Python編程語言擁有諸多用于網絡應用開發、圖形用戶界面、數據分析、數據可視化等工作的框架和特性。Python可能不是網絡應用開發的理想選擇，但是正被很多機構廣泛用于評估大型數據集（dataset）、數據可視化、進行數據分析或制作原型。在數據科學領域，Python編程語言正不斷獲得用戶的親睞，而作為網絡開發語言，Python顯得有點過時了。本篇博文，就是要對這兩種截然不同的Python使用方式，進行詳細的對比，并且幫助大家明白一點：如果要利用Python做數據科學工作，并沒有必要了解它用于網絡開發的部分。
 

面向數據科學的Python

從***金融機構到最小的大數據創業公司，各行各業、各種規模的機構都在使用Python編程語言支撐業務運作。Python作為數據科學編程語言，不僅受***大數據公司歡迎，還有眾多技術創業企業擁泵。它還位列2015推薦學習的前10種編程語言。

世上只有兩種編程語言：一種是總是被人罵的，一種是從來沒人用的。 — Bjarne Stroustrup

Python屬于前一種，而且日益被用于數學計算、機器學習和多種數據科學應用。除了性能依賴性強和底層的業務外，它能夠做其他任何事情。利用Python編程語言的***選擇，就是做數據分析和統計計算。學習面向網絡開發的Python，需要程序員掌握像Django這樣的多種網絡框架協助建設網站；但是學習面向數據科學的Python，則要求數據科學家學習如何使用正則表達式和科學計算庫，并掌握數據可視化的概念。由于目的、方向不同，那些不了解Python網絡開發的程序員，能很輕松地走上利用Python編程語言做數據科學工作的道路。

Python是一個有著23年歷史的強大動態編程語言，語言表現力很強。程序員編碼完成后，不需要編譯器即可運行程序。面向網絡開發的Python支持多種編程范式，包括結構化編程（structured programming）、函數式編程（functional programming）和面向對象編程（object-oriented programming, OOP）。Python代碼可以很容易地嵌入到許多擁有編程接口的網絡應用中。但是，Python更是開發學術研究和科學計算程序的***選擇，這些程序要求運行快速、數學計算精確。

而面向網絡編程的Python，則要求程序員學習多種網絡開發框架，這個學習難度比較大，因為現有Python網絡開發框架的文檔不太容易理解。當然，不容否認的是，要想利用Python開發一個動態網站或網絡應用，學習網絡框架是必需的。
 

Python網絡開發框架

目前，Python社區已經有多種免費的網絡應用開發框架，比如：

Django

Django是幫助***主義者按時完成工作的Python網絡開發框架（譯者注：原文是Django is the python web development framework for perfectionists with deadlines。這也是Django官網上對該框架的描述）。使用Django進行網絡開發，最適合的場景是開發那些依靠數據庫驅動，同時也具備類似自動化后臺管理界面和模板系統等炫酷功能的應用。對于不需要太多功能的網絡開發項目來說，Django可能是大材小用，主要是它的文件系統容易讓人搞混，而且文件目錄結構要求嚴格。使用Django進行Python網絡開發的公司有紐約時報、Instagram和Pinterest（譯者注：Pinterest聯合創始人Paul Sciarra在Quora上的回答提到了使用Django，Quora地址）。

Flask

Flask是針對初學者的框架，它簡單，輕量，初學者很快就可以上手開發單頁網絡應用。這個框架并不支持驗證，沒有數據抽象層和其他許多框架所包括的組件。它不是一個全棧開發框架，也只用于小型網站的開發。（譯者注：其實Pinterest也使用了Flask，只是沒用在整站開發上，而是用來開發API，具體見鏈接。）

CherryPy

CherryPy框架強調要符合Python語言規范，做到程序員像進行面向對象編程一樣開發網絡應用。它還是諸如TurboGears和Web2py等流行全棧框架的基礎模板引擎。

還有很多其他框架，包括Pyramid、Bottle和Pylons等，但是無論Python開發者使用哪一種框架，他/她都要花精力仔細地研究教程和文檔。
 

為什么使用Python進行網絡開發不現實？

Python作為網絡開發語言，很可能是一個不太現實的選擇：

• 面向網絡開發的Python需要非標準化、昂貴的主機服務，尤其是程序員使用流行的Python網絡框架開發網站時。由于利用PHP進行網絡編程如此的便捷，大部分的用戶沒有興趣在Python上投入太多的精力。
• 面向網絡開發的Python與諸如PHP、Java或Ruby on Rails等語言不同，不是一個經常需要的技能。但是面向數據科學的Python卻越來越受歡迎，而且由于它更多地被用于機器學習和其他數據科學程序，Python更是招聘數據科學家的公司所最看重的技能。
• 面向網絡開發的Python已經經歷了較長的發展，但是它的學習曲線并沒有像PHP這樣的網絡編程語言那么高。

為什么將Python用于數據科學是***的選擇？

Python編程是驅動大數據、金融、統計和數字運算的核心科技，而它的語法卻像英語一樣易懂。近來，由于擁有多個針對機器學習、自然語言處理、數據視覺化、數據探索、數據分析和數據挖掘的插件，豐富的Python數據科學生態體系得到了較大的發展，甚至有將數據科學社區Python化的趨勢。今天，面向數據科學的Python已經具備了清洗、轉換和處理大數據的所有工具。對于數據分析師崗位來說，掌握Python也是***的技能。一名具備Python編程能力的數據科學家，可以在紐約掙到平均年薪14萬美元的工資。
 

為什么數據科學家喜歡使用Python語言？

數據科學家喜歡那些能夠快速輸出原型，幫助他們輕松地記錄下自己的想法和模型的編程環境。他們喜歡通過分析巨量的數據集，得出結論，完成工作。而Python編程語言則是開發數據科學應用的多面手，因為它能幫助數據科學家，以最短***的時間進行編碼、調試、運行并獲取結果，從而高效地完成工作。

一名技術嫻熟的企業數據科學家的真正價值，在于利用多種數據視覺化手段，向公司的不同利益相關者有效地傳遞數據模式和預測。否則，數據科學工作就是一場零和游戲。Python以其優良特性，符合高強度科學計算的幾乎所有方面要求，這使得它成為在不同的數據科學應用之間進行編程的***選擇，原因很簡單：開發人員僅用一種語言就可以完成開發和分析工作。面向數據科學的Python將企業業務的不同部分連接在一起，提供了一個數據分享和處理的直接媒介。

• Python遵循統一的設計哲學，注重可用性、可讀性，對于數據科學的學習曲線也較低。
• Python有很高的可擴展性，且與Matlab、Stata等語言相比，運行更加快速。
• 另外，Python生態系統中還在涌現出更多的數據視覺化庫，以及炫酷的應用編程結構，目的是使用圖形更好地展現數據分析的結果。Python社區有著諸如Sci-Kit learn、NumPy、Pandas、Statsmodel和SciPy等許多優秀的數據分析庫。這些庫的數量還在不斷增長。

面向數據科學中數字處理與科學計算的Python編程

數據分析與Python編程語言十分契合。如果你決定要通過Python語言學習數據科學，那么你應該考慮的下一個問題，就是Python庫中有哪些是可以完成大部分的數據分析工作？接下來，我們給大家介紹全球的企業數據科學家都在使用的Python數據分析庫。

NumPy

Numpy是使用Python開發的高級（high level）工具的基礎。這個庫不能用于高級數據分析，但是深入理解Numpy中面向數組的計算，可以幫助數據科學家有效使用Pandas庫。

SciPy

SciPy主要用于科學計算，擁有許多不同的模塊，可用于特殊函數、圖像處理、插值法（interpolation）、線性代數、常微分方程（ODE）求解器以及其他多種用途。這個庫還可以與NumPy數組一起使用，實現許多高效的數學運算。

Pandas

Pandas是用于數據再加工***的庫，因為它使得處理遺失的數據、自動數據對齊（data alignment）變得更加簡單，它還支持處理從不同的數據源收集而來的索引數據。

SciKit 這個流行的機器學習庫擁有多種回歸、分類和聚類算法，還支持gradient boosting、向量機、樸素貝葉斯模型和邏輯回歸。這個庫還被設計成能夠與NumPy和SciPy進行交互。

Matplotlib

這是一個二維繪圖庫，有著交互性很強的特性，生成的圖標可以放大、推移，并且能夠用于發行刊物印刷出版。而且，還支持多平臺的交互環境。

Matplotlib、NumPy和SciPy是科學計算的基礎。還有許多其他的Python庫，諸如用于網絡挖掘的Pattern，用于自然語言處理的NLTK，用于深度學習的Theano，用于爬取網絡的Scrappy，IPython，Statsmodels，Mlpy等。對于初學Python數據科學的人，他們需要很好地掌握上面提到的優秀數據分析庫。