数据科学如今已成为各行各业不可或缺的一部分。从银行、保险到医疗保健，每一秒都在产生海量数据。因此，我们必须能够利用这些庞大的数据，生成可操作的洞见并付诸行动。如今市面上有许多以编程语言形式呈现的工具。在众多语言中，Python 和 R 走在前列。
Python 和 R 在数据科学领域都被广泛使用。两种语言都拥有丰富的工具库，提供了非常适合数据科学场景的大量函数。Python 是一种用于多种应用的通用语言，而 R 则是用于统计计算和图形的编程语言与环境。
Python 与 R 生态系统概览
让我们来看看这两种语言的方方面面，以及它们各自的优缺点。
Python 编程语言
Python 是一种解释型、高级、通用的编程语言。它由 Guido Van Rossum 创建并于 1991 年发布。自发布以来，Python 在包括数据科学在内的多个领域都极受欢迎。如今，Python 是全球增长最快的编程语言之一。
其备受欢迎的原因包括：
- 面向对象语言
- 通用用途
- 拥有极强的社区支持
- 简单易学，易于理解
- 拥有高效的包，如 pandas、numpy 和 scikit-learn，使其成为机器学习的绝佳选择。
然而，在统计计算方面，Python 略显不足，缺少像 R 那样的专业化包。
R 编程语言
R 本质上是用于统计计算和图形的软件，由 R 基金会提供支持。它于 1993 年 8 月首次出现，并于 1995 年发布首个稳定版本，此后被统计学家和数据挖掘人员广泛用于统计计算。
使 R 脱颖而出的特性包括：
- 几乎涵盖各种统计应用的包。CRAN 目前托管着超过 1 万个包。
- 内置优秀的可视化库，如 ggplot2。
- 依托内置包即可进行独立分析。
但也有不足之处。在性能方面，R 并非最快的语言，在处理大型数据集时有时还会占用大量内存。
将 Python 与 R 一起使用
R 和 Python 各自都是出色的工具，但它们常被视为竞争对手。与其如此，我们不如发挥两种语言的优点，从而兼得二者之长。
当今数据科学社区中，很多人通常只使用单一语言。当然，也有人同时使用 Python 和 R，但比例较小。另一方面，不少人忠于某一种语言，却希望能用上对方的一些能力。比如，R 用户有时会渴望 Python 天生具备的面向对象能力，而部分 Python 用户则希望能使用 R 提供的完整统计分布体系。
下图展示了 Red Monk 于 2018 年第三季度进行的调查结果。该结果基于语言在 Stack Overflow 和 Github 上的受欢迎程度，清楚表明 R 与 Python 在数据科学活动中都名列前茅。因此，并没有什么内在原因会阻止我们在同一项目中同时使用它们。我们的终极目标应是做出更好的分析并获得更深入的洞见，编程语言的选择不应成为阻碍。
如何在单个项目中同时使用 Python 与 R？
在 R 或 Python 脚本中嵌入 SQL 时，我们从不犹豫。那么为何不以同样方式，把 R 的统计实力与 Python 的编程能力结合起来？答案是可以，而且已有库可以很好地处理这些衔接。
在一个项目中并行使用 Python 和 R，基本有两种途径。
在 Python 中调用 R
这意味着在 Python 脚本中调用 R 函数。为此目的创建的一些库包括：
PypeR 通过管道提供从 Python 访问 R 的简单方式。PypeR 也包含在 Python 的软件包索引中，安装更为方便。当不需要在 Python 与 R 之间频繁进行交互式数据传输时，PypeR 尤其有用。通过管道运行 R，使得 Python 程序在子进程控制、内存控制以及跨主流操作系统平台（包括 Windows、GNU Linux 和 Mac OS）的可移植性方面更具灵活性。
Python 对象转换为 R 对象的约定
pyRserve 是为此目的创建的另一个库。它使用 Rserve 作为 RPC 连接网关。通过这样的连接，可以在 Python 中向 R 设置变量，也可以远程调用 R 函数。在许多情况下，R 对象以 Python 实现的类实例形式公开，R 函数作为这些对象的绑定方法。
rpy2 库的使用频率高于前两者，原因在于 rpy2 正在积极快速地开发中。它在 Python 进程中嵌入 R，创建了一个框架，可将 Python 对象转换为 R 对象，将其传入 R 函数，并将 R 的输出转换回 Python 对象。
在 Python 中使用 R 的一个优势，是可以在 Python 中轻松调用 R 的强大包，如 ggplot2、tidyr、dplyr 等。例如，让我们看看如何在 Python 中轻松使用 ggplot2 进行制图。
rpy2 资源
若想深入了解 rpy2 的安装与使用，您可参考以下资源：
在 R 中调用 Python
也可以通过以下方案之一在 R 中运行 Python 脚本：
该包通过 Jython 实现与 Python 的接口，旨在让其他包能够在 R 中嵌入 Python 代码。
rPython 同样是一个允许 R 调用 Python 的包。它使您能够在 R 中运行 Python 代码、调用函数、赋值和获取变量等。
SnakeCharmR 是 rPython 的现代化重构版本。它从 “rPython” 分支而来，使用 “jsonlite”，并在诸多方面改进了 rPython。
PythonInR 通过提供在 R 内与 Python 交互的函数，使在 R 中访问 Python 变得非常容易。
reticulate 包为 Python 与 R 之间的互操作性提供了一整套工具。在上述方案中，此包使用最为广泛，尤其因为它由 Rstudio 积极维护开发。
Reticulate 将 Python 会话嵌入到 R 会话中，实现无缝、高性能的互操作性。该包使您能够将 Python 代码“交织”进 R，打造将两种语言编织在一起的新型项目。
reticulate 包提供以下功能：
- 以多种方式在 R 中调用 Python，包括 R Markdown、引入 Python 脚本、导入 Python 模块，以及在 R 会话中交互式使用 Python。
- 在 R 与 Python 对象之间进行转换（例如 R 与 Pandas 数据框，或 R 矩阵与 NumPy 数组之间）。
- 灵活绑定不同版本的 Python，包括虚拟环境和 Conda 环境。
Reticulate 资源
关于使用 reticulate 包的一些优质资源：
结语
R 与 Python 都是出色的工具，几乎足以从零完成数据科学任务。您甚至可能无需在同一项目中同时使用二者。不过，同时掌握二者很有帮助，尤其能为我们提供在不同环境下工作的选择。常言道，应当专注于技能本身，而非工具。因此，只要能更轻松地解决手头问题，我们就应当乐于学习新的工具与语言。
如果您想从任一语言入门，可学习 DataCamp 的 Introduction to Python 或 Introduction to R 课程。另请查看我们的 Python 初学者教程。
参考资料：
%22%3E%3Cpath%20d%3D%22m-369%200h408v79h-408z%22%20fill%3D%22%237933ff%22%2F%3E%3Cpath%20d%3D%22m-148%200h306v45h-306z%22%20fill%3D%22%23974dff%22%2F%3E%3C%2Fg%3E%3C%2Fsvg%3E)
%22%2F%3E%3C%2FclipPath%3E%3Cg%20clip-path%3D%22url(%23a)%22%3E%3Cpath%20d%3D%22m76%200h484v36h-484z%22%20fill%3D%22%23974dff%22%2F%3E%3Cpath%20d%3D%22m0%200h384v24h-384z%22%20fill%3D%22%2306bdfc%22%20transform%3D%22matrix(1%200%200%20-1%200%2060)%22%2F%3E%3C%2Fg%3E%3C%2Fsvg%3E)
数据科学如今已成为各行各业不可或缺的一部分。从银行、保险到医疗保健，每一秒都在产生海量数据。因此，我们必须能够利用这些庞大的数据，生成可操作的洞见并付诸行动。如今市面上有许多以编程语言形式呈现的工具。在众多语言中，Python 和 R 走在前列。
Python 和 R 在数据科学领域都被广泛使用。两种语言都拥有丰富的工具库，提供了非常适合数据科学场景的大量函数。Python 是一种用于多种应用的通用语言，而 R 则是用于统计计算和图形的编程语言与环境。
Python 与 R 生态系统概览
让我们来看看这两种语言的方方面面，以及它们各自的优缺点。
Python 编程语言
Python 是一种解释型、高级、通用的编程语言。它由 Guido Van Rossum 创建并于 1991 年发布。自发布以来，Python 在包括数据科学在内的多个领域都极受欢迎。如今，Python 是全球增长最快的编程语言之一。
其备受欢迎的原因包括：
然而，在统计计算方面，Python 略显不足，缺少像 R 那样的专业化包。
R 编程语言
R 本质上是用于统计计算和图形的软件，由 R 基金会提供支持。它于 1993 年 8 月首次出现，并于 1995 年发布首个稳定版本，此后被统计学家和数据挖掘人员广泛用于统计计算。
使 R 脱颖而出的特性包括：
但也有不足之处。在性能方面，R 并非最快的语言，在处理大型数据集时有时还会占用大量内存。
将 Python 与 R 一起使用
R 和 Python 各自都是出色的工具，但它们常被视为竞争对手。与其如此，我们不如发挥两种语言的优点，从而兼得二者之长。
当今数据科学社区中，很多人通常只使用单一语言。当然，也有人同时使用 Python 和 R，但比例较小。另一方面，不少人忠于某一种语言，却希望能用上对方的一些能力。比如，R 用户有时会渴望 Python 天生具备的面向对象能力，而部分 Python 用户则希望能使用 R 提供的完整统计分布体系。
下图展示了 Red Monk 于 2018 年第三季度进行的调查结果。该结果基于语言在 Stack Overflow 和 Github 上的受欢迎程度，清楚表明 R 与 Python 在数据科学活动中都名列前茅。因此，并没有什么内在原因会阻止我们在同一项目中同时使用它们。我们的终极目标应是做出更好的分析并获得更深入的洞见，编程语言的选择不应成为阻碍。
如何在单个项目中同时使用 Python 与 R？
在 R 或 Python 脚本中嵌入 SQL 时，我们从不犹豫。那么为何不以同样方式，把 R 的统计实力与 Python 的编程能力结合起来？答案是可以，而且已有库可以很好地处理这些衔接。
在一个项目中并行使用 Python 和 R，基本有两种途径。
在 Python 中调用 R
这意味着在 Python 脚本中调用 R 函数。为此目的创建的一些库包括：
1. PypeR
PypeR 通过管道提供从 Python 访问 R 的简单方式。PypeR 也包含在 Python 的软件包索引中，安装更为方便。当不需要在 Python 与 R 之间频繁进行交互式数据传输时，PypeR 尤其有用。通过管道运行 R，使得 Python 程序在子进程控制、内存控制以及跨主流操作系统平台（包括 Windows、GNU Linux 和 Mac OS）的可移植性方面更具灵活性。
Python 对象转换为 R 对象的约定
2. pyRserve
pyRserve 是为此目的创建的另一个库。它使用 Rserve 作为 RPC 连接网关。通过这样的连接，可以在 Python 中向 R 设置变量，也可以远程调用 R 函数。在许多情况下，R 对象以 Python 实现的类实例形式公开，R 函数作为这些对象的绑定方法。
3. rpy2
rpy2 库的使用频率高于前两者，原因在于 rpy2 正在积极快速地开发中。它在 Python 进程中嵌入 R，创建了一个框架，可将 Python 对象转换为 R 对象，将其传入 R 函数，并将 R 的输出转换回 Python 对象。
在 Python 中使用 R 的一个优势，是可以在 Python 中轻松调用 R 的强大包，如 ggplot2、tidyr、dplyr 等。例如，让我们看看如何在 Python 中轻松使用 ggplot2 进行制图。
https://rpy2.github.io/doc/latest/html/graphics.html#plot
https://rpy2.github.io/doc/latest/html/graphics.html#geometry
rpy2 资源
若想深入了解 rpy2 的安装与使用，您可参考以下资源：
在 R 中调用 Python
也可以通过以下方案之一在 R 中运行 Python 脚本：
1. rJython
该包通过 Jython 实现与 Python 的接口，旨在让其他包能够在 R 中嵌入 Python 代码。
2. rPython
rPython 同样是一个允许 R 调用 Python 的包。它使您能够在 R 中运行 Python 代码、调用函数、赋值和获取变量等。
3. SnakeCharmR
SnakeCharmR 是 rPython 的现代化重构版本。它从 “rPython” 分支而来，使用 “jsonlite”，并在诸多方面改进了 rPython。
4. PythonInR
PythonInR 通过提供在 R 内与 Python 交互的函数，使在 R 中访问 Python 变得非常容易。
5. reticulate
reticulate 包为 Python 与 R 之间的互操作性提供了一整套工具。在上述方案中，此包使用最为广泛，尤其因为它由 Rstudio 积极维护开发。
Reticulate 将 Python 会话嵌入到 R 会话中，实现无缝、高性能的互操作性。该包使您能够将 Python 代码“交织”进 R，打造将两种语言编织在一起的新型项目。
reticulate 包提供以下功能：
Reticulate 资源
关于使用 reticulate 包的一些优质资源：
结语
R 与 Python 都是出色的工具，几乎足以从零完成数据科学任务。您甚至可能无需在同一项目中同时使用二者。不过，同时掌握二者很有帮助，尤其能为我们提供在不同环境下工作的选择。常言道，应当专注于技能本身，而非工具。因此，只要能更轻松地解决手头问题，我们就应当乐于学习新的工具与语言。
如果您想从任一语言入门，可学习 DataCamp 的 Introduction to Python 或 Introduction to R 课程。另请查看我们的 Python 初学者教程。
参考资料：