{"id":118035,"date":"2022-12-22T08:00:00","date_gmt":"2022-12-22T11:00:00","guid":{"rendered":"https:\/\/fluency.io\/br\/blog\/?p=14518"},"modified":"2023-07-26T15:56:01","modified_gmt":"2023-07-26T18:56:01","slug":"r-para-data-science","status":"publish","type":"post","link":"https:\/\/homolog.fluency.io\/br\/blog\/r-para-data-science\/","title":{"rendered":"R para Data Science: conhe\u00e7a essa linguagem como alternativa ao Python"},"content":{"rendered":"\n

Para trabalhar na \u00e1rea de ci\u00eancia de dados \u00e9 importante conhecer algumas metodologias que envolvem tanto a programa\u00e7\u00e3o<\/strong> quanto a estat\u00edstica e an\u00e1lise de dados.<\/strong><\/p>\n\n\n\n

Neste conte\u00fado veremos o que \u00e9 a linguagem R, para que ela serve e quais s\u00e3o as principais diferen\u00e7as entre ela e o Python<\/a><\/strong>. Qual delas \u00e9 melhor? D\u00e1 pra aprender apenas uma? Veja a seguir.<\/p>\n\n\n\n

O que \u00e9 R?<\/strong><\/h2>\n\n\n\n

R \u00e9 uma linguagem de programa\u00e7\u00e3o bastante vers\u00e1til que foi desenvolvida por dois homens neozelandeses: Ross Ihaka e Robert Gentleman, ambos profissionais integrantes do Departamento de Estat\u00edstica<\/strong> da Universidade de Auckland.<\/p>\n\n\n\n

Os dois se basearam na linguagem S para criar a R e a publicaram em 1993. Hoje R \u00e9 um c\u00f3digo gratuito, disponibilizado pela General Public licence e mantido pela R Foundation.<\/p>\n\n\n\n

Ali\u00e1s, a origem do seu nome vem das iniciais dos dois criadores: ambos os nomes come\u00e7am com a mesma letra, o que facilitou bastante a denomina\u00e7\u00e3o.<\/p>\n\n\n\n

A linguagem R nasceu da necessidade de manipular, analisar e visualizar os dados de um jeito mais pr\u00e1tico.<\/strong><\/p>\n\n\n\n

Assim como o Python, trata-se de uma POO, ou seja, programa\u00e7\u00e3o orientada a objetos. <\/p>\n\n\n\n

Outras caracter\u00edsticas importantes desse c\u00f3digo: \u00e9 multi paradigma, funcional e din\u00e2mica, mas n\u00e3o concentra tanta tipagem quanto outras similares.<\/p>\n\n\n\n

Desde 2020 ocupa a 33\u00aa posi\u00e7\u00e3o no <\/strong>GitHub<\/strong> <\/a>quando o assunto s\u00e3o as queridinhas dos desenvolvedores e profissionais que trabalham com c\u00f3digo no geral.<\/p>\n\n\n\n

A R foi especialmente pensada para fins estat\u00edsticos, j\u00e1 que conta com uma s\u00e9rie de pacotes que auxiliam na cria\u00e7\u00e3o de algoritmos de s\u00e9ries temporais, machine learning, an\u00e1lise de sobreviv\u00eancia, entre outros.<\/p>\n\n\n\n

Por ser open source, a comunidade de programadores est\u00e1 constantemente atualizando seu c\u00f3digo, criando novas funcionalidades e bibliotecas.<\/p>\n\n\n\n

Outra caracter\u00edstica interessante \u00e9 que a linguagem R pode ser executada em v\u00e1rios sistemas operacionais<\/strong>, como Windows, Mac OS, Linux, o que demonstra uma boa versatilidade.<\/p>\n\n\n\n

Para que serve a linguagem R<\/strong><\/h2>\n\n\n\n

As aplica\u00e7\u00f5es e usos da linguagem R abrangem uma s\u00e9rie de \u00e1reas. As mais \u00f3bvias s\u00e3o a estat\u00edstica e a an\u00e1lise de dados, mas dentro desses universos existem muitas utilidades, como por exemplo o aprofundamento do data science, o machine learning e a estat\u00edstica computacional.<\/strong><\/p>\n\n\n\n

R tem ganhado espa\u00e7o entre os profissionais dessas \u00e1reas nos \u00faltimos anos, tornando-se mais popular e mais usada nos projetos de softwares de an\u00e1lise de dados.<\/p>\n\n\n\n

Data Science<\/strong><\/h3>\n\n\n\n

O data science ou ci\u00eancia de dados<\/a> \u00e9 uma disciplina que engloba diversas outras, como a computa\u00e7\u00e3o, a estat\u00edstica, a matem\u00e1tica e at\u00e9 mesmo a gest\u00e3o de neg\u00f3cios.<\/p>\n\n\n\n

Essa vertente da tecnologia estuda os dados, bem como seu processo de capta\u00e7\u00e3o, transforma\u00e7\u00e3o, gera\u00e7\u00e3o e, em seguida, an\u00e1lise.<\/p>\n\n\n\n

Como dissemos acima, a linguagem R \u00e9 uma forte aliada nesse aspecto, ent\u00e3o se faz \u00fatil quando o profissional lida diariamente com big data, minera\u00e7\u00e3o de dados e outros.<\/p>\n\n\n\n

Machine Learning<\/strong><\/h3>\n\n\n\n

A linguagem R conta com pacotes que ajudam na manipula\u00e7\u00e3o de modelos de regress\u00e3o linear e n\u00e3o linear, clusteriza\u00e7\u00e3o e muito mais.<\/p>\n\n\n\n

Todas essas features s\u00e3o amplamente utilizadas em projetos de detec\u00e7\u00e3o de padr\u00f5es, que comp\u00f5em o que chamamos de aprendizado de m\u00e1quina ou machine learning<\/a>.<\/p>\n\n\n\n

No machine learning o software tem a capacidade de aprender coisas novas atrav\u00e9s de padr\u00f5es e regras pr\u00e9-estabelecidas.<\/p>\n\n\n\n

Estat\u00edstica<\/strong><\/h3>\n\n\n\n

Por ser uma linguagem de sintaxe relativamente simples, n\u00e3o precisa necessariamente ser da \u00e1rea da programa\u00e7\u00e3o para conseguir compreender – e at\u00e9 desenvolver um projeto usando R – e analisar os dados com R.<\/p>\n\n\n\n

Ent\u00e3o os pesquisadores e estat\u00edsticos, pessoas que lidam diariamente com esse tipo de an\u00e1lise e manipula\u00e7\u00e3o de informa\u00e7\u00e3o tamb\u00e9m podem usar o R como catalisador de suas pesquisas e do cotidiano do trabalho em geral.<\/p>\n\n\n\n

Ferramentas da linguagem R<\/strong><\/h2>\n\n\n\n

R tamb\u00e9m \u00e9 compreendida como um ambiente de estat\u00edstica computacional e gr\u00e1fica. Esse ambiente tem um conjunto de ferramentas que ajudam na manipula\u00e7\u00e3o de dados, realiza\u00e7\u00e3o de c\u00e1lculos e organiza\u00e7\u00e3o e disposi\u00e7\u00e3o de gr\u00e1ficos.<\/p>\n\n\n\n

Por ser gratuita, a linguagem pode ser usada para fins comerciais, e como tem a caracter\u00edstica multiplataforma<\/strong>, rodando em v\u00e1rios sistemas operacionais, a R acaba sendo uma verdadeira m\u00e3o na roda para os programadores e cientistas de dados.<\/p>\n\n\n\n

Assim como o Python, o R apresenta um modo interativo, ou seja, \u00e9 poss\u00edvel executar express\u00f5es atrav\u00e9s de linhas de comando. Esse processo facilita o desenvolvimento, uma vez que permite a cria\u00e7\u00e3o de um script inteiro para utiliza\u00e7\u00e3o futura.<\/p>\n\n\n\n

Para ter acesso ao R e suas ferramentas \u00e9 necess\u00e1rio entrar no Comprehensive R Archive Network<\/strong> ou CRAN, que \u00e9 um hub de FTP e servidores web do mundo todo.<\/p>\n\n\n\n

No CRAN ficam armazenados e s\u00e3o distribu\u00eddas as vers\u00f5es mais atualizadas do R, suas bibliotecas, ferramentas e tamb\u00e9m a documenta\u00e7\u00e3o da linguagem. <\/p>\n\n\n\n

Os principais data types do R s\u00e3o numeric, character, logical, integer e complex, e como a linguagem \u00e9 amplamente usada em manipula\u00e7\u00e3o de dados, tamb\u00e9m conta com estruturas espec\u00edficas da \u00e1rea, como vector, list, matrix, data frame, factors, entre outros.<\/strong><\/p>\n\n\n\n

Vantagens e desvantagens da linguagem R<\/strong><\/h2>\n\n\n\n

As principais caracter\u00edsticas do R s\u00e3o:<\/p>\n\n\n\n

    \n
  • Acesso integral aos algoritmos e como implement\u00e1-los;<\/li>\n\n\n\n
  • Tem uma comunidade significativa de colaboradores volunt\u00e1rios que est\u00e3o o tempo todo expandindo seus recursos;<\/li>\n\n\n\n
  • Pessoas do mundo inteiro podem acessar as ferramentas do R atrav\u00e9s do CRAN;<\/li>\n\n\n\n
  • \u00c9 simples e f\u00e1cil reproduzir c\u00f3digos criados;<\/li>\n\n\n\n
  • As fun\u00e7\u00f5es da linguagem s\u00e3o escritas com sua pr\u00f3pria sintaxe, o que permite avaliar de forma simples o que elas fazem.<\/li>\n<\/ul>\n\n\n\n

    Vantagens<\/strong><\/h3>\n\n\n\n
      \n
    • \u00c9 uma linguagem gratuita e open source;<\/li>\n\n\n\n
    • Pesquisadores e estat\u00edsticos desenvolvem suas metodologias e as fornecem em pacotes R;<\/li>\n\n\n\n
    • Tem a capacidade de criar gr\u00e1ficos e dashboards excelentes;<\/li>\n\n\n\n
    • Comunidade extensa e ativa;<\/li>\n\n\n\n
    • \u00d3tima linguagem para an\u00e1lises computacionais intensivas, simula\u00e7\u00e3o e programa\u00e7\u00e3o;<\/li>\n\n\n\n
    • Tem diversas interfaces com SQL, que s\u00e3o softwares de armazenamento de dados. <\/li>\n<\/ul>\n\n\n\n

      Desvantagens<\/strong><\/h3>\n\n\n\n
        \n
      • Demora para dominar a linguagem R, por conta de sua complexidade;<\/li>\n\n\n\n
      • Por ser uma linguagem aberta, n\u00e3o tem suporte comercial;<\/li>\n\n\n\n
      • Quando se trabalha com Big Data a R \u00e9 limitada pela RAM;<\/li>\n\n\n\n
      • Apesar de ter uma grande comunidade, \u00e9 muito f\u00e1cil cometer erros quando n\u00e3o se conhece bem a linguagem;<\/li>\n\n\n\n
      • S\u00e3o muitos m\u00e9todos dispon\u00edveis e descobrir como usar uma fun\u00e7\u00e3o e as melhores maneiras de aplic\u00e1-la pode ser cansativo e frustrante;<\/li>\n\n\n\n
      • A prepara\u00e7\u00e3o e organiza\u00e7\u00e3o dos dados pode ser um pouco mais confusa.<\/li>\n<\/ul>\n\n\n\n

        R vs. Python<\/strong><\/h2>\n\n\n\n

        Primeiramente, \u00e9 importante estabelecer algumas semelhan\u00e7as e diferen\u00e7as-chave entre as duas linguagens de programa\u00e7\u00e3o.<\/p>\n\n\n\n

        As duas s\u00e3o open source e t\u00eam uma grande comunidade de adeptos. Atualiza\u00e7\u00f5es de ferramentas e novas bibliotecas s\u00e3o constantemente adicionadas em seus respectivos cat\u00e1logos.<\/p>\n\n\n\n

        R \u00e9 uma linguagem usada diretamente na an\u00e1lise estat\u00edstica de dados<\/strong>, enquanto Python oferece uma abordagem mais generalista no que diz respeito ao data science.<\/p>\n\n\n\n

        Ambas as linguagens s\u00e3o a nata da programa\u00e7\u00e3o orientada a objetos<\/strong> e aprender as duas \u00e9, num cen\u00e1rio ideal, o mais correto, principalmente quando o interesse do desenvolvedor \u00e9 no back-end.<\/p>\n\n\n\n

        Tanto R quanto Python exigem uma grande dedica\u00e7\u00e3o de tempo e paci\u00eancia para serem compreendidas e assimiladas, privil\u00e9gio que nem todo mundo tem.<\/p>\n\n\n\n

        Python \u00e9 uma linguagem mais geral e que tem uma sintaxe simplificada. R, no entanto, \u00e9 constru\u00eddo por estat\u00edsticos e abrange uma linguagem bem particular.<\/strong> A seguir, veja as diferen\u00e7as que mais afastam uma da outra:<\/p>\n\n\n\n

          \n
        • O objetivo principal do R \u00e9 a an\u00e1lise de dados e estat\u00edsticas, enquanto o foco do Python \u00e9 a desenvolvimento e apresenta\u00e7\u00e3o;<\/li>\n\n\n\n
        • Usu\u00e1rios de R consistem principalmente em estudiosos e profissionais de pesquisa e desenvolvimento, enquanto os usu\u00e1rios de Python s\u00e3o principalmente programadores e desenvolvedores.<\/li>\n\n\n\n
        • A flexibilidade do R est\u00e1 na hora de usar as bibliotecas dispon\u00edveis, enquanto o Python proporciona uma facilidade maior para construir novos modelos do zero;<\/li>\n\n\n\n
        • R \u00e9 mais dif\u00edcil de aprender no come\u00e7o, o Python j\u00e1 \u00e9 um pouco mais linear e mais simples de aprender;<\/li>\n\n\n\n
        • R \u00e9 integrado para ser executado localmente enquanto o Python \u00e9 melhor integrado com aplicativos;<\/li>\n\n\n\n
        • R pode ser usado no R Studio, enquanto o Python pode ser usado nos IDEs Spyder e Ipython Notebook.<\/li>\n<\/ul>\n\n\n\n

          No fim das contas, qual \u00e9 melhor?<\/strong><\/h3>\n\n\n\n

          Se voc\u00ea \u00e9 um iniciante na \u00e1rea da ci\u00eancia de dados, \u00e9 importante saber que essa \u00e1rea, necessariamente, exige um background em estat\u00edstica.<\/p>\n\n\n\n

          Partindo desse princ\u00edpio, fa\u00e7a a si mesmo duas perguntas: eu quero aprender como o algoritmo funciona? Eu quero desenvolver um modelo?<\/strong><\/p>\n\n\n\n

          Se a resposta para essas perguntas for \u201csim\u201d, ent\u00e3o \u00e9 melhor come\u00e7ar pelo Python. <\/p>\n\n\n\n

          A linguagem conta com \u00f3timas bibliotecas para manipular a matriz ou codificar os algoritmos.<\/p>\n\n\n\n

          Como iniciante, pode ser mais f\u00e1cil aprender como criar um modelo do zero e, em seguida, alternar para as fun\u00e7\u00f5es das bibliotecas de machine learning que o R proporciona.<\/p>\n\n\n\n

          Por outro lado, voc\u00ea j\u00e1 conhece o algoritmo ou quer entrar na an\u00e1lise de dados imediatamente, ent\u00e3o comece a aprender as duas ao mesmo tempo.<\/p>\n\n\n\n

          R ser\u00e1 uma escolha melhor quando voc\u00ea quiser lidar com m\u00e9todos estat\u00edsticos, al\u00e9m de criar relat\u00f3rios e dashboards para an\u00e1lise de dados.<\/strong><\/p>\n\n\n\n

          Mesmo com todas essas diferen\u00e7as, a lacuna estat\u00edstica entre R e Python est\u00e1 diminuindo cada vez mais. A maior parte do trabalho pode ser feita com as duas linguagens.<\/p>\n\n\n\n

          \u00c9 melhor escolher aquela que atende melhor \u00e0s suas necessidades, sem esquecer de qual \u00e9 a tend\u00eancia do mercado.<\/p>\n\n\n\n

          \u00c9 melhor quando todo mundo se encontra na mesma p\u00e1gina. E outra: depois que voc\u00ea aprender a primeira linguagem de programa\u00e7\u00e3o, assimilar a segunda \u00e9 bem mais f\u00e1cil.<\/strong><\/p>\n\n\n\n

          \u00c9 seguro dizer que nenhuma das duas \u00e9 melhor do que a outra. A escolha entre elas vai depender \u00fanica e exclusivamente de 3 fatores:<\/p>\n\n\n\n

            \n
          • Quais s\u00e3o os seus objetivos (an\u00e1lise estat\u00edstica ou desenvolvimento);<\/li>\n\n\n\n
          • Quanto tempo voc\u00ea pode dedicar para aprender;<\/li>\n\n\n\n
          • E quais s\u00e3o os m\u00e9todos mais usados no mercado de trabalho no qual est\u00e1 inserido.<\/li>\n<\/ul>\n\n\n\n

            ? Vai migrar para a \u00e1rea de Dados?<\/strong><\/h2>\n\n\n\n

            Ufa! Parece que quanto mais a gente estuda, mais descobrimos que precisamos estudar mais. Voc\u00ea tamb\u00e9m tem essa impress\u00e3o? ?<\/p>\n\n\n\n

            Se voc\u00ea est\u00e1 pensando em mudar de \u00e1rea ou simplesmente come\u00e7ar a sua jornada de estudos na \u00e1rea de ci\u00eancia de dados<\/strong>, confira este webinar gratuito e super completo que fizemos sobre o assunto:<\/p>\n\n\n\n

            \n