Python那么火，到底能用来作什么？咱们来讲说Python3的主要应用

若是您正在考虑学习Python，或者您最近刚开始学习，

您可能会问本身：“我到底能够用Python作什么？”

这是个棘手的问题，由于Python有不少用途。

可是随着时间的推移，

我发现Python主要可用于一下三个方面：

• Web开发
• 数据科学——包括机器学习、数据分析和数据可视化
• 脚本编写

咱们就依次来看看吧。

 

1、Web开发

像Django和Flask这样基于Python的Web框架最近在web开发中变得很是流行。

这些web框架帮助您用Python建立服务器端代码（后端代码）。

这些代码在您的服务器上而不是在用户设备以及浏览器上（前端代码）运行。

若是您不熟悉后端代码和前端代码之间的区别，请参阅下面脚注。

可是，等等，我为何须要web框架呢？

那是由于web框架让构建通用后端逻辑变得更简单了。

这包括把不一样的URL映射到Python代码块、处理数据库和生成用户在浏览器中看到的HTML文件。

我应该用哪一个Python web框架？

Django和Flask是两种最流行的Python web框架。

若是您刚刚开始学习，那么能够用它们中的任何一个。

Django和Flask有什么区别？

主要的对比：

• Flask提供简洁、灵活和细粒度控制。它非常客观（让您决定如何实现想要的东西）。
• Django提供一种一应俱全的体验：您能够得到管理面板、数据库接口、ORM（object-relational mappling，对象关系映射），还有开箱即用的应用程序和项目的目录结构。

您应该选择：

• Flask，若是您专一于体验和学习机会，或者您想对选用哪一个组件有更大的控制权（例如您想使用哪一个数据库和如何与它们交互）。
• Django，若是你专一于最终的产品。特别是若是您正在作一个简单的应用程序（如一个新闻网站、电子商店，或者博客）而且但愿有一个直接明了的作法。

换句话说，若是您是位初学者，Flask多是个更好的选择，由于用到的组件比较少。

若是您想要更多的定制，那么Flask也是个更好的选择。

并且，根据个人数据工程师朋友的见解，

Flask更适合建立那些所谓的REST API的东西，由于它比Django更灵活。

另外一方面，

若是您想构建一些简单的东西，

Django会让您更快地达到目标。

好，咱们接着谈谈下一个！

2、数据科学 —— 包括机器学习、数据分析和数据可视化

首先，咱们来回顾一下什么是机器学习。

我认为，解释什么是机器学习的最好方法莫过于举个例子。

假设您想开发一个程序用于自动检测图片中的内容。

所以，对于下面的这张图片（图片1），您但愿您的程序能识别出这是条狗。

图1

而对于下面的这张图片（图片2），您但愿您的程序能识别出它是张桌子。

图2

您也许会说，我能够用几行代码搞定。例如，若是在图片上有不少淡棕色的像素，那么咱们能够说那是狗。

或者，您能够找到在照片中检测边缘的方法。而后，您也许会说，若是有不少直边，那么那就是一张桌子。

可是，这种方法很快就遇到麻烦了。若是图片上是条没有棕色毛发的白狗怎么办？若是图片上显示的只是桌子的圆形部分呢？

轮到机器学习大显身手了。

小编推荐一个学Python的学习裙【 二二七，四三五，四五零 】,不管你是大牛仍是小白，是想转行仍是想入行均可以来了解一块儿进步一块儿学习！裙内有不少干货和技术分享

机器学习可实现一些算法，能自动检测给定输入中的模式。

好比，您给机器学习的算法提供1000张狗的照片和1000张桌子的照片。那么，它将会学习区别狗和桌子。当您给出一张狗或桌子的新图片时，它将可以识别出是狗仍是桌子。

我认为，这和婴儿学习新事物有点相似。婴儿是如何知道同样东西看起来像狗，而另外一样东西看起来像桌子呢？可能就是从大量的例子中学到的。

您也许不会明确地告诉一个婴儿：“若是同样东西是毛茸茸的，而且有着淡棕色的毛发，那么它多是条狗。”

您可能只是说：“那是条狗。这也是条狗。这是桌子。那也是桌子。”

机器学习算法的工做方式大体相同。

您能够把一样的想法应用于：

• 推荐系统（像YouTube、Amazon和Netflix在用的）
• 面部识别
• 声音识别

您可能据说过的流行的机器学习算法包括：

• 神经网络
• 深度学习
• 支持向量机
• 随机森林

您可使用任何一个上述算法来解决我刚才解释过的图片标注问题。

3、将Python用于机器学习

有一些流行的Python机器学习库和框架，其中最流行的两个是scikit-learn和TensorFlow。

• scikit-learn附带了一些更流行的内置机器学习算法。我刚才提到了其中的几个。
• TensorFlow更像是个低级库，它容许您构建自定义机器学习算法。

若是您刚开始一个机器学习项目，那么我建议您先用scikit-learn。若是您开始遇到效率问题，那么我建议用TensorFlow。

请注意，您须要微积分和线性代数的基本知识以理解这些课程中的某些内容。

4、那么数据分析和数据可视化呢？

为了帮助您理解，我在这里给您举个简单的例子。假设，您为一家在线销售产品的公司工做。

那么，做为数据分析师，您也许会画一个相似的条形图。

条形图1-由Python生成

从这张图上，咱们能够看到，在某个特定的周日，对于某件产品来讲，男性购买了400多件，而女性购买了大约350件。

做为一个数据分析师，您也许会对其中的差别作出几个可能的解释。

一个很显然的可能解释是，该产品在男性中比在女性中更流行。另外一个可能的解释是，样本量过小，这个差别是偶尔产生的。还有一个可能的解释是，在周日，因为某种缘由，男性比女性更倾向于购买该产品。

为了搞明白哪一个解释是正确的，您可能绘制另外一张图，以下图所示：

折线图1-由Python生成

咱们再也不只显示周日的数据，而是整整一周的数据。正如您所见，从这张图中，咱们能够看到，这种差别在不一样的日子里很一致。

从这个简单的分析中，您可能得出告终论，对这种差别，一个最有说服力的解释就是，这个产品更受男性而不是女性欢迎。

另外一方面，若是您看到是以下所示的图呢？

折线图2-一样由Python生成

那么，如何解释出如今周日的差别呢？

您也许会说，也许出于某种缘由，男性在周日更倾向于购买该产品。或者，也许只是巧合，男性在周日购买了更多的该产品。

好了，这是个简化的例子，展现了数据分析在真实世界中看起来的样子。

我在谷歌和微软工做的时候作过数据分析，跟这个例子很是类似，只是更复杂一些罢了。事实上，我在谷歌工做时，是用Python来作这种分析，而我在微软的时候，用的是JavaScript。

在这两家公司工做的时候，我用SQL从数据库中提取数据。而后，我会用Python和Matplotlib（在谷歌工做时）或JavaScrip和D3.js（在微软工做时）进行数据可视化和分析。

5、用Python进行数据分析/可视化

最流行的数据可视化库之一是Matplotlib。

刚开始学习的话，它是个不错的库，由于：

• 它容易上手
• 其余一些库，如seaborn是以它为基础的。所以，学习Matplotlib能够帮助您随后学习其余库。

6、选Python 3仍是Python 2？

我会推荐Python 3，由于它更现代化，而且目前它更受欢迎。

脚注：对于后端代码和前端代码的的说明（万一您对这些术语不熟悉）。

假设，您想作个相似于Instagram的东西。

那么，您须要为每种想支持的设备建立前端代码：

• Swift用于iOS设备
• Java用于安卓设备
• JavaScript用于web浏览器

每组代码都将在对应类型的设备/浏览器上运行。这组代码将决定应用的布局看上去的样子，单击时按钮的外观等等。

可是，您仍然须要存储用户信息和照片的能力。除了在用户的设备商储存这些信息，您还会但愿将这些信息储存在服务器上，这样，每一个用户的关注者就能看到用户的照片。

这里就是后端代码/服务器端代码的用武之地了。您须要编写后端代码以执行如下操做：

• 持续跟踪谁在关注谁
• 压缩照片，以避免占据太多存储空间
• 在发现功能中给每一个用户推荐照片和新帐号

好了，这就是后端代码和前段代码之间的区别。

顺便说一下，Python不是编写后端/服务器端代码的惟一好选择。还有不少其余流行的选择，包括Node.js，它是基于JavaScript的。