Rpy2，pyrserve和PypeR如何比较？

我知道其中一个比其他人好，但按照问题中给出的顺序： rpy2： Python和R之间的C级接口（作为嵌入式进程运行的R） 暴露给Python的R对象无需复制数据 相反，Python的numpy数组可以在不进行复制的情况下暴露给R 低级接口（接近R C-API）和高级接口（为方便起见） 可以对矢量和数组进行就地修改 R回调函数可以用Python实现 可以使用带有Python标签的匿名R对象 Python可以腌制 通过其控制台完全自定义R的行为（因此可以实现完整的R GUI） MSWindows支持有限 pyrserve： 原生Python代码（将/应该/可以与CPython，Jython，IronPython一起使用） 使用R的Rserve 与远程计算和RServe相关的优点和不便 pyper： 原生Python代码（将/应该/可以与CPython，Jython，IronPython一起使用） 使用管道让Python与R通信（具有与之相关的优点和不便） 编辑：Windows支持rpy2     

来自PypeR统计软件期刊的论文：   RPy提供了一种从Python访问R的简单而有效的方法。它非常强大   方便Python和R之间频繁的交互操作。这个包允许   Python程序将基本数据类型的Python对象传递给R函数并返回   导致Python对象。这些特性使其成为Python和R频繁交互的案例的有吸引力的解决方案。但是，如下所列，此包装仍有局限性。   性能：   RPy对于大型数据集或计算密集型可能表现不佳   职责。在生成Python时不可避免地消耗了大量的时间和内存   R数据的副本，因为在每一轮对话中RPy都会转换返回的数据   R表达式的值到基本类型或NumPy数组的Python对象中。 RPy2，a   最近开发的RPy分支，使用Python对象来引用R对象而不是   将它们复制回Python对象。此策略可避免频繁的数据转换   并提高速度。但是，内存消耗仍然是一个问题。 [...]   当我们实施WebArray（Xia et al.2005），一个用于微阵列数据分析的在线平台时，如果通过RPy而不是通过R的命令行用户界面运行R，则作业消耗大约四分之一的计算时间。因此，我们决定在后续开发中通过管道在Python中运行R，例如WebArrayDB（Xia et al.2009），它保持了与独立运行R时相同的性能。我们不知道这种性能差异的确切原因，但我们注意到RPy直接使用R的共享库来运行R脚本。相反，通过管道运行R意味着直接运行R解释器。   记忆：   R因其不经济的记忆使用而受到谴责。大的记忆 -   删除这些对象后很少释放大小R对象。有时是唯一的   从R释放内存的方法是退出R. RPy模块将R包装在Python对象中。   但是，即使删除了Python对象，R库也将保留在内存中。其他   单词，R使用的内存在主机Python脚本终止之前无法释放。   可移植性：   作为具有用C编写的扩展的模块，必须编译RPy源包   在POSIX上使用特定的R版本（Unix的可移植操作系统接口）   系统和R必须在启用共享库的情况下编译。另外，二进制   Windows的发行版绑定到不同版本的特定组合   Python / R，因此用户很难找到分发版   用户的软件环境。     

在pyper中，我无法使用assign（）将大型矩阵从python传递给r实例。但是，我没有rpy2的问题。 这只是我的经验。     

从开发人员的角度来看，我们曾经使用rpy / rpy2为基于Python的应用程序提供统计和绘图功能。它在交付我们的应用程序时引起了很大的问题，因为rpy / rpy2需要针对Python和R的特定组合进行编译，这使得我们无法提供开箱即用的二进制分发，除非我们捆绑R。因为rpy / rpy2不是特别容易安装，所以我们最终用matplotlib等原生Python模块替换相关部分。如果我们必须使用R，我们就会切换到pyrserve，因为我们可以在本地启动R服务器并连接到它而不用担心R的版本。