您可能會問自己：“我到底可以用Python做什麽？”

這是個棘手的問題，因為Python有很多用途。

但是隨著時間的推移，

我發現Python主要可用於一下三個方面：

Web開發
數據科學——包括機器學習、數據分析和數據可視化
腳本編寫
我們就依次來看看吧。

一、Web開發
像Django和Flask這樣基於Python的Web框架最近在web開發中變得非常流行。

這些web框架幫助您用Python創建服務器端代碼（後端代碼）。

這些代碼在您的服務器上而不是在用戶設備以及瀏覽器上（前端代碼）運行。

如果您不熟悉後端代碼和前端代碼之間的區別，請參閱下面腳註。

但是，等等，我為什麽需要web框架呢？

那是因為web框架讓構建通用後端邏輯變得更簡單了。

這包括把不同的URL映射到Python代碼塊、處理數據庫和生成用戶在瀏覽器中看到的HTML文件。

我應該用哪個Python web框架？

Django和Flask是兩種最流行的Python web框架。

如果您剛剛開始學習，那麽可以用它們中的任何一個。

Django和Flask有什麽區別？

主要的對比：

Flask提供簡潔、靈活和細粒度控制。它很是客觀（讓您決定如何實現想要的東西）。
Django提供一種包羅萬象的體驗：您可以獲得管理面板、數據庫接口、ORM（object-relational mappling，對象關系映射），還有開箱即用的應用程序和項目的目錄結構。

Flask，如果您專註於體驗和學習機會，或者您想對選用哪個組件有更大的控制權（例如您想使用哪個數據庫和如何與它們交互）。
Django，如果你專註於最終的產品。特別是如果您正在做一個簡單的應用程序（如一個新聞網站、電子商店，或者博客）並且希望有一個直接明了的做法。
換句話說，如果您是位初學者，Flask可能是個更好的選擇，因為用到的組件比較少。

如果您想要更多的定制，那麽Flask也是個更好的選擇。

而且，根據我的數據工程師朋友的看法，

Flask更適合創建那些所謂的REST API的東西，因為它比Django更靈活。

另一方面，

如果您想構建一些簡單的東西，

Django會讓您更快地達到目標。

好，我們接著談談下一個！

二、數據科學 —— 包括機器學習、數據分析和數據可視化
首先，我們來回顧一下什麽是機器學習。

我認為，解釋什麽是機器學習的最好方法莫過於舉個例子。

假設您想開發一個程序用於自動檢測圖片中的內容。

因此，對於下面的這張圖片（圖片1），您希望您的程序能識別出這是條狗。

而對於下面的這張圖片（圖片2），您希望您的程序能識別出它是張桌子。

您也許會說，我可以用幾行代碼搞定。例如，如果在圖片上有很多淡棕色的像素，那麽我們可以說那是狗。

或者，您可以找到在照片中檢測邊緣的方法。然後，您也許會說，如果有很多直邊，那麽那就是一張桌子。

但是，這種方法很快就遇到麻煩了。如果圖片上是條沒有棕色毛發的白狗怎麽辦？如果圖片上顯示的只是桌子的圓形部分呢？

輪到機器學習大顯身手了。

比如，您給機器學習的算法提供1000張狗的照片和1000張桌子的照片。那麽，它將會學習區別狗和桌子。當您給出一張狗或桌子的新圖片時，它將能夠識別出是狗還是桌子。

我認為，這和嬰兒學習新事物有點類似。嬰兒是如何知道一樣東西看起來像狗，而另一樣東西看起來像桌子呢？可能就是從大量的例子中學到的。

您也許不會明確地告訴一個嬰兒：“如果一樣東西是毛茸茸的，並且有著淡棕色的毛發，那麽它可能是條狗。”

您可能只是說：“那是條狗。這也是條狗。這是桌子。那也是桌子。”

機器學習算法的工作方式大致相同。

您可以把同樣的想法應用於：

推薦系統（像YouTube、Amazon和Netflix在用的）
面部識別
聲音識別
您可能聽說過的流行的機器學習算法包括：

神經網絡
深度學習
支持向量機
隨機森林
您可以使用任何一個上述算法來解決我剛才解釋過的圖片標註問題。

三、將Python用於機器學習
有一些流行的Python機器學習庫和框架，其中最流行的兩個是scikit-learn和TensorFlow。

scikit-learn附帶了一些更流行的內置機器學習算法。我剛才提到了其中的幾個。
TensorFlow更像是個低級庫，它允許您構建自定義機器學習算法。
如果您剛開始一個機器學習項目，那麽我建議您先用scikit-learn。如果您開始遇到效率問題，那麽我建議用TensorFlow。

請註意，您需要微積分和線性代數的基本知識以理解這些課程中的某些內容。

四、那麽數據分析和數據可視化呢？
為了幫助您理解，我在這裏給您舉個簡單的例子。假設，您為一家在線銷售產品的公司工作。

那麽，作為數據分析師，您也許會畫一個類似的條形圖。

從這張圖上，我們可以看到，在某個特定的周日，對於某件產品來說，男性購買了400多件，而女性購買了大約350件。

作為一個數據分析師，您也許會對其中的差異做出幾個可能的解釋。

一個很顯然的可能解釋是，該產品在男性中比在女性中更流行。另一個可能的解釋是，樣本量太小，這個差異是偶爾產生的。還有一個可能的解釋是，在周日，由於某種原因，男性比女性更傾向於購買該產品。

為了搞明白哪個解釋是正確的，您可能繪制另一張圖，如下圖所示：

我們不再只顯示周日的數據，而是整整一周的數據。正如您所見，從這張圖中，我們可以看到，這種差異在不同的日子裏很一致。

從這個簡單的分析中，您可能得出了結論，對這種差異，一個最有說服力的解釋就是，這個產品更受男性而不是女性歡迎。

另一方面，如果您看到是如下所示的圖呢？

折線圖2-同樣由Python生成

那麽，如何解釋出現在周日的差異呢？

您也許會說，也許出於某種原因，男性在周日更傾向於購買該產品。或者，也許只是巧合，男性在周日購買了更多的該產品。

好了，這是個簡化的例子，展示了數據分析在真實世界中看起來的樣子。

我在谷歌和微軟工作的時候做過數據分析，跟這個例子非常相似，只是更復雜一些罷了。事實上，我在谷歌工作時，是用Python來做這種分析，而我在微軟的時候，用的是JavaScript。

在這兩家公司工作的時候，我用SQL從數據庫中提取數據。然後，我會用Python和Matplotlib（在谷歌工作時）或JavaScrip和D3.js（在微軟工作時）進行數據可視化和分析。

五、用Python進行數據分析/可視化
最流行的數據可視化庫之一是Matplotlib。

剛開始學習的話，它是個不錯的庫，因為：

它容易上手
其他一些庫，如seaborn是以它為基礎的。因此，學習Matplotlib可以幫助您隨後學習其他庫。
六、選Python 3還是Python 2？
我會推薦Python 3，因為它更現代化，並且目前它更受歡迎。

腳註：對於後端代碼和前端代碼的的說明（萬一您對這些術語不熟悉）。

假設，您想做個類似於Instagram的東西。

那麽，您需要為每種想支持的設備創建前端代碼：

Swift用於iOS設備
Java用於安卓設備
JavaScript用於web瀏覽器
每組代碼都將在對應類型的設備/瀏覽器上運行。這組代碼將決定應用的布局看上去的樣子，單擊時按鈕的外觀等等。

但是，您仍然需要存儲用戶信息和照片的能力。除了在用戶的設備商儲存這些信息，您還會希望將這些信息儲存在服務器上，這樣，每個用戶的關註者就能看到用戶的照片。

這裏就是後端代碼/服務器端代碼的用武之地了。您需要編寫後端代碼以執行以下操作：

持續跟蹤誰在關註誰
壓縮照片，以免占據太多存儲空間
在發現功能中給每個用戶推薦照片和新賬號
好了，這就是後端代碼和前段代碼之間的區別。

順便說一下，Python不是編寫後端/服務器端代碼的唯一好選擇。還有很多其他流行的選擇，包括Node.js，它是基於JavaScript的。

如果有什麽想法或者意見的話歡迎來加扣扣：1192893289

Python那麽火，到底能用來做什麽？我們來說說Python3的主要應用