MV
Size: a a a
2020 August 03
MV
Да, и акцент жесток ))
RS
и как выбрать строки в которых есть вхождение нужной мне строки?
один из традиционных джулийных подходов - для заданного массива (колонки) вызвать функцию, возвращающую true/false, результатом чего является массив true/false с размерностью исходного. Собственно, безразлично к какому типу данных применяются эти функции. Для DataFrame будет массив, где true указывает на строки, которые надо взять.
RS
менее традиционные варианты - различные языки запросов над DataFrames
BM
наплодили операторов по типу .== или .>
RS
точку можно применить к любой функции
A
ИМХО про дата фреймы в джулии важно понимать что это не черный ящик как в питоне, а довольно простая обертка над массивом столбцов с относительно небольшим набором вспомогательных функций
VG
А они всегда колоночные, или там есть разные режимы?
A
Если за крайние 2 месяца ничего не поменялось, то да, колоночные. С другой стороны никто не мешает завести колонку как массив массивов, или масив кортежей - будет строковая база 🙂
AP
row-based table - это просто массив Vector{NamedTuple{...}}
AP
всё, что относится к экосистеме Tables.jl, с этим работает
V
Вот вопрос, начинающему дата саентисту уже можно рекомендовать Джулию для старта или все же допотопный R?
AM
Лучше, наверное, питон, если речь идёт о ml
A
Сложный вопрос. А какой бэкграунд у начинающего дата саентаста?
АО
Или скорее какого сорта задачи должен решать начинающий дата саентист?
АО
Если нужно помассировать данные и запихнуть их в какую-нибудь готовую сетку, то питона более чем достаточно.
Если нужно покрутить разной сложности алгоритмы над каким-то датасетом и при этом есть желание понимать как они работают и потребность их затюнить, то джулия вполне подойдёт.
Если нужно покрутить разной сложности алгоритмы над каким-то датасетом и при этом есть желание понимать как они работают и потребность их затюнить, то джулия вполне подойдёт.
A
Мне, например, после нескольких лет промышленной разработки на c++ понадобилось разобраться в датасайнс и я понял что у меня на питон аллергия 🙂
V
Ну вот, к примеру, биологические исследования всякие, в основном там DataManagement, статистика, визуализация, реже нелинейное моделирование. ML не много или нет.