Julia vs R - Bạn nên học ngôn ngữ nào?

Việc định hướng giữa mê cung các ngôn ngữ lập trình có thể khiến bạn choáng ngợp, nhất là khi bạn mới bước vào khoa học dữ liệu và phân tích. Hai ngôn ngữ thường được đặt lên bàn cân là Julia và R. Trong bài viết này, chúng tôi so sánh các yếu tố chính của Julia và R giúp chúng khác biệt với nhau, cùng với thị trường việc làm hiện tại cho từng kỹ năng này.

Tổng quan về Julia và R

Ngôn ngữ lập trình R là một phần mềm thống kê chuyên dụng đã xuất hiện gần 30 năm. Đây là một ngôn ngữ đã trưởng thành với các gói cho phép bạn làm hầu như mọi thứ mình muốn. Tuy vậy, R chủ yếu được dùng cho các ứng dụng thống kê, bao gồm khoa học dữ liệu và gần như mọi hình thức phân tích, xử lý dữ liệu. Chúng tôi có khóa học Giới thiệu về R giúp bạn nhanh chóng nắm vững những kiến thức cơ bản.

Đối với lập trình mục đích chung, người ta thường chọn các ngôn ngữ khác thay vì R. Một trong số đó là Julia, một ngôn ngữ mới hơn, chỉ xuất hiện khoảng 10 năm. Julia chuyên cho mọi dạng lập trình khoa học nhưng cũng cho phép lập trình mục đích chung. Điểm nổi bật của Julia là tốc độ. Nó có thể xử lý lượng dữ liệu lớn và phép tính phức tạp với tốc độ “chớp nhoáng” mà vẫn dễ dùng. Để có một giới thiệu về Julia, hãy xem khóa học của chúng tôi.

Chọn ngôn ngữ lập trình

Khi tham gia lĩnh vực dữ liệu như khoa học dữ liệu, phân tích dữ liệu hoặc thống kê, bạn cần chọn một ngôn ngữ lập trình để học. Quyết định này dựa trên nhiều yếu tố như ngành bạn muốn theo và tính chất công việc. Bạn có thể đọc về các ngôn ngữ lập trình hàng đầu cho nhà khoa học dữ liệu trong một bài viết riêng. 

Tuy nhiên, một phần quan trọng khi chọn ngôn ngữ là bắt tay vào học. Không có ngôn ngữ hoàn hảo để giải mọi loại bài toán. Một số ngôn ngữ tốt hơn hoặc hiệu quả hơn ở những bài toán cụ thể. Do đó, rất có thể bạn sẽ cần học nhiều hơn một ngôn ngữ và các công cụ khác trong suốt sự nghiệp dữ liệu của mình.

Điều cần thiết là tập trung vào một ngôn ngữ tại một thời điểm để thành thạo nhanh hơn so với việc cố học nhiều ngôn ngữ cùng lúc.

Một ngôn ngữ tuyệt vời để học đầu tiên là R. Tuy nhiên, Julia đang trở thành một đối thủ đáng gờm mà cả người mới lẫn lập trình viên/nhà phân tích giàu kinh nghiệm nên cân nhắc. Chúng tôi có một bài viết riêng về sự trỗi dậy của Julia và liệu có đáng để học hay không.

So sánh Julia và R

Cả Julia và R đều là các ngôn ngữ lập trình chuyên biệt, được thiết kế để phân tích và xử lý dữ liệu. Điều này khiến chúng là lựa chọn tốt cho nhà khoa học dữ liệu, nhà phân tích dữ liệu và nhà thống kê.

Trong phần này, chúng ta sẽ đi qua bốn yếu tố chính của hai ngôn ngữ lập trình này giúp chúng khác biệt với nhau:

• IDE và Notebooks
• Cú pháp
• Gói (packages)
• Tài nguyên và hỗ trợ

IDE và Notebooks

Môi trường Phát triển Tương tác (IDE) là ứng dụng để viết, kiểm thử và gỡ lỗi mã, thường trong một giao diện đồ họa duy nhất. IDE cung cấp nhiều tính năng giúp bạn phát triển ứng dụng và giải pháp nhanh hơn.

IDE phổ biến nhất là Visual Studio Code, hay VSCode. Bạn có thể thêm các tiện ích mở rộng do cộng đồng xây dựng để hỗ trợ gần như mọi ngôn ngữ, bao gồm Julia và R. Tuy nhiên, VSCode là IDE được người dùng Julia ưa chuộng nhất với tiện ích Julia cho VSCode.

R-Studio là một IDE đã trở nên gần như đồng nghĩa với ngôn ngữ R. Rất khó để bạn tìm một lập trình viên R không dùng, hoặc ít nhất chưa từng thử dùng, R-Studio làm IDE. R-Studio cũng hỗ trợ các ngôn ngữ khác như Julia và Python. Xem hướng dẫn R-Studio đầy đủ của chúng tôi để biết thêm. 

Về notebooks, bạn có thể dùng Jupyter Notebooks cho cả Julia và R. Tên Jupyter thực ra viết tắt của Julia, Python và R. Bạn có thể xem cheat sheet Jupyter để tìm hiểu thêm về ứng dụng notebook. 

Dù Jupyter đã trở nên phổ biến trong khoa học dữ liệu, nó có vài hạn chế, đặc biệt về kiểm soát phiên bản và tính phản ứng. Ở đây, R và Julia có thể dùng phần mềm notebook chuyên biệt để khắc phục các hạn chế này.

IDE R-Studio cung cấp định dạng tệp R Markdown, cho phép bạn viết mã trong notebooks. Julia thì có phần mềm notebook chuyên biệt dưới dạng gói mang tên Pluto. Pluto notebooks có tính phản ứng và tương tác, đảm bảo các ô mã luôn cập nhật và cho phép thêm các thành phần tương tác như thanh trượt và ô nhập liệu.

Cú pháp

Julia và R có cú pháp tương đồng vì cả hai đều là ngôn ngữ thông dịch, kiểu động, với các cấu trúc điều khiển giống nhau như vòng lặp và điều kiện. Bạn có thể dùng các cheat sheet này để tra cứu cú pháp nhanh và dễ:

• Cheat sheet cơ bản về Julia
• Cheat sheet cơ bản về R

Tuy nhiên, có hai khía cạnh chính về cú pháp bạn cần cân nhắc khi so sánh R và Julia:

• Single vs multiple dispatch
• Vector hóa

R dùng cách tiếp cận lập trình hướng đối tượng thông qua hai hệ thống S3 và S4. Triển khai ban đầu của R dùng single dispatch trong hệ S3 để xác định phương thức phù hợp nhất dựa trên lớp của đối số đầu tiên truyền vào hàm. Tuy nhiên, hệ S4 mới dùng multiple dispatch, nơi các kiểu được so khớp khi chọn phương thức phù hợp nhất để gọi.

Multiple dispatch được tích hợp vào thiết kế của Julia, và cách triển khai rất trực quan, cực kỳ nhanh.

Ngoài ra, không cần viết mã đã được vector hóa trong Julia vì vốn dĩ nó đã rất nhanh. Ngược lại, vector hóa là yêu cầu trong R để cải thiện tốc độ và hiệu năng.

Gói (packages)

Hiện có gần 19.000 gói trên kho CRAN lưu trữ tất cả gói R sẵn có. Đó là con số rất ấn tượng! Vì R đã tồn tại vài thập kỷ, người dùng và chuyên gia R đã có nhiều thời gian để xây dựng và đóng góp gói. Điều này khiến R trở thành ngôn ngữ vô cùng đa dụng, có khả năng cung cấp giải pháp cho nhiều vấn đề.

Mặt khác, có hơn 7.400 gói được đăng ký trên registry chung của Julia. Vì Julia là ngôn ngữ tương đối trẻ, nó cần thêm thời gian để bắt kịp một ngôn ngữ đã chín muồi như R.

Cả R và Julia đều cho phép bạn gọi hàm lẫn nhau và từ các ngôn ngữ khác như Python. Một ví dụ hay là gói học sâu nổi tiếng Keras của Python, có thể được gọi từ cả R và Julia. Tuy nhiên, nhược điểm là bạn sẽ mất đi một số lợi ích của ngôn ngữ mà bạn đang gọi. Chẳng hạn, nếu gọi một gói Python từ trong Julia, bạn sẽ không tận dụng được tốc độ vượt trội và multiple dispatch của Julia.

Ngoài ra, cả R và Julia đều xử lý quản lý gói rất tốt. R có các thư viện chuyên dụng cho quản lý gói và phụ thuộc - Packrat và renv. Cả hai cho phép bạn tạo môi trường dự án tách biệt và theo dõi phụ thuộc gói.

Julia có trình quản lý gói tích hợp tên là Pkg, xử lý cài đặt, cập nhật và gỡ bỏ gói. Pkg cho phép quản lý gói trong môi trường cục bộ bạn đang làm việc. Mọi thứ được lưu trong tệp manifest cục bộ và có thể đưa vào kiểm soát phiên bản. Tuy nhiên, điểm thực sự tuyệt vời của quản lý gói với Pkg trong Julia là môi trường có thể xếp chồng (stackable). Nghĩa là bạn có thể dùng các gói và phụ thuộc từ một môi trường khác trong chính môi trường hiện tại.

Tài nguyên và hỗ trợ

Do mức độ phổ biến và được chấp nhận rộng rãi, R có nhiều tài nguyên và hỗ trợ cộng đồng hơn hẳn so với Julia. Ví dụ, so sánh số câu hỏi đang hoạt động (tại thời điểm viết) trên Stack Overflow giữa Julia và R — khoảng 470.000 cho R và chỉ khoảng 11.000 cho Julia. Điều này cho thấy sự khác biệt lớn về số lượng người dùng của mỗi ngôn ngữ.

Tuy nhiên, hiện đã có nhiều tài nguyên về Julia, và liên tục tăng khi ngôn ngữ này phát triển về số người dùng và mức độ phổ biến. Cộng đồng Julia cũng rất năng động và chào đón người mới. Điều này thể hiện ở tỷ lệ câu hỏi chưa có lời giải trên Stack Overflow giữa Julia và R — khoảng 26% với R và chỉ 15% với Julia.

Bảng so sánh R và Julia

Chúng tôi đã tổng hợp thông tin về hai ngôn ngữ trong một bảng để giúp bạn hiểu các điểm tương đồng và khác biệt then chốt: 

Bảng này cung cấp cái nhìn khái quát về những khác biệt chính giữa Julia và R. Lưu ý rằng đây không phải là danh sách đầy đủ mọi khác biệt giữa hai ngôn ngữ, và có thể còn những yếu tố khác cần cân nhắc khi chọn Julia hay R cho một dự án cụ thể.

Thị trường việc làm cho Julia và R

R được áp dụng rộng rãi trong học thuật và kinh doanh hơn nhiều so với Julia, nên sẽ dễ tìm việc hơn nếu bạn chứng minh được khả năng sử dụng ngôn ngữ R.

Dù ít doanh nghiệp dùng Julia trong các dự án khoa học dữ liệu và phân tích hơn, ngôn ngữ Julia đang bắt đầu tăng độ phổ biến. Chúng tôi có một bài viết khám phá các ứng dụng của Julia. Hãy xem nếu bạn muốn biết Julia đang được dùng cho những gì ngày nay. Doanh nghiệp đang dần nhận ra lợi ích to lớn của việc dùng Julia để phát triển giải pháp cho các bài toán kinh doanh. Điều này đặc biệt rõ ở tiềm năng tiết kiệm chi phí khi chạy mã Julia trong môi trường sản xuất nhờ tốc độ và hiệu năng ấn tượng của Julia.

Để hình dung triển vọng việc làm cho từng kỹ năng, chúng tôi so sánh số lượng vị trí tuyển dụng (theo LinkedIn) tại Mỹ yêu cầu R và Julia như kỹ năng. Hiện có hơn 150.000 vị trí cho R và chỉ 1.190 vị trí cho Julia.

Kết luận

Khoa học dữ liệu và phân tích là những lĩnh vực luôn phát triển, nơi bạn phải dùng và xây dựng giải pháp với hơn một công cụ hay ngôn ngữ lập trình. Vì vậy, khi mới bắt đầu sự nghiệp dữ liệu, bạn sẽ cần chọn một ngôn ngữ để học trước — có thể là R, Julia, Python, MATLAB, SAS hoặc thậm chí C.

Tuy nhiên, điều quan trọng nhất là chọn một ngôn ngữ và bắt đầu. Rồi bạn sẽ cần mở rộng bộ kỹ năng, và rất nên học ngôn ngữ thứ hai. Bạn cũng có thể tích lũy kỹ năng ở nhiều công cụ khác — như các công cụ trực quan hóa dữ liệu như Power BI và Tableau. Bạn cũng có thể học trực quan hóa dữ liệu với R theo lộ trình của DataCamp.

Dựa trên mức độ phổ biến của R và số lượng vị trí tuyển dụng trong kinh doanh hiện nay, R sẽ là lựa chọn đầu tiên tuyệt vời cho người mới trong khoa học dữ liệu và các lĩnh vực liên quan. Tuy nhiên, nếu bạn đã làm việc trong vai trò liên quan đến dữ liệu vài năm, bạn có thể thu được giá trị lớn khi mở rộng sang học Julia, vì nó có thể mang lại lợi ích đáng kể cho nhà tuyển dụng hiện tại hoặc tương lai của bạn.