Les meilleurs packages Python pour les utilisateurs de R — devenez un data scientist bilingue

La guerre des langages « R vs Python » ne date pas d'hier. Langages de programmation de référence pour la data science, ils rassemblent des partisans venus d'horizons variés. Résultat : beaucoup de praticiens n'exploitent pas pleinement les atouts des deux écosystèmes et se cantonnent à un seul outil. Pourtant, maîtriser R et Python en tant que data scientist bilingue vous aidera à résoudre plus efficacement les problèmes que vous rencontrerez tout au long de votre carrière.

À mesure que Python gagne en popularité, de plus en plus d'utilisateurs de R basculent vers Python. Si vous utilisez R, considérez cet article comme un panorama des bibliothèques Python à intégrer dans votre flux de travail quotidien. Certaines adoptent une syntaxe proche de R pour une transition en douceur, tandis que d'autres offrent davantage de fonctionnalités et de performances. 

Les meilleurs packages Python pour les utilisateurs de R

Bibliothèques de manipulation de données

R dispose d'un écosystème très riche pour la manipulation de données. Qu'il s'agisse de dplyr, tidyr ou data.table, les utilisateurs de R ont l'embarras du choix. Ils peuvent toutefois se tourner vers des alternatives Python pour plus de flexibilité, de rapidité et de fonctionnalités.

Pandas

Au premier rang des packages Python de manipulation de données se trouve la bibliothèque pandas. C'est le pilier de la data science en Python, utilisé par des millions d'utilisateurs dans le monde. Avec plus de 20 millions de téléchargements hebdomadaires, c'est l'une des bibliothèques Python les plus populaires.

pandas download stats depuis le site PyPI Stats.

Elle propose un éventail très vaste de fonctions et de classes pour travailler les données, au point que l'on continue d'y découvrir de nouvelles techniques même après des années de pratique. pandas est aussi une brique maîtresse de l'écosystème : de nombreuses bibliothèques Python citées dans cet article alignent leur fonctionnement sur les classes de pandas.

Malgré sa richesse, elle reste simple à apprendre et à maîtriser. Connaître quelques classes et fonctions suffit pour mener des analyses complexes sur n'importe quel jeu de données.

Le package datatable de Python

Si la syntaxe de pandas vous paraît trop éloignée de R, vous vous sentirez chez vous avec le package Python datatable. Inspiré de son homologue R, il est conçu pour les jeux de données massifs d'aujourd'hui et peut lire et manipuler des fichiers de plusieurs gigaoctets en quelques secondes.

Un cas d'usage courant consiste à lire un grand jeu de données avec datatable puis à le convertir en DataFrame pandas, ce qui est bien plus rapide que de tout lire directement avec pandas. Mais en tant qu'utilisateur de R, vous n'êtes même pas obligé de le faire, car datatable adopte une syntaxe quasi identique au package data.table de R.

RapidsAI & cuDF

Les utilisateurs de R qui passent à Python peuvent aussi profiter de gains de performance grâce au large support GPU des bibliothèques Python. RapidsAI offre cette opportunité via la bibliothèque cuDF. cuDF est une bibliothèque de dataframes qui vous permet de manipuler des jeux de données comportant des milliards de lignes en tirant parti de la puissance de calcul des GPU NVIDIA. Autre avantage : cuDF reprend une syntaxe proche de pandas.

Bibliothèques de visualisation de données

ggplot2 de R fait figure de référence pour la visualisation de données et compte parmi les bibliothèques les plus utilisées en data science. Cependant, pour les utilisateurs de R souhaitant passer à Python pour la visualisation, les alternatives de qualité ne manquent pas.

Matplotlib

Matplotlib est l'une des premières bibliothèques que l'on découvre en apprenant la data science avec Python. Elle réussit un rare équilibre entre richesse et flexibilité. Autrement dit, les débutants peuvent créer facilement de beaux graphiques, tandis que les utilisateurs avancés disposent de tous les outils pour produire des visualisations vraiment impressionnantes et sur mesure.

Matplotlib download stats depuis le site PyPI Stats.

Seaborn

Le principal inconvénient de Matplotlib est le besoin de nombreuses personnalisations. Pour des graphiques élégants en quelques lignes, tournez-vous vers Seaborn. Il s'agit d'une API « wrapper » autour de Matplotlib qui facilite grandement la création de graphiques esthétiques pour les débutants. Seaborn introduit aussi de nouveaux types de graphiques et des outils de sous-visualisation non disponibles nativement dans Matplotlib.

Plotly & Dash

Python permet également de créer des visualisations interactives grâce à plusieurs bibliothèques dédiées. La plus notable est Plotly, qui a aussi de profondes racines dans l'écosystème R. Elle est idéale pour produire des graphiques interactifs de haute qualité et offre des interfaces pour personnaliser et composer des visualisations complexes. 

De plus, le framework Dash de Python, bâti sur Plotly, permet de créer facilement de belles applications web pour héberger des tableaux de bord. Une autre bibliothèque Python qui simplifie la création de graphiques interactifs est Bokeh, qui facilite elle aussi le déploiement de visualisations sous forme d'applications web. 

Plotnine

Pour celles et ceux qui recherchent un équivalent naturel de ggplot2 en Python, le package plotnine implémente la grammaire des graphiques en Python. Sa syntaxe et son approche esthétique sont très proches de celles de ggplot2, offrant une transition fluide aux utilisateurs de R souhaitant visualiser des données en Python sans attendre. 

Bibliothèques mathématiques et statistiques

Le Python natif n'est pas livré avec un grand nombre de fonctions statistiques comme R. Cependant, ses bibliothèques compensent largement cette lacune.

NumPy

La première est l'incontournable NumPy, sur laquelle reposent de nombreux autres packages essentiels de l'écosystème Python. C'est une bibliothèque de manipulation de tableaux remarquable, avec un large choix de fonctions mathématiques vectorisées. Sa vitesse sur les opérations matricielles n'est sans doute égalée que par Julia, l'un des langages les plus rapides de l'histoire de la programmation.

Les tableaux n-dimensionnels de NumPy sont la colonne vertébrale d'autres bibliothèques de calcul majeures comme TensorFlow ou PyTorch. Pour cette raison, les téléchargements de NumPy dépassent largement la somme de ceux de pandas et Matplotlib.

Numpy download stats depuis le site PyPI Stats.

SciPy

Si vous ne trouvez pas une fonction dans NumPy, SciPy a probablement la réponse. Elle propose des sous-modules dédiés à divers domaines de calcul en mathématiques, physique et statistiques.

Son module de fonctions spéciales regroupe des fonctions clés de physique mathématique, optimisées pour la vitesse, à destination des chercheurs. Vous pouvez résoudre des problèmes d'optimisation avec le module optimization, tandis que les modules integrate et fft couvrent le calcul intégral et les transformées de Fourier. Le module linalg contient tout ce que propose linalg de NumPy, ainsi que des fonctions d'algèbre linéaire plus avancées et spécialisées. Il bénéficie d'un excellent support BLAS/LAPACK (bibliothèques logicielles standard pour l'algèbre linéaire), ce qui le rend encore plus rapide que NumPy.

Il permet aussi de traiter efficacement des images multidimensionnelles. Si NumPy est très à l'aise avec les images 2D/3D, il gère moins facilement des images d'ordre supérieur issues, par exemple, de la médecine ou de la biologie. C'est là que le module ndimage de SciPy entre en jeu.

Statsmodels

Si les packages ci-dessus sont plus orientés mathématiques que statistiques, Python propose aussi la bibliothèque statsmodels. Très complète, elle fournit des fonctions et des classes pour estimer un grand nombre de modèles statistiques, réaliser des tests d'hypothèses et explorer les données.

Des fonctions entières sont dédiées à l'analyse de régression, avec des API matures pour les modèles linéaires généralisés. Son module d'analyse de séries temporelles est particulièrement utile, avec des fonctions spécialisées pour traiter et visualiser des séries chronologiques.

Ses autres modules couvrent l'analyse de survie et de durée, les méthodes non paramétriques et les statistiques multivariées. Et pour le plus grand plaisir des utilisateurs de R, la plupart de ces modules adoptent une syntaxe proche de R, tant pour l'écriture des fonctions que pour l'affichage des résultats. Pour l'analyse statistique pure, statsmodels marie idéalement NumPy, SciPy et Matplotlib.

Bibliothèques de machine learning

C'est sans doute le domaine où les utilisateurs de R gagneront le plus à adopter Python. Les bibliothèques de machine learning de Python sont plus complètes que celles de R et offrent de nombreux algorithmes et outils pour le prétraitement, l'ingénierie des variables, l'optimisation d'hyperparamètres, la modélisation, et bien plus encore. 

Scikit-learn

La première de ces bibliothèques est scikit-learn. C'est le framework de machine learning le plus utilisé en Python, adopté par la majorité des praticiens aujourd'hui. 

Extrait de la State of Data Science and Machine Learning Survey 2021 de Kaggle

Scikit-learn propose un vaste choix d'algorithmes d'apprentissage supervisé pour la régression et la classification binaire ou multiclasse. Elle comporte des sous-modules dédiés au prétraitement des données, aux pipelines, à la réduction de dimension, à l'ingénierie et à la sélection de variables, à l'imputation des valeurs manquantes et au clustering.

Malgré l'ampleur de ses classes et fonctionnalités, son API reste très intuitive et simple. Scikit-learn illustre remarquablement les 20 principes de conception du code Python décrits dans le Zen of Python. 

XGBoost

Si scikit-learn a un bémol, c'est l'absence de support GPU. Tous ses algorithmes s'exécutent sur CPU, ce qui pousse naturellement à se tourner vers d'autres frameworks lorsque l'on a besoin d'accélération sur GPU. L'une des bibliothèques bien connue des utilisateurs de R est XGBoost. 

Reposant sur des arbres de décision boosting de gradient à la pointe et optimisés GPU, elle résout des tâches supervisées bien plus rapidement que d'autres frameworks tout en offrant d'excellents niveaux de performance. L'image ci-dessus montre sa popularité dans la communauté Python et sa domination des compétitions sur données tabulaires sur Kaggle. 

LightGBM & Catboost

Deux bibliothèques proches sont LightGBM et CatBoost. LightGBM requiert nettement moins de mémoire qu'XGBoost, tandis que CatBoost offre des avantages en vitesse et en précision. Ces trois bibliothèques de gradient boosting peuvent adopter l'API de Scikit-learn, ce qui les rend très simples à utiliser.

Au-delà des guerres de chapelles : R et Python pour le data scientist moderne

Si R et Python ont chacun leurs points forts, réduire le débat à une « guerre des langages » est contre-productif pour les data scientists. Dans leur récente intervention sur le podcast DataFramed, les auteurs de "Python and R for the Modern Data Scientist", Rick Scavetta et Boyan Angelov, évoquent les avantages d'être un data scientist bilingue et en quoi les équipes data modernes bénéficient de profils maîtrisant les deux langages.

Tout au long de l'épisode, ils expliquent comment le cadrage en « guerre des langages » alimente des « monocultures » au sein des communautés R et Python. L'une des meilleures parades à cette mentalité « nous contre eux » est l'analogie du « marteau et du clou » : si vous n'avez qu'un marteau, tout vous paraît être un clou. 

Autrement dit, une approche centrée d'abord sur le langage bride la créativité et l'efficacité de résolution de problèmes. En adoptant une approche orientée solution, vous abordez vos défis en termes de concepts plutôt que de vous limiter à ce qu'offre rigidement un seul langage.

Connaître R et Python vous permet d'utiliser le meilleur des deux mondes là où l'un surpasse l'autre. Par exemple, les auteurs rappellent que R excelle en visualisation avec ggplot2 et dispose d'un écosystème de reporting très mature grâce à R Markdown et Shiny, tandis que Python brille en machine learning, APIs et MLOps.

Le livre présente une excellente étude de cas montrant comment faire communiquer les deux langages. Avec des outils comme reticulate dans RStudio, vous pouvez appeler des scripts Python et exécuter des packages Python au sein de R, en faisant circuler librement des objets entre les deux environnements.

Si vous utilisez R, devenir un data scientist bilingue n'a jamais été aussi simple. Pour aller plus loin dans l'apprentissage de Python, découvrez notre vaste collection de ressources.