机器学习使用Python编程是因为什么？

众所周知，我们一般选择 Python 作为实现机器学习算法的编程语言，这究竟是为什么呢？Python 比其它编程语言有哪些优势呢？

Python 语法结构清晰

Python 具有清晰的语法结构，大家也把它称作可执行伪代码（executable pseudo-code）。

默认安装的 Python 开发环境已经附带了很多高级数据类型，如列表、元组、字典、集合、队列等，无需进一步编程就可以使用这些数据类型的操作。使用这些数据类型使得实现抽象的数学概念非常简单。

此外，读者还可以使用自己熟悉的编程风格，如面向对象编程、面向过程编程、或者函数式编程。

Python 易于操作文本

Python 语言处理和操作文本文件非常简单，非常易于处理非数值型数据。Python 语言提供了丰富的正则表达式函数以及很多访问 Web 页面的函数库，使得从 HTML 中提取数据变得非常简单直观。

Python 比较流行，模块丰富

Python 语言使用广泛，代码范例也很多，便于读者快速学习和掌握。此外，在开发实际应用程序时，也可以利用丰富的模块库缩短开发周期。

在科学和金融领域，Python 语言得到了广泛应用。SciPy 和 NumPy 等许多科学函数库都实现了向量和矩阵操作，这些函数库增加了代码的可读性，学过线性代数的人都可以看懂代码的实际功能。机器学习编程实践过程中会大量使用 Python 的 NumPy 模块。

科学函数库 SciPy 和 NumPy 使用底层语言（C语言和 Fortran）编写，提高了相关应用程序的计算性能。

Python 的科学工具可以与绘图工具 Matplotlib 协同工作。Matplotlib 可以绘制2D、3D图形，也可以处理科学研究中经常使用到的图形。机器学习过程中也将大量使用 Matplotlib。

Python 开发环境还提供了交互式 shell 环境，允许用户开发程序时查看和检测程序内容。

Python 开发环境将来还会集成 Pylab 模块，它将 NumPy、SciPy 和 Matplotlib 合并为一个开发环境。在写作文本时，Pylab 还没有并入 Python 环境，但是不远的将来我们肯定可以在 Python 开发环境找到它。

Python 和其它语言的比较

诸如 MATLAB 和 Mathematica 等高级程序语言也允许用户执行矩阵操作，MATLAB 甚至还有许多内嵌的特征可以轻松地构造机器学习应用，而且 MATLAB 的运算速度也很快。然而 MATLAB 的不足之处是软件费用太高，单个软件授权就要花费数千美元。虽然也有适合 MATLAB 的第三方插件，但是没有一个有影响力的大型开源项目。

Java 和C语言等强类型程序设计语言也有矩阵数学库，然而对于这些程序设计语言来说，最大的问题是即使完成简单的操作也要编写大量的代码。程序员首先需要定义变量的类型，对于 Java 来说，每次封装属性时还需要实现 getter 和 setter 方法。另外还要记着实现子类，即使并不想使用子类，也必须实现子类方法。为了完成一个简单的工作，我们必须花费大量时间编写了很多无用冗长的代码。

Python 语言则与 Java 和C语言完全不同，它清晰简练，而且易于理解，即使不是编程人员也能够理解程序的含义，而 Java 和C语言对于非编程人员则像天书一样难于理解。

鲍比·奈特说：所有人在小学二年级已经学会了写作，然而大多数人必须从事其他更重要的工作。

也许某一天，我们可以在这句话中将“写作”替代为“编写代码”，虽然有些人对于编写代码很感兴趣，但是对于大多数人来说，编程仅是完成其他任务的工具而已。

Python 语言是高级编程语言，我们可以花费更多的时间处理数据的内在含义，而无须花费太多精力解决计算机如何得到数据结果。Python 语言使得我们很容易表达自己的目的。

Python 语言的缺点

Python 语言唯一的不足是性能问题，这是脚本语言先天的不足。Python 程序运行的效率不如 Java 或者C语言代码高，但是我们可以使用 Python 调用C语言编译的代码。这样，我们就可以同时利用C语言和 Python 的优点，逐步地开发机器学习应用程序。

我们可以首先使用 Python 编写实验程序，如果进一步想要在产品中实现机器学习，转换成C代码也不困难。如果程序是按照模块化原则组织的，我们可以先构造可运行的 Python 程序，然后再逐步使用C代码替换核心代码以改进程序的性能。

C++ Boost 库就适合完成这个任务，其他类似于 Cython 和 PyPy 的工具也可以编写强类型的 Python 代码，改进一般 Python 程序的性能。

如果程序的算法或者思想有缺陷，则无论程序的性能如何，都无法得到正确的结果。如果解决问题的思想存在问题，那么单纯通过提高程序的运行效率，扩展用户规模都无法解决这个核心问题。从这个角度来看，Python 快速实现系统的优势就更加明显了，我们可以快速地检验算法或者思想是否正确，如果需要，再进一步优化代码。

总结

总起来说，使用 Python 作为机器学习的首选语言大致有以下几个方面的原因：

• Python 语法结构清晰，支持很多高级数据类型；
• Python 易于操作纯文本；
• Python 比较流行，文档丰富，模块众多（尤其是科学计算和绘图模块）；
• Python 开源免费；
• Python 易于理解和编写，不用在语法上耗费大量精力；
• Python 执行效率低的缺点可以被克服。