Julia vs. R - qual aprender?

Navegar pelo labirinto de linguagens de programação pode ser desafiador, especialmente se você está começando em ciência de dados e analytics. Duas concorrentes em destaque são Julia e R. Neste artigo, comparamos os principais elementos das linguagens Julia e R que as diferenciam e analisamos o mercado de trabalho atual para cada uma dessas competências.

Visão geral de Julia e R

A linguagem de programação R é um software estatístico especializado que existe há quase 30 anos. É uma linguagem madura, com pacotes que permitem fazer praticamente tudo o que você precisa. Ainda assim, seu uso predominante é em aplicações estatísticas, incluindo ciência de dados e praticamente todas as formas de análise e manipulação de dados. Temos um curso de Introdução ao R que vai colocar você rapidamente no ritmo certo dos fundamentos.

Para programação de propósito geral, costuma-se recorrer a outras linguagens em vez do R. Uma delas é Julia, uma linguagem bem mais nova, com pouco mais de 10 anos. Julia é especialista em programação científica em geral, mas também permite programar para usos mais amplos. Seu grande diferencial é a velocidade. Ela processa grandes volumes de dados e cálculos complexos em altíssima performance, sem perder a facilidade de uso. Para uma introdução a Julia, confira nosso curso.

Como escolher uma linguagem de programação

Ao entrar em áreas de dados como ciência de dados, analytics ou estatística, você precisa escolher uma linguagem para aprender. Essa decisão depende de vários fatores, como o setor em que deseja atuar e a natureza do seu trabalho. Você pode ler sobre as principais linguagens para cientistas de dados em um artigo separado. 

Mas um ponto crucial para escolher é simplesmente começar. Não existe uma linguagem perfeita para resolver todo tipo de problema. Algumas são melhores ou mais eficientes em problemas específicos. Por isso, ao longo da sua carreira em dados, é provável que você precise aprender mais de uma linguagem e outras ferramentas.

Também é essencial focar em uma linguagem por vez para dominá-la mais rápido do que tentando aprender várias ao mesmo tempo.

Uma excelente primeira linguagem é o R. No entanto, Julia vem se tornando uma forte concorrente que qualquer programador ou analista, iniciante ou experiente, deveria considerar. Temos um post específico sobre a ascensão de Julia e se vale a pena aprender.

Comparação: Julia vs. R

Julia e R são linguagens especializadas para analisar e manipular dados. Por isso, são ótimas escolhas para cientistas de dados, analistas de dados e estatísticos.

Nesta seção, vamos abordar quatro elementos principais que diferenciam essas linguagens:

• IDEs e notebooks
• Sintaxe
• Pacotes
• Recursos e suporte

IDEs e notebooks

Um Ambiente de Desenvolvimento Integrado (IDE) é um aplicativo para escrever, testar e depurar código, geralmente em uma única interface gráfica. Eles oferecem vários recursos que ajudam você a criar soluções e aplicações com mais agilidade.

O IDE mais comum é o Visual Studio Code, ou VSCode. Você pode adicionar extensões da comunidade ao VSCode que suportam praticamente todas as linguagens, incluindo Julia e R. Entre usuários de Julia, o VSCode é o IDE mais popular, com a extensão Julia para VSCode.

O R-Studio se tornou praticamente sinônimo da linguagem R. É difícil encontrar alguém de R que não use, ou pelo menos já tenha testado, o R-Studio como IDE. O R-Studio também dá suporte a outras linguagens, como Julia e Python. Veja nosso guia completo do R-Studio para mais informações. 

Em termos de notebooks, você pode usar Jupyter Notebooks tanto para Julia quanto para R. O nome Jupyter vem justamente de Julia, Python e R. Confira nosso guia rápido do Jupyter para saber mais sobre o app de notebooks. 

Embora o Jupyter seja onipresente em ciência de dados, ele tem algumas desvantagens, especialmente quanto a controle de versão e reatividade. É aí que R e Julia podem usar ferramentas de notebooks mais especializadas que muitas vezes contornam esses pontos.

O IDE R-Studio oferece o formato R Markdown, que permite escrever código em notebooks. Julia, por sua vez, tem um software de notebook especializado na forma do pacote Pluto. Os notebooks Pluto são reativos e interativos, garantindo que as células de código estejam sempre atualizadas e permitindo adicionar elementos como sliders e campos de entrada.

Sintaxe

Julia e R têm sintaxe semelhante porque ambas são linguagens dinamicamente tipadas, interpretadas, e compartilham estruturas de controle, como loops e condicionais. Use estes guias rápidos para consultar a sintaxe com facilidade:

• Guia rápido: fundamentos de Julia
• Guia rápido: fundamentos de R

No entanto, há dois aspectos centrais de sintaxe a considerar ao comparar R e Julia:

• Single vs. multiple dispatch
• Vetorização

R usa orientação a objetos por meio de dois sistemas, S3 e S4. A implementação original em R utiliza single dispatch no sistema S3 para identificar o método mais adequado com base na classe do primeiro argumento de uma função. Já o sistema S4 usa multiple dispatch, em que os tipos são combinados para escolher o método mais apropriado a ser chamado.

O multiple dispatch faz parte do design de Julia, cuja implementação é muito intuitiva e extremamente rápida.

Além disso, não é necessário escrever código vetorizado em Julia, já que a linguagem é muito rápida por natureza. Em R, por outro lado, a vetorização é essencial para ganhar velocidade e desempenho.

Pacotes

Há pouco menos de 19.000 pacotes no repositório CRAN, que concentra os pacotes de R disponíveis. É um número impressionante! Como o R existe há décadas, houve tempo de sobra para que usuários e especialistas construíssem e publicassem seus próprios pacotes. Isso torna o R extremamente versátil, capaz de oferecer soluções para muitos problemas.

Já no caso de Julia, existem mais de 7.400 pacotes registrados no registro geral. Por ser uma linguagem relativamente jovem, Julia ainda precisa de tempo para se aproximar de uma linguagem madura como o R.

R e Julia permitem chamar funções entre si e de outras linguagens como Python. Um bom exemplo é o Keras, pacote popular de deep learning em Python, que pode ser invocado tanto a partir de R quanto de Julia. A desvantagem é perder parte dos benefícios da linguagem hospedeira. Por exemplo, ao chamar um pacote Python dentro de Julia, você abre mão da velocidade e do multiple dispatch de Julia.

Além disso, ambas lidam muito bem com gerenciamento de pacotes. R tem bibliotecas dedicadas para gerenciamento de pacotes e dependências — Packrat e renv. Ambas permitem criar ambientes isolados por projeto e rastrear dependências.

Julia vem com um gerenciador de pacotes nativo, o Pkg, que cuida de instalação, atualização e remoção. O Pkg permite gerenciar pacotes dentro do ambiente local em que você está trabalhando. Tudo fica em um arquivo de manifesto local, que também pode ser versionado. O grande diferencial é que os ambientes são empilháveis: você consegue usar pacotes e dependências de outro ambiente dentro do seu ambiente atual.

Recursos e suporte

Devido à popularidade e ampla adoção do R, há muito mais recursos e suporte comunitário do que em Julia. Por exemplo, comparando (na época da escrita) o número de perguntas ativas no Stack Overflow entre Julia e R — cerca de 470.000 para R e apenas 11.000 para Julia — dá para ver a grande diferença no tamanho das comunidades.

Apesar disso, já existem muitos recursos sobre Julia, e novos conteúdos surgem constantemente conforme a base de usuários e a popularidade aumentam. A comunidade Julia também é bastante ativa e receptiva a novos usuários. Isso aparece na porcentagem de perguntas sem resposta no Stack Overflow: cerca de 26% em R e apenas 15% em Julia.

Tabela comparativa: R vs. Julia

Reunimos as informações sobre as duas linguagens em uma tabela para ajudar você a entender os principais pontos em comum e as diferenças: 

Esta tabela oferece uma visão geral dos principais pontos que diferenciam Julia e R. Vale lembrar que não é uma lista exaustiva e que podem existir outros fatores a considerar na escolha entre Julia e R para um projeto específico.

Mercado de trabalho para Julia e R

R é muito mais adotada na academia e nos negócios do que Julia, então é bem mais fácil encontrar uma vaga quando você comprova proficiência em R.

Embora menos empresas usem Julia em projetos de ciência de dados e analytics, a linguagem vem ganhando popularidade. Temos um post sobre as aplicações de Julia. Vale a leitura para entender como Julia é usada hoje. As empresas começam a reconhecer o enorme benefício de usar Julia para desenvolver soluções de negócio — especialmente pela economia potencial ao rodar Julia em produção graças à sua velocidade e performance.

Para ter uma ideia do panorama de vagas para cada habilidade, comparamos o número de oportunidades (segundo o LinkedIn) nos EUA em que R e Julia aparecem como requisitos. Atualmente são mais de 150.000 posições abertas para R e apenas 1.190 para Julia.

Conclusão

Ciência de dados e analytics são áreas em constante evolução, nas quais você precisa usar e criar soluções com mais de uma ferramenta ou linguagem. Portanto, ao iniciar sua carreira em dados, você terá de escolher uma linguagem para aprender primeiro — pode ser R, Julia, Python, MATLAB, SAS ou até C.

O mais importante é escolher uma e começar. Com o tempo, você vai ampliar seu conjunto de habilidades, e é altamente recomendável aprender uma segunda linguagem. Ao longo do caminho, também pode adquirir competências em várias ferramentas — como soluções de visualização de dados, por exemplo Power BI e Tableau. Você também pode aprender visualização de dados com R na trilha da DataCamp.

Pela popularidade do R e pelo volume de vagas no mercado, R é uma excelente primeira escolha para quem está começando em ciência de dados e áreas afins. Mas, se você já atua há alguns anos em funções relacionadas a dados, aprender Julia pode agregar muito valor e trazer benefícios significativos para seu empregador atual ou futuro.