让R语言和Python共舞

Python和R已经成为数据分析中两大利器，两者各有所长，相互借鉴。

Python 的 pandas 从 R 中偷师 dataframes，R 中的 rvest 则借鉴了 Python 的 BeautifulSoup，我们可以看出两种语言在一定程度上存在的互补性。通常，我们认为 Python 比 R 在泛型编程上更有优势，而 R 在数据探索、统计分析是一种更高效的独立数据分析工具。所以说，同时学会Python和R这两把刷子才是数据科学的王道。本文将介绍R和Python的应用场景，同时介绍在Windows环境下如何安装R和Python的共舞通道——rpy2。

Python的应用场景

网络爬虫/抓取：尽管 rvest 已经让 R 的网络爬虫/抓取变得容易，但 Python 的 beautifulsoup 和 Scrapy 更加成熟、功能更强大，结合django-scrapy我们可以很快的构建一个定制化的爬虫管理系统。

连接数据库: R 提供了许多连接数据库的选择，但 Python 只用 sqlachemy 通过ORM的方式，一个包就解决了多种数据库连接的问题，且在生产环境中广泛使用。Python由于支持占位符操作，在拼接SQL语句时也更加方便。

内容管理系统：基于Django，Python可以快速通过ORM建立数据库、后台管理系统，而R中的 Shiny 的鉴权功能暂时还需要付费使用。

API构建：通过Tornado这个标准的网络处理库，Python也可以快速实现轻量级的API，而R则较为复杂。

R的应用场景

统计分析: 尽管 Python 里 Scipy、Pandas、statsmodels 提供了一系列统计工具 ，R 本身是专门为统计分析应用建立的，所以拥有更多此类工具,尤其是在计量经济学方面的包，是Python无法比拟的。

互动式图表/面板: 近来 bokeh、plotly、 intuitics 将 Python 的图形功能扩展到了网页浏览器，甚至我们可以用tornado+d3来进一步定制可视化页面，但 R 的 shiny 和 shiny dashboard 速度更快，所需代码更少。

如何实现R语言和Python的完美结合

Python和R共享文件，将Python清理好的数据储存成cvs等格式，再交给R进行进一步的回归分析和图表绘制等。

让Python直接调用R函数；目前可以通过第三方库——rpy2实现R语言和Python的互通。

显然第二种方法可行性较高，但是windows环境下，rpy2的安装经常报错，我之前在安装rpy2时遇到了无数的坑，所以将经验共享给大家。