我已经非常习惯在 R 中进行编码，尤其是在 RStudio 中。我喜欢那个界面。尽管如此，我还是有一些工作应该在 Python 中完成。我知道如果我使用“reticulate”包，我可以在 RStudio 中运行 Python 代码，并且我编写了一些在两者之间切换的代码。据我所知，我可以从命令行或 Jupyter 在 Python 中运行的任何内容都可以在 RStudio 中使用 reticulate 完成。
与定期运行 Python 相比，我是否应该期望在 R 中使用 Python 命令有更长的运行时间（无论“定期”是什么意思）？
实际上，我最近使用两种方法在随机森林拟合上对此进行了测试：
python，这些数据在同一个笔记本中也使用python.与：
reticulate以适应相同的模型，但使用我在同一个笔记本中python整理的转换数据集。r我做了以下观察：
Nativepython 更快，在我的基准测试中，它在我的 16GB Ram 笔记本电脑上安装模型的速度快了约 1 分钟（9 对 10 分钟）。
此外，您会浪费一些时间在两种语言之间转换对象，尤其是当我们谈论更大的数据集时。
结论
在大多数情况下r，不需要先将对象保存到 CSV，然后打开 jupyter 或python命令行来完成工作，这要归功于reticulate.
如果您做重复或时间紧迫的工作，请尝试在本地使用 python，但其他reticulate方面特别好，如果像我一样，您可以节省大量时间在r.