत्रव्यवहार सारणी

खाली आम्ही विचारात घेतलेल्या पॅकेजेसमधील डेटासह विविध ऑपरेशन्स करण्याच्या पद्धतींमधील पत्रव्यवहाराची सारणी आहे.

वर्णन
नीटनेटका
डेटा.टेबल
पांडा

डेटा लोड करत आहे
vroom()/ readr::read_csv() / readr::read_tsv()
fread()
read_csv()

डेटाफ्रेम तयार करणे
tibble()
data.table()
dict() + from_dict()

स्तंभ निवडणे
select()
युक्तिवाद j, चौरस कंसात दुसरे स्थान
आम्ही चौरस कंसात आवश्यक स्तंभांची यादी पास करतो / drop() / filter() / select_dtypes()

पंक्ती फिल्टर करणे
filter()
युक्तिवाद i, चौरस कंसात प्रथम स्थान
आम्ही चौरस कंसात फिल्टरिंग अटी सूचीबद्ध करतो / filter()

समूहीकरण आणि एकत्रीकरण
group_by() + summarise()
युक्तिवाद j + by
groupby() + agg()

टेबल्सचे अनुलंब युनियन (UNION)
bind_rows()
rbind()
concat()

टेबल्सचे क्षैतिज जोडणे (जॉइन)
left_join() / *_join()
merge()
merge()

मूलभूत विंडो कार्ये आणि गणना केलेले स्तंभ जोडणे
group_by() + mutate()
युक्तिवाद j ऑपरेटर वापरून := + युक्तिवाद by
transform() + assign()

निष्कर्ष

कदाचित लेखात मी डेटा प्रोसेसिंगच्या सर्वात चांगल्या अंमलबजावणीचे वर्णन केले नाही, म्हणून आपण टिप्पण्यांमधील माझ्या चुका दुरुस्त केल्यास किंवा R / Python मधील डेटासह कार्य करण्यासाठी इतर तंत्रांसह लेखात दिलेल्या माहितीची पूर्तता केल्यास मला आनंद होईल.

मी वर लिहिल्याप्रमाणे, लेखाचा उद्देश कोणती भाषा चांगली आहे यावर आपले मत लादणे हा नव्हता, तर दोन्ही भाषा शिकण्याची संधी सुलभ करणे किंवा आवश्यक असल्यास त्या दरम्यान स्थलांतर करणे हा होता.

जर तुम्हाला लेख आवडला असेल, तर मला माझे नवीन सदस्य मिळाल्याबद्दल आनंद होईल YouTube и तार चॅनेल

सर्वेक्षण

तुम्ही तुमच्या कामात खालीलपैकी कोणते पॅकेज वापरता?

टिप्पण्यांमध्ये तुम्ही तुमच्या निवडीचे कारण लिहू शकता.

केवळ नोंदणीकृत वापरकर्तेच सर्वेक्षणात भाग घेऊ शकतात. साइन इन करा, आपले स्वागत आहे.

तुम्ही कोणते डेटा प्रोसेसिंग पॅकेज वापरता (तुम्ही अनेक पर्याय निवडू शकता)

45,2%नीटनेटका19
33,3%data.table14
54,8%पांडा23

42 वापरकर्त्यांनी मतदान केले. 9 वापरकर्ते दूर राहिले.

स्त्रोत: www.habr.com

डेटासह कार्य करण्यासाठी कोणती भाषा निवडावी - आर किंवा पायथन? दोन्ही! पांडा वरून tidyverse आणि data.table आणि परत स्थलांतर