简明GISer Python学习指南

缘起

python是GISer工作和学习中的好工具,因为快速算法原型、人工智能研发、处理数据、处理流程自动化都在使用python。我对工具的了解的基本原则是大胆尝试，小心求证。2012年接触到python，是因为arcgis 10.0把VBScript废掉用python来替代，后期在图书馆看到有不少学习python的同学，而且诸如GoAgent、 Google App Engine这些工具也用了Python，所以，这门语言有市场。
而且实际用了一下，比较符合我的认知习惯，比较容易学习，语法简明易于理解，同期我也接触过不少脚本语言，MATLAB、php、js、vbs，还有后来的R，都远不及python优雅和简明。开发效率比较高，可扩展性好，无论是作为别的平台的扩展还是自身扩展都比较简单。

随着16年AlphaGo掀起的人工智能热潮，tensorflow等使用python开发的人工智能框架把python推上风口，学校也教授《Python 空间数据处理（Geoprocessing With Python）》，随着对gdal的python接口的深入学习越发着迷于python各方面的优良性能，Python的运行效率自然比不上C++，但是各种开源工具包的获取和安装都很简单，基本上只要有pip就可以整合了，可能这就是之前Perl、Ruby这些语言比较火的原因吧，只是这些语言的语法太诡异，应用也有局限。

多年的深入学习，对python的了解也渐趋全面起来，系统记录自己走过的路、趟过的坑。

GISer学Python

Python简介

首先，python的本质是工具和arcgis、envi、ecognition等软件的本质是一致的。Python的基本内容很简单，但是高级内容庞杂，因此，不需要求全责备，面面俱到，把学习目标控制在自己需要的范围即可。

它和计算机沟通的方式是语言，而不是图形交互。不像ArcGIS、ENVI那样所见即所得，但是它更灵活，在熟悉语法的情况下，可以更好地定制操作，实现自动化，减少劳动的时间。利用Python和Arcpy可以实现ArcGIS操作的成千上万次的重复。

作为一门语言（计算机），计算机语言的词汇很少，也很多，少的是关键字，只有几十个，多的是变量名、函数名这些自定义的词汇。记住关键字和语法是最基本的。语法的最基本是让计算机执行操作，以及控制这些操作的以何种方式执行，仅此而已。最基本的操作就是数学运算、逻辑运算，控制方法无非顺序、条件、循环。其他内容无非是为了实现这些关键功能，结合语言的概念（词、句、段、篇），便于程序员编写代码。引入语言的概念，就是避免直接编写机器语言，机器语言看似毫无意义的0、1序列让开发者忘记写代码的初衷，以近似自然语言的方式完成代码的功能。另一方面，因为需要进行数学、逻辑的运算，所以又引入一些数学的概念（整型、浮点型、声明、变量、参数、函数、操作符、表达式等）。把这些概念和语言里面的具体实现对应起来，就可以在编写代码的时候找到合适的工具实现功能。

Python是一门解释型的计算机脚本语言，所有的高级编程语言最后还是要转换成CPU能理解的机器语言。解释型是从程序转变成机器语言的方式来说的，Python是通过解释器转换后变成了机器语言，开发者只要编写完程序，用解释器解释就可以执行程序。对比C、C++语言，简单易学，几乎不用思考就能够上手，输出hello，world，无需过多的储备知识。开发者不需要知道解释器是什么，怎么让解释器执行Python文件，但是C就要求开发者知道自己用了什么编译器，不同编译器的实现有什么区别，在不同操作系统下编译出来的可执行程序格式也不同，等等。Python开发者只要打上：python helloworld.py，程序就运行了。计算机脚本语言，一般可以认为这是一门弱类型的语言，想想C里面的long、short、int、float、double、char等等，以及每个变量声明时都必须声明它的类型，函数也是，但Python不需要，也不允许你声明变量类型，它会在解释的时候根据上下文自行判断。

便于适配现有平台，许多高级语言的发展时间比较短，自身的生态不健全，如果可以快速借用现有平台，开发者就可以快速地迁移到这个平台，减轻技术栈迁移的成本（时间、精力）。生产力得到较大提升，至少在某些方面拥有远超之前平台的效率。Python运行速度相对于C之类的编译型语言比较慢，但是这个短板不会成为瓶颈问题，且不说cython的效率接近于C，其高效的扩展接口，可以直接调用C、Fotran编写程序库执行高效代码。

学什么

GISer学Python除了掌握Python本身的核心语法，需要掌握一些常用的空间信息开发工具库，后文会列出。gis专业的方向也就那么些，我了解的就是空间数据处理（区划图、分布图）、空间信息系统建设（空间数据云、数据库以及各种系统）、空间分析算法（数据分析-行为模式、分布规律、地统计分析，地理理论推导-空间分析）、数字地图制图（地理要素表达、色彩、投影）、地理环境仿真模拟（建模-高精度曲面模型、DEM、DTM）。除了仿真模拟这一块，Python基本上都有比较可靠的工具。
学习的方法主要是自学和参加学校的课程，如果要参加课程可以尽量现在网络上找一些教学视频看一下，了解一下教学质量和教学方式。路线思路如下图：