تقدم (R in Data Science) العديد من حزم عمليات البيانات للمرافق وللنماذج الإحصائية المعقدة، ويمكن لعلماء البيانات استخدام (R) في (Data Science) لإجراء تحليل البيانات بسرعة دون الحاجة إلى كتابة خوارزميات.
خصائص لغة البرمجة R في علم البيانات
- من الأسهل تعلم (Python) لأنّ تركيبها أبسط وأكثر سهولة، وبالمقارنة فإن (R) في علوم البيانات لديها منحنى تعليمي حاد للمبتدئين، ومثال على ذلك يتم استخدام التخصيص في (R) بواسطة سهم (<-)، ولكن معظم لغات البرمجة الشائعة الأخرى تستخدم المساواة (=) لنفسها.
- تتضمن التغييرات الأخرى استخدام رمز الجمع (+) ورمز النسبة المئوية (٪) في (R) الأمر الذي يتطلب فهمًا أفضل لأسلوبها الخاص وكما يتم اعتبار (R) في علوم البيانات واحدة من أصعب لغات البرمجة للتعلم في أيامها الأولى، ولم يكن لدى (R) نفس القدرات الهيكلية مثل أقرانها في ذلك الوقت.
- ومع ذلك أنشأ “هادلي ويكهام” وفريقه (Tidyverse) لتوفير أدوات للتنظيف والعمل مع البيانات أثناء حل تعقيدات منحنى التعلم المرتبطة بلغة البرمجة الإحصائية، وإلى جانب ذلك فإنّ سهولة القراءة الأفضل لبناء جملة (R) وإمكانية تنفيذ المهام الإحصائية برمز أقل جعل لغة البرمجة هذه أكثر شيوعًا.
- (R) في علم البيانات ليست فقط لغة برمجة للتحليل الإحصائي ولكنّها تستخدم أيضًا على نطاق واسع لتحليل البيانات الاستكشافية، حيث أثناء العمل مع البيانات الضخمة ينشئ علماء البيانات مخططات لاستيعاب الاتجاهات ببضعة أسطر من التعليمات البرمجية.
- عادةً لا يكون التصور واضحًا في (Python) باستخدام مكتبة (Matplotlib)، ونتيجةً لذلك يتم استخدام (R) لاستكشاف البيانات مع التصورات والتوصل إلى استنتاجات حول البيانات الموجودة، وعلاوةً على ذلك فإنّ تصورات (Python) تكون عادةً أكثر تعقيدًا من تصورات (R) والنتائج ليست بالضرورة جيدة.
- (R) هي لغة برمجة إجرائية تقسم المهمة إلى سلسلة من المراحل والعمليات والروتينات الفرعية، حيث يسمح هذا لـ (R) بتحويل البيانات بسهولة إلى إحصاءات ورسومات بيانية ذات مغزى، وتطوير نماذج التعلم الإحصائي للتنبؤات والاستنتاجات وباستخدام (R) يمكن للمؤسسات إعطاء الأولوية لإعداد التقارير الممتازة والمرئيات النظيفة.
