现在Python很热，热到什么地步?
我经常在App里看到有一条视频广告，形式略有不同，但总的来说角色就两个，一个很凶的主管和一个很困扰的下属，很凶的主管布置了一个很急的活，困扰的下属挠耳挠腮，委屈说用电子表格根本不可能赶得出来，很凶的主管这时更凶了，啪啪啪一通操作，说用Python只要5分钟就出来了，还不快去学!
我觉得这条广告最有意思的地方，在于两个角色都西装革履，一看就很不程序员，更像是习惯一脸严肃坐在CBD里吹冷气的商务人士，以前我以为这是广告策划的一个Bug，每次看到这里都被这反差萌逗乐，直到有一天，有位做金融的朋友问我说Python好不好学，我才知道Python真的已经火出圈了。
先说一点，虽然现在不管圈里圈外，只要说到做数据分析、机器学习甚至人工智能，好像已经言必称Python，不过，这些领域并非天生就得是Python，别的不说，就说人工智能。
人工智能领域出了很多语言，如果你早个几年学习人工智能，可能连Python的影子都看不见，大家一般推荐的都是LISP、Prolog，哪怕是业内人士看这些语言都是又古老又偏门，尤其是Prolog，好像除了人工智能就没别的地方能见到，但是Prolog做规则推导有奇效，大家也就一直沿用下来了。
现在呢?现在不怎么提了，一来是因为基于统计的机器学习一直占据了人工智能的顶流位置，规则推导说得不多，二来是Python迅速崛起，人称“人工智能第一语言”，就连规则推导都可以用Python来做。
另一个例子是数据分析，早前都是R语言的天下，后来是R和Python两分天下，现在人工智能的东风一起来，R完全无法招架Python 迅猛发展的势头，所以这些前浪就理所当然被拍在了沙滩上。
但是，这是结果，现在我们要问的是：为什么Python能成为“人工智能第一语言”呢?
01 Python有哪些优点
现在Python很热，所以介绍Python的文章特别多，大家一定也看腻了诸如Python简单易用、灵活性高之类好像说了很多，又好像什么都没说的介绍。我们说点接地气的。
在我来看，Python最大的优点就是“拎包入住”。
如果大家去租房，一定能看到一个词，叫“拎包入住”，这个词经常作为租屋的重要卖点，也反映出消费者对租屋的一个重要需求。
什么叫拎包入住?租房行业对这个词的准确定义有争议，很多人在纠结家私家电齐全到底是不是等同于拎包入住，不过意思是清楚的，我作为租客，啥都不用准备，只需要把行李拉过来就可以住下了，这就是拎包入住。
换句话说，有不少租屋是达不到拎包入住的标准的，本来我只是要满足“住”的需要，可是因为租屋条件有欠缺，导致我不得不先客串一回装修师傅，需要先做一些其它的准备，然后才能做我想要做的事。
好了，说回编程语言。很多人喜欢从语言风格、语法设计甚至语法糖等等角度来比较编程语言的优劣，不过，我更看重另一样东西：生态环境。
以前我们说C++多么多么爆红，后来又说Java多么多么爆红，现在又轮到了Python，到底这些“网红语言”的成功背后靠的是什么?真的只是因为编程语言自身的优秀设计吗?
我认为，一款编程语言是否流行，设计当然是很重要的因素，但生态环境的成熟可能是更为直接的原因。我们经常能听到的一个关于编程的问题是，A语言早就已经过时了，现在已经有了新兴的B语言，为什么现在还要用A语言开发项目呢?
这个问题通常有两种可能，一种是项目已经用A语言做了大量开发，替换成B语言又得高楼平地起，另一种是B语言还太新，某个专业领域还没有可用的或者好用的库，同样也得高楼平地起。这两种都可以归结为同一个原因：使用B语言并不能拎包入住。
Python的成功，同样是因为能够拎包入住。
回想一下前面的广告，说用Python只要5分钟就能把看似做不完的工作做完，为什么?
不是因为Python语言设计有多么多么精巧，别人要写一万行，Python只要一行就搞定，而是Python有非常成熟的生态环境，你扔一个任务过来，用Python不用从头开始，只要找到对应的库，一句import加几行代码，可能结果就出来了。
从始至终，你都只需要关注任务本身，而不需要思考编程语言怎么处理实现，没什么杂七杂八的东西需要浪费时间。这就叫拎包入住。
02 数据科学方向的热门Python包介绍
都知道Python在人工智能、大数据方向很热，但是，真的有任务来了，究竟该用哪些包呢?很多介绍Python的教程，是真的就只介绍Python的语法，语法当然很重要，要想使用Python，首先当然得掌握语法。
但是，前面我们也进行了介绍，Python的优势在于拥有许多成熟的包，让你可以“拎包入住”，也即可以专注于任务本身，所以，我们要用Python，不但需要掌握Python的语法，同时也要了解都有哪些好用的Python，都可以用来做什么。
Python好用的包非常多，覆盖领域也是五花八门，都列出来反而显得凌乱，这里我们只介绍数据科学和人工智能方向用得多的包。
首先是pandas。这是数据分析用得非常多的包，尤其擅长各种格式化数值分析，前面提到的Python广告只说用Python，并没有说明该使用什么包，不过，既然是替代电子表格进行数据分析，想必肯定会用到pandas。
接着是scikit-learn，这个包写法很多，也有人喜欢简写为sklearn。这是个著名的机器学习包。scikit-learn非常好用，推荐大家都试一试，尤其是觉得机器学习数学很难，一看到机器学习几个字就产生抵触心理的同学。
为什么这么说呢?我们都知道，机器学习不是一种方法，而是一个大框，里面堆满各种算法模型，譬如线性模型、树形模型、支持向量机模型、以及现在在机器学习领域非常热门的神经网络模型。
每一种模型背后都依靠一套复杂的数学逻辑来支撑模型运作。在很多人看来，光是看懂机器学习模型的数学表达式就已经十分费劲，需要很深的数学功底，更不用说手推公式和实战中使用了。于是，很多人觉得机器学习“可远观而不可亵玩焉”。
当然，这里面有几个理解误区。是不是需要很深的数学功底才能明白机器学习模型的原理呢?未必，机器学习确实用到很多数学知识，不过，我经常和大家分享的一个观点是：不妨把数学看作只是一种语言，是一门外语，机器学习的运行原理，是用这门外语来描述，所以我们不太容易看懂。
那怎么办呢?跨国交流我们可以找翻译，同样，只要有人看懂了机器学习这里的数学语，然后“翻译”成中文，也就方便大家看得懂了。这件事我自己做了些尝试，写了一本书叫《机器学习算法的数学解析和Python实现》，大家感兴趣可以翻翻。
另一个误区就是得把机器学习模型的数学原理都学懂弄通了，最好能手推一遍公式，然后才能知道怎么使用。这个理解符合我们长期以来形成的按部就班的印象，不过，就我看来，使用机器学习和开车很像，没必要要求司机都学会造车了才能开车，况且，造车和开车很可能还是并不相同的两条学习曲线，毕竟老技工未必就是老司机。
如果只是想用机器学习解决问题，完全可以另辟蹊径积累经验。方法是什么呢?就是使用scikit-learn，这个包把常用的热门的机器学习模型统统做了非常良好的封装，我们完全可以像调用黑盒函数一样，操作各种机器学习模型来解决实际问题。
最后就是Pytorch、Tensorflow和Keras这几个网红深度学习包，Python这一轮走势长红，这几个深度学习包居功甚伟，在背后贡献了大量流量。
现在是深度学习时代，大家都知道深度学习能解决很多以前无解的问题，可是理论设计出来的模型，还得编程实现才能使用。怎么实现呢?就用这几个包，它们把深度学习的各个部件都已经封装好了，使用者只需要像拼装乐高积木一样，把部件拼装成完整的模型。
篇幅有限，我就简单介绍到这，当然，Python的库就像是一个工具仓库，只要你想得到的工作，都可能已经有不止一个成熟的Python库可供选择，譬如说一些细分的机器学习任务，如自然语言处理NLP，就还有好几个专门做NLP领域任务的Python包，又譬如说大数据用到的一些基础组件，如Hadoop、Spark，同样也有专门的Python对口服务。
现在大家应该感到Python真是个宝藏男孩，应该就能更为理解，为什么开发人工智能要用Python，一项人工智能的工程可能涉及到多个环节，而如果选择使用Python，它可以给你提供一条龙服务。
