Díky své univerzálnosti a rozšiřitelnosti dokáže Python spolupracovat s mnoha rozdílnými jazyky. Obvykle to je z pohledu programátora poměrně jednoduché. Musíme ovšem vědět, že ne vždy je použité řešení optimalizované pro rychlost. Mohou také existovat jistá omezení, týkající se např. kompatibility datových typů.

Velký přehled možností, jak integrovat Python s jinými jazyky, najdeme na wiki.python.org. My se podíváme na některé z jazyků a možností.

Nízkoúrovňové jazyky¶

Nízkoúrovňové jazyky už jsme použili pro optimalizaci, takže dobře víme, že jejich volání je poměrně snadné. Shrňme si, jaké jsou nejrozšířenější možnosti.

C/C++¶

C konvence (konkrétně cdecl) pro volání funkcí je asi nejrozšířenějším standardem. Pokud takové rozhraní umíme použít, případně vytvořit, máme k dispozici velké množství knihoven.

Pro volání funkcí z dynamických knihoven můžeme použít ctypes.
[Cython](http://cython.org/] dovoluje volat C/C++.
scipy.weave, Instant nebo Bitey umožňuje kompilovat C/C++ kód vložený přímo do Python kódu.
F2PY umožňuje příomčaře vytvořit Python rozhraní pro C funkci.
Boost.Python zjednodušuje vytváření Python rozhraní pro C++.
SWIG je tradiční nástroj pro integraci C/C++ do jiných jazyků, včetně Pythonu.

Fortran¶

F2PY umožňuje příomčaře vytvořit Python rozhraní pro Fortran funkci. Pro IPython existuje díky tomu kouzlo %%fortran. F2PY má sofistikovanou podporu pro NumPy pole.
Forthon dovoluje podobně jako F2PY kombinovat Fortran a Python, navíc podporuje struktury (derived types). Podobně jako F2PY, NumPy pole jsou předávána jen referencí (pokud jsou uložena ve Fortran uspořádání).

Vysokoúrovňové jazyky¶

Java¶

Pokud používáme čistý Python bez rozšíření v C/Fortranu apod. (což je případ např. NumPy, Scipy aj.), je nejjednodušší použít Jython, což je interpret Pythonu běžící v Java virtuálním stroji. V Jythonu můžeme používat Java knihovny a naopak, Jython má rozhraní pro Javu.
Py4J nebo JPYPE dovolují volat Javu z (C)Pythonu. Pyjnius je podobný projekt zaměřený na Android.
Jepp umožňuje opak, tj. volání (C)Pythonu z Javy. Zdá se, že tento projekt je ovšem nedostatečně udržovaný a kompatibilní: http://gillius.org/blog/2012/01/java-and-python-with-jepp-or-not.html. Zde je třeba sledovat vývoj.

(Primárně) vědecké jazyky¶

Jazykům, které jsou primárně určeny pro vědu, numeriku, zpracování dat apod., se budeme věnovat trochu podrobněji. To, že pro Python existují nástroje pro integraci těchto jazyků, je velice důležité pro případný přechod na Python. Pokud totiž máme programy v nějakém z těchto jazyků, nemusíme je hned přepisovat do Pythonu, přesto je v Pythonu můžeme poměrně pohodlně používat. To může být pro mnoho lidí rozhodujícím faktorem pro (ne)použití nového nástroje, v našem případě Pythonu.

R¶

R je velice populárním nástrojem pro (statistické) zpracování dat. Zde je nutno poznamenat, že v Python světě slouží k podobným účelům R-kem inspirovaný projekt Pandas a také (poměrně mladý) ggplot, což je náhražka za oblíbený ggplot2 pro R. Asi hlavním nástrojem pro volání R z Pythonu je Rpy. Pojďme se podívat na jednoduchou ukázku.

In [1]:

import rpy2.robjects as robjects

In [2]:

pi_r = robjects.r['pi']
print(type(pi_r))
print(pi_r)
print(pi_r[0])

<class 'rpy2.robjects.vectors.FloatVector'>
[1] 3.141593

3.141592653589793

In [3]:

piplus2 = robjects.r('pi') + 2
print(piplus2)
print(piplus2.r_repr())
pi0plus2 = robjects.r('pi')[0] + 2
print(pi0plus2)

[1] 3.141593 2.000000

c(3.14159265358979, 2)
5.141592653589793

V následujícím příkladě definujeme v R funkci f, kterou následně i zavoláme.

In [4]:

robjects.r('''
        f <- function(r, verbose=FALSE) {
            if (verbose) {
                cat("I am calling f().\n")
            }
            2 * pi * r
        }
        f(3)
        ''')

Out[4]:

<FloatVector - Python:0x7f87b8036408 / R:0x2d6e458>
[18.849556]

Funkci f můžeme také používat přímo v Pythonu. Nejprve ji uložíme do proměnné r_f

In [5]:

r_f = robjects.r['f']
print(r_f.r_repr())

function (r, verbose = FALSE) 
{
    if (verbose) {
        cat("I am calling f().\n")
    }
    2 * pi * r
}

A nyní už můžeme r_f přímo volat:

In [6]:

print(r_f(3))

[1] 18.84956

Data z R můžeme převádět do NumPy polí.

In [7]:

from rpy2.robjects.packages import importr
import numpy as np

datasets = importr('datasets')

ostatus = datasets.__rdata__.fetch('occupationalStatus')['occupationalStatus']
ostatus_np = np.array(ostatus)
ostatus_npnc = np.asarray(ostatus)

In [8]:

print(ostatus)
print(ostatus_np)

      destination
origin   1   2   3   4   5   6   7   8
     1  50  19  26   8   7  11   6   2
     2  16  40  34  18  11  20   8   3
     3  12  35  65  66  35  88  23  21
     4  11  20  58 110  40 183  64  32
     5   2   8  12  23  25  46  28  12
     6  12  28 102 162  90 554 230 177
     7   0   6  19  40  21 158 143  71
     8   0   3  14  32  15 126  91 106

[[ 50  19  26   8   7  11   6   2]
 [ 16  40  34  18  11  20   8   3]
 [ 12  35  65  66  35  88  23  21]
 [ 11  20  58 110  40 183  64  32]
 [  2   8  12  23  25  46  28  12]
 [ 12  28 102 162  90 554 230 177]
 [  0   6  19  40  21 158 143  71]
 [  0   3  14  32  15 126  91 106]]

Rozdíl mezi ostatus_np a ostatus_npnc je v tom, že ostatus_npnc je pouze pohled (view) na data R. Poznáme to např. podle příznaku owndata.

In [9]:

print(ostatus_np.flags.owndata)
print(ostatus_npnc.flags.owndata)

True
False

IPython nám navíc pro zjednodušení poskytuje rozšíření rmagic. Ukázka např. zde.

Matlab / Octave¶

Pro integraci s Matlabem existuje Python-MATLAB(R) Bridge. Nemá tak propracované možnosti jako rpy2, nicméně použít ho můžeme.

In [10]:

import pymatbridge
import os
import numpy as np

---------------------------------------------------------------------------
ImportError                               Traceback (most recent call last)
<ipython-input-10-dc9b27aaff4f> in <module>()
----> 1 import pymatbridge
      2 import os
      3 import numpy as np

ImportError: No module named 'pymatbridge'

In [11]:

mlab = pymatbridge.Matlab()

In [12]:

mlab.start()

Starting MATLAB on http://localhost:51059
 visit http://localhost:51059/exit.m to shut down same
...MATLAB started and connected!

Out[12]:

True

In [13]:

res = mlab.run_func('%s/matlab/www/demo_func.m'%os.path.dirname(pymatbridge.__file__), {'a': 10})
res['result']

Out[13]:

Takto vypadá výsledek run_code.

In [14]:

mlab.run_code('a=[1,3,7]')

Out[14]:

{u'content': {u'code': u'a=[1,3,7]',
  u'datadir': u'/tmp/MatlabData/',
  u'figures': [u'/tmp/MatlabData/MatlabFig001.png',
   u'/tmp/MatlabData/MatlabFig002.png'],
  u'stdout': u'\na =\n\n     1     3     7\n\n'},
 u'success': u'true'}

get_variable dokáže přenést proměnnou z Matlabu do Pythonu.

In [15]:

a = mlab.get_variable('a')
a

Out[15]:

u'[1,3,7]'

Výsledkem je (bohužel) string (unicode). Pomocí numpy.matrix ho můžeme převést na numpy matici (musíme ovšem převést unicode na str).

In [16]:

np.matrix(str(a))

Out[16]:

matrix([[1, 3, 7]])

Matlab ukončíme, aby zbytečně neběžel na pozadí.

In [17]:

mlab.stop()

MATLAB closed

Out[17]:

True

Takto zpřístupníme %%matlab magic.

In [18]:

ip = get_ipython()
pymatbridge.load_ipython_extension(ip)

Starting MATLAB on http://localhost:45630
 visit http://localhost:45630/exit.m to shut down same
...MATLAB started and connected!

V Matlabu můžeme pak dělat cokoli, včetně grafů.

In [19]:

%%matlab
a = linspace(0.01,6*pi,100);
plot(sin(a))
grid on
hold on
plot(cos(a),'r')

Pomocí -i a -o můžeme posílat / získávat proměnné. Pozor, zdá se, že toto nefunguje spolehlivě pokud voláme %%matlab vícekrát se stejnými proměnnými.

In [20]:

a = np.array([1,2,3])

In [21]:

%%matlab -i a -o x
x = 2 * a;

Proměnné z Matlabu přicházejí jako obejkty PyTables.

In [22]:

type(x)

Out[22]:

tables.array.Array

In [25]:

print(np.array(x))

[[2]
 [4]
 [6]]

Octave¶

Pokud nemáte (rádi) Matlab, můžete použít Octave pomocí Oct2Py. Oct2Py navíc poskytuje lepší možnosti než pymatbridge, takže pokud váš kód pod Octave funguje, může to být preferovaná možnost.

In [26]:

import oct2py
import numpy as np

Získáme instanci Octave.

In [27]:

oc = oct2py.Oct2Py()

Tento objekt obsahuje přímo základní funkce.

In [28]:

print(oc.abs(-1))

Funguje i Pythonovská nápověda.

In [29]:

help(oc.abs)

Help on function abs in module oct2py.session:

abs(*args, **kwargs)
    'abs' is a built-in function
    
     -- Mapping Function:  abs (Z)
         Compute the magnitude of Z, defined as |Z| = `sqrt (x^2 + y^2)'.
    
         For example:
    
              abs (3 + 4i)
                  => 5
    
    
    Additional help for built-in functions and operators is
    available in the online version of the manual.  Use the command
    'doc <topic>' to search the manual index.
    
    Help and information about Octave is also available on the WWW
    at http://www.octave.org and via the help@octave.org
    mailing list.

oct2py umí pracovat s NumPy poli pro vstup i výstup.

In [30]:

oc.svd(np.array([[1,2], [1,3]]))

Out[30]:

array([[ 3.86432845],
       [ 0.25877718]])

Některé funkce v Octave (stejně jako v Matlabu), např. svd, vrací jiný výstup podle počtu výstupních proměnných. I toto je v oct2py podporováno.

In [31]:

U, S, V = oc.svd([[1,2], [1,3]])
print(U)
print(S)
print(V)

[[-0.57604844 -0.81741556]
 [-0.81741556  0.57604844]]
[[ 3.86432845  0.        ]
 [ 0.          0.25877718]]
[[-0.36059668 -0.93272184]
 [-0.93272184  0.36059668]]

IDL¶

Pokud se konečně chcete zbavit obludy jménem IDL) (Interactive Data Language) a nemáte čas všechny vaše programy hned přepisovat do Pythonu, pomůže vám pIDLy, případně ve spojení s ipython-idlmagic.

In [32]:

import pidly

Použijeme GDL, což je open source náhražka IDL (podobně jako Octave pro Matlab).

In [33]:

idl = pidly.IDL('/usr/bin/gdl', idl_prompt='GDL> ')

In [34]:

idl('x = total([1, 1], /int)')

Proměnné z IDL získáme takto

In [35]:

idl.x

Out[35]:

array(2)

nebo takto (tato varianta by měla být rychlejší)

In [36]:

print idl.ev('x')

Sezení ukončíme pomocí close.

In [37]:

idl.close()

Pro notebook můžeme použít %idl po instalaci rozšíření.

In [38]:

%install_ext https://raw.github.com/ebellm/ipython-idlmagic/master/idlmagic.py

Installed idlmagic.py. To use it, type:
  %load_ext idlmagic

In [39]:

%load_ext idlmagic

IDL not found, using GDL

%idl automaticky detekuje, zda použít IDL či GDL.

In [40]:

%idl print, findgen(5)

      0.00000      1.00000      2.00000      3.00000      4.00000

Mathematica¶

Pro integraci Mathematica existuje pythonica a také IPython rozšíření. Pro opačný proces, tj. použití Pythonu v Mathematice, lze použít pythonika.

Sage -> Maple, Maxima, Matlab, Octave, ...¶

Sage dokáže volat mnoho externích nástrojů, viz dokumentace.