1.3 為何使用Python

Python的表達能力極強，還易于學習，新手很快就會發現，他們能夠在很短的時間內完成很多任務。很多Python庫都封裝了使用其他語言編寫的工具，讓你能夠輕松地調用其他系統。例如，機器學習系統scikit-learn包含LIBLINEAR和LIBSVM（它們都是使用C語言編寫的），而numpy包含BLAS以及其他C和Fortran語言庫。因此，如果Python代碼能正確地利用這些模塊，其速度將可與C代碼媲美。

Python被認為是“開箱即用”的，因為它內置了很多重要的工具和穩定的庫。

● unicode和bytes：身處Python語言的核心。

● array：基本類型數組，內存使用效率高。

● math：基本數學運算，包括一些簡單的統計計算。

● sqlite3：封裝了基于文件的流行SQL引擎SQLite3。

● collections：各種對象，包括雙向隊列、計數器和字典的變種。

● asyncio：使用async和await語法為I/O密集型任務提供并發支持。

除上述語言核心庫外，還有大量的外部庫。

● numpy：一個Python數值運算庫，是各種矩陣運算的基石。

● scipy：包含眾多值得信賴的科學庫，這些科學庫通常封裝了備受尊崇的C和Fortran語言庫。

● pandas：一個數據分析庫，建立在scipy和numpy的基礎之上，類似于R數據框架（data frame）和Excel電子表格。

● scikit-learn：正快速成為默認的機器學習庫，建立在scipy的基礎之上。

● tornado：讓你能夠輕松地實現并發的庫。

● PyTorch和TensorFlow：分別來自Facebook和Google的深度學習框架，提供了強大的Python和GPU支持。

● NLTK、SpaCy和Gensim：提供了強大Python支持的自然語言處理庫。

● 數據庫綁定（database binding）：用于同各種數據庫通信，包括Redis、MongoDB、HDF5和SQL。

● Web開發框架：用于創建網站的高性能系統，如aiohttp、django、pyramid、flask和tornado。

● OpenCV：提供計算機視覺的綁定。

● API綁定：讓你能夠輕松地使用流行的Web API，如Google、Twitter和LinkedIn。

還有大量受控環境和shell，可滿足各種部署需求。

● 標準發行版。

● pipenv、pyenv和virtualenv：用于搭建簡單、可移植的輕量級Python環境。

● Docker：用于搭建可重現的簡單開發和生產環境。

● Anaconda：專注于科學計算的環境。

● Sage：一個類似于Matlab的環境，但包含集成開發環境（Integrated Development Environment，IDE）。

● IPython：一個被科學家和開發人員廣泛使用的交互式Python shell。

● Jupyter Notebook：一個基于瀏覽器的IPython擴展，被廣泛用于教學和演示。

Python的主要優點之一是，讓你能夠快速建立想法的原型。因為有眾多的支持庫，所以很容易檢查想法是否可行，即便你的實現相當粗糙。

要提高數學函數的速度，可考慮使用numpy；要嘗試機器學習，可考慮使用scikit-learn；而要清理和操作數據，pandas是不錯的選擇。

那么問題來了：長期看，為讓系統運行得更快，會不會導致團隊的開發速度降低呢？只要投入足夠的精力，總是可以進一步提高系統的性能，但這可能導致所做的優化脆弱而難以理解，最終給團隊帶來障礙。

一個這樣的例子是使用Cython（請參見7.6節）。Cython是一種基于編譯器的方法，它通過添加C類型聲明來修改Python代碼，以便能夠使用C語言編譯器進行編譯。這雖然可極大地提高速度（通常只需做少量工作就可讓速度與C語言代碼媲美），但為支持這些代碼而付出的代價將增加。具體地說，支持新模塊的工作可能更難，因為為繞開Python虛擬機以提升性能，可能需要做些折中，而要搞明白這些折中，團隊成員必須有更高的編程技能。