为什么Python是AI从业者的首选语言？

源| 小象文| 李烨

Python语言从1991年发布第一个版本，至今已经快30年了。作为一种解释型语言，很多年里一直打着“脚本语言”的标签，并因为运行速度被诟病。

但是现在，如果你想从事人工智能行业的技术工作，学习Python已然成为了必须。

根据数据平台 Kaggle发布的2017年机器学习及数据科学调查报告，在工具语言使用方面，Python是数据科学家和人工智能从业者使用最多的语言（见下图）。

IEEE综览（IEEE Spectrum）发布的2017最受欢迎编程语言列表中，Python同样位列第一（见下图）。

笔者并不是Python粉，做了十几年程序员，工作语言最开始是C，后来用Java，现在用C#。

却也不得不承认，在日常工作中，Python所占的比例越来越大了。

即使不是开发最终提供给用户的产品，做POC或Prototype会用到Python；处理数据会用到Python；验证论文也会用Python……

毋庸置疑，Python已经成为了AI从业者的首选。

曾经被认为是“学生才用”的Python，为什么顶尖的大公司都在用？为什么Python忽然之间变得这么招人爱？

究其原因，笔者认为，大概有以下几个：

I. Python是一种说人话的语言

解释一下，所谓“说人话”，是指这种语言：

开发者不需要关注底层

语法简单直观

表达形式一致

我们先来看几个代码的例子：

C 语言Hello World 代码：

intmain()

{

printf("Hello, World!");

return;

}

Java 语言Hello World 代码：

Python 语言Hello World代码：

print("Hello World!")

仅仅是一个Hello World程序，就能看出区别了，是不是？

编译 VS 解释

当然，仅仅是一个Hello World的话，C和Java的代码也多不了几行。

可是不要忘了，C和Java的代码要运行，都必须先经过编译的环节。

对于C语言来说，在不同的操作系统上使用什么样的编译器，也是一个需要斟酌的问题。一旦代码被copy到新的机器，运行环境和之前不同，还需要重新编译，而那台机器上有没有编译器还是一个问题，安装上编译器后，也许和之前最初的编译器有所区别，还得修改源代码来满足编译环境的需求……

我到底做错了什么？我只是想运行一个别人写的程序而已[泪目]

而Python则不用编译，直接运行。而且都可以不用写文件，一条条语句可以直接作为命令行运行。不要太方便咯。

我们来看一个实际一点的例子：创建一个链表，把0-9逐次插入到链表中。再从head开始逐一打印链表中每个节点的值。

这样一个程序，看看用C，Java和Python分别如何实现：

【创建打印链表 - C代码】：

structlist_struct

{

intval;

structlist_struct*next;

};

struct list_struct*create_list(intval)

{

structlist_struct*head=NULL;

structlist_struct*ptr= (structlist_struct*)malloc(sizeof(structlist_struct));

if(NULL== ptr)

{

printf("\n Node creation failed \n");

returnNULL;

}

ptr->val = val;

ptr->next =NULL;

head = ptr;

returnhead;

}

struct list_struct*add_to_list(list_struct* curr,intval)

{

if(curr =NULL)

{

printf("\n Node insertion failed \n");

returnNULL;

}

structlist_struct*ptr= (structlist_struct*)malloc(sizeof(structlist_struct));

if(NULL== ptr)

{

printf("\n Node creation failed \n");

returnNULL;

}

ptr->val = val;

ptr->next =NULL;

curr->next = prt;

returnptr;

}

voidprint_list(list_struct* head)

{

structlist_struct*ptr=head;

while(ptr !=NULL)

{

printf("\n [%d] \n",ptr->val);

ptr = ptr->next;

}

return;

}

intdelete_list(list_struct* head)

{

structlist_struct*curr=head;

structlist_strcut*del=NULL;

if(head==NULL)

{

return-1;

}

else

{

while(curr->next !=NULL)

{

del = curr;

curr = curr->next;

free(del);

}

free(curr);

}

return;

}

intmain(void)

{

inti =, ret =;

structlist_struct*head=create_list(0);

structlist_struct*prt=head;

for(i =1; i

prt = add_to_list(prt,i);

print_list(head);

delete_list(head);

return;

}

【创建打印链表 - Java代码】：

【创建打印链表 - Python代码】：

numbers =list(range(10))

print(numbers)

这个时候是不是已经看出区别来了？

底层细节

请注意C代码中的malloc()和free()函数。它们在干嘛？它们在操作内存。

malloc()为链表的单元申请一块内存，free()释放掉它。如果申请了的内存空间没有被释放掉，就会产生著名的内存泄漏。

允许开发者（程序员）直接掌控底层细节，是C的闪光点，是有相应需求程序的利器，是其高性能的保障。但对于不需要也没有兴趣成为“语言大师”的用户，几乎就是灾难。

Java和Python都有自动垃圾回收机制，能够自动管理内存。再也不用手动分配和回收内存空间了！

变量类型

Java和Python都是诞生在上世纪90年代初期，有许多相似之处。但也有很多不同。

Java是静态类型语言，一个变量一旦被指定了一个类型，就不再接受其他类型的值。

例如上面例子中的List numbers = new ArrayList(); numbers既然已经被声明为每个element都是Integer类型，就不能接受其他（例如String）类型的值。

动态类型语言Python就不受这个限制。下面的代码一样可以运行：

numbers =list(range(10))

numbers.append('test')

print(numbers)

打印结果是：

[,1,2,3,4,5,6,7,8,9, 'test']

当然，静态类型 vs 动态类型各有其适用域，并不是说动态就一定比静态好。

不过，写AI相关的程序时，处理大量非结构化数据是必然要求。针对这一场景，动态类型自有其可以施展的地方。

语言语法

和Python比，Java的语法更“啰嗦”。

从上面的例子已经可以看出，创建一个链表，Java还需要声明和逐个插入节点，而Python则可一行代码完成从链表创建到插入节点及赋值的全部操作。

这还只是一个例子。在真正的使用中就会发现，对于很多非常简单基础的操作，Java非让你很别扭地写好几行，Python直接一句搞定。

这样的结果就是，Python写起来省事，读起来也方便。可读性远超Java。

表达风格

在10年或者更久远之前，Python经常被用来和Perl相提并论。毕竟在那个时候，C是系统级语言，Java是面向对象语言，而Python & Perl则是脚本语言的双子星。

Python和Perl在设计层面有一个非常大的区别：

Python力求让不同的人在撰写同样功能实现的代码时，所用的表达形式尽量一致；

而Perl则是故意追求表达的千姿百态，让同一个人在不同地方写同样功能时所用具体形式都不同。

从哲学层面讲，Perl的追求更加自由主义，更利于释放人类的多样化天性。也确实有很多Geek范儿程序员因为这一点推崇毫无限制的Perl，鄙视到处设限的Python。

然而，Perl写的程序——那叫一个乱七八糟！

当你想遇到问题，想在网上找点实例代码看看的时候，搜到的Perl example千姿百态，很难找到一种“大众”的解法。而不同写法之间，还很难保证相容。

这个问题其实在Python vs Java上也有，只不过程度要低得多。

Java语言本身并没有想要把自己变成书写代码诗歌的载体。但是因为它长年大量地被应用在企业级软件的后台开发，夹杂进了太多并非语言本身却又与其使用不可分割的东西，进一步加剧了Java的繁杂。

如果不是想成为代码诗人，或者语言大师，只是想用尽量简单直接的方法，把事情做了，首选语言确实是Python。

II. 强大的AI支持库

由于Python语言自身所具备的特性，使得它成了做数据处理、机器学习和深度学习的人们的首选。

毕竟这些领域早期的主体是研究人员和数据科学家。他们并不是职业程序员，编程语言本身与他们而言仅仅是一种工具。

他们没有兴趣搞什么“XXX是最好的编程语言”，也不想陷入语言类型、特征的争论，仅仅是需要一种能够在付出最小学习代价的前提下，尽快将他们的想法实现为代码的载体。

如此一来，Python就成了他们的掌中宝。作为回报，他们向Python反哺了大量用于数据处理和机器学习的支持库。

其中最著名的NumPy和sklearn（scikit-learn），它们是现在每一个有志于入行AI的人都不可能忽略的。

矩阵运算

NumPy由数据科学家Travis Oliphant创作，支持维度数组与矩阵运算。结合Python内置的math和random库，堪称AI数据神器！有了它们，就可以放心大胆玩矩阵了！

大家知道，不管是Machine Learning，还是Deep Learning，模型、算法、网络结构都可以用现成的，但数据是要自己负责I/O并传递给算法的。

而各种算法，实际上处理的都是矩阵和向量。

使用NumPy，矩阵的转置、求逆、求和、叉乘、点乘……都可以轻松地用一行代码搞定，行、列可以轻易抽取，矩阵分解也不过是几行代码的问题。

而且，NumPy在实现层对矩阵运算做了大量的并行化处理，通过数学运算的精巧，而不是让用户自己写多线程程序，来提升程序效率。

有了Python这种：语法简洁明了、风格统一；不需要关注底层实现；连矩阵元素都可以像在纸上写公式一样；写完公式还能自动计算出结果的编程语言，开发者就可以把工作重心放在模型和算法上了。

ML模型

用Python实现大多数经典模型，几十上百行代码就够了。

当然，对于普通用户，也可以连算法都不用管，只是调用Scikit-Learn的接口就可以了。

比如，训练和使用一个logistic Regression模型，只需要下面几行代码就可以了：

#import the LogisticRegression

from sklearn.linear_model import LogisticRegression

#Use default parameters

classifier = LogisticRegression()

#train model

classifier.fit(train_set, target)

#dotest

y_hat = classifier.predict(test_set)

#printouttestresults

print y_hat

支持图表

Python还有许多图标方面的支持库。用来生成dashboard上的各种图形表格，是非常简单的事情。

比如使用Plotly图形库，下面这些炫彩的图形，就随便用啦：

III. 规模效应

语言简单易学，支持库丰富强大，这两大支柱从早期就奠定了Python的江湖地位。

不过当然咯，罗马不是一天建成的，凡事都需要积累。虽然NumPy的前身在1995年就出现了，不过正式的NumPy却是到了2006年才发布。sklearn则发布于2007年。

根据以高收入国家Stack Overflow问题阅读量为基础的主要编程语言趋势统计，可以看出，近年来，Python已然力压Java和Javascript，成为目前发达国家增长最快的编程语言（见下图）。

由图可见，2012年之后，对于Python相关问题的浏览量迅速增长，从时间上看，这一趋势正好和近几年人工智能的发展重合。

技术的普及推广就像滚雪球，早期的积累相对缓慢，一旦过了临界点，就是大爆发。

别的不说，就说现在tensorflow，caffe之类的深度学习框架，主体都是用Python来实现，提供的原生接口也是Python。

如今，Python在AI领域的老大地位已经奠定。

从现在开始学AI，舍Python其谁？

Python免费训练营详情