R调用Python（reticulate包的基本使用）

一.reticulate包的基本使用介绍

以下内容详见：reticulate的文档

1、基础介绍

CRAN已于2018年3月21日收录reticulat包（1.6版本)，它包含了用于Python和R之间协同操作的全套工具，在R和Rstudio中均可使用。主要包括：

1）在R中支持多种方式调用Python。包括R Markdown、加载Python脚本、导入Python模块以及在R会话中交互式地使用Python。

2）实现R和Python对象之间的转换(例如R和Python数据框、R矩阵与NumPy数组之间)。

3）灵活绑定到不同版本的Python，包括虚拟环境和Conda环境。

2、操作说明

1）安装并加载reticulate包

# 安装reticulate包
install.packages("reticulate")
# 加载reticulate包
library(reticulate)

2）设定python环境

有三种设定的方法，见： Python Version Configuration

在这里由于我使用的是anaconda3的Python环境，故使用use_condaenv进行指定Python环境

#py_available()#[1] FALSE  #检查您的系统是否安装过Python
use_condaenv("D:/Program Files (x86)/Anaconda3")

py_config()#安装的python版本环境查看，显示anaconda和numpy的详细信息。
py_available()#[1] TRUE   #检查您的系统是否安装过Python
py_module_available("pandas")#检查“pandas”是否安装

3）在R中导入一个python模块

可使用import() 导入任何Python模块并从R中调用它

os <- import("os")
os$getcwd()
os$listdir()#您可以使用os包中的listdir（）函数来查看工作目录中的所有文件

numpy <- import("numpy")
y <- array(1:4, c(2, 2))
y
x <- numpy$array(y)
x
numpy$transpose(x)#将数组进行转置
numpy$linalg$eig(x)#求特征根和特征向量

注：可以通过$运算符访问Python模块和类中的函数和其他数据（类似于与R列表，环境或引用类进行交互的方式）

4）交互使用R与Python（ Python REPL）

通过使用repl_python（）函数，交互地使用R与Python。(相当于在R中创建交互式Python控制台。）

• 在Python中创建的对象可在R中使用，利用py object获取python里的对象，eg：py$train_data。
• 在R中创建的对象也可在Python中使用，利用r object获取R里的对象,eg：r.mydata（具体例子见下面）

repl_python()
# 加载“panda”数据集
import pandas as pd
# 载入数据集
train_data=pd.read_csv('iris.txt',header=None)
train_data.columns=['sepal_length','sepal_width','petal_length','petal_width','label']
#print(train_data.head(),train_data.shape,train_data.describe(include = 'all'))
train_data['label']=train_data.label.apply(lambda x: 1 if x=='Iris-setosa' else 0)
# 显示数据集的行列数
train_data.shape
# 随机选取数据集中的行数
train_data.sample(n = 10)
# 回到R
exit

#利用py object获取python里的对象
summary(py$train_data)

#从Python中获取在R中创建的对象
mydata = head(cars, n=15)
repl_python()
import pandas as pd
r.mydata.describe()
pd.isnull(r.mydata.speed)
exit

注意：需要键入“exit”来返回到R会话

5）载入Python脚本

可以使用函数：source_python()获取任何Python脚本，就像使用R脚本一样

source_python("D:/python/R_python/test01.py") 
irisData <- read_Iris("iris.txt")
summary(irisData)

test01.py脚本为：

import pandas as pd

def read_Iris(file):
    train_data = pd.read_csv(file, header=None)
    train_data.columns = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'label']
    train_data['label'] = train_data.label.apply(lambda x: 1 if x == 'Iris-setosa' else 0)
    return train_data

例2：执行Python文件并调用Python文件中的变量

把上面的Python脚本添加如下代码（或改为它）时：

def add(x, y):
  return(x + y)

result = add(5,10)

R部分：

py_run_file("D:/python/R_python/test01.py") 
py$result  #[1] 15

或者下面这样时：

py_run_string("x=10;y=20")
py$x[1] #[1] 10
py$y[1] #[1] 20

 

6）类型转换

当调用Python时，R数据类型会自动转换为它们等效的Python类型。 当值从Python返回到R时，它们会被转换回R类型。 如果返回自定义类的Python对象，则返回该对象的R引用。类型转换如下：    
              

从R类型到Python类型的自动转换在大多数情况下都能很好地工作，但是偶尔需要在R方面更加明确地提供Python所期望的类型。比如，Python API可能需要元组而不是列表，在这种情况下，可以使用tuple()函数定义。

 

二：进行R调用Python的代码实现

测试R调用Python传递并返回不同数据类型（是上面内容的使用，有些赘余，仅为记录）

Python代码的共同部分：

import numpy as np

R代码的共同部分：

# 加载reticulate包
library(reticulate)

#载入Python脚本
source_python("D:/python/R_python/first_Test.py") 

注：以下所有的运行结果中Python代码的结果在后面

1、传递并返回数值

Python部分：

#在R中，integer :整型；  numeric :数值型 (double)
def add(x, y):
  return x + y

R部分：

x=5.2
y=10.6
result1 <- add(x, y)
cat(x,'+',y,'=',result1,sep = '')#R语言的输出：cat() print() paste() 输入：scan() readline()

运行结果：

5.2+10.6=15.8

 

2、传递并返回字符串

Python部分：

def Hello(s):
    print(s)
    reStr=s+"\nHello R!!"
    return reStr

R部分：

s = 'Hello Python!!'
result2 <- Hello(s)
cat(result2)

运行结果：

Hello Python!!
Hello R!!

Hello Python!!

3、传递并返回一维list数组（Python角度）

Python部分：

def szTest(List):
    print(List)
    #print(type(List))#<class 'list'>
 
    IntegerList = [1, 2, 3]
    return IntegerList

R部分：

#传递一维数组（R的multi-element vector 对应于Python的list）
sz=c(2.0,3.1,4.2,5.3,6.6)
#t=tuple("a", "b", "c")
result3 <- szTest(sz)
cat(result3)

运行结果：

1 2 3

[2.0, 3.1, 4.2, 5.3, 6.6]

4、传递并返回二维numpy数组（Python角度）

Python部分：

def szSecTest(npSzSec):
    print(npSzSec)
    #print(type(npSzSec))  #<class 'numpy.ndarray'>

    IntegerList = [[1, 2, 3], [2, 3, 4]]
    IntegerList =np.array(IntegerList)
    return IntegerList

R部分：

#传递二维数组（R的Matrix/Array 对应于Python的Numpy ndarray）
np_ma=matrix(c(1.1,2.2,3.3,4.4), nrow = 2, ncol = 2)
result4<- szSecTest(np_ma)
cat(result4)
dim(result4)

运行结果：

1 2 2 3 3 4
[1] 2 3

[[1.1 3.3]
 [2.2 4.4]]

5、将R的list传给Python，并返回

Python部分：

def list_Tuple(tuple_in):
    #print(type(tuple_in))#<class 'list'>
    print(tuple_in)

    tuple_in[0] += 2
    tuple_in[1] += 2
    tuple_in[2] += ' add'

    #print(type(tuple_in[3]))  # <class 'list'>
    for i in range(len(tuple_in[3])):
        tuple_in[3][i]+=2

    #print(type(tuple_in[4]))  # <class 'numpy.ndarray'>
    row_ = tuple_in[4].shape[0]
    col_ = tuple_in[4].shape[1]
    x4=np.zeros((row_,col_))
    for i in range(row_):
        for j in range(col_):
            x4[i][j]=tuple_in[4][i][j] +2
            #tuple_in[4][i][j] +=2 # 报错：Error in py_call_impl(callable, dots$args, dots$keywords) : ValueError: assignment destination is read-only

    # 使用.pop()删除最后一个元素
    tuple_in.pop()
    tuple_in.append(x4)
    return tuple_in

R部分：

#传递list（R的List of multiple types对应于Python的Tuple，但测试时发现Python接受时为list类型），感觉其可以当做结构体传递
list_in=list(1L,2.0,'string',c(2.0,3.1,4.2,5.3,6.6),matrix(c(1.1,2.2,3.3,4.4,5.5,6.6), nrow = 2, ncol = 3))
result5<- list_Tuple(list_in)
result5

运行结果：

[[1]]
[1] 3
[[2]]
[1] 4
[[3]]
[1] "string add"
[[4]]
[1] 4.0 5.1 6.2 7.3 8.6
[[5]]
     [,1] [,2] [,3]
[1,]  3.1  5.3  7.5
[2,]  4.2  6.4  8.6


[1, 2.0, 'string', [2.0, 3.1, 4.2, 5.3, 6.6], array([[1.1, 3.3, 5.5],
       [2.2, 4.4, 6.6]])]

也可以交互地使用Python与R，来实现上面这部分，这里就不在记录相关的了。

 

 

 

本文参考的文章：

手把手 | 哇！用R也可以跑Python了

reticulate: R interface to Python

剪不断理还乱的R与Python