深入对比数据科学工具箱：Python和R语言的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语言的演讲。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语言。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:

1. def tally(s):
2.     total = 0
3.     for elm in s:
4.         total += elm
5.     return total

C

这是相同的功能用C实现:

1. #include <stddef.h>
3. double tally(double *s, size_t n) {
4.     double total = 0;
5.     for (size_t i = 0; i < n; i++) {
6.         total += s[i];
7.     }
8.     return total;
9. }

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

1. #include <stdio.h>
2. #include "Python.h"
3. #include "tally.h"
5. static PyObject *tally_(PyObject *self, PyObject *args) {
6.     PyObject *buf;
7.     if (!PyArg_ParseTuple(args, "O", &buf)) {
8.         return NULL;
9.     }
11.     Py_buffer view;
12.     int buf_flags = PyBUF_ANY_CONTIGUOUS | PyBUF_FORMAT;
13.     if (PyObject_GetBuffer(buf, &view, buf_flags) == -1) {
14.         return NULL;
15.     }
17.     if (strcmp(view.format,"d") != 0) {
18.         PyErr_SetString(PyExc_TypeError, "we only take floats :(");
19.         PyBuffer_Release(&view);
20.         return NULL;
21.     }
23.     double result = tally(view.buf, view.shape[0]);
24.     PyBuffer_Release(&view);
25.     return Py_BuildValue("d", result);
26. }
28. static PyMethodDef MethodTable[] = {
29.     {"tally", &tally_, METH_VARARGS, "Compute the sum of an array"},
30.     { NULL, NULL, 0, NULL}
31. };
33. static struct PyModuleDef tally_module = {
34.     .m_base = PyModuleDef_HEAD_INIT,
35.     .m_name = "tally_",
36.     .m_size = -1,
37.     .m_methods = MethodTable
38. };
41. PyMODINIT_FUNC PyInit_tally_(void) {
42.     return PyModule_Create(&tally_module);
43. }

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语言

R语言的过程非常相似，但是更加简洁:

1. #include <R.h>
2. #include <Rinternals.h>
3. #include <R_ext/Rdynload.h>
4. #include "tally.h"
6. SEXP tally_(SEXP x_) {
7.   double *x = REAL(x_);
8.   int n = length(x_);
10.   SEXP out = PROTECT(allocVector(REALSXP, 1));
11.   REAL(out)[0] = tally(x, n);
12.   UNPROTECT(1);
14.   return out;
15. }
17. static R_CallMethodDef callMethods[] = {
18.   {"tally_", (DL_FUNC)&tally_, 1},
19.   {NULL, NULL, 0}
20. };
22. void R_init_tallyR(DllInfo *info) {
23.   R_registerRoutines(info, NULL, callMethods, NULL, NULL);
24. }

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

一个真实世界的例子一定会更加复杂,但整个过程并不是那么困难。在编写跨语言工具时有几件事要记住:

• 如果你打算在两者之间共享函数就不要依赖宿主语言的api(R或Python)代码。
• 使用错误码来传递异常提示，不要直接调用退出或者在宿主语言里面才处理异常。
• 最好用宿主语言负责内存分配和重分配,这意味着你的C/C++代码应该要略过预先分配的内存和输出过程。
• 相信编译器,你也应该重视编译器的错误和警告。如果代码在编译时有警告那代码就不算写完。

无论是哪个“赢得”这场语言战争，Python和R语言都将保持在数据科学届的地位。这意味着为工具开发者不能忽视的另外一门语言,构建有用的工具就得保证这两种语言都可以使用。一个简单的方式是用C或c++编写大量代码，然后用 C 的 API的为两种语言提供封装。