Najlepsza odpowiedź
Dzisiaj podzielę się z wami szczegółowym porównaniem R i SPSS. Większość studentów statystyki wątpi w te dwa języki programowania. Ale ten blog pomoże Ci wyjaśnić wszystkie wątpliwości skuteczniej niż kiedykolwiek wcześniej.
Zacznijmy od małego porównania między R a SPSS. Rzućmy okiem na przegląd języka R. R to otwarty język programowania oparty na języku S.
R został opracowany na Uniwersytecie w Auckland przez Rossa Ihakę i Roberta Gentlemana. Jest to jeden z najlepszych języków programowania do analizy danych i wizualizacji danych.
Najlepszą częścią języka programowania R jest to, że R oferuje najlepsze edytory GUI niż jakikolwiek inny język. RGui i R studio są powszechnie używanymi edytorami GUI języka R.
Z drugiej strony SPSS oznacza „pakiet statystyczny dla nauk społecznych. Nie jest to język programowania podobnie jak R, ale jest jednym z najlepszych programów statystycznych. Został uruchomiony w 1968 roku. Później został przejęty przez IBM w 2009 roku.
Następnie oficjalnie nazywa się IBM SPSS. SPSS to najlepsze oprogramowanie do czyszczenia i analizy danych. Dane mogą pochodzić z dowolnego źródła, np. Z Google Analytics, CRM lub dowolnego innego oprogramowania bazodanowego.
Najlepsze w SPSS jest to, że może otwierać pliki w każdym formacie, który jest używany dla danych strukturalnych. Niektóre z najpopularniejszych typów to relacyjna baza danych, SAS, Stata, CSV i arkusz kalkulacyjny. Zacznijmy od dogłębnego porównania między R i SAS.
Poniżej znajdują się kluczowe różnice między R i SPSS
Definicja
Przedstawiłem już przegląd języka programowania R. Dowiedzmy się więcej o programowaniu w R. W 2000 roku University of Auckland oficjalnie uruchomił pierwszą wersję R. R, która koncentruje się głównie na modelowaniu statystycznym i była udostępniana na zasadach open source na licencji GNU. R jest językiem programowania typu open source.
Jest to również najbardziej preferowany język programowania statystyk dla startupów. Z drugiej strony, SPSS został opracowany na North Carolina State University. Głównym celem ulepszenia SPSS było umożliwienie statystykom analizowania dużych ilości danych dotyczących rolnictwa. Jak wspomniano wcześniej, SAS to skrót od Statistical Analysis System.
W latach 80. XX wieku zapotrzebowanie na tego rodzaju oprogramowanie rosło w szybkim tempie. Dlatego powstał SAS. W roku 1976.
SPSS był pierwszym w historii językiem programowania statystycznego dla komputerów PC. Pakiet statystyczny. Został opracowany wiele lat temu, zanim stał się komercyjnie dostępny dla użytkowników.
Został opracowany w 1968 roku na Uniwersytecie Stanforda. Po ośmiu latach powstała firma SPSS Inc., która uruchomiła oficjalną wersję SPSS. W 2009 roku został kupiony przez IBM
Aktualizacje
R to język programowania typu open source. Języki programowania open source zwykle mają dużą społeczność aktywnych członków. Dlatego R oferuje szybsze aktualizacje oprogramowania i stale dodaje nowe biblioteki, aby zapewnić użytkownikom lepszą funkcjonalność.
Z drugiej strony IBM SPSS nie jest językiem programowania typu open source. Jest to produkt komercyjny IBM. Możesz mieć bezpłatny okres próbny SPSS tylko przez jeden miesiąc. SPSS nie ma społeczności takiej jak R, a także nie oferuje szybkich aktualizacji.
Język
R jest napisane w starożytnym języku, tj. C i Fortran. Ale R oferuje również funkcje programowania obiektowego.
Z drugiej strony, SPSS jest napisany w języku Java. SPSS zapewnia najlepszy w swojej klasie graficzny interfejs użytkownika, napisany w języku Java. Statystycy używają R do analizy statystycznej i nie wchodzą w interakcje.
Analiza statystyczna Drzewa decyzyjne
Kiedy testujemy R W analizie statystycznej drzew decyzyjnych. Wtedy R nie oferuje wielu algorytmów. Poza tym większość pakietów języka R może implementować tylko drzewo klasyfikacji i regresji. A najgorszą częścią pakietów R jest to, że ich interfejs nie jest tak przyjazny dla użytkownika.
Z drugiej strony, gdy używamy drzew decyzyjnych w IBM SPSS. W takim razie uważamy, że jest o wiele lepszy niż R, ponieważ SPSS jest bardziej przyjazny dla użytkownika, zrozumiały i łatwy w użyciu.
Interfejs
R jest uważane za mniej interaktywne narzędzie analityczne niż SPSS. Ale ma wielu edytorów, które zapewniają obsługę GUI dla programowania w R. Jeśli chcesz nauczyć się i przećwiczyć analitykę, R znacznie lepiej jest nauczyć się kroków i poleceń analizy.
Z drugiej strony , interfejs SPSS z większym prawdopodobieństwem będzie lepszy od arkusza kalkulacyjnego. SPSS oferuje bardziej przyjazny dla użytkownika interfejs użytkownika oparty na graficznym interfejsie użytkownika. Jeśli znasz program Excel. Wtedy możesz go uznać za łatwiejszy w użyciu niż R.
Wizualizacje
R ma obszerny zestaw pakietów do R modyfikowania i optymalizacji wykresów. ggplot2 i R shiny to najczęściej używane pakiety w R. Jest dość łatwe do projektowania i tworzenia wykresów w języku R, co pozwala użytkownikom bawić się danymi.
Z drugiej strony, SPSS nie oferować interaktywne wykresy, takie jak R. W SPSS, można tworzyć tylko podstawowe i proste wykresy lub wykresy.
Zarządzanie danymi
Zarówno R, jak i SPSS oferują prawie takie samo zarządzanie danymi. Ale w przypadku R większość funkcji R ładuje dane do pamięci przed wykonaniem programu. To sprawia, że R jest stosunkowo wolniejszy niż inny język programowania. Ponieważ istnieje ograniczona ilość danych, które można obsłużyć.
Z drugiej strony SPSS zapewnia szybsze funkcje zarządzania danymi, tj. Sortowanie, agregację, transpozycję i scalanie tabeli.
Podejmowanie decyzji
R nie jest najlepszym językiem programowania do podejmowania decyzji. Powodem jest to, że R nie oferuje wielu algorytmów. A większość jego pakietów może implementować tylko CART (drzewo klasyfikacji i regresji).
A najgorsze jest to, że ich interfejs nie jest tak przyjazny dla użytkownika. Dlatego używanie pakietów R do podejmowania decyzji jest przytłaczające.
Z drugiej strony SPSS jest jednym z najlepszych języków programowania statystycznego dla drzew decyzyjnych. Powodem jest to, że SPSS oferuje najlepszy spośród najlepszych przyjaznych dla użytkownika i zrozumiałych interfejsów użytkownika.
Jest dość łatwy w użyciu dla użytkowników, a także pomocny w szybkim podejmowaniu decyzji.
Dokumentacja
R oferuje najlepszą dokumentację, ponieważ ma dużą społeczność, w której można znaleźć dobrze objaśnione pliki dokumentacji. Możesz również rozwiązać wszystkie swoje zapytania i problemy z pomocą najbardziej solidnych społeczności Open Source R.
Z drugiej strony, SPSS jest produktem komercyjnym; dlatego nie oferuje obszernej dokumentacji. Ale kupując SPSS od IBM, otrzymujesz wraz z zakupem dokumentację.
Koszt
R to język programowania typu open source. Oznacza to, że nie musisz nikomu płacić ani grosza, jeśli chcesz używać języka R. Możesz również współpracować w fazie rozwoju języka R, aby uczynić go lepszym dla siebie i innych użytkowników.
Oprócz innych programiści wykonują świetną robotę, dodając nowe biblioteki i aktualizacje w R bez pobierania jakichkolwiek opłat. Z drugiej strony SPSS nie jest produktem darmowym.
Aby z niego korzystać, musisz zapłacić pewne opłaty abonamentowe. Możesz także skorzystać z wersji próbnej SPSS przed zakupem wersji licencjonowanej.
Łatwy do nauczenia
To jest dość oczywiste, że programowanie open source jest łatwe do nauczenia i wdrożenia. W przypadku R, uczniowi jest również dość łatwo mieć lepszą znajomość tego języka.
Istnieje wiele źródeł dostępnych online do nauki R. Możesz również skorzystać z pomocy społeczności R aby wyjaśnić wszystkie wątpliwości podczas nauki R.
Z drugiej strony, SPSS jest również łatwy do nauczenia, ponieważ oferuje interfejs podobny do arkuszy kalkulacyjnych MS Excel. Ale jedyną wadą jest to, że nie jest on swobodnie dostępny dla użytkowników. Musisz kupić licencjonowaną wersję SPSS, aby nauczyć się go efektywniej.
Używane przez firmy
Następujące firmy używają r
- Microsoft
- Uber
- Airbnb
- IBM
- ANZ
- HP
- Ford
Firmy korzystające z SPSS
- eBay
- KPMG
- Cognizant Technology Solutions
- Capillary Technologies
- IBM
- Accenture
- Genpact i Symphony Marketing rozwiązania
- Infosys
- Wipro
- Capgemini
Wniosek R vs SPSS
Na koniec chciałbym powiedzieć, że zarówno R, jak i SPSS są niesamowitymi narzędziami analitycznymi, a także oferują doskonałe możliwości kariery. R to język programowania typu open source. Dzięki temu jest łatwy do nauczenia i wdrożenia.
Z drugiej strony SPSS jest produktem płatnym i należy go kupić do stałego użytku. Jeśli jesteś studentem statystyki i nie jesteś zbyt świadomy analizy danych, powinieneś wybrać SPSS.
Powodem jest to, że SPSS oferuje najlepszy interfejs użytkownika do łatwego wykonywania analiz statystycznych. Ale jeśli chcesz wykonać więcej pracy z wizualizacją danych, powinieneś wybrać R.
Ponieważ R ma szeroką gamę pakietów do wizualizacji danych. Ponadto R jest również najlepszą opcją do eksploracyjnej analizy danych (EDA). Na koniec chciałbym zasugerować, abyś wybrał SPSS, jeśli jesteś nowy w statystykach.
Z drugiej strony, jeśli masz wystarczająco dużo czasu, aby nauczyć się R, powinieneś wybrać R .Teraz możesz mieć pewność, że wybierasz między R a SPSS.
Jeśli jesteś studentem statystyki i chcesz uzyskać najlepsze pomoc w przypisaniu SPSS i pomoc w odrabianiu prac domowych SPSS , jesteśmy tutaj, aby Ci pomóc. Oferujemy również najlepszą pomoc w przypisywaniu programów R za symboliczną opłatą.
Odpowiedź
Ogromna większość ludzi którzy odpowiedzą na to pytanie, zrobią to z uprzedzeń, a nie faktów. (Z kolei błąd wynika z tego, z jakiego języka uczy się najpierw.) Jest to prawdą, niezależnie od tego, czy odpowiadają oni na R czy Python. Mam nadzieję, że jestem dość neutralny, napisałem książkę o języku R i 151-stronicowy samouczek o Pythonie. W tym miejscu jednak stanę w obronie R., ponieważ moim zdaniem nawet ci, którzy mówili miłe rzeczy o R, podawali błędne stwierdzenia. Dla tych, którzy sprzeciwiają się R z powodów „informatycznych”, chciałbym zauważyć, co następuje:
- R jest zorientowany obiektowo. Funkcje są obiektami pierwszej klasy i można je przypisywać, modyfikować itp. W rzeczywistości masz do wyboru trzy poziomy OOP.
- R to funkcjonalny język programowania tj. (prawie) brak efektów ubocznych.
- Przeciążanie operatorów jest znacznie łatwiejsze w R niż w Pythonie.
- Python ma czystszą składnię niż R, ale nie aż TAK czystszą. Naprawdę , pod względem składni są dość podobne, zasadniczo oba są językami z rodziny C.
- Równoległość w R została znacznie bardziej rozwinięta niż w Pythonie.
- Używanie Rcpp , połączenie R z C / C ++ jest znacznie łatwiejsze niż połączenie Pythona z C / C ++.
Z mojego doświadczenia wynika, że R jest łatwiejsze niż Python do „ingerowania w dane”, oswajania złych lub nieregularnych danych, tran przekształcanie danych, filtrowanie danych itp. Jeśli dodasz NumPy do definicji Pythona, zbliży to oba te elementy, ale jeśli następnie wprowadzisz pakiety R, takie jak plyr i data.table , rzeczy zdecydowanie przechylają się na korzyść R. Swoją drogą, data.table szybko się oślepia. Obecnie wykonuję wiele zadań — zadań nieliczbowych, np. przetwarzanie tekstu — w R, które robiłem w Pythonie. Nie twierdzę, że są łatwiejsze w R; wysiłek związany z kodowaniem jest mniej więcej taki sam, ale łatwiej jest mi nie zmieniać języków. Jak zauważyłem, dostępnych jest ponad 5000 pakietów dla R. Na przykład, gdy potrzebowałem szybkiej funkcji najbliższego sąsiada, poszedłem do repozytorium pakietów R, CRAN, i stwierdziłem, że nie tylko jest tam jeden, ale są dwa do wyboru od. Kiedy potrzebowałem kodu, aby znaleźć odległości od wierszy jednej macierzy do wierszy drugiej, znowu był on tam w CRAN. Naprawdę powinieneś po prostu programować w jakimkolwiek języku, który najbardziej Ci odpowiada. Ale nie odpisuj jednego tylko dlatego, że nauczyłeś się drugiego.