Julia vs R - Quale dovresti imparare?

Orientarsi nel labirinto dei linguaggi di programmazione può essere travolgente, soprattutto se sei alle prime armi con data science e analytics. Due linguaggi in competizione sono Julia e R. In questo articolo, mettiamo a confronto gli elementi principali dei linguaggi di programmazione Julia e R che li distinguono tra loro e l'attuale mercato del lavoro per ciascuna di queste competenze.

Panoramica di Julia e R

Il linguaggio di programmazione R è un software statistico specializzato che esiste da quasi 30 anni. È un linguaggio maturo, con pacchetti che ti permettono di fare praticamente tutto ciò che vuoi. Tuttavia, è utilizzato prevalentemente per applicazioni statistiche, tra cui data science e quasi tutte le forme di analisi e manipolazione dei dati. Abbiamo un corso di Introduzione a R che ti porterà rapidamente a padroneggiare le basi.

Per la programmazione di uso più generale, si tende a rivolgersi ad altri linguaggi invece di R. Uno di questi è Julia, un linguaggio molto più recente, in circolazione da circa 10 anni. Julia è specializzato in tutte le forme di programmazione scientifica ma consente anche di fare programmazione più generica. La caratteristica che spicca di Julia è la sua velocità. Può gestire grandi quantità di dati e calcoli complessi a velocità impressionanti rimanendo comunque facile da usare. Per un'introduzione a Julia, dai un'occhiata al nostro corso.

Scegliere un linguaggio di programmazione

Quando entri in un ambito legato ai dati come data science, data analytics o statistica, devi scegliere un linguaggio di programmazione da imparare. Questa decisione si basa su molti fattori, come il settore in cui vuoi entrare e la natura del tuo lavoro. Puoi leggere in un articolo a parte quali sono i migliori linguaggi di programmazione per data scientist. 

Tuttavia, una parte fondamentale della scelta di un linguaggio è iniziare. Non esiste un linguaggio perfetto per risolvere ogni tipo di problema. Alcuni linguaggi sono migliori o più efficienti di altri nel risolvere problemi specifici. Pertanto, è probabile che nel corso della tua carriera nei dati dovrai imparare più di un linguaggio e altri strumenti.

È anche essenziale concentrarsi su un solo linguaggio alla volta, per padroneggiarlo più rapidamente rispetto a provare a impararne diversi contemporaneamente.

Un ottimo linguaggio da imparare per primo è R. Tuttavia, Julia sta diventando un solido contendente che qualsiasi programmatore o analista, nuovo o esperto, dovrebbe considerare. Abbiamo un post separato sull'ascesa di Julia e sul fatto che valga la pena impararlo.

Confronto tra Julia e R

Sia Julia che R sono linguaggi di programmazione specializzati, progettati per analizzare e manipolare dati. Questo li rende scelte valide per data scientist, data analyst e statistici.

In questa sezione, esamineremo i quattro elementi principali di questi linguaggi di programmazione che li distinguono tra loro:

• IDE e notebook
• Sintassi
• Pacchetti
• Risorse e supporto

IDE e notebook

Un Ambiente di Sviluppo Integrato (IDE) è un'applicazione per scrivere, testare e fare debug del codice, spesso all'interno di un'unica interfaccia grafica. Offre molte funzionalità che ti aiutano a sviluppare nuove applicazioni e soluzioni più rapidamente.

L'IDE più comune è Visual Studio Code, o in breve VSCode. Puoi aggiungere a VSCode estensioni sviluppate dalla community che supportano quasi ogni linguaggio di programmazione, inclusi Julia e R. Tuttavia, VSCode è l'IDE più popolare tra gli utenti Julia grazie all'estensione Julia per VSCode.

R-Studio è un IDE diventato sinonimo del linguaggio R. È difficile trovare un programmatore R che non usi, o almeno non abbia provato, R-Studio come IDE. R-Studio supporta anche altri linguaggi di programmazione, come Julia e Python. Dai un'occhiata alla nostra guida completa a R-Studio per maggiori informazioni. 

Per quanto riguarda i notebook, puoi usare Jupyter Notebooks sia con Julia sia con R. Il nome Jupyter in realtà sta per Julia, Python e R. Puoi consultare il nostro cheat sheet su Jupyter per saperne di più sull'app dei notebook. 

Sebbene Jupyter sia diventato comune nella data science, presenta alcuni svantaggi, in particolare con il controllo di versione e la reattività. Qui R e Julia possono utilizzare software di notebook più specializzati che spesso superano questi limiti.

L'IDE R-Studio offre il formato R Markdown, che ti consente di scrivere codice in notebook. Julia, invece, dispone di un software di notebook specializzato sotto forma di un pacchetto chiamato Pluto. I notebook Pluto sono reattivi e interattivi, il che garantisce che le celle di codice siano sempre aggiornate e ti permette di aggiungere elementi interattivi come slider e campi di input.

Sintassi

Julia e R hanno una sintassi simile perché entrambi sono linguaggi dinamicamente tipizzati e interpretati con le stesse strutture di controllo, come cicli e logica condizionale. Puoi usare questi cheat sheet per consultare rapidamente e facilmente la sintassi di questi linguaggi:

• Cheat sheet delle basi di Julia
• Cheat sheet delle basi di R

Tuttavia, ci sono due aspetti principali della sintassi da considerare quando si confrontano R e Julia:

• Single vs multiple dispatch
• Vettorializzazione

R utilizza un approccio di programmazione orientata agli oggetti tramite due sistemi chiamati S3 e S4. L'implementazione originale di R usa il single dispatch nel sistema S3 per identificare il metodo più appropriato in base alla classe del primo argomento di una funzione. Tuttavia, il nuovo sistema S4 utilizza il multiple dispatch, in cui i tipi vengono confrontati per scegliere il metodo più appropriato da chiamare.

Il multiple dispatch è integrato nel design di Julia e la sua implementazione è molto intuitiva e incredibilmente veloce.

Inoltre, non è necessario scrivere codice vettorializzato in Julia, poiché è già incredibilmente veloce senza di esso. Con R, invece, il codice vettorializzato è necessario per migliorare velocità e prestazioni.

Pacchetti

Ci sono poco meno di 19.000 pacchetti sul repository CRAN che ospita tutti i pacchetti R disponibili. È un numero impressionante! Poiché R esiste da alcuni decenni, c'è stato più che tempo sufficiente perché utenti ed esperti creassero e inviassero i propri pacchetti. Questo rende R un linguaggio estremamente versatile, in grado di fornire soluzioni a molti problemi.

D'altra parte, ci sono oltre 7.400 pacchetti registrati nel registro generale di Julia. Poiché Julia è un linguaggio relativamente giovane, ha ancora bisogno di un po' di tempo per raggiungere un linguaggio maturo come R.

Sia R che Julia ti consentono di chiamare funzioni tra loro e da altri linguaggi di programmazione come Python. Un buon esempio è il popolare pacchetto Python per il deep learning, Keras, che può essere richiamato sia da R che da Julia. Tuttavia, uno svantaggio è che perdi alcuni dei vantaggi del linguaggio da cui lo stai chiamando. Ad esempio, se richiami un pacchetto Python all'interno di Julia, perderesti l'incredibile velocità e il multiple dispatch di Julia.

Inoltre, sia R che Julia gestiscono molto bene la gestione dei pacchetti. R ha librerie dedicate per la gestione di pacchetti e dipendenze: Packrat e renv. Entrambe ti consentono di creare ambienti di progetto isolati e tenere traccia delle dipendenze dei pacchetti.

Julia ha un gestore di pacchetti integrato chiamato Pkg, che gestisce installazione, aggiornamenti e rimozione dei pacchetti. Pkg consente di gestire i pacchetti all'interno dell'ambiente locale in cui stai lavorando. Tutto è archiviato in un file manifest locale che può anche essere sottoposto a controllo di versione. Tuttavia, l'aspetto davvero interessante della gestione dei pacchetti con Pkg in Julia è che gli ambienti sono impilabili. Ciò significa che puoi utilizzare i pacchetti e le loro dipendenze di un altro ambiente all'interno di quello in cui stai lavorando.

Risorse e supporto

A causa della popolarità e della diffusione di R, ci sono molte più risorse e supporto della community rispetto a Julia. Ad esempio, confrontiamo il numero di domande attive attuali (al momento della scrittura) su Stack Overflow tra Julia e R: circa 470.000 per R e solo circa 11.000 per Julia. Questo dimostra la grande differenza nel numero di utenti di ciascun linguaggio.

Tuttavia, ora sono disponibili molte risorse su Julia, con nuove aggiunte costanti man mano che il linguaggio cresce in base utenti e popolarità. Anche la community di Julia è molto attiva e accogliente con i nuovi utenti. Questo è dimostrato dalla percentuale di domande attualmente senza risposta su Stack Overflow tra Julia e R: circa il 26% per R e solo il 15% per Julia.

Tabella di confronto tra R e Julia

Abbiamo raccolto le informazioni sui due linguaggi in una tabella per aiutarti a comprendere le principali somiglianze e differenze: 

Questa tabella fornisce una panoramica di alto livello delle principali differenze tra Julia e R. Vale la pena notare che non si tratta di un elenco esaustivo di tutte le differenze tra i due linguaggi e che potrebbero esserci altri fattori da considerare quando si sceglie tra Julia e R per un progetto specifico.

Mercato del lavoro per Julia e R

R è molto più diffuso in accademia e nel business rispetto a Julia, quindi è molto più facile trovare lavoro se puoi dimostrare competenza nell'uso del linguaggio R.

Anche se meno aziende utilizzano Julia nei loro progetti di data science e analytics, il linguaggio Julia sta iniziando a crescere in popolarità. Abbiamo un post che esplora le applicazioni della programmazione in Julia. Dagli un'occhiata se vuoi scoprire per cosa viene usato Julia oggi. Le aziende stanno iniziando a riconoscere l'enorme vantaggio di usare Julia per sviluppare soluzioni ai loro problemi di business. Ciò è particolarmente evidente nel potenziale risparmio sui costi di esecuzione di codice Julia in produzione, grazie all'impressionante velocità e alle prestazioni di Julia.

Per farti un'idea delle prospettive occupazionali per ciascuna di queste competenze, confrontiamo il numero di offerte di lavoro (secondo LinkedIn) negli Stati Uniti per R e Julia in cui sono elencate come requisiti di competenza. Attualmente ci sono oltre 150.000 posizioni aperte per R e solo 1.190 posizioni aperte per Julia.

Conclusione

Data science e analytics sono campi in evoluzione in cui devi usare e sviluppare soluzioni con più di uno strumento o linguaggio di programmazione. Pertanto, quando inizi la tua carriera nei dati, dovrai scegliere un linguaggio di programmazione da imparare per primo: potrebbe essere R, Julia, Python, MATLAB, SAS o anche C.

Tuttavia, la cosa più importante è sceglierne uno e iniziare. Col tempo, dovrai ampliare il tuo set di competenze, e è altamente consigliato imparare un secondo linguaggio di programmazione. Lungo il percorso potresti anche acquisire competenze in vari strumenti diversi, come strumenti di visualizzazione dei dati come Power BI e Tableau. Puoi anche imparare la visualizzazione dei dati con R con il percorso di DataCamp.

In base alla popolarità di R e al volume di offerte di lavoro nel business oggi, R sarebbe un'ottima prima scelta per chi inizia in data science e campi correlati. Tuttavia, se lavori già da alcuni anni in un ruolo legato ai dati, potresti trovare un enorme valore nell'ampliare le tue competenze imparando Julia, poiché può portare benefici significativi al tuo attuale o futuro datore di lavoro.