Julia vs R - laquelle apprendre ?

Se repérer dans la jungle des langages de programmation peut vite devenir déroutant, surtout lorsque vous débutez en data science et en analytique. Deux langages font souvent l’objet de comparaisons : Julia et R. Dans cet article, nous passons en revue les principaux aspects qui différencient Julia et R, ainsi que l’état actuel du marché de l’emploi pour chacune de ces compétences.

Présentation de Julia et R

Le langage R est un logiciel statistique spécialisé, apparu il y a près de 30 ans. C’est un langage mature, doté de nombreux packages qui permettent de faire quasiment tout ce que vous souhaitez. Il est toutefois majoritairement utilisé pour des applications statistiques, dont la data science et la quasi-totalité des analyses et manipulations de données. Nous proposons un cours Introduction to R qui vous mettra rapidement à niveau sur les bases.

Pour un usage plus généraliste, on se tournera plutôt vers d’autres langages que R. Parmi eux, Julia, un langage bien plus récent, apparu il y a une dizaine d’années. Julia excelle dans tous les types de programmation scientifique, tout en permettant un développement plus généraliste. Son atout majeur : la vitesse. Il gère de grands volumes de données et des calculs complexes à une vitesse fulgurante, tout en restant simple d’utilisation. Pour une introduction à Julia, découvrez notre cours.

Choisir un langage de programmation

Lorsque vous rejoignez un domaine lié aux données (data science, data analytics, statistiques), vous devez choisir un langage de programmation à apprendre. Cette décision dépend de nombreux facteurs, comme le secteur visé et la nature du poste. Vous pouvez lire, dans un autre article, notre sélection des meilleurs langages pour les data scientists. 

Ceci dit, l’essentiel pour choisir un langage est de se lancer. Il n’existe pas de langage parfait pour résoudre tous les problèmes. Certains seront plus adaptés ou plus efficaces que d’autres selon le cas. Vous aurez donc probablement besoin d’apprendre plusieurs langages et outils tout au long de votre carrière dans la donnée.

Il est également crucial de vous concentrer sur un seul langage à la fois : vous le maîtriserez plus vite qu’en essayant d’en apprendre plusieurs simultanément.

R est un excellent premier choix. Cependant, Julia s’impose de plus en plus comme un sérieux concurrent que tout programmeur ou analyste, débutant comme confirmé, devrait considérer. Nous avons d’ailleurs un article dédié à la montée en puissance de Julia et à l’intérêt de l’apprendre.

Comparatif Julia vs R

Julia et R sont deux langages spécialisés conçus pour analyser et manipuler des données. Ils constituent donc de bons choix pour les data scientists, data analysts et statisticiens.

Dans cette section, nous passons en revue quatre éléments clés qui les distinguent :

• IDE et notebooks
• Syntaxe
• Packages
• Ressources et support

IDE et notebooks

Un environnement de développement intégré (IDE) est une application permettant d’écrire, de tester et de déboguer du code au sein d’une même interface graphique. Elle propose de nombreuses fonctionnalités pour accélérer le développement d’applications et de solutions.

L’IDE le plus répandu est Visual Studio Code, ou VSCode. Vous pouvez y ajouter des extensions communautaires pour quasiment tous les langages, y compris Julia et R. VSCode est toutefois l’IDE le plus populaire chez les utilisateurs de Julia, grâce à l’extension Julia for VSCode.

R-Studio est l’IDE devenu quasi synonyme du langage R. Il est rare de trouver un programmeur R qui ne l’utilise pas, ou ne l’ait pas au moins essayé. R-Studio prend aussi en charge d’autres langages, comme Julia et Python. Consultez notre guide complet R-Studio pour en savoir plus. 

Côté notebooks, Jupyter Notebooks peut être utilisé autant avec Julia qu’avec R. Le nom Jupyter vient d’ailleurs de Julia, Python et R. Consultez notre mémo Jupyter pour en savoir plus sur l’application.

Si Jupyter est devenu un standard en data science, il présente certains inconvénients, notamment en matière de gestion de versions et de réactivité. R et Julia peuvent alors s’appuyer sur des notebooks plus spécialisés qui contournent souvent ces limites.

L’IDE R-Studio propose le format R Markdown, qui permet d’écrire du code dans des notebooks. Julia dispose pour sa part d’un logiciel spécialisé sous forme de package, Pluto. Les notebooks Pluto sont réactifs et interactifs : les cellules de code restent à jour en permanence et vous pouvez ajouter des éléments interactifs comme des curseurs ou des champs de saisie.

Syntaxe

Julia et R partagent une syntaxe proche : ce sont des langages dynamiques et interprétés, avec les mêmes structures de contrôle (boucles, conditions). Utilisez ces mémos pour retrouver rapidement la syntaxe :

• Julia basics cheat sheet
• R basics cheat sheet

Deux aspects clés sont toutefois à considérer lorsque l’on compare R et Julia :

• Monodispensation vs multidispensation
• Vectorisation

R adopte une approche orientée objet via deux systèmes, S3 et S4. L’implémentation d’origine (S3) repose sur la monodispensation : la méthode la plus appropriée est choisie selon la classe du premier argument de la fonction. Le système S4 plus récent utilise, lui, la multidispensation, où les types sont associés pour sélectionner la méthode à appeler.

La multidispensation est au cœur de la conception de Julia : son implémentation est très intuitive et extrêmement rapide.

Par ailleurs, il n’est pas nécessaire d’écrire du code vectorisé en Julia, car il est déjà très rapide sans cela. En revanche, en R, la vectorisation est souvent indispensable pour améliorer les performances.

Packages

Le dépôt CRAN recense un peu moins de 19 000 packages R. Un volume impressionnant ! Avec plusieurs décennies d’existence, la communauté R a eu largement le temps de concevoir et publier ses propres packages. R est ainsi extrêmement polyvalent et capable d’apporter des solutions à de nombreux problèmes.

À l’inverse, le registre général de Julia compte plus de 7 400 packages. Étant un langage relativement jeune, Julia a encore besoin de temps pour rattraper un langage mature comme R.

R et Julia permettent tous deux d’appeler des fonctions de l’autre langage, ainsi que d’autres langages comme Python. Par exemple, le package Python de deep learning Keras peut être appelé depuis R comme depuis Julia. L’inconvénient est que vous perdez alors certains bénéfices du langage hôte. Ainsi, en appelant un package Python depuis Julia, vous renoncez à une partie de la vitesse et de la multidispensation de Julia.

La gestion des packages est également bien pensée dans les deux écosystèmes. R dispose de bibliothèques dédiées à la gestion des packages et des dépendances : Packrat et renv. Elles permettent de créer des environnements de projet isolés et de tracer les dépendances.

Julia intègre un gestionnaire de packages, Pkg, qui gère l’installation, la mise à jour et la suppression. Pkg permet d’administrer les packages au sein de l’environnement local de travail. Tout est stocké dans un fichier manifest local, versionnable. Le vrai plus de Pkg : les environnements sont empilables, ce qui vous autorise à réutiliser les packages et dépendances d’un autre environnement dans celui sur lequel vous travaillez.

Ressources et support

Grâce à sa popularité et à son adoption massive, R dispose de bien plus de ressources et d’un support communautaire plus large que Julia. À titre d’exemple, comparons le nombre de questions actives (au moment de l’écriture) sur Stack Overflow : environ 470 000 pour R, contre environ 11 000 pour Julia. Cela illustre l’écart de taille entre les communautés.

Cela dit, les ressources sur Julia se multiplient au fur et à mesure que le langage gagne des utilisateurs et en notoriété. La communauté Julia est par ailleurs très active et accueillante pour les nouveaux venus. On le voit au pourcentage de questions sans réponse sur Stack Overflow : autour de 26 % pour R, contre seulement 15 % pour Julia.

Tableau comparatif R vs Julia

Nous avons rassemblé les informations sur les deux langages dans un tableau pour mettre en évidence les principales similitudes et différences :

Ce tableau offre une vue d’ensemble des principales différences entre Julia et R. Il ne s’agit pas d’une liste exhaustive : d’autres critères peuvent entrer en jeu selon votre projet.

Marché de l’emploi pour Julia et R

R est beaucoup plus répandu que Julia dans le monde académique comme en entreprise, ce qui facilite nettement la recherche d’emploi si vous maîtrisez le langage R.

Moins d’entreprises utilisent Julia dans leurs projets de data science et d’analytique, mais sa popularité progresse. Nous avons un article sur les cas d’usage de Julia. À lire si vous souhaitez savoir à quoi sert Julia aujourd’hui. Les entreprises commencent à reconnaître les bénéfices majeurs de Julia pour développer des solutions à leurs problématiques, notamment grâce aux économies potentielles en production liées à sa vitesse et à ses performances.

Pour se faire une idée des perspectives d’emploi, comparons le nombre d’offres (selon LinkedIn) aux États-Unis mentionnant R ou Julia parmi les compétences requises. On recense actuellement plus de 150 000 postes ouverts pour R, contre environ 1 190 pour Julia.

Conclusion

La data science et l’analytique évoluent rapidement : vous devrez utiliser et concevoir des solutions avec plusieurs outils et langages. En début de carrière, vous devrez choisir un premier langage à apprendre : R, Julia, Python, MATLAB, SAS, voire C.

Mais l’essentiel est de choisir et de commencer. Vous élargirez ensuite votre éventail de compétences, et il est vivement recommandé d’apprendre un second langage. Au passage, vous acquerrez sans doute des compétences sur divers outils : par exemple, des solutions de visualisation comme Power BI et Tableau. Vous pouvez aussi apprendre la visualisation de données avec R grâce au parcours DataCamp.

Compte tenu de la popularité de R et du volume d’offres aujourd’hui en entreprise, R est un excellent premier choix pour débuter en data science et domaines associés. Si vous travaillez déjà depuis quelques années dans la donnée, apprendre Julia peut toutefois apporter une forte valeur ajoutée à votre employeur actuel ou futur.