python - rpy2代码评估方法之间的区别

Question

rpy2 可以通过几种不同的方法评估 R 代码:

方法 A - 将字符串计算为 R 代码

import rpy2.robjects as rob
rcode = '''
print(summary(mtcars))
'''
rob.r(rcode)

方法B - 通过python对象评估R代码

import rpy2.robjects as rob
rsummary = rob.r['summary']
mtcars = rob.r('mtcars')
print rsummary(mtcars)

rpy2 documentation对方法 A 发出警告，因为“对大型对象执行此操作可能无法充分利用您的计算能力。”这是为什么？是否有已知的基准？

我更喜欢方法 A，因为它对我来说更容易遵循，它将两种语​​言分开，而且我可以直接填充现有的 R 代码片段。然而，我想更多地了解走这条路我会牺牲什么。非常感谢对此的任何见解。

Answer 1

这一切都归结为处理数据——如果你在 python 中没有任何数据，请务必使用方法 A。

方法 A 几乎等同于使用子进程运行 R。想象一下，使用 python 创建一个文件 script.R，然后运行该脚本——这会很好地工作，直到您开始处理大量数据。

这是一个例子:

from rpy2 import robjects as ro
import numpy
data = numpy.random.random(1000)

现在你已经在 python 中得到了一个包含 1000 个元素的向量，如果你想在 R 中使用它做任何事情，你必须将它转换。你的方法 A 会产生如下结果:

vecstr = "c({})".format(",".join(map(str, data)))
cmd = 'hist({},xlab="val", ylab="count", main="")'.format(vecstr)
ro.r(cmd)

其中len(cmd)>15000。您最好将所有内容写入文件并单独调用 R 脚本(使用 python 的 subprocessing 模块，如上所述)。或者，您可以按照方法 B 执行此操作:

ro.r.hist(ro.FloatVector(data), xlab="val", ylab="count", main="")

这更简洁，如果向量的长度为 100 万而不是 1000，也不会出现问题。

关于你的效率问题:

In [29]: data1 = numpy.random.random(1000)

In [30]: data2 = numpy.random.random(1000)

In [31]: %%timeit
   ....: ro.r.cor(ro.FloatVector(data1), ro.FloatVector(data2))[0]
   ....: 
1000 loops, best of 3: 1.01 ms per loop

In [32]: %%timeit
   ....: vec1str = "c({})".format(",".join(map(str, data1)))
   ....: vec2str = "c({})".format(",".join(map(str, data2)))
   ....: ro.r("cor({},{})".format(vec1str, vec2str))
   ....: 
100 loops, best of 3: 5.86 ms per loop

对于一个没有做太多事情的简单玩具示例，以及一个相对较小的数据集，不转换为字符串的速度似乎要快 5-6 倍。