🐍 Почему Python — не лучший язык для data science. Часть 2

В продолжении цикла статей разбираемся уже не с привычками сообщества, а с ограничениями *самого языка* — и тем, почему они делают анализ данных в Python заметно тяжелее, чем в R.

Главная мысль проста: многие боли pandas и NumPy — не ошибки библиотек, а следствие того, как устроен Python изнутри.

🟣 Python тянет за собой call-by-reference: любая функция может незаметно мутировать ваш объект.
🟣 В языке нет единого представления пропусков — поэтому у NumPy одно, у pandas другое, у Polars третье, и все ведут себя по-своему.
🟣 Отсутствует встроенная векторизация, что рождает зоопарк несовместимых структур: списки, NumPy arrays, pandas Series, Polars Series — и бесконечные преобразования между ними.

И наконец — главный проигрыш Python: отсутствие нестандартной оценки выражений. То, что в R делается одной строкой, в Python превращается в лямбды, временные колонки и ручную сборку синтаксиса.

📚 Читайте и комментируйте на Хабр.

@python_for_devs