Python for Devs
Ответ🐍 Почему Python — вообще не идеален для data science — и что с этим не так
Перевели любопытную статью: Клаус Вилке объясняет, почему Python, несмотря на статус языка №1 в data science, на самом деле делает многие базовые вещи... неудобными. И дело не в студентах, не в навыках и даже не в привычкахФотография
нажмите — покажем
нажмите — покажем
🐍 Почему Python — не лучший язык для data science. Часть 2
В продолжении цикла статей разбираемся уже не с привычками сообщества, а с ограничениями *самого языка* — и тем, почему они делают анализ данных в Python заметно тяжелее, чем в R.
Главная мысль проста: многие боли pandas и NumPy — не ошибки библиотек, а следствие того, как устроен Python изнутри.
🟣 Python тянет за собой call-by-reference: любая функция может незаметно мутировать ваш объект.
🟣 В языке нет единого представления пропусков — поэтому у NumPy одно, у pandas другое, у Polars третье, и все ведут себя по-своему.
🟣 Отсутствует встроенная векторизация, что рождает зоопарк несовместимых структур: списки, NumPy arrays, pandas Series, Polars Series — и бесконечные преобразования между ними.
И наконец — главный проигрыш Python: отсутствие нестандартной оценки выражений. То, что в R делается одной строкой, в Python превращается в лямбды, временные колонки и ручную сборку синтаксиса.
📚 Читайте и комментируйте на Хабр.
@python_for_devs
1 · 1K ·