[obojetny_na_wszystko]

czy #java to odpowiedni język to zastosowań naukowych/data science/rysowania różnych rzeczy?

#programowanie

[venticco]

@obojetny_na_wszystko: jeśli pytasz "czy w javie da się robić takie programy?" - to tak, da się, jeśli pytasz "który język ma do tego dużo narzędzi i jest popularny w takich zasotoswaniach" - odpowiedź brzmi R i Python

[obojetny_na_wszystko]

@venticco tyle że Python jest powolny przy obliczeniach

[tell_me_more]

@obojetny_na_wszystko: może być, choć zależnie od konkretnych zastosowań python, fortran, C są bardziej popularne.

W pythonie i fortranie jest miliard bibliotek do różnych zastosowań naukowych. Fortran jest szybki sam z siebie, a w Pythonie kluczowe fragmenty można jak już działają przepisać w C, żeby było szybko.

http://docs.python-guide.org/en/latest/scenarios/scientific/

[z.....i]

zastosowań naukowych/data science

@obojetny_na_wszystko:

Język R, dedykowany pod takie sprawy.

https://pl.wikipedia.org/wiki/R_(j%C4%99zyk_programowania)

[M.....o]

@obojetny_na_wszystko: Julia.

[tell_me_more]

@obojetny_na_wszystko: https://softwareengineering.stackexchange.com/questions/138643/why-is-python-used-for-high-performance-scientific-computing-but-ruby-isnt

powolność pythona ma w gruncie rzeczy niewielkie znaczenie, bo używa się go jako "kleju", do parsowania danych, przekształcania ich odpowiednio, i wywoływania superzoptymalizowanych bibliotek napisanych w C lub fortranie. Obczaj scipy i numpy.

[askorek]

@obojetny_na_wszystko: > tyle że Python jest powolny przy obliczeniach
pytanie czy wolisz, żeby obliczenia trwały 2s krócej, czy może wolisz spędzić nad problemem połowę tego czasu co w Javie. No chyba że na prawdę masz do czynienia z dużą ilością danych, rzędu gigabajtów.

[venticco]

@askorek: @obojetny_na_wszystko: jak ktoś pisał wyżej, powolność pythona ma mały wpływ na narzędzia obliczeniowe dedykowane takim operacjom, bo są one często mocno oparte bindingach do c/c++ i tam odbywają się właściwe operacje (choćby scipy i numpy działają na takiej zasadzie, to pierwsze z czym warto się właśnie zapoznać, ja od siebie jeszcze polecam pandas), miałem okazję pracować z takimi gigabajtami danych, prawdziwy problem to potrzebna pamięć operacyjna przy większych zbiorach

[dog_meat]

@askorek: gigabajty to raczej nie jest duża ilość danych

[askorek]

@dog_meat jak wrzucasz gigabajty danych wejsciowych do wykresu albo algorytmu lm to raczej robisz to zle. Albo twoim wiekszym problemem nie bedzie ilosc danych ale zlozonosc obliczen.

[dog_meat]

@askorek: ja mówię o danych źródłowych dla wszystkich przekształceń i obliczeń

[askorek]

@dog_meat a ja mowie o danych po przetworzeniu, autor wątku pyta o szybkosc obliczeń, a czystych logów raczej sie nie liczy. Co za znaczenie ma ilosc danych wejsciowych jak po obróbce mozesz raz miec 10x mniej a kiedy indziej 1000x mniej, zaleznie co zbierasz?

[biwalencik]

@obojetny_na_wszystko: bzdura