1.3 为何使用Python

Python的表达能力极强，还易于学习，新手很快就会发现，他们能够在很短的时间内完成很多任务。很多Python库都封装了使用其他语言编写的工具，让你能够轻松地调用其他系统。例如，机器学习系统scikit-learn包含LIBLINEAR和LIBSVM（它们都是使用C语言编写的），而numpy包含BLAS以及其他C和Fortran语言库。因此，如果Python代码能正确地利用这些模块，其速度将可与C代码媲美。

Python被认为是“开箱即用”的，因为它内置了很多重要的工具和稳定的库。

● unicode和bytes：身处Python语言的核心。

● array：基本类型数组，内存使用效率高。

● math：基本数学运算，包括一些简单的统计计算。

● sqlite3：封装了基于文件的流行SQL引擎SQLite3。

● collections：各种对象，包括双向队列、计数器和字典的变种。

● asyncio：使用async和await语法为I/O密集型任务提供并发支持。

除上述语言核心库外，还有大量的外部库。

● numpy：一个Python数值运算库，是各种矩阵运算的基石。

● scipy：包含众多值得信赖的科学库，这些科学库通常封装了备受尊崇的C和Fortran语言库。

● pandas：一个数据分析库，建立在scipy和numpy的基础之上，类似于R数据框架（data frame）和Excel电子表格。

● scikit-learn：正快速成为默认的机器学习库，建立在scipy的基础之上。

● tornado：让你能够轻松地实现并发的库。

● PyTorch和TensorFlow：分别来自Facebook和Google的深度学习框架，提供了强大的Python和GPU支持。

● NLTK、SpaCy和Gensim：提供了强大Python支持的自然语言处理库。

● 数据库绑定（database binding）：用于同各种数据库通信，包括Redis、MongoDB、HDF5和SQL。

● Web开发框架：用于创建网站的高性能系统，如aiohttp、django、pyramid、flask和tornado。

● OpenCV：提供计算机视觉的绑定。

● API绑定：让你能够轻松地使用流行的Web API，如Google、Twitter和LinkedIn。

还有大量受控环境和shell，可满足各种部署需求。

● 标准发行版。

● pipenv、pyenv和virtualenv：用于搭建简单、可移植的轻量级Python环境。

● Docker：用于搭建可重现的简单开发和生产环境。

● Anaconda：专注于科学计算的环境。

● Sage：一个类似于Matlab的环境，但包含集成开发环境（Integrated Development Environment，IDE）。

● IPython：一个被科学家和开发人员广泛使用的交互式Python shell。

● Jupyter Notebook：一个基于浏览器的IPython扩展，被广泛用于教学和演示。

Python的主要优点之一是，让你能够快速建立想法的原型。因为有众多的支持库，所以很容易检查想法是否可行，即便你的实现相当粗糙。

要提高数学函数的速度，可考虑使用numpy；要尝试机器学习，可考虑使用scikit-learn；而要清理和操作数据，pandas是不错的选择。

那么问题来了：长期看，为让系统运行得更快，会不会导致团队的开发速度降低呢？只要投入足够的精力，总是可以进一步提高系统的性能，但这可能导致所做的优化脆弱而难以理解，最终给团队带来障碍。

一个这样的例子是使用Cython（请参见7.6节）。Cython是一种基于编译器的方法，它通过添加C类型声明来修改Python代码，以便能够使用C语言编译器进行编译。这虽然可极大地提高速度（通常只需做少量工作就可让速度与C语言代码媲美），但为支持这些代码而付出的代价将增加。具体地说，支持新模块的工作可能更难，因为为绕开Python虚拟机以提升性能，可能需要做些折中，而要搞明白这些折中，团队成员必须有更高的编程技能。