3 minutes pour apprendre R et Python

Vous avez probablement besoin d’un outil qui vous permettra de devenir un praticien de la science des données. Depuis quelques années, une « guerre » entre les passionnés de R et les fanatiques de Python a émergé et vous trouverez facilement des comparaisons listant les avantages et faiblesses des deux langages. Plutôt que les opposer, on peut en déduire facilement que chaque langage a des caractéristiques propres et que les deux langages vous seront utiles pour conduire des projets en science des données.

Ne choisissez pas entre R et Python, apprenez les deux !

R et Python ont de fortes communautés en ligne, par exemple R-bloggers ou python.org. En regardant ces sites, vous pouvez avoir la fausse impression que les communautés R et Python sont complètement disjointes. Dans le monde professionnel de la science des données, les utilisateurs Python et R se croisent beaucoup. Donc, quelle que soit l’industrie ou la discipline qui vous intéresse, vous risquez de rencontrer des projets réalisés dans les deux langages. Certaines entreprises ou départements au sein d’une entreprise préfèrent Python, tandis que d’autres préfèrent travailler avec R. Vous devez donc avoir au moins une compréhension de base de R et de Python. De plus, en maîtrisant les deux, vous aurez l’avantage et la polyvalence de présenter et de communiquer efficacement auprès d’un public beaucoup plus large. Connaître à la fois R et Python vous permettra de postuler à plus d’offres d’emploi et d’augmenter vos exigences en terme de salaire.

Python et R sont des «langages de script», c’est-à-dire qu’ils permettent du code exécutable sans avoir à utiliser un compilateur (au contraire de Java ou du C par exemple). Ensuite, les bibliothèques permettent d’ajouter des fonctionnalités. Vous constaterez très vite que votre pratique des deux langages est très proches. Ceci provient du fait que les univers R et Python sont de plus en plus proches et ceci atténue ainsi le besoin de choisir entre les deux langages. Il est même possible d’appeler du code R depuis Python et réciproquement.

Les vidéos de ce cours vous permettront d’acquérir les bases dans les deux langages. Nous avons fait le choix de présenter les même notions dans les deux langages et de les illustrer avec les mêmes exemples. L’effort que vous fournirez pour apprendre un langage sera donc directement utilisable avec le deuxième langage. De même si vous connaissez déjà R ou Python vous pourrez facilement voir les différences d’approche et de syntaxe entre les deux langages. En plus des vidéos vous aurez l’accès au script pour pouvoir vous approprier le code. De même des exercices d’auto-évaluation vous permettront de vérifier régulièrement votre compréhension des notions présentées.

Nous espérons que ce cours vous sera utile et que votre apprentissage sera agréable. Nous vous souhaitons donc bon courage. En route !

Table des matières classée par sujet

1. Notions élémentaires
   • Présentation de l'interface
     • Présentation de l'interface Spyder
     • Présentation de l'interface R studio
   • Opérations arithmétiques
     • Opérations arithmétiques (Python)
     • Opérations arithmétiques (R)
   • Typage simple
     • Typage simple (Python)
     • Typage simple (R)
   • Fonctions, librairies, bibliothèques
     • Fonctions, librairies, bibliothèques (Python)
     • Fonctions, librairies, bibliothèques (R)
2. Structures de données
   • Listes
     • Listes (Python)
     • Listes (R)
   • Facteurs
     • Facteurs (Python)
     • Facteurs (R)
   • Matrice d'entiers
     • Matrice d'entiers (Python)
     • Matrice d'entiers (R)
   • Data Frame
     • Data Frame (Python)
     • Data Frame (R)
3. Manipulation de données
   • Importation de fichier
     • Importation de fichier (Python)
     • Importation de fichier (R)
   • Subsetting 1
     • Subsetting 1 (Python)
     • Subsetting 1 (R)
   • Subsetting 2
     • Subsetting 2 (Python)
     • Subsetting 2 (R)
   • Subsetting dégradé
     • Subsetting dégradé (Python)
     • Subsetting dégradé (R)
   • Nettoyage des données
     • Nettoyage des données (Python)
     • Nettoyage des données (R)
4. Visualisation graphique
   • ggplot
     • ggplot (Python)
     • ggplot (R)
   • plotly
     • plotly (Python)
     • plotly (R)
   • plot
     • plot (Python)
     • plot (R)
5. Présentation de résultats
   • Introduction notebook
     • Introduction notebook (Python)
     • Introduction notebook (R)
   • Mise en application avec jeu de données
     • Mise en application avec jeu de données (Python)
     • Mise en application avec jeu de données (R)
6. Pages web interactives
   • Shiny
     • Shiny (Python)
     • Shiny (R)