Kurs
Einführung in Python
4 Std.
7M
Der Schlagabtausch "R vs. Python" hat eine lange Geschichte. Als die Standard-Programmiersprachen der Datenwissenschaft ziehen sie unterschiedliche Anhängerinnen und Anhänger aus vielen Disziplinen an. Dadurch schöpfen Praktikerinnen und Praktiker oft nicht das volle Potenzial beider Sprachen aus und beschränken sich darauf, nur ein Werkzeug zu meistern. Wenn du jedoch als zweisprachiger Data Scientist sowohl R als auch Python beherrschst, kannst du Probleme in deiner Karriere deutlich besser lösen.
Mit der wachsenden Beliebtheit von Python steigen immer mehr R-User auf Python um. Wenn du also R nutzt, sieh diesen Artikel als Überblick über Python-Bibliotheken, die du in deinen Arbeitsalltag integrieren kannst. Einige bringen R-ähnliche Syntax für einen reibungslosen Umstieg mit, andere punkten mit mehr Funktionen und Geschwindigkeit.
Die besten Python-Packages für R-User
Bibliotheken für die Datenmanipulation
R verfügt über ein reiches Ökosystem an Bibliotheken zur Datenmanipulation. Ob dplyr, tidyr oder data.table – R-User haben eine große Auswahl an Werkzeugen zur Hand. Für mehr Flexibilität, Tempo und Features lohnt sich jedoch ein Blick auf einige Python-Alternativen.
Pandas
Das wichtigste Python-Paket zur Datenmanipulation ist die Bibliothek pandas. Sie ist das führende Datenmanipulationspaket im Python-Data-Science-Stack und wird weltweit von Millionen genutzt. Aktuell verzeichnet es über 20 Millionen Downloads pro Woche und gehört damit zu den populärsten Python-Packages.
pandas-Downloadstatistiken von der PyPI-Stats-Website.
Der Funktionsumfang zum Arbeiten mit Daten ist so groß, dass du selbst nach Jahren mit pandas noch neue Kniffe lernen wirst. pandas ist zudem eine Schlüsselbibliothek im Ökosystem, denn viele andere in diesem Artikel erwähnte Python-Bibliotheken sind so implementiert, dass ihre Funktionalität zu den Klassen von pandas passt.
Trotz des großen Umfangs ist die Bibliothek leicht zu lernen und zu beherrschen. Mit wenigen Klassen und Funktionen kannst du komplexe Analysen auf beliebigen Datensätzen durchführen.
Pythons datatable-Paket
Wenn dir die pandas-Syntax zu ungewohnt erscheint, wirst du dich mit dem Python-Paket datatable wie zu Hause fühlen. Es ist vom R-Pendant inspiriert und konsequent darauf ausgelegt, mit heutigen Massendaten zu arbeiten. So lassen sich Gigabyte-große Dateien in Sekunden einlesen und manipulieren.
Ein typischer Anwendungsfall ist, große Datensätze mit datatable einzulesen und in ein pandas-DataFrame zu konvertieren – oft deutlich schneller, als sie direkt mit pandas zu laden. Als R-User musst du das aber nicht einmal tun, denn datatable hat nahezu die gleiche Syntax wie das R-Paket data.table.
RapidsAI & cuDF
R-User, die zu Python wechseln, profitieren zudem von weit verbreiteter GPU-Unterstützung vieler Python-Bibliotheken. RapidsAI bietet diese Möglichkeit über die cuDF-Bibliothek. cuDF ist eine DataFrame-Bibliothek, mit der du Datensätze mit Milliarden von Zeilen bearbeiten kannst, indem du die Rechenleistung von NVIDIA-GPUs nutzt. Ein weiterer Vorteil von cuDF ist die der pandas-Syntax sehr ähnliche Schreibweise.
Bibliotheken für die Datenvisualisierung
Rs ggplot2 setzt den Maßstab für Visualisierungspakete und gehört zu den am weitesten verbreiteten Bibliotheken in der Datenwissenschaft. Wer jedoch als R-User für Visualisierung auf Python umsteigen möchte, findet zahlreiche starke Alternativen.
Matplotlib
Matplotlib ist eine der ersten Bibliotheken, mit denen man in Berührung kommt, wenn man Data Science in Python lernt. Sie trifft selten gesehen die Balance aus Komplexität und Flexibilität. Heißt: Einsteigerinnen und Einsteiger erstellen damit schnell gute Diagramme, während Fortgeschrittene alle Werkzeuge für hochindividuelle, beeindruckende Plots zur Hand haben.
Matplotlib-Downloadstatistiken von der PyPI-Stats-Website.
Seaborn
Der Nachteil von Matplotlib ist der hohe Anpassungsaufwand. Für schnell ansprechend gestylte Plots empfiehlt sich jedoch Seaborn. Als Wrapper-API um Matplotlib macht es Einsteigerinnen und Einsteigern die Erstellung ästhetischer Diagramme deutlich leichter. Zudem bringt Seaborn neue Plottypen und Subplot-Werkzeuge mit, die in Matplotlib nicht ohne Weiteres verfügbar sind.
Plotly & Dash
Mit Python kannst du auch interaktive Visualisierungen erstellen – dank einer Reihe passender Bibliotheken. Besonders hervorzuheben ist Plotly, das auch in R tief verwurzelt ist. Es eignet sich hervorragend für hochwertige interaktive Charts und bietet Schnittstellen, um komplexe Plots zu erstellen und zu konfigurieren.
Außerdem baut Pythons Dash-Framework auf Plotly auf und ermöglicht es dir, im Handumdrehen schöne Web-Apps für Dashboards zu erstellen. Eine weitere Python-Bibliothek für interaktive Plots ist Bokeh, mit der du Visualisierungen ebenfalls leicht als Web-Apps ausliefern kannst.
Plotnine
Wer eine natürliche ggplot2-Alternative in Python sucht, findet mit dem Paket plotnine eine Implementierung der Grammar of Graphics in Python. Syntax und Ästhetik sind ggplot2 extrem ähnlich und bieten R-Usern einen nahtlosen Einstieg in Datenvisualisierung mit Python.
Mathematische und statistische Bibliotheken
Reines Python bringt nicht wie R von Haus aus zahlreiche Statistikfunktionen mit. Seine Bibliotheken machen diesen Nachteil jedoch mehr als wett.
NumPy
An erster Stelle steht das mächtige NumPy, auf dessen Schultern viele andere essenzielle Python-Pakete ruhen. Es ist eine hervorragende Bibliothek für Array-Manipulation mit einer großen Auswahl an vektorisierten Mathematikfunktionen. In Sachen Geschwindigkeit bei Matrixoperationen wird es vielleicht nur von Julia übertroffen – einer der schnellsten Sprachen der Programmiergeschichte.
NumPys n-dimensionale Arrays sind das Rückgrat anderer wichtiger Rechenbibliotheken wie TensorFlow oder PyTorch. Deshalb liegen NumPys Downloadzahlen deutlich über denen von pandas und Matplotlib zusammen.
NumPy-Downloadstatistiken von der PyPI-Stats-Website.
SciPy
Wenn du eine Funktion in NumPy nicht findest, ist SciPy die Antwort. Es bietet separate Submodule für verschiedene rechnerische Anwendungen in Mathematik, Physik und Statistik.
Das Modul für spezielle Funktionen enthält wichtige, geschwindigkeitsoptimierte mathematisch-physikalische Funktionen für die Forschung. Mit dem Modul optimization löst du Optimierungsprobleme, während integrate und fft sich um Analysis und Fouriertransformationen kümmern. Das linalg-Modul umfasst alles aus NumPys linalg plus weiterführende und spezialisierte Funktionen der Linearen Algebra. Dank exzellenter Unterstützung durch BLAS/LAPACK (Standard-Basisbibliotheken für Lineare Algebra) ist es teils sogar schneller als NumPy.
Auch mehrdimensionale Bilder lassen sich effizient verarbeiten. Während NumPy bei 2D-/3D-Bildern glänzt, tut es sich mit höherdimensionalen Bildern aus Medizin und Biologie schwer. Hier kommt SciPys ndimage-Modul ins Spiel.
Statsmodels
Während die oben genannten Pakete stärker um Mathematik kreisen, bietet Python mit statsmodels auch eine ausgewiesene Statistikbibliothek. Sie stellt eine große Zahl an Funktionen und Klassen bereit, mit denen du statistische Modelle schätzen, Hypothesentests durchführen und Daten explorieren kannst.
Für Regressionsanalysen gibt es komplette Funktionssätze und ausgereifte APIs für Generalized Linear Models. Besonders praktisch ist das Time-Series-Analysis-Modul mit spezialisierten Funktionen zur Durchführung und Visualisierung von Zeitreihen.
Weitere Module unterstützen Survival- und Daueranalyse, nichtparametrische Verfahren und multivariate Statistik. Zur Freude von R-Usern nutzen viele dieser Module eine R-ähnliche Syntax – sowohl beim Schreiben der Funktionen als auch bei der Ausgabe. Für reine Statistik ist statsmodels die perfekte Kombination aus NumPy, SciPy und Matplotlib.
Machine-Learning-Bibliotheken
Hier werden R-User vermutlich den größten Mehrwert im Python-Ökosystem finden. Pythons Machine-Learning-Bibliotheken sind ganzheitlicher als die von R und bieten zahlreiche Algorithmen und Tools für Datenvorverarbeitung, Feature Engineering, Hyperparameter-Tuning, Modellierung und mehr.
Scikit-learn
Das erste Framework dieser Art ist scikit-learn. Es ist das populärste Machine-Learning-Framework in Python und wird heute von den meisten ML-Praktikerinnen und -Praktikern genutzt.
Aus der State of Data Science and Machine Learning Survey 2021 von Kaggle
Scikit-learn bietet eine große Auswahl überwachter Lernverfahren für Regression sowie binäre und Multiklassen-Klassifikation. Es gibt eigene Submodule für Datenvorverarbeitung, Pipelines, Dimensionsreduktion, Feature Engineering, Feature Selection, Imputation fehlender Werte und Clustering.
Trotz des enormen Funktionsumfangs ist die API sehr intuitiv und geradlinig. Scikit-learn setzt bemerkenswert gut alle 20 Python-Code-Designprinzipien aus dem Zen of Python um.
XGBoost
Wenn scikit-learn einen Nachteil hat, dann den fehlenden GPU-Support. Alle Algorithmen laufen auf der CPU, daher greifen viele bei Bedarf an mehr Rechenpower zu GPU-fähigen Bibliotheken. Eine solche Bibliothek, die R-User bereits kennen, ist XGBoost.
Mit top-aktuellen, GPU-beschleunigten Gradient Boosted Trees im Kern löst XGBoost überwachtes Lernen oft deutlich schneller als andere Frameworks – bei hoher Genauigkeit. Wie die obige Grafik zeigt, ist es in der Python-Community sehr beliebt und dominiert Tabellendaten-Wettbewerbe auf Kaggle.
LightGBM & CatBoost
Zwei ähnliche Bibliotheken sind LightGBM und CatBoost. Während LightGBM deutlich weniger Speicher benötigt als XGBoost, punktet CatBoost mit Geschwindigkeits- und Genauigkeitsvorteilen. Alle drei Gradient-Boosting-Bibliotheken können die Scikit-learn-API implementieren und sind dadurch sehr einfach zu verwenden.
Jenseits der Sprachkriege: R und Python für moderne Data Scientists
Auch wenn R und Python unterschiedliche Stärken haben, ist die Einordnung als "Sprachkrieg" für Data Scientists wenig hilfreich. In ihrem Auftritt im DataFramed-Podcast sprechen die Autoren von "Python and R for the Modern Data Scientist", Rick Scavetta und Boyan Angelov, über die Vorteile eines zweisprachigen Skillsets und warum moderne Datenteams von zweisprachigen Fachleuten profitieren.
Im Podcast diskutieren sie, wie die Sprachkriegs-Rhetorik zu Monokultur-Denken in den R- und Python-Communities geführt hat. Ein gutes Gegenargument gegen Monokultur oder das "Wir gegen die"-Denken ist die "Hammer-und-Nagel"-Analogie – wenn du nur einen Hammer hast, sieht alles wie ein Nagel aus.
Anders gesagt: Ein Language-first-Ansatz bremst Kreativität und Problemlösefähigkeit. Mit einem Solution-first-Ansatz betrachtest du dein Problem auf der Ebene von Konzepten statt dich starr an das zu klammern, was eine einzelne Sprache vorgibt.
Wenn du sowohl R als auch Python beherrschst, kannst du je nach Kontext das Beste aus beiden Welten nutzen. Die Autoren nennen etwa Rs Stärke in der Visualisierung mit ggplot2 und das ausgereifte Reporting-Ökosystem mit R Markdown und Shiny, während Python bei Machine Learning, APIs und MLOps glänzt.
Im Buch beschreiben die Autoren eine hervorragende Fallstudie, die zeigt, wie beide Sprachen miteinander kommunizieren können. Mit Tools wie reticulate in RStudio kannst du Python-Skripte aufrufen und Python-Pakete in R ausführen und so Objekte frei zwischen den Sprachen austauschen.
Wenn du R nutzt, war es nie einfacher, zum zweisprachigen Data Scientist zu werden. Für mehr zum Lernen von Python findest du hier unsere umfangreiche Sammlung an Ressourcen.
