Các gói Python hàng đầu dành cho người dùng R — Trở thành nhà khoa học dữ liệu song ngữ

Cuộc chiến ngôn ngữ "R vs. Python" đã có lịch sử dài. Là những ngôn ngữ lập trình mặc định cho khoa học dữ liệu, chúng thu hút những người ủng hộ khác nhau từ nhiều lĩnh vực. Hệ quả là các nhà thực hành không tận dụng tối đa những gì cả hai ngôn ngữ mang lại và tự giới hạn mình ở việc thành thạo chỉ một công cụ. Tuy nhiên, học cách sử dụng cả R và Python như một nhà khoa học dữ liệu song ngữ có thể giúp bạn giải quyết tốt hơn mọi vấn đề có thể gặp trong sự nghiệp.

Khi Python ngày càng phổ biến, ngày càng nhiều người dùng R chuyển sang Python. Vì vậy, nếu bạn là người dùng R, hãy xem bài viết này như một tổng quan về các thư viện Python mà bạn có thể tích hợp vào quy trình làm việc hàng ngày. Một số thư viện có cú pháp giống R để chuyển đổi mượt mà, trong khi những thư viện khác mang lại nhiều chức năng và tốc độ hơn. 

Các gói Python hàng đầu dành cho người dùng R

Thư viện thao tác dữ liệu

R có một hệ sinh thái phong phú các thư viện thao tác dữ liệu. Dù là dplyr, tidyr, hay data.table, người dùng R có rất nhiều công cụ trong tầm tay. Tuy nhiên, họ có thể cân nhắc chuyển sang một số lựa chọn thay thế trong Python để có thêm tính linh hoạt, tốc độ và tính năng.

Pandas

Đứng đầu trong các gói thao tác dữ liệu của Python là thư viện pandas. Đây là gói thao tác dữ liệu hàng đầu trong hệ sinh thái khoa học dữ liệu Python và được hàng triệu người trên thế giới sử dụng. Hiện thư viện có hơn 20 triệu lượt tải mỗi tuần, biến nó thành một trong những gói Python phổ biến nhất.

pandas download stats từ trang PyPI Stats.

Thư viện cung cấp bộ hàm và lớp làm việc với dữ liệu cực kỳ phong phú, đến mức ngay cả sau nhiều năm kinh nghiệm, bạn vẫn có thể học được những kỹ thuật mới với pandas. pandas cũng là một thư viện nền tảng trong hệ sinh thái, vì nhiều thư viện Python khác được nhắc tới trong bài này được viết sao cho chức năng của chúng tương thích với các lớp của pandas.

Mặc dù phong phú như vậy, thư viện lại dễ học và làm chủ. Chỉ cần biết một vài lớp và hàm, bạn đã có thể thực hiện các phân tích phức tạp trên bất kỳ tập dữ liệu nào.

Gói datatable của Python

Nếu cú pháp của pandas quá xa lạ với người dùng R, họ có thể sẽ thấy quen thuộc khi dùng gói datatable cho Python. Nó lấy cảm hứng từ đối tác trên R và được viết riêng để xử lý các tập dữ liệu khổng lồ ngày nay, có thể đọc và thao tác các tệp kích thước gigabyte chỉ trong vài giây.

Một trường hợp sử dụng thường gặp là đọc một tập dữ liệu lớn bằng datatable rồi chuyển đổi sang định dạng DataFrame của pandas, thao tác này nhanh hơn nhiều so với đọc hoàn toàn bằng pandas. Nhưng với người dùng R, bạn thậm chí không cần làm vậy vì datatable có cú pháp gần như giống hệt gói data.table của R.

RapidsAI & cuDF

Người dùng R muốn chuyển sang Python cũng có thể hưởng lợi từ hiệu năng cải thiện nhờ hỗ trợ GPU rộng rãi cho các thư viện Python. RapidsAI mang đến cơ hội đó thông qua thư viện cuDF. cuDF là một thư viện dataframe cho phép bạn thao tác các tập dữ liệu với hàng tỷ dòng bằng cách khai thác sức mạnh tính toán của GPU NVIDIA. Một lợi thế khác của cuDF là có cú pháp tương tự pandas.

Thư viện trực quan hóa dữ liệu

ggplot2 của R đặt ra tiêu chuẩn cho các gói trực quan hóa dữ liệu và là một trong những thư viện được sử dụng rộng rãi nhất trong khoa học dữ liệu. Tuy nhiên — đối với bất kỳ người dùng R nào muốn chuyển sang Python để trực quan hóa dữ liệu — có rất nhiều lựa chọn thay thế đáng giá.

Matplotlib

Matplotlib là một trong những thư viện đầu tiên người ta được giới thiệu khi bắt đầu học khoa học dữ liệu bằng Python. Đây là một trong số ít thư viện cân bằng hoàn hảo giữa độ phức tạp và tính linh hoạt. Nói cách khác, người mới dễ dàng học để tạo các biểu đồ đẹp, đồng thời vẫn có đầy đủ công cụ để người dùng giàu kinh nghiệm tạo ra những biểu đồ tùy biến vô cùng ấn tượng.

Matplotlib download stats từ trang PyPI Stats.

Seaborn

Điểm hạn chế của Matplotlib là các biểu đồ cần rất nhiều tùy chỉnh. Tuy nhiên, để có các biểu đồ dễ định kiểu, bạn có thể thử Seaborn. Đây là một API bọc quanh Matplotlib, giúp người mới tạo các biểu đồ thẩm mỹ cao dễ dàng hơn nhiều. Seaborn cũng giới thiệu các loại biểu đồ mới và công cụ chia nhỏ biểu đồ không có sẵn ngay trong Matplotlib.

Plotly & Dash

Python cũng cho phép bạn tạo các trực quan hóa dữ liệu tương tác bằng nhiều thư viện chuyên dụng. Nổi bật nhất là Plotly, vốn cũng có nền tảng sâu trong R. Thư viện này rất tuyệt để tạo biểu đồ tương tác chất lượng cao và cung cấp các giao diện để tùy chỉnh, tạo các biểu đồ phức tạp. 

Hơn nữa, khung Dash của Python được xây dựng trên Plotly và cho phép bạn dễ dàng tạo ứng dụng web đẹp mắt để lưu trữ bảng điều khiển. Một thư viện Python khác giúp bạn dễ dàng tạo biểu đồ tương tác là Bokeh, thư viện này cũng cho phép bạn triển khai trực quan hóa dưới dạng ứng dụng web một cách dễ dàng. 

Plotnine

Đối với bất kỳ ai tìm kiếm một lựa chọn thay thế ggplot2 tự nhiên trong Python, gói plotnine cung cấp một hiện thực hóa của ngữ pháp đồ họa trong Python. Nó có cú pháp và thẩm mỹ cực kỳ giống với gói ggplot2 và mang lại trải nghiệm liền mạch cho người dùng R muốn bắt đầu trực quan hóa dữ liệu trong Python ngay lập tức. 

Thư viện toán và thống kê

Python thuần không đi kèm một loạt các hàm thống kê như R. Tuy nhiên, các thư viện của nó hoàn toàn bù đắp cho thiếu sót này.

NumPy

Đầu tiên là NumPy hùng mạnh, gánh trên vai nhiều gói Python thiết yếu khác. Đây là một thư viện thao tác mảng xuất sắc với bộ hàm toán học vector hóa phong phú. Tốc độ xử lý ma trận của nó có lẽ chỉ bị sánh ngang bởi Julia, một trong những ngôn ngữ nhanh nhất trong lịch sử lập trình.

Mảng n-chiều của NumPy là xương sống của các thư viện tính toán quan trọng khác như TensorFlow hay PyTorch. Vì lý do này, số lượt tải NumPy cao hơn nhiều so với tổng của pandas và Matplotlib.

Numpy download stats từ trang PyPI Stats.

SciPy

Nếu bạn không tìm thấy một hàm trong NumPy, SciPy là câu trả lời. Thư viện có các phân mô-đun riêng cho nhiều ứng dụng tính toán trong toán học, vật lý và thống kê.

Phân mô-đun hàm đặc biệt của nó chứa các hàm vật lý toán học thiết yếu được tối ưu tốc độ dành cho nhà nghiên cứu. Bạn có thể giải bài toán tối ưu hóa bằng mô-đun optimization, trong khi các mô-đun integrate và fft xử lý phép tính vi tích phân và biến đổi Fourier. Mô-đun linalg của nó chứa mọi thứ trong mô-đun linalg của NumPy cùng với các hàm đại số tuyến tính nâng cao và đặc thù hơn. Mô-đun này nhận được hỗ trợ xuất sắc từ BLAS/LAPACK (các thư viện phần mềm nền tảng tiêu chuẩn cho đại số tuyến tính), giúp nó còn nhanh hơn NumPy.

Nó cũng cho phép bạn xử lý ảnh đa chiều một cách hiệu quả. Trong khi NumPy rất tốt cho ảnh 2-D/3-D, thư viện không dễ dàng xử lý các ảnh bậc cao hơn trong các lĩnh vực như y học và sinh học. Đây là lúc bạn có thể dùng mô-đun ndimage của SciPy.

Statsmodels

Trong khi các gói trên xoay quanh toán học nhiều hơn thống kê, Python cũng cung cấp thư viện statsmodels. Đây là một thư viện lớn với các hàm và lớp cho phép bạn ước lượng nhiều mô hình thống kê, thực hiện kiểm định giả thuyết và khám phá dữ liệu.

Thư viện có các hàm đầy đủ cho phân tích hồi quy và API trưởng thành cho các mô hình tuyến tính tổng quát. Phân mô-đun Phân tích chuỗi thời gian của nó đặc biệt hữu ích, vì chứa các hàm chuyên biệt để thực hiện và trực quan hóa chuỗi thời gian.

Các phân mô-đun khác có thể được dùng cho phân tích sống sót và thời lượng, các phương pháp phi tham số và thống kê đa biến. Và làm hài lòng người dùng R, hầu hết các phân mô-đun được nhắc tới dùng cú pháp giống R cả trong cách viết hàm lẫn cách in kết quả. Đối với phân tích thống kê thuần túy, statsmodels là sự kết hợp hoàn hảo của NumPy, SciPy và Matplotlib.

Thư viện máy học

Đây là lĩnh vực nơi người dùng R có thể thấy giá trị lớn nhất khi học Python. Các thư viện máy học của Python toàn diện hơn nhiều so với R và cung cấp nhiều thuật toán, công cụ cho tiền xử lý dữ liệu, kỹ thuật đặc trưng, tinh chỉnh siêu tham số, mô hình hóa và hơn thế nữa. 

Scikit-learn

Khung đầu tiên là scikit-learn. Đây là khung máy học phổ biến nhất trong Python và được đa số các nhà thực hành máy học sử dụng hiện nay. 

Từ Khảo sát Tình hình Khoa học Dữ liệu và Máy học 2021 của Kaggle

Scikit-learn có tuyển tập lớn các thuật toán học có giám sát cho hồi quy, phân loại nhị phân và đa lớp. Thư viện có các phân mô-đun dành riêng cho tiền xử lý dữ liệu, pipeline, giảm chiều dữ liệu, kỹ thuật đặc trưng, chọn đặc trưng, bù khuyết dữ liệu thiếu và phân cụm.

Dù có số lượng lớp và chức năng đồ sộ, API của thư viện vẫn rất trực quan và đơn giản. Scikit-learn thực hiện xuất sắc 20 nguyên lý thiết kế mã Python trong Zen of Python. 

XGBoost

Nếu scikit-learn có điểm trừ, đó là thiếu hỗ trợ GPU. Tất cả thuật toán của thư viện chạy trên CPU, nên dĩ nhiên mọi người sẽ tìm đến các khung khác khi cần tốc độ tính toán cao hơn với các thư viện hỗ trợ GPU. Một thư viện như vậy mà người dùng R đã quen thuộc là XGBoost. 

Với Cây Tăng cường Gradient tận dụng GPU hiện đại ở cốt lõi, thư viện có thể giải quyết các tác vụ học có giám sát nhanh hơn nhiều so với các khung máy học khác, đồng thời duy trì mức hiệu năng cao. Hình trên cho thấy thư viện khá phổ biến trong cộng đồng Python và thống trị các cuộc thi bảng dữ liệu trên Kaggle. 

LightGBM & Catboost

Hai thư viện tương tự là LightGBM và CatBoost. Trong khi LightGBM yêu cầu ít tài nguyên bộ nhớ hơn đáng kể so với XGBoost, CatBoost mang lại lợi thế về tốc độ và độ chính xác. Cả ba thư viện tăng cường gradient đều có thể hiện thực API của Scikit-learn, giúp chúng rất dễ sử dụng.

Vượt lên trên cuộc chiến ngôn ngữ: R và Python cho nhà khoa học dữ liệu hiện đại

Mặc dù R và Python có những lợi thế khác nhau, việc đóng khung chúng như một “cuộc chiến ngôn ngữ” là phản tác dụng đối với các nhà khoa học dữ liệu. Trong lần xuất hiện gần đây trên podcast DataFramed, các tác giả của "Python and R for the Modern Data Scientist" Rick Scavetta và Boyan Angelov đã nói về lợi thế của việc trở thành nhà khoa học dữ liệu song ngữ và cách các đội ngũ dữ liệu hiện đại sẽ được hưởng lợi từ các nhà thực hành song ngữ.

Xuyên suốt podcast, họ thảo luận rằng một nhược điểm chính của cách đóng khung cuộc chiến ngôn ngữ là sự trỗi dậy của tư duy độc canh trong các cộng đồng R và Python. Một trong những phản biện tốt nhất đối với độc canh hay tư duy "chúng ta và họ" là phép ẩn dụ "cái búa và cái đinh" — nếu tất cả những gì bạn có là một cái búa, mọi thứ sẽ trông giống như cái đinh. 

Nói cách khác, cách tiếp cận đặt ngôn ngữ lên trước sẽ hạn chế sự sáng tạo và khả năng giải quyết vấn đề hiệu quả của bạn. Bằng cách tiếp cận dựa trên giải pháp trước, bạn bắt đầu nhìn vào lời giải cho vấn đề của mình theo khía cạnh khái niệm thay vì bám chặt vào những gì một ngôn ngữ đơn lẻ cung cấp một cách cứng nhắc.

Biết cả R và Python cho phép bạn sử dụng điều tốt nhất của cả hai thế giới một cách phù hợp trong những ngữ cảnh mà một bên vượt trội hơn bên kia. Ví dụ, các tác giả nêu cách R tỏa sáng trong trực quan hóa dữ liệu với ggplot2 và cách hệ sinh thái báo cáo của nó đã chín muồi nhờ R Markdown và Shiny, đồng thời nhấn mạnh Python vượt trội trong máy học, API và MLOps.

Các tác giả trình bày một nghiên cứu tình huống xuất sắc trong cuốn sách, cho thấy cách bạn có thể khiến hai ngôn ngữ giao tiếp với nhau. Sử dụng các công cụ như reticulate trong RStudio, bạn có thể gọi các script Python và chạy các gói Python ngay trong R, cho phép bạn tự do truyền đối tượng giữa hai ngôn ngữ.

Việc trở thành nhà khoa học dữ liệu song ngữ chưa bao giờ dễ dàng hơn nếu bạn là người dùng R. Để tìm hiểu thêm về việc học Python, bạn có thể xem bộ sưu tập tài nguyên phong phú của chúng tôi.