¿Qué es el lenguaje de programación R? Introducción y conceptos básicos de R
evelyn clarke
¿Qué es el software R?
R R es un lenguaje de programación y software libre desarrollado por Ross Ihaka y Robert Gentleman en 1993. R posee un amplio catálogo de métodos estadísticos y gráficos. Incluye algoritmos de aprendizaje automático, regresión lineal, series temporales, inferencia estadística, por nombrar algunos. La mayoría de las bibliotecas de R están escritas en R, pero para tareas computacionales pesadas, C, C++ y FortraSe prefieren n códigos.
R no solo es confiado por académicos, sino que muchas grandes empresas también utilizan el lenguaje de programación R, incluidas Uber, Google, Airbnb, Facebook, etc.
El análisis de datos con R se realiza en una serie de pasos; Programar, transformar, descubrir, modelar y comunicar los resultados.
- Programa: R es una herramienta de programación clara y accesible
- Transformar: R se compone de una colección de bibliotecas diseñadas específicamente para la ciencia de datos.
- Descubre: Investiga los datos, refina tus hipótesis y analízalas
- Modelo: R proporciona una amplia gama de herramientas para capturar el modelo adecuado para sus datos
- Comunicar: Integre códigos, gráficos y resultados en un informe con R Markdown o cree aplicaciones Shiny para compartir con el mundo
¿Para qué se utiliza R?
- Inferencia estadística
- El análisis de datos
- Algoritmo de aprendizaje automático
R por industria
Si desglosamos el uso de R por industria, vemos que lo académico es lo primero. R es un lenguaje para hacer estadísticas. R es la primera opción en la industria de la salud, seguida por el gobierno y la consultoría.
Paquete R
Los usos principales de R son y serán siempre estadística, visualización y aprendizaje automático. La siguiente imagen muestra qué paquete de R obtuvo más preguntas en Stack Overflow. En el top 10, la mayoría de ellos están relacionados con el flujo de trabajo de un científico de datos: preparar datos y comunicar los resultados.
Todas las bibliotecas de R, casi 12k, están almacenadas en CRAN. CRAN es gratuito y de código abierto. Puede descargar y utilizar las numerosas bibliotecas para realizar Aprendizaje automático (Machine learning & LLM) o análisis de series de tiempo.
Comunicarse con R
R tiene múltiples formas de presentar y compartir el trabajo, ya sea a través de un documento de rebajas o una aplicación brillante. Todo se puede alojar en Rpub, GitHub o en el sitio web de la empresa.
A continuación se muestra un ejemplo de una presentación alojada en pubb
Rstudio acepta rebajas para escribir un documento. Puedes exportar los documentos en diferentes formatos:
- Documento:
- HTML
- PDF/látex
- Palabra
- Presentación
- HTML
- Proyector PDF
Rstudio tiene una gran herramienta para crear una aplicación fácilmente. A continuación se muestra un ejemplo de aplicación con los datos del Banco Mundial.
¿Por qué utilizar R?
La ciencia de datos está dando forma a la forma en que las empresas dirigen sus negocios. Sin duda, alejarse de la Inteligencia Artificial y las Máquinas llevará a la empresa al fracaso. La gran pregunta es ¿qué herramienta/lenguaje debería utilizar?
Hay muchas herramientas disponibles en el mercado para realizar análisis de datos. Aprender un nuevo idioma requiere cierta inversión de tiempo. La siguiente imagen muestra la curva de aprendizaje en comparación con la capacidad comercial que ofrece un idioma. La relación negativa implica que no hay almuerzo gratis. Si desea obtener la mejor información a partir de los datos, debe dedicar algo de tiempo a aprender la herramienta adecuada, que es R.
En la parte superior izquierda del gráfico, puede ver Excel y PowerBI. Estas dos herramientas son fáciles de aprender pero no ofrecen una capacidad comercial sobresaliente, especialmente en términos de modelado. En el medio puedes ver Python y SAS. SAS es una herramienta dedicada a ejecutar un análisis estadístico para empresas, pero no es gratuita. SAS es un software de hacer clic y ejecutar. Python, sin embargo, es un idioma con una curva de aprendizaje monótona. Python es una herramienta fantástica para implementar aprendizaje automático e inteligencia artificial, pero carece de funciones de comunicación. Con una curva de aprendizaje idéntica, R es un buen equilibrio entre implementación y análisis de datos.
Cuando se trata de visualización de datos (DataViz), probablemente haya oído hablar de Tableau. Tableau es, sin duda, una gran herramienta para descubrir patrones a través de gráficas y cuadros. Además, aprender Tableau no requiere mucho tiempo. Un gran problema con la visualización de datos es que es posible que nunca encuentres un patrón o simplemente crees muchos gráficos inútiles. Tableau es una buena herramienta para la visualización rápida de los datos o Business Intelligence. Cuando se trata de estadísticas y herramientas para la toma de decisiones, R es más apropiado.
Stack Overflow es una gran comunidad para lenguajes de programación. Si tiene un problema de codificación o necesita comprender un modelo, Stack Overflow está aquí para ayudarlo. A lo largo del año, el porcentaje de preguntas vistas ha aumentado considerablemente para R en comparación con los otros idiomas. Por supuesto, esta tendencia está altamente correlacionada con la era de auge de la ciencia de datos, pero refleja la demanda del lenguaje R para la ciencia de datos.
En la ciencia de datos, hay dos herramientas que compiten entre sí. R y Python son probablemente el lenguaje de programación que define la ciencia de datos.
¿Deberías elegir R?
El científico de datos puede utilizar dos herramientas excelentes: R y Python. Es posible que no tenga tiempo para aprender ambos, especialmente si comienza a aprender ciencia de datos. Aprendizaje de algoritmos y modelos estadísticos. Es mucho más importante que aprender un lenguaje de programación. A lenguaje de programación es una herramienta para calcular y comunicar su descubrimiento. La tarea más importante en la ciencia de datos es la forma en que maneja los datos: importar, limpiar, preparar, diseñar funciones, seleccionar funciones. Este debería ser su enfoque principal. Si estás intentando aprender R y Python al mismo tiempo, sin una sólida formación en estadística, es simplemente una estupidez. Los científicos de datos no son programadores. Su trabajo es comprender los datos, manipularlos y exponer el mejor enfoque. Si estás pensando en qué idioma aprender, veamos qué idioma es el más apropiado para ti.
El público principal de la ciencia de datos son los profesionales de negocios. En el negocio, una gran implicación es la comunicación. Hay muchas formas de comunicarse: informe, aplicación web, panel de control. Necesitas una herramienta que haga todo esto en conjunto.
¿Es R difícil?
Hace años, R era un lenguaje difícil de dominar. El lenguaje era confuso y no tan estructurado como otras herramientas de programación. Para superar este importante problema, Hadley Wickham desarrolló una colección de paquetes llamada tidyverse. La regla del juego cambió para mejor. La manipulación de datos se vuelve trivial e intuitiva. Crear un gráfico ya no era tan difícil.
Los mejores algoritmos para el aprendizaje automático se pueden implementar con R. Paquetes como Keras y TensorFlow permiten crear técnicas de aprendizaje automático de alta gama. R también tiene un paquete para realizar Xgboost, uno de los mejores algoritmos para la competencia de Kaggle.
R puede comunicarse con el otro idioma. Es posible llamar Python, Java, C++ en R. El mundo de big data también es accesible para R. Puede conectar R con diferentes bases de datos como Spark o Hadoop.
Finalmente, R ha evolucionado y ha permitido la operación paralelizada para acelerar el cálculo. De hecho, R fue criticado por utilizar sólo una CPU a la vez. El paquete paralelo le permite realizar tareas en diferentes núcleos de la máquina.
Resum
En pocas palabras, R es una gran herramienta para explorar e investigar datos. Con R se realizan análisis elaborados como agrupación, correlación y reducción de datos. Esta es la parte más crucial; sin una buena ingeniería de características y un modelo, la implementación del aprendizaje automático no dará resultados significativos.
