在所有編程語言里，Python并不算萌新，從1991年發(fā)布第一個版本，至今已經(jīng)快30年了。

最近幾年，隨著人工智能概念的火爆，Python迅速升溫，成為眾多AI從業(yè)者的首選語言。

根據(jù)數(shù)據(jù)平臺 Kaggle發(fā)布的2017年機(jī)器學(xué)習(xí)及數(shù)據(jù)科學(xué)調(diào)查報告，在工具語言使用方面，Python是數(shù)據(jù)科學(xué)家和人工智能從業(yè)者使用最多的語言（見下圖）。

IEEE綜覽（IEEE Spectrum）發(fā)布的2017最受歡迎編程語言列表中，Python同樣位列第一（見下圖）。

為什么？

原因1：Python是一種說人話的語言

所謂“說人話”，是指這種語言：

開發(fā)者不需要關(guān)注底層

語法簡單直觀

表達(dá)形式一致

我們先來看幾個代碼的例子：

C 語言Hello World 代碼：

intmain(){printf("Hello, World!");return0;}

Java 語言Hello World 代碼：

publicclassHelloWorld{ publicstaticvoidmain(String[] args){ System.out.println("Hello World!"); }}

Python 語言Hello World代碼：

print("Hello World!")

僅僅是一個Hello World程序，就能看出區(qū)別了，是不是？

編譯 VS 解釋

當(dāng)然，僅僅是一個Hello World的話，C和Java的代碼也多不了幾行。

可是不要忘了，C和Java的代碼要運行，都必須先經(jīng)過編譯的環(huán)節(jié)。

對于C語言來說，在不同的操作系統(tǒng)上使用什么樣的編譯器，也是一個需要斟酌的問題。一旦代碼被copy到新的機(jī)器，運行環(huán)境和之前不同，還需要重新編譯，而那臺機(jī)器上有沒有編譯器還是一個問題，安裝上編譯器后，也許和之前最初的編譯器有所區(qū)別，還得修改源代碼來滿足編譯環(huán)境的需求……

我到底做錯了什么？我只是想運行一個別人寫的程序而已[淚目]

而Python則不用編譯，直接運行。而且都可以不用寫文件，一條條語句可以直接作為命令行運行。不要太方便咯。

語言語法

和Python比，Java的語法更“啰嗦”。

從上面的例子已經(jīng)可以看出，創(chuàng)建一個鏈表，Java還需要聲明和逐個插入節(jié)點，而Python則可一行代碼完成從鏈表創(chuàng)建到插入節(jié)點及賦值的全部操作。

這還只是一個例子。在真正的使用中就會發(fā)現(xiàn)，對于很多非常簡單基礎(chǔ)的操作，Java非讓你很別扭地寫好幾行，Python直接一句搞定。

這樣的結(jié)果就是，Python寫起來省事，讀起來也方便?？勺x性遠(yuǎn)超Java。

表達(dá)風(fēng)格

在10年或者更久遠(yuǎn)之前，Python經(jīng)常被用來和Perl相提并論。畢竟在那個時候，C是系統(tǒng)級語言，Java是面向?qū)ο笳Z言，而Python & Perl則是腳本語言的雙子星。

Python和Perl在設(shè)計層面有一個非常大的區(qū)別：

Python力求讓不同的人在撰寫同樣功能實現(xiàn)的代碼時，所用的表達(dá)形式盡量一致；

而Perl則是故意追求表達(dá)的千姿百態(tài)，讓同一個人在不同地方寫同樣功能時所用具體形式都不同。

從哲學(xué)層面講，Perl的追求更加自由主義，更利于釋放人類的多樣化天性。也確實有很多Geek范兒程序員因為這一點推崇毫無限制的Perl，鄙視到處設(shè)限的Python。

然而，Perl寫的程序——那叫一個亂七八糟！

當(dāng)你想遇到問題，想在網(wǎng)上找點實例代碼看看的時候，搜到的Perl example千姿百態(tài)，很難找到一種“大眾”的解法。而不同寫法之間，還很難保證相容。

這個問題其實在Python vs Java上也有，只不過程度要低得多。

Java語言本身并沒有想要把自己變成書寫代碼詩歌的載體。但是因為它長年大量地被應(yīng)用在企業(yè)級軟件的后臺開發(fā)，夾雜進(jìn)了太多并非語言本身卻又與其使用不可分割的東西，進(jìn)一步加劇了Java的繁雜。

如果不是想成為代碼詩人，或者語言大師，只是想用盡量簡單直接的方法，把事情做了，首選語言確實是Python。

原因2：強(qiáng)大的AI支持庫

矩陣運算

NumPy由數(shù)據(jù)科學(xué)家Travis Oliphant創(chuàng)作，支持維度數(shù)組與矩陣運算。結(jié)合Python內(nèi)置的math和random庫，堪稱AI數(shù)據(jù)神器！有了它們，就可以放心大膽玩矩陣了！

大家知道，不管是Machine Learning，還是Deep Learning，模型、算法、網(wǎng)絡(luò)結(jié)構(gòu)都可以用現(xiàn)成的，但數(shù)據(jù)是要自己負(fù)責(zé)I/O并傳遞給算法的。

而各種算法，實際上處理的都是矩陣和向量。

使用NumPy，矩陣的轉(zhuǎn)置、求逆、求和、叉乘、點乘……都可以輕松地用一行代碼搞定，行、列可以輕易抽取，矩陣分解也不過是幾行代碼的問題。

而且，NumPy在實現(xiàn)層對矩陣運算做了大量的并行化處理，通過數(shù)學(xué)運算的精巧，而不是讓用戶自己寫多線程程序，來提升程序效率。

有了Python這種：語法簡潔明了、風(fēng)格統(tǒng)一；不需要關(guān)注底層實現(xiàn)；連矩陣元素都可以像在紙上寫公式一樣；寫完公式還能自動計算出結(jié)果的編程語言，開發(fā)者就可以把工作重心放在模型和算法上了。

ML模型

用Python實現(xiàn)大多數(shù)經(jīng)典模型，幾十上百行代碼就夠了。

當(dāng)然，對于普通用戶，也可以連算法都不用管，只是調(diào)用Scikit-Learn的接口就可以了。

比如，訓(xùn)練和使用一個logistic Regression模型，只需要下面幾行代碼就可以了：

#import the LogisticRegression from sklearn.linear_model import LogisticRegression #Use default parametersclassifier = LogisticRegression() #train modelclassifier.fit(train_set, target) #dotesty_hat = classifier.predict(test_set) #printouttestresultsprint y_hat

支持圖表

Python還有許多圖標(biāo)方面的支持庫。用來生成dashboard上的各種圖形表格，是非常簡單的事情。

比如使用Plotly圖形庫，下面這些炫彩的圖形，就隨便用啦：

原因3：規(guī)模效應(yīng)

語言簡單易學(xué)，支持庫豐富強(qiáng)大，這兩大支柱從早期就奠定了Python的江湖地位。

根據(jù)以高收入國家Stack Overflow問題閱讀量為基礎(chǔ)的主要編程語言趨勢統(tǒng)計，可以看出，近年來，Python已然力壓Java和Javascript，成為目前發(fā)達(dá)國家增長最快的編程語言（見下圖）。

由圖可見，2012年之后，對于Python相關(guān)問題的瀏覽量迅速增長，從時間上看，這一趨勢正好和近幾年人工智能的發(fā)展重合。

技術(shù)的普及推廣就像滾雪球，早期的積累相對緩慢，一旦過了臨界點，就是大爆發(fā)。

別的不說，就說現(xiàn)在tensorflow，caffe之類的深度學(xué)習(xí)框架，主體都是用Python來實現(xiàn)，提供的原生接口也是Python。