使用Python究竟可以做什么？下面是Python的3个主要应用

前言

如果您正在考虑学习Python—或者您最近才开始学习—您可能会问自己:

“我用Python到底能做什么?”

这个问题很难回答，因为Python有很多应用程序。

但随着时间的推移，我发现Python有3种主要的流行应用:

1. Web开发
2. 数据科学——包括机器学习、数据分析和数据可视化
3. 脚本

web开发

基于Python(如Django和Flask)的Web框架最近在Web开发中非常流行。

这些web框架帮助您用Python创建服务器端代码(后端代码)。这是运行在服务器上的代码，而不是用户设备和浏览器上的代码(前端代码)。如果您不熟悉后端代码和前端代码的区别，请参阅我下面的脚注。

但是等等，为什么我需要一个web框架呢?

这是因为web框架更容易构建通用后端逻辑。这包括将不同的url映射到Python代码块、处理数据库和生成用户在浏览器上看到的HTML文件。

我应该使用哪种Python web框架?

Django和Flask是两个最流行的Python web框架。如果你刚刚开始，我建议你使用其中的一种。

Django和Flask有什么不同?

主要对比:

• Flask提供了简单、灵活和细粒度的控制。它是无约束的(它让您决定如何实现事物)。

• Django提供了一种全面的体验:为您的应用程序和项目提供了一个管理面板、数据库接口、ORM[对象-关系映射]和目录结构。

你应该选择:

• 如果您关注经验和学习机会，或者您想要更多地控制使用哪些组件(例如您想要使用哪些数据库以及您想要如何与它们交互)，那么您可以使用Flask。

• Django，如果你专注于最终的产品。特别是如果您正在处理一个简单的应用程序，例如一个新闻站点、一个电子商店或博客，并且您希望总是有一个单一的、明显的做事方式。

换句话说，如果您是初学者，那么Flask可能是一个更好的选择，因为它需要处理的组件比较少。此外，如果您想要更多的定制，Flask是一个更好的选择。

另一方面，如果您希望直接构建一些东西，Django可能会让您更快地实现这一点。

数据科学

首先，让我们复习一下什么是机器学习

我认为解释机器学习的最好方法是给你们举个简单的例子。

假设您想要开发一个程序来自动检测图片中的内容。

因此，根据下面这张图(图1)，您希望您的程序能够识别它是一只狗。

考虑到下面的另一个(图2)，您希望您的程序认识到它是一个桌子。

你可能会说，我可以写一些代码来实现。例如，如果图片中有很多浅棕色的像素，那么我们可以说它是一只狗。或者，你可以找出如何检测图片的边缘。然后，你可能会说，如果有很多条直边，那么它就是一个表格。

然而，这种方法很快就会变得棘手。如果照片里有一只没有棕色毛发的白狗呢?如果这张图只显示了桌子的圆形部分呢?

什么是机器学习。

机器学习通常实现自动检测给定输入中的模式的算法。

比如说，你可以给一个机器学习算法提供1000张狗的图片和1000张桌子的图片。然后，它会学习狗和桌子之间的区别。当你给它一张狗或桌子的新图片时，它就能认出这是哪一张。

我认为这有点类似于婴儿学习新事物的方式。一个婴儿怎么知道一个东西长得像狗，而另一个东西长得像桌子?可能是从一堆例子中得到的。

你可能不会明确地告诉婴儿，“如果什么东西是毛茸茸的，长着浅棕色的毛，那么它可能是一只狗。”你可能会说:“那是一只狗。”这也是一只狗。这是一张桌子。那张也是桌子。”

机器学习算法也是如此。你可以把同样的想法应用到:

• 推荐系统(想想YouTube、Amazon和Netflix)
• 人脸识别
• 语音识别

在其他应用程序中。你可能听说过的流行的机器学习算法包括:

• 神经网络
• 深度学习
• 支持向量机
• 随机森林

您可以使用上面的任何一种算法来解决我前面解释的图片标记问题。

机器学习中的Python

Python有很多流行的机器学习库和框架。其中最受欢迎的两个是scikit-learn和TensorFlow。

• scikit-learn内置了一些更流行的机器学习算法。我上面提到了其中的一些。
• TensorFlow更像是一个底层库，它允许您构建自定义机器学习算法。

如果你刚刚开始一个机器学习项目，我建议你先从scikit-learn开始。如果你开始遇到效率问题，那么我将开始研究TensorFlow。

我应该如何学习机器学习?

为了学习机器学习的基础知识，我推荐斯坦福吴恩达的机器学习课程。

https://www.coursera.org/learn/machine-learning

请注意，你需要微积分和线性代数的基础知识来理解这些课程中的一些材料。

然后，在Kaggle实践您从这些课程中学到的内容。这是一个网站，人们在这里竞争，为一个给定的问题建立最好的机器学习算法。他们也有很好的初学者教程。

使用Python进行数据分析/可视化

用于数据可视化的最流行的库之一是Matplotlib。这是一个很好的入门库，因为:这很容易开始

一些其他的库，比如seaborn就是基于它的。因此，学Matplotlib将帮助您以后学习这些其他库。

脚本

脚本是什么?

脚本编制通常是指编写用于使简单任务自动化的小程序。

那么，让我给你们一个我个人经历的例子。

我曾经在日本的一家小公司工作，那里有一个电子邮件支持系统。这是一个我们用来回复客户通过电子邮件发送给我们的问题的系统。

当我在那里工作的时候，我的任务是计算包含特定关键词的电子邮件的数量，这样我们就可以分析收到的电子邮件。我们可以手动完成它，但是我写了一个简单的程序/简单的脚本来自动化这个任务。

实际上，我们当时使用的是Ruby，但是Python也是完成这种任务的好语言。Python适合这种类型的任务，主要是因为它有相对简单的语法和易于编写。它还可以快速地用它编写一些小的东西并对其进行测试。

游戏呢?

你可以使用PyGame库来开发游戏，但它并不是最流行的游戏引擎。你可以用它来建立一个兴趣项目，但我个人不会选择它，如果你是认真的游戏开发。

相反，我建议您从Unity开始使用c#，它是最流行的游戏引擎之一。它允许你在许多平台上创建游戏，包括Mac, Windows, iOS和Android。

最后

如果对Python感兴趣的话，可以试试我的学习方法以及相关的学习资料

Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python必备开发工具
 

三、精品Python学习书籍

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

四、Python视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

五、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、Python练习题

检查学习结果。

七、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

大家拿到脑图后，根据脑图对应的学习路线，做好学习计划制定。根据学习计划的路线来逐步学习，正常情况下2个月以内，再结合文章中资料，就能够很好地掌握Python并实现一些实践功能。