Python程序語言與機器學習實踐可以稱得上是“珠聯璧合”。

1.Python是解釋語言，程序寫起來非常方便

寫程序方便對做機器學習的人很重要。

因為經常需要對模型進行各種各樣的修改，這在編譯語言里很可能是牽一發而動全身的事情，Python里通常可以用很少的時間實現。

舉例來說，在C等編譯語言里寫一個矩陣乘法，需要自己分配操作數(矩陣)的內存、分配結果的內存、手動對BLAS接口調用GEMM、最后如果沒用smartpointer還得手動回收內存空間。Python幾乎就是importnumpy;numpy.dot兩句話的事。

當然現在很多面向C/C++庫已經支持托管的內存管理了，這也讓開發過程容易了很多，但解釋語言仍然有天生的優勢--不需要編譯時間。這對機器學習這種需要大量prototyping和迭代的研究方向是非常有益工作效率的。

2.Python的開發生態成熟，有很多有用的庫可以用

除了上面說到的NumPy，還有SciPy、NLTK、OS(自帶)等等不一而足。Python靈活的語法還使得包括文本操作、list/dictcomprehension等非常實用的功能非常容易高效實現(編寫和運行效率都高)，配合Lambda等使用更是方便。這也是Python良性生態背后的一大原因。相比而言，Lua雖然也是解釋語言，甚至有LuaJIT這種神器加持，但其本身很難做到Python這樣，一是因為有Python這個前輩占領著市場份額，另一個也因為它本身種種反常識的設計(比如全局變量)。不過借著Lua-Pythonbridge和Torch的東風，Lua似乎也在寄生興起。

3.Python的效率很高

解釋語言的發展已經大大超過許多人的想象。很多比如listcomprehension的語法糖都是貼近內核實現的。除了JIT[1]之外，還有Cython可以大幅增加運行效率。最后，得益于Python對C的接口，很多像gnumpy，theano這樣高效、Python接口友好的庫可以加速程序的運行，在強大團隊的支撐下，這些庫的效率可能比一個不熟練的程序員用C寫一個月調優的效率還要高。

4.數據存儲方便

有SQL，Hadoop，MongoDB，Redis，Spark等。

5.數據獲取方便

有Scrapy，BeautifulSoup，Requests，paramiko等。

6.數據運算方便

有Pandas，Numpy，scipy等。

7.輸出結果方便

有Matplotlib，VisPy等。

8.和其他語言交互方便

有ctypes，rpy2，Cython，SWIG，PyQt，Boost.Python。

9.加速方便

有PyPy，Cython，PyCUDA等。

10.圖形圖像方便

有PyOpenGL，PyOpenCV，Mayavi2。

11.信號處理方便

PyWavelets，scipy.signal。

12.云系統支持方便

GitHub，SourceForge，EC2，BAT，HPC。

13.python開源

Python支持的平臺多，包括Windows/Linux/UNIX/macOS。而MATLAB太貴，只能調用其API，用Python省錢，省錢就是賺錢。

Python和C++做個比較。

C++的CPU效率是遠遠高于Python的不過python是一門膠水語言，它可以和任何語言結合，基于這個優點，很多數據處理的Python庫底層都是C++實現的，意思就是說：你用Python寫code，但效率是C++的。只有那些for循環，還是用Python的效率高。

近年來機器學習最要是深度學習，而深度學習使用CUDAGPU加速遠比CPU要快，而cuda是C++寫的。所以現在TensorLayer、theano等深度學習庫都是Python編程、底層C++。

以上內容為大家介紹了機器學習選擇python的原因，希望對大家有所幫助，如果想要了解更多Python相關知識，請關注IT培訓機構:千鋒教育。http://www.mobiletrain.org/

上一篇

提升Python數據分析能力的方法

下一篇

如何把awk腳本移植到Python