Curso
Introducción a Python
4 h
7M
La guerra de lenguajes "R vs. Python" tiene una larga historia. Como lenguajes de programación de facto para ciencia de datos, atraen a distintos defensores de muchos ámbitos. Como resultado, muchas personas no aprovechan todo lo que ofrecen ambos lenguajes y se limitan a dominar solo una herramienta. Sin embargo, aprender a usar R y Python como científico de datos bilingüe puede ayudarte a resolver mejor cualquier problema que te encuentres en tu carrera profesional.
A medida que Python gana popularidad, cada vez más usuarios de R dan el salto a Python. Así que, si usas R, toma este artículo como una panorámica de las librerías de Python que puedes integrar en tu flujo de trabajo diario. Algunas tienen una sintaxis similar a R para facilitar el cambio, mientras que otras aportan más funcionalidad y velocidad.
Los mejores paquetes de Python para usuarios de R
Librerías de manipulación de datos
R cuenta con un ecosistema muy rico de librerías para manipulación de datos. Ya sea dplyr, tidyr o data.table, quienes usan R disfrutan de un amplio abanico de herramientas. Aun así, merece la pena considerar algunas alternativas en Python para ganar en flexibilidad, velocidad y funcionalidades.
Pandas
La joya de la corona entre los paquetes de manipulación de datos en Python es la librería pandas. Es el paquete de referencia en el stack de ciencia de datos de Python y lo usan millones de personas en todo el mundo. Supera actualmente los 20 millones de descargas semanales, lo que la convierte en una de las librerías más populares de Python.
Estadísticas de descargas de pandas en PyPI Stats.
Ofrece un conjunto tan amplio de funciones y clases para trabajar con datos que, incluso con años de experiencia, puedes seguir descubriendo técnicas nuevas con pandas. pandas también es una pieza clave del ecosistema, ya que muchas otras librerías de Python mencionadas en este artículo están diseñadas para alinearse con las clases de pandas.
Aunque es una librería muy completa, es sencilla de aprender y dominar. Conocer unas pocas clases y funciones te permite hacer análisis complejos sobre cualquier conjunto de datos.
El paquete datatable de Python
Si la sintaxis de pandas te resulta demasiado ajena viniendo de R, te sentirás como en casa usando el paquete datatable de Python. Se inspira en su homólogo de R y está escrito específicamente para manejar los enormes conjuntos de datos actuales: puede leer y manipular archivos de varios gigabytes en cuestión de segundos.
Un caso de uso habitual es leer un dataset grande con datatable y convertirlo a formato DataFrame de pandas, lo cual es mucho más rápido que leerlo directamente con pandas. Pero, si vienes de R, ni siquiera tienes que hacerlo, ya que datatable tiene prácticamente la misma sintaxis que el paquete data.table de R.
RapidsAI y cuDF
Quienes pasan de R a Python también pueden beneficiarse de un rendimiento superior gracias al soporte generalizado de GPU en las librerías de Python. RapidsAI ofrece precisamente esa oportunidad a través de la librería cuDF. cuDF es una librería de dataframes que te permite manipular conjuntos de datos con miles de millones de filas aprovechando la potencia de cómputo de las GPU de NVIDIA. Otra ventaja de cuDF es que su sintaxis es muy similar a la de pandas.
Librerías de visualización de datos
ggplot2 en R marca el estándar de las librerías de visualización y es una de las más usadas en ciencia de datos. Sin embargo, para quienes quieran pasarse a Python para visualización de datos, hay alternativas de mucho nivel.
Matplotlib
Matplotlib es una de las primeras librerías que se conocen al empezar con ciencia de datos en Python. Es de las pocas que equilibran a la perfección complejidad y flexibilidad. Es decir, es fácil para principiantes crear buenos gráficos y, al mismo tiempo, ofrece todas las herramientas que necesitan los usuarios avanzados para crear gráficos realmente asombrosos y a medida.
Estadísticas de descargas de Matplotlib en PyPI Stats.
Seaborn
El inconveniente de Matplotlib es que los gráficos requieren bastante personalización. Para crear gráficos con estilo de forma más sencilla, prueba Seaborn. Es una API de envoltura sobre Matplotlib que facilita mucho a los principiantes la creación de gráficos muy estéticos. Seaborn también incorpora nuevos tipos de gráficos y herramientas de subparcelas que no están disponibles de forma nativa en Matplotlib.
Plotly y Dash
Con Python también puedes crear visualizaciones interactivas gracias a varias librerías orientadas a la interactividad. La más destacada es Plotly, con profundas raíces también en R. Es excelente para producir gráficos interactivos de alta calidad y ofrece interfaces para personalizar y crear gráficos complejos.
Además, el framework Dash de Python está construido sobre Plotly y te permite crear fácilmente aplicaciones web para alojar dashboards. Otra librería de Python que facilita la creación de gráficos interactivos es Bokeh, que además permite desplegar visualizaciones como aplicaciones web con facilidad.
Plotnine
Para quien busque una alternativa natural a ggplot2 en Python, el paquete plotnine implementa la gramática de gráficos en Python. Su sintaxis y estética son muy similares a las de ggplot2, y ofrece una experiencia fluida a usuarios de R que quieran empezar a visualizar datos en Python de inmediato.
Librerías matemáticas y estadísticas
Python nativo no viene cargado de funciones estadísticas como R. No obstante, sus librerías compensan con creces esa carencia.
NumPy
La primera es la potentísima NumPy, que sostiene a muchos otros paquetes esenciales de Python. Es una librería sobresaliente para manipulación de arrays con un amplio repertorio de funciones matemáticas vectorizadas. Su velocidad en manipulación de matrices quizá solo tenga rival en Julia, uno de los lenguajes más rápidos de la historia.
Los arrays n-dimensionales de NumPy son la columna vertebral de otras librerías computacionales importantes como TensorFlow o PyTorch. Por este motivo, las descargas de NumPy superan con mucho la suma de pandas y Matplotlib.
Estadísticas de descargas de NumPy en PyPI Stats.
SciPy
Si no encuentras una función en NumPy, SciPy es la respuesta. Cuenta con submódulos para múltiples aplicaciones computacionales en matemáticas, física y estadística.
Su módulo de funciones especiales incluye funciones fundamentales de física matemática optimizadas en velocidad para investigación. Puedes resolver problemas de optimización con su módulo optimization, mientras que integrate y fft se ocupan del cálculo y las transformadas de Fourier. Su módulo linalg contiene todo lo de linalg en NumPy y añade funciones de álgebra lineal más avanzadas y específicas. Este módulo cuenta con un gran soporte de BLAS/LAPACK (librerías base estándar para álgebra lineal), lo que lo hace aún más rápido que NumPy.
También te permite procesar imágenes multidimensionales de forma eficiente. Aunque NumPy va muy bien para imágenes 2D/3D, no maneja con facilidad imágenes de orden superior de campos como medicina y biología. Ahí es donde puedes usar el módulo ndimage de SciPy.
Statsmodels
Aunque los paquetes anteriores están más orientados a matemáticas que a estadística, Python también ofrece la librería statsmodels. Es una librería muy completa, con funciones y clases para estimar numerosos modelos estadísticos, realizar contrastes de hipótesis y explorar datos.
Incluye funciones específicas para análisis de regresión y APIs maduras para modelos lineales generalizados. Su módulo de series temporales es especialmente útil, ya que contiene funciones especializadas para trabajar y visualizar series temporales.
Otros módulos permiten realizar análisis de supervivencia y duración, métodos no paramétricos y estadística multivariante. Y, para alegría de quienes vienen de R, muchos de estos módulos usan una sintaxis similar a la de R tanto al escribir funciones como al mostrar resultados. Para análisis puramente estadístico, statsmodels es la combinación perfecta de NumPy, SciPy y Matplotlib.
Librerías de machine learning
Este es el ámbito donde quienes usan R pueden encontrar más valor al adoptar Python. Las librerías de machine learning de Python son mucho más holísticas que las de R y ofrecen multitud de algoritmos y herramientas para preprocesamiento de datos, ingeniería de características, ajuste de hiperparámetros, modelado y más.
Scikit-learn
El primer framework a mencionar es scikit-learn. Es el framework de aprendizaje automático más popular en Python y el que utilizan la mayoría de profesionales del sector hoy en día.
De la State of Data Science and Machine Learning Survey 2021 de Kaggle
Scikit-learn ofrece una amplia selección de algoritmos de aprendizaje supervisado para regresión y clasificación binaria y multiclase. Tiene submódulos específicos para preprocesamiento de datos, pipelines, reducción de dimensionalidad, ingeniería y selección de características, imputación de datos ausentes y clustering.
A pesar de su enorme número de clases y funcionalidades, su API es muy intuitiva y directa. Scikit-learn hace un trabajo sobresaliente aplicando los 20 patrones de diseño de código de Python del Zen of Python.
XGBoost
Si scikit-learn tiene una pega, es la falta de soporte para GPU. Todos sus algoritmos se ejecutan en CPU, por lo que, cuando se necesita más velocidad de cómputo con librerías habilitadas para GPU, se suele recurrir a otros frameworks. Una de esas librerías, ya conocida por muchos usuarios de R, es XGBoost.
Con árboles de Gradient Boosting acelerados por GPU a la vanguardia, puede resolver tareas de aprendizaje supervisado mucho más rápido que otros frameworks de machine learning manteniendo un alto rendimiento. La imagen anterior muestra su gran popularidad en la comunidad de Python y cómo domina las competiciones de datos tabulares en Kaggle.
LightGBM y CatBoost
Dos librerías similares son LightGBM y CatBoost. Mientras que LightGBM requiere significativamente menos memoria que XGBoost, CatBoost aporta ventajas de velocidad y precisión. Las tres librerías de gradient boosting pueden implementar la API de Scikit-learn, lo que las hace muy fáciles de usar.
Más allá de las guerras de lenguajes: R y Python para el científico de datos moderno
Aunque R y Python tienen ventajas distintas, plantearlo como una "guerra de lenguajes" es contraproducente para la profesión. En su reciente participación en el podcast DataFramed, los autores de "Python and R for the Modern Data Scientist", Rick Scavetta y Boyan Angelov, hablan de las ventajas de ser un científico de datos bilingüe y de cómo los equipos modernos se benefician de profesionales con ese perfil.
A lo largo del podcast, comentan cómo uno de los grandes problemas de enmarcarlo como guerra de lenguajes es el auge del pensamiento de monoculturas dentro de las comunidades de R y Python. Uno de los mejores contraargumentos a la monocultura o a la mentalidad de "nosotros contra ellos" es la analogía del martillo y el clavo: si todo lo que tienes es un martillo, todo te parece un clavo.
En otras palabras, un enfoque centrado primero en el lenguaje limita tu creatividad y tu capacidad para resolver problemas de forma eficaz. Si adoptas un enfoque centrado primero en la solución, empiezas a pensar en términos de conceptos en lugar de ceñirte a lo que ofrece rígidamente un único lenguaje.
Conocer R y Python te permite usar lo mejor de cada mundo en los contextos adecuados, donde uno es superior al otro. Por ejemplo, los autores señalan cómo R brilla en visualización de datos con ggplot2 y su maduro ecosistema de reporting con R Markdown y Shiny, mientras que Python destaca en machine learning, APIs y MLOps.
En el libro, los autores presentan un caso práctico excelente que muestra cómo hacer que ambos lenguajes se comuniquen entre sí. Con herramientas como reticulate en RStudio, puedes llamar a scripts de Python y ejecutar paquetes de Python dentro de R, lo que te permite pasar objetos libremente entre lenguajes.
Si usas R, nunca ha sido tan fácil convertirte en un científico de datos bilingüe. Si quieres aprender más sobre Python, explora nuestra amplia colección de recursos.
