机器学习选择python的原因
推荐
在线提问>>
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smartpointer还得手动回收内存空间。Python几乎就是importnumpy;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/dictcomprehension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-Pythonbridge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listcomprehension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，BeautifulSoup，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CUDAGPU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++。
以上内容为大家介绍了机器学习选择python的原因，希望对大家有所帮助，如果想要了解更多Python相关知识，请关注IT培训机构:千锋教育。http://www.mobiletrain.org/
