Python程序语言与机器学习实践可以称得上是“珠联璧合”。
1. Python是解释语言，程序写起来非常方便
写程序方便对做机器学习的人很重要。
因为经常需要对模型进行各种各样的修改，这在编译语言里很可能是牵一发而动全身的事情，Python 里通常可以用很少的时间实现。
举例来说，在 C 等编译语言里写一个矩阵乘法，需要自己分配操作数(矩阵)的内存、分配结果的内存、手动对 BLAS 接口调用 GEMM 、最后如果没用 smart pointer 还得手动回收内存空间。Python 几乎就是 import numpy;numpy.dot 两句话的事。
当然现在很多面向C/C++库已经支持托管的内存管理了，这也让开发过程容易了很多，但解释语言仍然有天生的优势--不需要编译时间。这对机器学习这种需要大量 prototyping 和迭代的研究方向是非常有益工作效率的。
2. Python的开发生态成熟，有很多有用的库可以用
除了上面说到的NumPy，还有SciPy、NLTK、OS(自带)等等不一而足。Python 灵活的语法还使得包括文本操作、list / dict comprehension 等非常实用的功能非常容易高效实现(编写和运行效率都高)，配合 Lambda 等使用更是方便。这也是 Python 良性生态背后的一大原因。相比而言，Lua虽然也是解释语言，甚至有 LuaJIT 这种神器加持，但其本身很难做到 Python 这样，一是因为有 Python 这个前辈占领着市场份额，另一个也因为它本身种种反常识的设计(比如全局变量)。不过借着 Lua-Python bridge 和 Torch 的东风，Lua 似乎也在寄生兴起。
3. Python的效率很高
解释语言的发展已经大大超过许多人的想象。很多比如 list comprehension 的语法糖都是贴近内核实现的。除了JIT[1]之外，还有 Cython 可以大幅增加运行效率。最后，得益于 Python 对 C 的接口，很多像 gnumpy ，theano 这样高效、Python 接口友好的库可以加速程序的运行，在强大团队的支撑下，这些库的效率可能比一个不熟练的程序员用 C 写一个月调优的效率还要高。
4. 数据存储方便
有 SQL，Hadoop，MongoDB，Redis，Spark 等。
5. 数据获取方便
有 Scrapy，Beautiful Soup，Requests，paramiko 等。
6. 数据运算方便
有 Pandas，Numpy，scipy 等。
7. 输出结果方便
有 Matplotlib，VisPy 等。
8. 和其他语言交互方便
有 ctypes，rpy2，Cython，SWIG，PyQt，Boost.Python 。
9. 加速方便
有 PyPy，Cython，PyCUDA 等。
10. 图形图像方便
有 PyOpenGL，PyOpenCV，Mayavi2 。
11. 信号处理方便
PyWavelets，scipy.signal。
12. 云系统支持方便
GitHub，SourceForge，EC2，BAT，HPC。
13. python开源
Python支持的平台多，包括 Windows / Linux / UNIX / macOS。而 MATLAB 太贵，只能调用其 API，用 Python 省钱，省钱就是赚钱。
Python 和 C++ 做个比较。
C++ 的 CPU 效率是远远高于 Python 的不过 python 是一门胶水语言，它可以和任何语言结合，基于这个优点，很多数据处理的 Python 库底层都是 C++ 实现的，意思就是说：你用 Python 写 code，但效率是C++的。只有那些 for 循环，还是用Python的效率高。
近年来机器学习最要是深度学习，而深度学习使用 CUDA GPU 加速远比 CPU 要快，而cuda 是C++写的。所以现在TensorLayer、theano 等深度学习库都是 Python 编程、底层C++。
