Python那麼火，到底能用來作什麼？咱們來講說Python3的主要應用

若是您正在考慮學習Python，或者您最近剛開始學習，

您可能會問本身：「我到底能夠用Python作什麼？」

這是個棘手的問題，由於Python有不少用途。

可是隨着時間的推移，

我發現Python主要可用於一下三個方面：

• Web開發
• 數據科學——包括機器學習、數據分析和數據可視化
• 腳本編寫

咱們就依次來看看吧。

 

1、Web開發

像Django和Flask這樣基於Python的Web框架最近在web開發中變得很是流行。

這些web框架幫助您用Python建立服務器端代碼（後端代碼）。

這些代碼在您的服務器上而不是在用戶設備以及瀏覽器上（前端代碼）運行。

若是您不熟悉後端代碼和前端代碼之間的區別，請參閱下面腳註。

可是，等等，我爲何須要web框架呢？

那是由於web框架讓構建通用後端邏輯變得更簡單了。

這包括把不一樣的URL映射到Python代碼塊、處理數據庫和生成用戶在瀏覽器中看到的HTML文件。

我應該用哪一個Python web框架？

Django和Flask是兩種最流行的Python web框架。

若是您剛剛開始學習，那麼能夠用它們中的任何一個。

Django和Flask有什麼區別？

主要的對比：

• Flask提供簡潔、靈活和細粒度控制。它非常客觀（讓您決定如何實現想要的東西）。
• Django提供一種一應俱全的體驗：您能夠得到管理面板、數據庫接口、ORM（object-relational mappling，對象關係映射），還有開箱即用的應用程序和項目的目錄結構。

您應該選擇：

• Flask，若是您專一於體驗和學習機會，或者您想對選用哪一個組件有更大的控制權（例如您想使用哪一個數據庫和如何與它們交互）。
• Django，若是你專一於最終的產品。特別是若是您正在作一個簡單的應用程序（如一個新聞網站、電子商店，或者博客）而且但願有一個直接明瞭的作法。

換句話說，若是您是位初學者，Flask多是個更好的選擇，由於用到的組件比較少。

若是您想要更多的定製，那麼Flask也是個更好的選擇。

並且，根據個人數據工程師朋友的見解，

Flask更適合建立那些所謂的REST API的東西，由於它比Django更靈活。

另外一方面，

若是您想構建一些簡單的東西，

Django會讓您更快地達到目標。

好，咱們接着談談下一個！

2、數據科學 —— 包括機器學習、數據分析和數據可視化

首先，咱們來回顧一下什麼是機器學習。

我認爲，解釋什麼是機器學習的最好方法莫過於舉個例子。

假設您想開發一個程序用於自動檢測圖片中的內容。

所以，對於下面的這張圖片（圖片1），您但願您的程序能識別出這是條狗。

圖1

而對於下面的這張圖片（圖片2），您但願您的程序能識別出它是張桌子。

圖2

您也許會說，我能夠用幾行代碼搞定。例如，若是在圖片上有不少淡棕色的像素，那麼咱們能夠說那是狗。

或者，您能夠找到在照片中檢測邊緣的方法。而後，您也許會說，若是有不少直邊，那麼那就是一張桌子。

可是，這種方法很快就遇到麻煩了。若是圖片上是條沒有棕色毛髮的白狗怎麼辦？若是圖片上顯示的只是桌子的圓形部分呢？

輪到機器學習大顯身手了。

小編推薦一個學Python的學習裙【 二二七，四三五，四五零 】,不管你是大牛仍是小白，是想轉行仍是想入行均可以來了解一塊兒進步一塊兒學習！裙內有不少乾貨和技術分享

機器學習可實現一些算法，能自動檢測給定輸入中的模式。

好比，您給機器學習的算法提供1000張狗的照片和1000張桌子的照片。那麼，它將會學習區別狗和桌子。當您給出一張狗或桌子的新圖片時，它將可以識別出是狗仍是桌子。

我認爲，這和嬰兒學習新事物有點相似。嬰兒是如何知道同樣東西看起來像狗，而另外一樣東西看起來像桌子呢？可能就是從大量的例子中學到的。

您也許不會明確地告訴一個嬰兒：「若是同樣東西是毛茸茸的，而且有着淡棕色的毛髮，那麼它多是條狗。」

您可能只是說：「那是條狗。這也是條狗。這是桌子。那也是桌子。」

機器學習算法的工做方式大體相同。

您能夠把一樣的想法應用於：

• 推薦系統（像YouTube、Amazon和Netflix在用的）
• 面部識別
• 聲音識別

您可能據說過的流行的機器學習算法包括：

• 神經網絡
• 深度學習
• 支持向量機
• 隨機森林

您可使用任何一個上述算法來解決我剛纔解釋過的圖片標註問題。

3、將Python用於機器學習

有一些流行的Python機器學習庫和框架，其中最流行的兩個是scikit-learn和TensorFlow。

• scikit-learn附帶了一些更流行的內置機器學習算法。我剛纔提到了其中的幾個。
• TensorFlow更像是個低級庫，它容許您構建自定義機器學習算法。

若是您剛開始一個機器學習項目，那麼我建議您先用scikit-learn。若是您開始遇到效率問題，那麼我建議用TensorFlow。

請注意，您須要微積分和線性代數的基本知識以理解這些課程中的某些內容。

4、那麼數據分析和數據可視化呢？

爲了幫助您理解，我在這裏給您舉個簡單的例子。假設，您爲一家在線銷售產品的公司工做。

那麼，做爲數據分析師，您也許會畫一個相似的條形圖。

條形圖1-由Python生成

從這張圖上，咱們能夠看到，在某個特定的週日，對於某件產品來講，男性購買了400多件，而女性購買了大約350件。

做爲一個數據分析師，您也許會對其中的差別作出幾個可能的解釋。

一個很顯然的可能解釋是，該產品在男性中比在女性中更流行。另外一個可能的解釋是，樣本量過小，這個差別是偶爾產生的。還有一個可能的解釋是，在週日，因爲某種緣由，男性比女性更傾向於購買該產品。

爲了搞明白哪一個解釋是正確的，您可能繪製另外一張圖，以下圖所示：

折線圖1-由Python生成

咱們再也不只顯示週日的數據，而是整整一週的數據。正如您所見，從這張圖中，咱們能夠看到，這種差別在不一樣的日子裏很一致。

從這個簡單的分析中，您可能得出告終論，對這種差別，一個最有說服力的解釋就是，這個產品更受男性而不是女性歡迎。

另外一方面，若是您看到是以下所示的圖呢？

折線圖2-一樣由Python生成

那麼，如何解釋出如今週日的差別呢？

您也許會說，也許出於某種緣由，男性在週日更傾向於購買該產品。或者，也許只是巧合，男性在週日購買了更多的該產品。

好了，這是個簡化的例子，展現了數據分析在真實世界中看起來的樣子。

我在谷歌和微軟工做的時候作過數據分析，跟這個例子很是類似，只是更復雜一些罷了。事實上，我在谷歌工做時，是用Python來作這種分析，而我在微軟的時候，用的是JavaScript。

在這兩家公司工做的時候，我用SQL從數據庫中提取數據。而後，我會用Python和Matplotlib（在谷歌工做時）或JavaScrip和D3.js（在微軟工做時）進行數據可視化和分析。

5、用Python進行數據分析/可視化

最流行的數據可視化庫之一是Matplotlib。

剛開始學習的話，它是個不錯的庫，由於：

• 它容易上手
• 其餘一些庫，如seaborn是以它爲基礎的。所以，學習Matplotlib能夠幫助您隨後學習其餘庫。

6、選Python 3仍是Python 2？

我會推薦Python 3，由於它更現代化，而且目前它更受歡迎。

腳註：對於後端代碼和前端代碼的的說明（萬一您對這些術語不熟悉）。

假設，您想作個相似於Instagram的東西。

那麼，您須要爲每種想支持的設備建立前端代碼：

• Swift用於iOS設備
• Java用於安卓設備
• JavaScript用於web瀏覽器

每組代碼都將在對應類型的設備/瀏覽器上運行。這組代碼將決定應用的佈局看上去的樣子，單擊時按鈕的外觀等等。

可是，您仍然須要存儲用戶信息和照片的能力。除了在用戶的設備商儲存這些信息，您還會但願將這些信息儲存在服務器上，這樣，每一個用戶的關注者就能看到用戶的照片。

這裏就是後端代碼/服務器端代碼的用武之地了。您須要編寫後端代碼以執行如下操做：

• 持續跟蹤誰在關注誰
• 壓縮照片，以避免佔據太多存儲空間
• 在發現功能中給每一個用戶推薦照片和新帳號

好了，這就是後端代碼和前段代碼之間的區別。

順便說一下，Python不是編寫後端/服務器端代碼的惟一好選擇。還有不少其餘流行的選擇，包括Node.js，它是基於JavaScript的。