Насколько необходимо знать Python в Data Science?
Сейчас активно изучаю python после с++ и назрел вопрос. Мне очень нравится писать код и продумывать логику и так же нравится математическое направление, поэтому думал пойти в DS и начал копать в этом направлении. Но пока по ощущениям и мои каким-то опытам, для DS (на самых ранних стадиях) знание ЯП сводится к какой-то базе. Понятно, что при дальнейшем развитии потребность в использовании языка возрастет.
Поэтому появился вопрос. Насколько необходимо знать python в ds и на сколько он там используется (или другой ЯП)? Например, в сравнении в какой-нибудь web-разработкой на нем же. Просто недавно занимался одним проектом, и все свелось к простому использованию библиотеки без какого-то написания личного кода.
Ответы (3 шт):
Питон обычный язык программирования для которого нужен очень низкий вход. Порою достаточно знать просто синтаксис. Именно из-за свой не требовательности к знаниям обширного API питон пихают везде и всюду. Конкретно для DS питон не несет каких-либо дополнительных преимуществ также как и не недостатков. Все как со всеми языками программирования. Но если Вы ушли СРР, зачем(?) значит СРР Вас не устроил. Хотя этот язык имеет больше возможностей создания приложений для DS.
Python облегчает работу программисту, за счет использование множества библиотек, написанными за вас на C и Python (и кучей пряностей в виде динамической типизации, динамическим управлением памятью и т.д. и т.п.) если вам нравятся скобки, вручную объявлять типы переменных и потратить хз сколько времени на обучение программированию на C++ (в общем вы любитель хардкора), можете писать всё сами на C++ в DS (в большинстве случаев, это будут велосипеды), никто вас от этого не удержит.
Проще говоря, в случае анализа данных Python хорош набором качественных библиотек конкретно для работы с данными (Pandas и всё в таком же духе, гугл в помощь), и для любителей математики могу порекомендовать ознакомиться с чисто функциональными ЯП (Haskell, Lisp).
Как можно видеть из диаграммы, программирование или Computer Science - это лишь небольшая часть Data Science, при этом все нужные библиотеки и для статистики и для Machine Learning в основном давно уже написаны, только собирай из них код, как из кубиков, для чего достаточно и начальных знаний питона.
Поэтому продвинутое программирование в DS нужно только где-то на "переднем крае" - когда работаешь в компании, которая изобретает новые ML модели и их нужно программировать, причём нужно сделать, чтобы они работали достаточно быстро и эффективно. Или в компании, где очень много данных, стандартные модели с такими объёмами не справляются и нужно что-то придумывать своё.
В остальных случаях в DS именно программирование не нужно настолько, чтобы нужно было в него очень глубоко закапываться. Скорее там придётся больше изучать статистику и предметную область.