作者 | Parul Pandey
譯者 | 大魚
責編 | Jane
出品 | Python大本營（公衆號id：pythonnews）
如果你從事在數據科學領域，提到編程語言，一定能馬上想到 R 語言和 Python語言（以下分別簡稱 R、Python）。現在更多時候大家都把它們兩個放在一起對比，進行“二選一”，而不是把兩個都爲自己所用。其實，無論是 R 還是 Python，兩個都是很優秀的工具。
如果你在 Google 中搜索“R vs Python”，可以看到很多關於二者誰更好的討論。
出現這種現象的原因之一是，使用者們基於自己所使用的編程語言，將數據科學領域分爲幾個陣營，包括 R 陣營和 Python 陣營。兩個陣營的人都十分相信自己選擇的語言遠好於對方的。所以在某種程度上，這種分歧並不全部來自於工具本身，也有來自使用者的原因。
爲什麼不同時使用兩種語言？
其實，在數據科學的圈子裏，也存在同時使用 Python 和 R 的人，但比例是非常小。另外，有一大部分堅持使用某一種語言的人，同時也希望能掌握另一種語言的某些功能。比如，R 的使用者有時候很需要 Python 的面向對象屬性，與此同時，一些 Python 用戶也想使用 R 強大的統計分佈功能。
上圖顯示了由 Red Monk 在 2018 年第三季度所進行的調查的結果。此結果基於 Stack Overflow 和 Github 上語言的受歡迎程度，很明顯 R 和 Python 的得分都很高。從語言本身來說，並不是限制我們不能在同一項目中使用兩者的原因。而我們的最終目標要做更有洞察、有價值的分析，而選擇哪種語言不應該成爲這一過程中的阻礙。
縱觀 R 和 Python
下面我們可以先從幾個不同方面對比這兩種語言，分別看看它們的優缺點。
Python
自 1991 年發佈以來，Python 就極其受歡迎，尤其在數據處理方面被廣泛應用。它如此受歡迎有以下幾個原因：
面嚮對象語言
通用性
可擴展性強，強大的社區支持
易於理解和學習
Pandas、Numpy 和 Scikit-learn 等包使 Python 成爲機器學習的極佳選擇
然而，與 R 不同的是，Python 沒有用於統計計算的專用包。
R
R 首次發佈於 1995 年，隨即成爲數據科學領域應用最廣的工具之一。
幾乎包含你能想到的任何一種統計應用工具包。當前 CRAN 有超過 10 萬個包。
具備極好的可視化工具包，如 ggplot2。
能夠進行獨立分析。
從性能上來說，R 並不是速度最快的語言，而且在處理大型數據集時，可能對內存消耗較大。
“雙劍合璧”
是否可以同時運用 R 超凡的統計能力和 Python 的編程能力呢？我們可以輕鬆地將 SQL 代碼與 R 或 Python 相結合寫成一個腳本，爲什麼不把 R 和 Python 也結合一起使用呢？
將 Python 與 R 同時應用在同一個項目中，有兩個基本的手段，接下來就和大家分享這兩個方法：
R within Python
PypeR
PypeR 提供了一種可以讓 R 連接 Python 的簡單途徑，即通過管道 (pipe)。PypeR 也存在於 Python 的工具包之中，提供了更便捷的安裝方式。當 Python 和 R 之間不需要頻繁進行數據傳輸時，PypeR 非常適用。當我們通過管道運行 R 時，Python 程序在子流程控制、內存控制和跨操作系統（包括 Windows、GNU Linux 和 Mac OS）移植的靈活度都比較高。
pyRserve
pyRserve 使用 Rserve 作爲 RPC 的連接網關，通過這種連接方式，用戶可以在 Python 中設置 R 的變量，同時 R 的函數也可以被遠程調用。
rpy2
ryp2 可以在 Python 進程中運行內嵌的 R 語言。它創建了一種框架，可以將 Python 對象轉化爲 R 對象，再把它們傳入 R 函數，最後將 R 輸出的結果傳回給 Python 對象。
在 Python 中調用 R 語言的優點之一是，我們可以在 Python 中方便地使用 R 語言強大的工具包，如 ggplot2、tidyr、dplyr 等。下面我們通過一個簡單的例子來看看如何在 Python 中使用 ggplot2。
Basic Plot
https://rpy2.github.io/doc/latest/html/graphics.html#plot
Geometry
https://rpy2.github.io/doc/latest/html/graphics.html#geometry
關於 rpy2 的資料
rpy2官方文檔
https://rpy2.github.io/doc/latest/html/index.html
RPy2: Combining the Power of R + Python for Data Science：
https://community.alteryx.com/t5/Data-Science-Blog/RPy2-Combining-the-Power-of-R-Python-for-Data-Science/ba-p/138432
Accessing R from Python using RPy2：
https://www.r-bloggers.com/accessing-r-from-python-using-rpy2/
Python with R
我們可以通過如下幾個工具在 Python 中運行 R 語言的腳本：
rJython
該工具包通過 Jython 部署了連接 Python 的界面，提供了將 Python 與 R 連通的接口。
rPython
rPython 也是一個在 R 語言中調用 Python 的工具包，它可以在 R 中運行 Python 代碼，進行函數的調用，以及變量的分配和獲取等。
SnakeCharmR
SnakeCharmR 是改良版的 rPython，它源於 rPython 的 'jsonlite' 分支，相比於 rPython 有諸多提升。
PythonInR
PythonInR 可以讓用戶非常方便地在 R 語言中使用 Python，提供了可與 Python 進行交互的函數。
reticulate
Reticulate 包提供了一整套可使 Python 與 R 互相操作的工具。在所有上面所提到的工具中，這個使用最爲廣泛，大部分原因在於它是由 Rstudio 主導開發的。Reticulate 在 R 模塊中內嵌了 Python 模塊，使兩種語言可以無縫且高性能地相互操作。使用該工具包，我們可以把 Python 代碼 “編織” 進 R 語言中，創造了一種將兩種語言相結合的新型項目。
Reticulate 包提供了以下功能：
提供多種在 R 語言中調用 Python 的方式，包括 R Markdown、導入 Python 腳本、引入 Python 模塊，以及在 R 模塊中使用 Python。
提供 R 對象和 Python 對象間的相互轉換（例如，R 與 Pandas 數據框的轉換，或 R 矩陣與 NumPy 數組的轉換）。
可與不同版本的 Python 進行靈活的合作，包括虛擬環境和 Conda 環境。
關於 reticulate 工具包的資源：
該文檔提供了許多實例來助你入門：
https://rstudio.github.io/reticulate/
使用 reticulate 包，在 R 語言中使用 Python：
https://longhowlam.wordpress.com/2017/04/10/test-driving-python-integration-in-r-using-the-reticulate-package/
工具包中的 “蛇”：用 reticulate 將 Python 與 R 聯結：
https://www.mango-solutions.com/blog/snakes-in-a-package-combining-python-and-r-with-reticulate
結論
R 和 Python 都是完整且穩定的語言，都足以完成一項數據分析任務。雖然二者均存在一些各自的優劣勢，如果能利用好它們的優點，我們就能更好地完成任務。總之，同時掌握兩種語言會使我們更加靈活，從而在多種環境下自如地工作。
原文鏈接：
https://towardsdatascience.com/from-r-vs-python-to-r-and-python-aa25db33ce17?gi=da69b4bfd654
（本文爲AI科技大本營轉載文章，轉載請微信聯繫 1092722531）
「2019 Python開發者日」7折票限時開售！這一次我們依然“只講技術，拒絕空談”，除了10餘位一線Python技術專家的演講外 ，大會還安排了深度培訓實操環節，爲開發者們帶來更多深度實戰的機會。掃描海報二維碼，即刻搶購7折票！