現如今，Python 的蹤影可以說是無處不在。簡潔、開源、靈活是這款工具的最大特點。在計算機世界中，Python 的象徵物是蟒蛇，而蟒蛇表徵的恰恰是靈活性。這一切都使得 Python 特別適合於大資料，所以資料分析和挖掘的最佳工具非 Python 莫屬了。但是 Python 並非擅長一切，比如 Java 更多用於工具開發，Matlab 則用於數值計算及矩陣運算。

目前在資料分析和挖掘演算法方面用的最多的程式語言有：Java、C++、C、Python、R 等等。與其他相比，Python 具有以下優點：

Pythond vs. Java

Python更簡潔，Java過於龐大複雜，語法很多

Python vs. C C++

Python更容易學習，語法簡單易懂，但他們通常扮演不同的角色，Python是一種指令碼語言，C和C++通常要和底層硬體打交道

Python vs. R

R 和 Python 一樣，簡單易上手，相比於 Java、C++、C，投入的時間精力相對少很多。在資料方面，R 和 Python 具有以下共同的優勢：

Python 和 R 本身在資料分析和資料探勘方面都有比較專業和全面的模組，很多常用的功能，比如矩陣運算、向量運算等都有比較高階的用法，所以使用起來產出比大。

這兩門語言對於平臺方面適用性比較廣，Linux、Window都可以使用，並且程式碼可移植性還算不錯。對於學數理統計的人來說，應該大多用過 MATLAB 以及 mintab 等工具，Python 和 R 比較貼近這些常用的數學工具，使用起來有種親切感。

但是相對於 R 語言，Python 的優勢在於兼顧了效率和效能，而且 Python 的可擴充套件性很強，你可以用 Python 開發商業化的產品，但用 R 估計不可能，R 語言做研究還行。所以，Python 在機器學習領域的人用的較多。據我所知，做市場調研、計量經濟學、統計學的人幾乎沒有用Python的。

以上。所以Python 目前是大資料時代最好的語言。

說回正題，python現在比較火的是用來做資料分析，就是爬蟲技術。難易度也是隨個人的，入門相對比較簡單，支援很多語言。

　　當然，還可以用Python搭個框架，實現更適合企業自己的自動化測試，分分鐘高大上~或者更厲害，利用Python編寫測試工具，可以大大的提高工作效率。想象一下你每天忙忙碌碌測試，加班加點一個月用壞兩個滑鼠還沒有人家吃著火鍋唱著歌，站著就把錢賺了的同事乾的活多，你心裡會是什麼感受？老闆會是什麼感受？

　　Python可以做測試報告系統，這對於不喜歡繁瑣工作的你是一大福音了吧，自己輕鬆，領導也明白，一舉多得。

　　用Python做一個簡單的網站存放一些自己的測試、開發、產品等都放到自己的頁面上自動化操作

　　用Python維護伺服器，建立一些監控程式，監控測試環境和線上的介面等~

昨天剛好寫了篇Python的文章，應該能回答這個問題。具體如下：

為什麼要說Python

先說說程式語言，這裡有一些梗，程式設計師之間因為使用不同的程式語言一直都存在著很多鄙視鏈，比如寫彙編的鄙視寫 C 的，寫 C 的鄙視寫 C++的，寫C++的鄙視 寫 C#，寫Java 的鄙視前面所有和C相關的程式設計師，天天寫指令碼的程式設計師又一起鄙視 Java 程式設計師，寫靜態語言的和寫動態語言的相互鄙視，寫前端的和寫後端的相互鄙視，Vim 程式設計師和 Emacs 程式設計師相互鄙視，然後一起鄙視需要使用 IDE 的程式設計師。還有一條最勁爆的，所有其他語言的程式設計師都鄙視 PHP 程式設計師，因為PHP 程式設計師說，PHP 是世界上最好的程式語言。

說了這麼長長的一條鄙視鏈，只是為了引出今天的重點——Python。同「PHP 是世界上最好的程式語言」一樣舉世無雙的，我們也有一句心法，是Python之父的名言：人生苦短，我用 Python。

Python功能強大，使用簡單，實現一個功能往往只有一種方法。在我剛畢業工作的時候，就接觸了Python和Perl兩種指令碼語言。這兩種語言也可以說是非常鮮明的對比，在實現一個功能的時候，Perl 會有十八種實現方法，而且Python可能只有一種。Python開發者的哲學就是“用一種方法，最好是隻有一種方法來做一件事”。

在池老師的文章裡看到過有程式設計師這麼評價Python：

免費，簡潔，生態好，庫豐富，操心少；之前刷機器學習的題，用 C# 寫了一坨兒。結果人家引個 SciPy 庫，三行程式碼搞定

這個評價我也是高度贊同。Python的生態環境確實很好，讓你在開發的時候幾乎不用操心太多。

AI時代的寵兒

Python有太多的適合機器學習的庫了，而且都可以免費使。比如SciPy 是一個數值計算庫，NumPy 是Python 另一個開源的數值計算擴充套件庫，Pandas是基於 NumPy 的資料分析工具，matplotlib 是圖形繪製庫，最近火熱的 Scikit-learn則是開源的機器學習框架。

也正因為這樣，在AI時代，Python漸漸地變成了時代的寵兒。不知道如果AI真的這麼一直髮展下去，久而久之，Python會不會變成Excel這樣的工具，人人都會用，事事都可用。

看看最新出爐的兵器排行榜，Python牢牢的佔據著第4名。

Python其實不僅在做機器學習上是把好手，還有很多方面都是一流高手。比如有Scrapy這樣優秀的做爬蟲框架，強大的文字處理功能，Djnago這樣出色的Web開發框架，還可以做自動化測試和運維以及資料分析等等。

所以，我認為無論是已經工作了的同學們或者是還在學校的同學們，多多少少都可以學習一些Python。如果是想要投身機器學習人工智慧懷抱的，更是可以趁早開始了。

並不是天下無敵，也有自身的不足

Python自身的不足其實也挺多的。

首先語法上自成一派，讓很多老手感到不習慣（比如語句結束不需要分號）。

其次Python 的速度很慢，在不同的任務上比C 語言大約慢數十倍到數千倍不等

不過最讓人頭疼的是，Python 2 和 Python 3 兩個版本長期並行，各成一派，很多模組需要同時維護兩個不同的版本，給開發者選擇帶來了很多不必要的混亂和麻煩。至於為什麼Python 2 和 Python 3 會長期共存了數年之久，原因很複雜，我也說不清楚。但目前官方表示對 2 的支援到2020年。可能新入坑的同學會很糾結，Python2 的生態庫遠遠大於Python3，那麼應該要學習哪個版本呢？

我的建議是兩個版本都學，語法上的差別也不是很大，如果非要選擇一個先開始的話，我選Python2。（不要問我為什麼，就是這麼任性）

圖片來自廖雪峰的Python教程

如何學習Python

扯了這麼多，最後一部份放點乾貨，我們聊聊要如何學習Python。就我本人來說，會學Python，完全是機緣巧合，因為剛工作的時候，組裡沒人對Python特別熟，我是被安排自學研究Python，以備日後需要。學著學著，我慢慢的把開發的重心都轉移動Python上面了。

要開始開發，先要安裝，這裡就不詳細說了，說了你也記不住，macOS自帶就有，其它系統網上搜一下，一大堆。

有了環境就需要開始學語法了。初學一門新的程式語言的語法時，我會先把賦值、條件判斷和迴圈這三種語句學會了，這時其實基本的操作就都可以做了，然後再去擴充套件一些語言獨特的東西，在Python裡，你可以學習Python需的面向物件是怎麼做的，學一些map，filter, lambda這樣的高階用法。然後估計有個3，5天的時間，就可以開始開發第一個Python應用程式了。

人生苦短，我用 Python！大家一起加油吧。

　　隨著大資料瘋狂的浪潮，新生代的工具Python得到了前所未有的爆發。簡潔、開源是這款工具吸引了眾多粉絲的原因。目前Python最熱的領域，非資料分析和挖掘莫屬了。從以Pandas為代表的資料分析領域開始，便是Python的天下；一邊以實際專案實操，一邊跟著已有的資料學習，再輔以相關的理論知識，勢必將集Python技能於大成。

　　在圖靈世界裡，Python被賦予的形象是蟒蛇，而蟒蛇不僅僅是靈活的象徵，更有一招制敵的大殺器。

　　Python是一條大蟒蛇，自然算是程式語言中靈活，且有靈性的。

　　在現階段的資料體系內，只要你有所瞭解的話，想必你會有個感覺：怎麼處處都有Python的蹤影！其實每一種的計算機程式語言，似乎都有自己成名或適用的領域。比如Java更多用於系統開發，Matlab則用於數值計算及矩陣運算，而Python的自身基因，讓其更符合資料領域的策略分析。

　　Python已經成為資料分析領域裡事實上的最常用語言。

　　讓我們來看看，Python在資料分析領域的生態圈吧！

　　基礎庫

　　Numpy：矩陣計算與其它大多數框架的資料處理基礎；

　　Scipy：科學計算庫，提供了很多科學計算工具包和演算法；

　　Matplotlab：專業畫圖工具，話說這個單詞還是真是在Matlab之間插入了plot這個詞形成的；

　　Pandas：提供類似於R語言的DataFrame操作，非常方便；

　　機器學習與深度學習

　　OpenCV：提供影象識別的很多方便的操作；

　　Orange：基於圖形介面的機器學習程式，也可以用Python指令碼來操作呼叫；

　　Scikit-Learn：前面說了，這是Python在機器學習領域裡面的代表作。尤其是它的文件，完全可以當成機器學習的參考資料來閱讀了，曾經我向朋友推薦的時候說，說過，把scikit-learn的文件當成佛經來讀，假以時日，功力定會大增。

　　Theano：深度學習裡面非常有名的一個框架了，也非常具有代表性。是其它很多框架的基礎。

　　Keras：基於Theano進行了抽象，建議入門的話使用這個，搭積木一樣地就可以弄個神經網路出來了。

　　NLTK：自然語言處理，提供的功能也很強大。

　　對於想入門資料分析、資料探勘、機器學習的朋友來說，Python是你值得花時間的選擇。

程式語言部分好壞，只是看使用者如何！所以不要認為哪種語言用的都，哪種就好！但是相比其他語言而言，我們探碼公司用的就是Python語言，因為我們老闆覺得，Python語言，程式設計師用起來會比較搞笑一點，愉快一點而已。

任何時候都沒有最好的語言，沒有一統江湖的語言，只有最合適的語言。Python確實很簡單，方便，用了簡直不想再用Java了。大資料分析，Python不錯，工具開發還是得Java