將Python和R整合進一個數(shù)據(jù)分析流程

在Python中調(diào)用R或在R中調(diào)用Python，為什么是“和”而不是“或”？

在互聯(lián)網(wǎng)中，關(guān)于“R Python”的文章，排名前十的搜索結(jié)果中只有2篇討論了一起使用R和Python的優(yōu)點，而不是把這兩種語言對立起來看。這是可以理解的：這兩種語言從一開始都具有非常顯著的優(yōu)缺點。從歷史上看，盡管把兩者分割開來是因為教育背景：統(tǒng)計學家們傾向用R，而程序員則選擇了Python語言。然而，隨著數(shù)據(jù)科學家的增加，這種區(qū)別開始變得模糊起來：

數(shù)據(jù)科學家就是這樣一種人：軟件工程師中最懂統(tǒng)計學，統(tǒng)計學家中最會編程的人。 - josh_wills在推特上這樣說到。

由于這兩種語言各自提供大量獨特的庫資源，對能夠利用這兩種語言的相對優(yōu)勢的數(shù)據(jù)科學家的需求正在不斷增長。

◆ ◆ ◆

Python與R的對比

在以下領(lǐng)域中，Python 比R 更有優(yōu)勢：

• 網(wǎng)絡(luò)爬蟲和數(shù)據(jù)抓取：雖然R中的rvest已經(jīng)簡化了網(wǎng)頁抓取， Python的beautifulsoup和Scrapy更加成熟，并提供更多的功能。

• 數(shù)據(jù)庫連接：雖然R有大量的用于連接到數(shù)據(jù)庫的選項， Python的sqlachemy只用了一個程序包就提供了所有的數(shù)據(jù)庫連接功能，并可廣泛用于生產(chǎn)環(huán)境。

而在以下領(lǐng)域中，R比Python更有優(yōu)勢：

• 統(tǒng)計分析選項：盡管Python的SciPy和 Pandas以及 statsmodels的組合提供了很大的一套統(tǒng)計分析工具，而R是專門圍繞著統(tǒng)計分析應(yīng)用等創(chuàng)建的，因此提供了更多的相關(guān)工具。

• 交互式圖像或控制板：bokeh， plotly和intuitics最近都把Python的圖形使用擴展到了Web瀏覽器，但是舉個使用shiny的例子，R中的shiny 控制面板運行速度更快，而且往往需要更少的代碼。

此外，由于數(shù)據(jù)科學團隊現(xiàn)在擁有一個比較廣泛的技能庫，任何應(yīng)用程序所選擇的編程語言都可能用到以前的知識和經(jīng)驗。對于一些應(yīng)用，特別是原型設(shè)計和開發(fā)應(yīng)用，人們使用他們已知的工具則速度會更快。

純文本 的“Air Gap（網(wǎng)閘）”策略

指在完全斷開網(wǎng)絡(luò)物理連接的基礎(chǔ)上，實現(xiàn)合法信息的共享。本文中指用純文本文件實現(xiàn)兩種語言間代碼的共享——譯者注。

使用純文本作為兩種語言之間的物理隔離，你需要按如下步驟進行。

1. 從命令行中重構(gòu)你的R和Python腳本，并接受命令行參數(shù)。

2. 輸出共享數(shù)據(jù)到公共文件格式。

3. 在一種語言中執(zhí)行另一種語言，按要求傳遞參數(shù)。

優(yōu)勢：

• 最簡單的方法，通常最快

• 可以輕松查看中間輸出結(jié)果

• 已有常見文件格式，如： CSV ， JSON ， YAML的解析器

劣勢：

• 需要事先商定一個共同的模式或文件格式

• 如果流程變長的話，難以管理中間輸出結(jié)果和路徑

• 如果數(shù)據(jù)量變大，本地磁盤讀寫將成為瓶頸

命令行腳本

通過Windows 或Linux終端環(huán)境命令行運行R和Python腳本類似。要運行的命令被分解成以下部分:

<command_to_run> <path_to_script> <any_additional_arguments>

其中

• <command> 是可執(zhí)行的命令 （R代碼中是 Rscript， Python代碼中是Python）

• <path_to_script>是執(zhí)行腳本所在的完整或相對文件路徑。需要注意的是，如果在路徑名中有空格，整個文件路徑必須用雙引號括起來。

• <any_additional_arguments>這是空格分隔的參數(shù)列表用來解析腳本本身。請注意，這些不能作為字符串傳遞。

例如，打開一個終端環(huán)境并運行R腳本，命令如下：

Rscript path/to/myscript.R arg1 arg2 arg3

請注意以下問題：

• 對于Rscript 和Python 命令必須在你所在的路徑中執(zhí)行，否則你需要提供文件的完整路徑。

• 含有空格符的路徑名會產(chǎn)生問題，尤其是在Window系統(tǒng)中，因此必須用雙引號括起來，這樣才被認為是一個單獨的文件路徑。

R語言中訪問命令行參數(shù)

上面的例子中，arg1，arg2 和 arg3是用來解析可執(zhí)行R腳本的參數(shù)，可以使用commandArgs函數(shù)訪問

##myscript.py

#獲取命令行參數(shù)

myArgs <- commandArgs(trailingOnly = TRUE)

#myArgs是所有參數(shù)的特征向量

print(myArgs) print(class(myArgs))

通過設(shè)置trailingOnly 為TRUE，myArgs向量中只包含添加到命令行的參數(shù)。如果默認設(shè)置為FALSE ，myArgs向量中還包含其它參數(shù)，比如剛被執(zhí)行的腳本路徑。

Python語言中訪問命令行參數(shù)

通過下面的命令行執(zhí)行Python腳本：

python path/to/myscript.py arg1 arg2 arg3

通過在Python腳本中導(dǎo)入sys模塊訪問arg1, arg2 和arg3參數(shù)。 sys模塊包含了系統(tǒng)具體的參數(shù)和函數(shù)，在這里，我們只對 argv的屬性感興趣。這個argv屬性是所有被傳遞到當前正在執(zhí)行腳本的參數(shù)列表。表中的第一個元素是正在被執(zhí)行的腳本的完整路徑。

# myscript.py

import sys

# 獲取命令行參數(shù)

my_args = sys.argv

# my_args 是一個列表，其中的第一個元素是執(zhí)行的腳本

print(type(my_args))

print(my_args)

如果你只希望保留傳遞到腳本的參數(shù)，你可以使用列表切片來選擇除了第一個元素以外的所有參數(shù)。

# 使用切片，選擇除第一個以外的所有元素

my_args = sys.argv[1:]

回顧一下上面的R語言例子，所有的參數(shù)需要以字符串的形式傳遞，因此有必要轉(zhuǎn)換為所期望的數(shù)據(jù)類型。

將輸出結(jié)果寫入文件

通過中間文件共享R和Python之間的數(shù)據(jù)有幾種選擇。通常，對于普通文本文件，CSVs是很好的表格數(shù)據(jù)格式，而處理可變長字段或許多嵌套數(shù)據(jù)結(jié)構(gòu)的非結(jié)構(gòu)化數(shù)據(jù)（或元數(shù)據(jù)）形式時，JSON 或YAML是最好的數(shù)據(jù)格式。

這些都是很常見的數(shù)據(jù)序列化格式，在R和Python中已存在相應(yīng)的語法解析器。

在R語言中推薦下面的程序包：

• 對于CSV文件，使用readr

• 對于JSON文件，使用jsonlite

• 對于YAML文件，使用yaml

Python中推薦：

• 對于CSV文件，使用csv

• 對于JSON文件，使用json

• 對于YAML文件，使用PyYAML

csv 和json模塊是Python標準的庫文件，是Python內(nèi)置模塊，而PyYAML需要額外安裝程序包。所有的R程序包均需要安裝。

◆ ◆ ◆

總結(jié)

R 和Python之間的數(shù)據(jù)傳遞可以通過單一傳遞途徑進行：

• 使用命令行傳遞參數(shù)

• 使用常見的結(jié)構(gòu)化文本文件傳遞數(shù)據(jù)

然而，在某些實例中，需要將文本文件作為中間文件存儲在本地，這不僅很麻煩而且還影響性能。接下來，我們將討論如何在R和Python中直接調(diào)用并在內(nèi)存中輸出。

命令行執(zhí)行和執(zhí)行子進程

為了更好地理解在執(zhí)行子進程的時候發(fā)生了什么，值得重新考慮當命令行運行一個Python 或 R進程中更多的細節(jié)。在運行下面的命令時，啟動了一個新的 Python 進程執(zhí)行該腳本。

在執(zhí)行過程中，任何被輸出到標準輸出和標準錯誤流的數(shù)據(jù)會返回到控制臺顯示。最常見的實現(xiàn)方式是通過Python中的一個內(nèi)置函數(shù)print()或是 R中的函數(shù) cat()和 print()，它們將給定字符串的寫入標準輸出流。一旦腳本執(zhí)行完畢，Python進程隨即關(guān)閉。

在這種方式下運行命令行腳本是有用的，但如果希望用這個方法執(zhí)行多個連續(xù)卻相互獨立腳本時，就變得繁瑣，并且容易出錯。然而，這可能讓一個Python或R進程直接去執(zhí)行另一個類似的命令。這樣有好處，即從一個Python父進程啟動一個R中的子進程去運行特定的腳本，進而完成分析。一旦R腳本運行完畢，R中子進程的輸出不是被傳到控制臺，而是返回到父進程中。使用這種方法除去了手動單獨執(zhí)行命令行的步驟。

實例

為了說明一個進程的執(zhí)行是由另一個進程引起的，我們將會用兩個簡單的例子：一個是Python調(diào)用R，另一個是R調(diào)用Python。我們?nèi)藶榻档土嗣總€案例中分析結(jié)果的重要性，以便把重點放在機器是如何的實現(xiàn)的過程上。

R腳本范例

我們簡單的R腳本例子要從命令行獲取一系列數(shù)字并返回最大值。

# max.R

# 獲取命令行參數(shù)

myArgs <- commandArgs(trailingOnly = TRUE)

# 轉(zhuǎn)換成數(shù)字類型

nums = as.numeric(myArgs)

# cat將把結(jié)果寫入標準輸出流

cat(max(nums))

在Python中執(zhí)行R腳本

我們需要利用子進程的模塊，也就是標準庫的一部分，來實現(xiàn)從Python中進行調(diào)用。我們將使用函數(shù)check_output 來調(diào)用 R 腳本，執(zhí)行命令并存儲標準輸出的結(jié)果。

想要在Python中調(diào)用R來執(zhí)行 max.R腳本，首先要建立要運行的命令。在Python中的形式以一個字符串列表表示，其相應(yīng)的元素如下所示:

['<command_to_run>', '<path_to_script>', 'arg1' , 'arg2', 'arg3', 'arg4']

下面代碼是運行在Python中調(diào)用R的一個例子：

# run_max.py

import subprocess

# 定義命令和參數(shù)

command = 'Rscript'

path2script = 'path/to your script/max.R'

# args變量的值是一個列表

args = ['11', '3', '9', '42']

#建立子進程命令

cmd = [command, path2script] + args

# check_output會執(zhí)行命令并存儲結(jié)果

x = subprocess.check_output(cmd, universal_newlines=True)

print('The maximum of the numbers is:', x)

參數(shù) universal_newlines=True 告訴 Python 把返回的輸出結(jié)果解釋為文本字符串，并處理 Windows 和 Linux 的換行字符。如果省略了這個，則輸出結(jié)果會被作為一個字節(jié)的字符串返回，同時在進行任何字符串進一步操作之前必須調(diào)用x.decode()來解碼成文本。

Python 腳本范例

在我們簡單的 Python 腳本中，我們將給定的字符串(第一個參數(shù))拆分為基于所提供的字符串模式的多個子字符串 (第二個參數(shù))。然后，結(jié)果以每行一個子字符串的形式輸出到控制臺。

# splitstr.py

import sys

# 獲取傳入的參數(shù)

string = sys.argv[1]

pattern = sys.argv[2]

#執(zhí)行分割

ans = string.split(pattern)

#把所產(chǎn)生的元素列表合成一個新命令行

# 分割字符串并打印

print('\n'.join(ans))

在R中調(diào)用Python

當用R執(zhí)行子進程時，建議使用 R 的system2函數(shù)來執(zhí)行并獲取輸出。這是因為內(nèi)置的系統(tǒng)函數(shù)跨平臺不兼容，非常難使用。

建立要執(zhí)行的命令是類似于上面的 Python 例子，然而system2 期望命令根據(jù)它的參數(shù)被分解開來。此外，這些參數(shù)首先必須總是正在執(zhí)行的腳本的路徑。

最后一個困難可能是R腳本路徑名稱中的空格處理引起的。解決這一問題最簡單的方法是為全路徑名稱加上雙引號，然后用單引號封裝此字符串，這樣，R保留參數(shù)本身的雙引號。

下面的代碼中，給出在R 中執(zhí)行 Python 腳本的實例。

# run_splitstr.R

command = "python"

#注意在字符串中的單引號和雙引號（如果路徑名中有空格，這是必須的）

path2script='"path/to your script/splitstr.py"'

# 設(shè)置args成向量

string = "3523462---12413415---4577678---7967956---5456439"

pattern = "---"

args = c(string, pattern)

# 把腳本路徑加入，成為第一個arg參數(shù)

allArgs = c(path2script, args)

output = system2(command, args=allArgs, stdout=TRUE)

print(paste("The Substrings are:\n", output))

為了獲取標準輸出中的特征向量（每個元素一行），stdout=TRUE 必須在system2中具體說明，不然返回的只是退出狀態(tài)。當stdout=TRUE時，退出狀態(tài)存儲在一個名為“狀態(tài)”的屬性中。

總結(jié)

通過子進程調(diào)用，可以將Python和R語言整合到一個應(yīng)用程序中。這允許一個父進程調(diào)用另一個進程作為子進程，并獲取任何輸出到標準輸出的結(jié)果。