Java调用Python语言及第三方Python库

#pic_center =400x
系列文章：

1、导入依赖

        
            org.python
            jython-standalone
            2.7.2
        

2、在java中直接执行python代码片段
通过上面这种方式执行python代码片段，实际上是通过Jpython来实现的，这种方式能执行的python代码片段比较有限，都是一些最原始的python命令，很多包不能用，例如执行pythonInterpreter.exec(“import pandas as pd”); 都会报错。所以这种方式一般不推荐

package com.song.mywj.py;

import org.python.util.PythonInterpreter;

import java.io.IOException;

public class TestPy {
    public static void main(String[] args) throws IOException, InterruptedException {


        Mytest();
    }
    public static void Mytest () throws IOException, InterruptedException {
        Process proc = Runtime.getRuntime().exec("python  E:\code\deeplea\pytorchlearn\learn\plt\test.py");
        proc.waitFor();
        PythonInterpreter interpreter = new PythonInterpreter();
        interpreter.exec("a=[5,2,3,9,4,0]; ");
        interpreter.exec("print(sorted(a));");  //此处python语句是3.x版本的语法
        interpreter.exec("print sorted(a);");   //此处是python语句是2.x版本的语法

    }

Java调用Python程序方法总结

3、通过Runtime.getRuntime().exec()方法来执行python脚本

package com.song.mywj.py;


import java.io.IOException;

public class TestPy {
    public static void main(String[] args) throws IOException, InterruptedException {


        Mytest();
    }
    public static void Mytest () throws IOException, InterruptedException {
        Process proc ;
        String compiler = "D:\devementtool\Anaconda3-202105\python.exe";
        String rootPath = "E:\code\deeplea\pytorchlearn\learn\plt\";
        String program = "test.py";
        String commond = compiler+" "+rootPath+program;
        proc = Runtime.getRuntime().exec(commond);
        proc.waitFor();
    }
}

原python脚本

# 导入功能包，产生数据
import numpy as np
import matplotlib.pyplot as plt
import statsmodels.api as sm

nsample = 20 # 20个样本点
x = np.linspace(0,10,nsample) # 从0到20之间选择20个数(等距)
print(x)

# 加一列1，为了与常数项进行组合
X = sm.add_constant(x)
print(X)
# 产生β0与β1（真实情况）
beta = np.array([2,5])
print(beta)
# 误差项(设置抖动，为了让数据更真实)
e = np.random.normal(size=nsample)
print(e)
# 实际值y
y = np.dot(X,beta) + e
print(y)
# 最小二乘法
model = sm.OLS(y,X)
# 拟合数据
res = model.fit()
# 计算的回归系数β0和β1
print(res.params)
# 产生全部结果
res.summary()
# 拟合的估计值
y_ = res.fittedvalues
print(y_)
# 拟合的估计值
y_ = res.fittedvalues
print(y_)
fig, ax = plt.subplots(figsize=(8,6))
ax.plot(x,y,'o',label='data') # 原始数据
ax.plot(x,y_,'r--',label='test') # 拟合数据
ax.legend(loc='best')
plt.show()

在java中调用python程序