深入对比数据科学工具箱：Python和R的C/C++实现
概述
几周前，我有幸在 Scipy 大会上发表了 Civis如何使用Python和R的演讲。为什么要在一个Python大会上大谈R呢?这是要挑起一个Python和R语言的一场战争吗?不是的!讨论哪个语言比较好简直是浪费时间。在 Civis，我们很愉快地同时使用这两种语言，不仅仅是在我们日常工作中解决数据科学问题，也用它们来写一些其他工具。下面是我在SciPy 大会上的一些讨论。
问题现状
我们 Civis 的同事有着十分不同的学术背景。我效力的研发团队有一个物理学家、一个经济学家、两个统计学家以及一位土木工程师组成。在 Civis，每个人在数据科学上都会做一些不同内容的工作，有的领域是R比较流行，有的领域是Python比较流行，还有的一些是Matlab。在这种场景下只支持一种语言并不是一个明智的选择。迁移到一门新语言上会花费许多时间，抛开在学院或者业界多年的技能回报，允许人们使用它们所熟悉的工具可以确保大家有更高的生成效率。
另外一个我们同时使用两种语言的原因是已有的统计学工具与包。在解决数据科学问题上，我们经常遇到在某些特定管道上需要某一种特定语言。我们的调研管道是一个很好的例子。确保随机样本具有全集代表性是需要一个被称为 raking 的过程的，传统上，Python 在社会科学上并不流行，因此我们只会用R来完成这件事情。当然调查也包括了QA的全文检索，在某种程度上来说R在NLP社区上并不是很流行，因此这个部分将会由Python来完成。而分析调查数据只是我们在Civis解决问题的一个小步骤。
结合许多不同的语言来实现工作流是具有挑战性的。数据科学平台帮助我们可以提交一连串任务节点，然后交由基础设施负责独立调用每个任务节点，且前后不依赖。但是这并不是一个十分理想的情况。原因有二，其一，这样做整个任务就显得破碎化，稍有修改某个任务，往往会导致全局失败，而且任何人在这个分布式系统中所做的工作都只了解局部情况，而不知道全局情况。第二，这样做并不高效。在两个语言中切换通常需要将数据以特定格式加载到磁盘上(通常最坏的情况是csv格式)。这样不仅仅是解析成本比较高，而且还会丢失一些类型信息。
解决方案
我概述了在Civis遇到的种种问题，但是到底什么是理想的状态呢?最完美的解决方案是我们可以无缝切换工具和语言。许多熟悉Python的人喜欢用Python做数据分析，R也是类似的。事实证明这是完全有可能实现,有相当数量的项目已经开始作为跨语言工具：TensorFlow, XGBoost, 和 Stan 都在Civis被广泛运用。移植或安利一个已有的工具也是可能的，我们已经成功地完成了glmnetR包的安利。
对另一些为读者写数据科学工具的人来说,他们从一开始就考虑了这些跨语言。有一些方法可以做到这一点,但我个人最喜欢的是用C语言来写底层，然后使用各自的Python和R C api做一些绑定/封装。Python和R实际上是用C实现的,这是条阻力最小的路径。C是一门古老语言，C语言社区已经演进出了一些强大的工具链。晦涩的编译器错误消息已经成为了过去时,GCC和Clang(最流行的编译器)给友善的消息反馈(Clang网站可以看到栗子)。现在还有各种各样的“消毒液”来辅助捕获内存泄漏等常见错误或未定义的行为(llvm文档)。
案例
下面我们通过一个小例子,用C编写一个函数,使这可调用的Python和R。代码以及幻灯片从我的GitHub上可以找到。
Python
我们将下面的Python函数转换为C:
def tally(s): total = 0 for elm in s: total += elm return total
C
这是相同的功能用C实现:
#include <stddef.h>
double tally(double *s, size_t n) {
double total = 0;
for (size_t i = 0; i < n; i++) {
total += s[i];
}
return total;
} 注意到它看起来并不是都不同的Python函数。当然,除了有一些类型注解和额外的语法噪音大括号外，我们还必须跟踪数组的长度,但整体逻辑是一样的。
接下来,我们需要实现一个Python绑定,允许用户调用这个函数就像任何其他Python函数。
Cython
#include <stdio.h>
#include "Python.h"
#include "tally.h"
static PyObject *tally_(PyObject *self, PyObject *args) {
PyObject *buf;
if (!PyArg_ParseTuple(args, "O", &buf)) {
return NULL;
}
Py_buffer view;
int buf_flags = PyBUF_ANY_CONTIGUOUS | PyBUF_FORMAT;
if (PyObject_GetBuffer(buf, &view, buf_flags) == -1) {
return NULL;
}
if (strcmp(view.format,"d") != 0) {
PyErr_SetString(PyExc_TypeError, "we only take floats :(");
PyBuffer_Release(&view);
return NULL;
}
double result = tally(view.buf, view.shape[0]);
PyBuffer_Release(&view);
return Py_BuildValue("d", result);
}
static PyMethodDef MethodTable[] = {
{"tally", &tally_, METH_VARARGS, "Compute the sum of an array"},
{ NULL, NULL, 0, NULL}
};
static struct PyModuleDef tally_module = {
.m_base = PyModuleDef_HEAD_INIT,
.m_name = "tally_",
.m_size = -1,
.m_methods = MethodTable
};
PyMODINIT_FUNC PyInit_tally_(void) {
return PyModule_Create(&tally_module);
} 这里有很多实现的方法,但大多数只是Python模块的一部分样板代码。
在最上面，我们定义了一个函数,它接受一个Python对象,并且检查这是一个适当类型的数组，再调用我们的计数功能,然后返回结果。其余的代码模块定义,告诉Python解释器我们计数功能的名称和它的参数类型。
R
R的过程非常相似，但是更加简洁:
#include <R.h>
#include <Rinternals.h>
#include <R_ext/Rdynload.h>
#include "tally.h"
SEXP tally_(SEXP x_) {
double *x = REAL(x_);
int n = length(x_);
SEXP out = PROTECT(allocVector(REALSXP, 1));
REAL(out)[0] = tally(x, n);
UNPROTECT(1);
return out;
}
static R_CallMethodDef callMethods[] = {
{"tally_", (DL_FUNC)&tally_, 1},
{NULL, NULL, 0}
};
void R_init_tallyR(DllInfo *info) {
R_registerRoutines(info, NULL, callMethods, NULL, NULL);
} 这里需要的代码量显著减少,因为R和Python类型系统有所不同,没有真正标量类型,所以我们不需要做相同级别的检验/验证用户输入我们在上面的Python示例。剩下的代码大致相同,我们定义一个组函数可在R编译。
总结