转载于http://c.biancheng.net/python/
Python 并不是一门新的编程语言，1991 年就发行了第一个版本，2010 年以后随着大数据和人工智能的兴起，Python 又重新焕发出了耀眼的光芒。在 2019 年 12 月份世界编程语言排行榜中，Python 排名第三，仅次于 Java 和C语言。
Python 是一门开源免费的脚本编程语言，它不仅简单易用，而且功能强大。
Python 是一门推崇“极简主义”的编程语言，阅读优秀的 Python 程序就像阅读一段英文，非专业人士也可以使用 Python。
本章主要介绍和 Python 编程相关的基础知识，并没有真正涉及 Python 语法，算是一道“开胃菜”。
其实，程序指的就是一系列指令，用来告诉计算机做什么，而编写程序的关键在于，我们需要用计算机可以理解的语言来提供这些指令。
虽然借助 Siri（Apple）、Google Now（Android）、Cortana（Microsoft）等技术，我们可以使用汉语直接告诉计算机做什么，比如“Siri，打开酷狗音乐”，但使用过这些系统的读者都知道，它尚未完全成熟，再加上我们语言充满了模糊和不精确因素，使得设计一个完全理解人类语言的计算机程序，仍然是一个有待解决的问题。
为了有效避开所有影响给计算机传递指令的因素，计算机科学家设计了一些符号，这些符号各有其含义，且之间无二义性，通常称它们为编程语言。编程语言中的每个结构，都有固定的使用格式（称为语法）以及精确的含义（称为语义）。换句话说，编程语言指定了成套的规则，用来编写计算机可以理解的指令。习惯上，我们将这一条条指令称为计算机代码，而用编程语言来编写算法的过程称为编码。
本教程要讲解的 Python 就是一种编程语言，除此之外，你肯定也听说过其他一些编程语言，如 C、C++、Java、Ruby 等。至今，计算机科学家已经开发了成百上千种编程语言，且随着时间演变，这些编程语言又产生了多个不同的版本。但无论是哪个编程语言，也无论有多少个版本，虽然它们在细节上可能有所不同，无疑它们都有着固定的、无二义性的语法和语义。
以上提到的编程语言，都是高级计算机语言，设计它们的目的是为了方便程序员理解和使用。但严格来说，计算机硬件只能理解一种非常低级的编程语言，称为机器语言。
比如说，让计算机对 2 个数做求和操作，那么 CPU 可能要执行以下指令：
可以看到，对 2 个数执行求和操作需要做这么多工作，且这还只是笼统地描述，实际会更加复杂。
而使用 Python 这样的高级语言，对 2 个数求和可以很自然地用 c = a + b 表示，但由此带来的问题是，我们需要设计一种方法，将高级语言翻译成计算机可以执行的机器语言，有两种方法可以实现，分别是使用编译器和解释器。
使用编译器将自身等效转换成机器语言的高级语言，通常称为编译型语言；而使用解释器将自身转换成机器语言的高级语言，称为解释型语言，Python 就是解释型编程语言的一种。
关于编译型语言和解释型语言的含义和区别，后续章节会进行详细介绍。
我们编写的源代码是人类语言，我们自己能够轻松理解；但是对于计算机硬件（CPU），源代码就是天书，根本无法执行，计算机只能识别某些特定的二进制指令，在程序真正运行之前必须将源代码转换成二进制指令。
所谓的二进制指令，也就是机器码，是 CPU 能够识别的硬件层面的“代码”，简陋的硬件（比如古老的单片机）只能使用几十个指令，强大的硬件（PC 和智能手机）能使用成百上千个指令。
然而，究竟在什么时候将源代码转换成二进制指令呢？不同的编程语言有不同的规定：
简单理解，编译器就是一个“翻译工具”，类似于将中文翻译成英文、将英文翻译成俄文。但是，翻译源代码是一个复杂的过程，大致包括词法分析、语法分析、语义分析、性能优化、生成可执行文件等五个步骤，期间涉及到复杂的算法和硬件架构。解释器与此类似，有兴趣的读者请参考《编译原理》一书，本文不再赘述。
Java 和 C# 是一种比较奇葩的存在，它们是半编译半解释型的语言，源代码需要先转换成一种中间文件（字节码文件），然后再将中间文件拿到虚拟机中执行。Java 引领了这种风潮，它的初衷是在跨平台的同时兼顾执行效率；C# 是后来的跟随者，但是 C# 一直止步于 Windows 平台，在其它平台鲜有作为。
图 1 编译型语言和解释型语言的执行流程
那么，编译型语言和解释型语言各有什么特点呢？它们之间有什么区别？
对于编译型语言，开发完成以后需要将所有的源代码都转换成可执行程序，比如 Windows 下的.exe文件，可执行程序里面包含的就是机器码。只要我们拥有可执行程序，就可以随时运行，不用再重新编译了，也就是“一次编译，无限次运行”。
在运行的时候，我们只需要编译生成的可执行程序，不再需要源代码和编译器了，所以说编译型语言可以脱离开发环境运行。
编译型语言一般是不能跨平台的，也就是不能在不同的操作系统之间随意切换。
编译型语言不能跨平台表现在两个方面：
可执行程序不能跨平台很容易理解，因为不同操作系统对可执行文件的内部结构有着截然不同的要求，彼此之间也不能兼容。不能跨平台是天经地义，能跨平台反而才是奇葩。
比如，不能将 Windows 下的可执行程序拿到 Linux 下使用，也不能将 Linux 下的可执行程序拿到 Mac OS 下使用（虽然它们都是类 Unix 系统）。
另外，相同操作系统的不同版本之间也不一定兼容，比如不能将 x64 程序（Windows 64 位程序）拿到 x86 平台（Windows 32 位平台）下运行。但是反之一般可行，因为 64 位 Windows 对 32 位程序作了很好的兼容性处理。
不同平台支持的函数、类型、变量等都可能不同，基于某个平台编写的源代码一般不能拿到另一个平台下编译。我们以C语言为例来说明。
【实例1】在C语言中要想让程序暂停可以使用“睡眠”函数，在 Windows 平台下该函数是 Sleep()，在 Linux 平台下该函数是 sleep()，首字母大小写不同。其次，Sleep() 的参数是毫秒，sleep() 的参数是秒，单位也不一样。
以上两个原因导致使用暂停功能的C语言程序不能跨平台，除非在代码层面做出兼容性处理，非常麻烦。
【实例2】虽然不同平台的C语言都支持 long 类型，但是不同平台的 long 的长度却不同，例如，Windows 64 位平台下的 long 占用 4 个字节，Linux 64 位平台下的 long 占用 8 个字节。
我们在 Linux 64 位平台下编写代码时，将 0x2f1e4ad23 赋值给 long 类型的变量是完全没有问题的，但是这样的赋值在 Windows 平台下就会导致数值溢出，让程序产生错误的运行结果。
让人苦恼的，这样的错误一般不容易察觉，因为编译器不会报错，我们也记不住不同类型的取值范围。
对于解释型语言，每次执行程序都需要一边转换一边执行，用到哪些源代码就将哪些源代码转换成机器码，用不到的不进行任何处理。每次执行程序时可能使用不同的功能，这个时候需要转换的源代码也不一样。
因为每次执行程序都需要重新转换源代码，所以解释型语言的执行效率天生就低于编译型语言，甚至存在数量级的差距。计算机的一些底层功能，或者关键算法，一般都使用 C/C++ 实现，只有在应用层面（比如网站开发、批处理、小工具等）才会使用解释型语言。
在运行解释型语言的时候，我们始终都需要源代码和解释器，所以说它无法脱离开发环境。
当我们说“下载一个程序（软件）”时，不同类型的语言有不同的含义：
相比于编译型语言，解释型语言几乎都能跨平台，“一次编写，到处运行”是真是存在的，而且比比皆是。那么，为什么解释型语言就能快平台呢？
这一切都要归功于解释器！
我们所说的跨平台，是指源代码跨平台，而不是解释器跨平台。解释器用来将源代码转换成机器码，它就是一个可执行程序，是绝对不能跨平台的。
官方需要针对不同的平台开发不同的解释器，这些解释器必须要能够遵守同样的语法，识别同样的函数，完成同样的功能，只有这样，同样的代码在不同平台的执行结果才是相同的。
你看，解释型语言之所以能够跨平台，是因为有了解释器这个中间层。在不同的平台下，解释器会将相同的源代码转换成不同的机器码，解释器帮助我们屏蔽了不同平台之间的差异。
Python 属于典型的解释型语言，所以运行 Python 程序需要解释器的支持，只要你在不同的平台安装了不同的解释器，你的代码就可以随时运行，不用担心任何兼容性问题，真正的“一次编写，到处运行”。
Python 几乎支持所有常见的平台，比如 Linux、Windows、Mac OS、Android、FreeBSD、Solaris、PocketPC 等，你所写的 Python 代码无需修改就能在这些平台上正确运行。也就是说，Python 的可移植性是很强的。
我们将编译型语言和解释型语言的差异总结为下表：
| 类型 | 原理 | 优点 | 缺点 |
|---|---|---|---|
| 编译型语言 | 通过专门的编译器，将所有源代码一次性转换成特定平台（Windows、Linux 等）执行的机器码（以可执行文件的形式存在）。 | 编译一次后，脱离了编译器也可以运行，并且运行效率高。 | 可移植性差，不够灵活。 |
| 解释型语言 | 由专门的解释器，根据需要将部分源代码临时转换成特定平台的机器码。 | 跨平台性好，通过不同的解释器，将相同的源代码解释成不同平台下的机器码。 | 一边执行一边转换，效率很低。 |
编程语言有“高低”之分，而高级语言又有很多种，比如 C++、Java、C#、PHP、JavaScript 等，Python 也是其中之一。从本节开始，我们将正式开始学习 Python 这门高级编程语言，但是在此之前，我们有必要先讨论一下“Python 是什么”。
Python 英文原意为“蟒蛇”，直到 1989 年荷兰人 Guido van Rossum （简称 Guido）发明了一种面向对象的解释型编程语言，并将其命名为 Python，才赋予了它表示一门编程语言的含义。
我们将在《编译型语言和解释型语言的区别》一文中讲解什么是解释型语言。
图 1 Python 的标志（Logo）
说道 Python，它的诞生是极具戏曲性的，据 Guido 的自述记载，Python 语言是他在圣诞节期间为了打发时间开发出来的，之所以会选择 Python 作为该编程语言的名字，是因为他是一个叫 Monty Python 戏剧团体的忠实粉丝。
Python 语言是在 ABC 教学语言的基础上发展来的；遗憾的是，ABC 语言虽然非常强大，但却没有普及应用，Guido 认为是它不开放导致的。
基于这个考虑，Guido 在开发 Python 时，不仅为其添加了很多 ABC 没有的功能，还为其设计了各种丰富而强大的库，利用这些 Python 库，程序员可以把使用其它语言制作的各种模块（尤其是C语言和 C++）很轻松地联结在一起，因此 Python 又常被称为“胶水”语言。
这里的库和模块，简单理解就是一个个的源文件，每个文件中都包含可实现各种功能的方法（也可称为函数）。
从整体上看，Python 语言最大的特点就是简单，该特点主要体现在以下 2 个方面：
对于 Python，网络上流传着“人生苦短，我用 Python”的说法。
因此，看似 Python 是“不经意间”开发出来的，但丝毫不比其它编程语言差。事实也是如此，自 1991 年 Python 第一个公开发行版问世后：
直至现在（2019 年 12 月份），根据 TIOBE 排行榜的显示，Python 也居于第 3 位，且有继续提升的态势（如表 2 所示）。
| 2019年12月 | 2018年12月 | 编程语言 | 市场份额 | 变化 |
|---|---|---|---|---|
| 1 | 1 | Java | 17.253% |  +1.32% |
| 2 | 2 | C | 16.086% |  +1.80% |
| 3 | 3 | Python | 10.308% |  +1.93% |
| 4 | 4 | C++ | 6.196% |  -1.37% |
| 5 | 6 | C# | 4.801% |  +1.35% |
| 6 | 5 | Visual Basic .NET | 4.743% |  -2.38% |
| 7 | 7 | JavaScript | 2.090% |  -0.97% |
| 8 | 8 | PHP | 2.048% |  -0.39% |
| 9 | 9 | SQL | 1.843% |  -0.34% |
| 10 | 14 | Swift | 1.490% |  +0.27% |
| 11 | 17 | Ruby | 1.314% |  +0.21% |
| 12 | 11 | Delphi/Object Pascal | 1.280% |  -0.12% |
| 13 | 10 | Objective-C | 1.204% |  -0.27% |
| 14 | 12 | Assembly language | 1.067% |  -0.30% |
| 15 | 15 | Go | 0.995% |  -0.19% |
| 16 | 16 | R | 0.995% |  -0.12% |
| 17 | 13 | MATLAB | 0.986% | -0.30% |
| 18 | 25 | D | 0.930% |  +0.42% |
| 19 | 19 | Visual Basic | 0.929% |  -0.05% |
| 20 | 18 | Perl | 0.899% |  -0.11% |
显然，Python 已经将 C++ 语言甩在了后边，直逼 C 语言和 Java，而且未来有可能超越它们，成为编程语言排行榜冠军。
我们不妨再看一下 Python 历年来的市场份额变化曲线，Python 的未来大势可期。
图 2 Python 历年来市场份额变化曲线
错过了 C/C++ 的 PC 时代，又错过了 Java 的互联网和智能手机时代，你还想错过 Python 的人工智能和大数据时代吗？Python 正位于软件产业的第四次风口之上，把握好风口，你就能飞起来。
Python 是一种面向对象的、解释型的、通用的、开源的脚本编程语言，它之所以非常流行，我认为主要有三点原因：
举个简单的例子来说明一下 Python 的简单。比如要实现某个功能，C语言可能需要 100 行代码，而 Python 可能只需要几行代码，因为C语言什么都要得从头开始，而 Python 已经内置了很多常见功能，我们只需要导入包，然后调用一个函数即可。
简单就是 Python 的巨大魅力之一，是它的杀手锏，用惯了 Python 再用C语言简直不能忍受。
本文就来汇总一下 Python 的特性，综合对比一下它的优缺点。
和传统的 C/C++、Java、C# 等语言相比，Python 对代码格式的要求没有那么严格，这种宽松使得用户在编写代码时比较舒服，不用在细枝末节上花费太多精力。我来举两个典型的例子：
这两点也是 PHP、JavaScript、MATLAB 等常见脚本语言都具备的特性。
Python 是一种代表极简主义的编程语言，阅读一段排版优美的 Python 代码，就像在阅读一个英文段落，非常贴近人类语言，所以人们常说，Python 是一种具有伪代码特质的编程语言。
伪代码（Pseudo Code）是一种算法描述语言，它介于自然语言和编程语言之间，使用伪代码的目的是为了使被描述的算法可以容易地以任何一种编程语言（Pascal，C，Java，etc）实现。因此，伪代码必须结构清晰、代码简单、可读性好，并且类似自然语言。
如果你学过数据结构，阅读过严蔚敏的书籍，那你一定知道什么是伪代码。
为什么说简单就是杀手锏？一旦简单了，一件事情就会变得很纯粹；我们在开发 Python 程序时，可以专注于解决问题本身，而不用顾虑语法的细枝末节。在简单的环境中做一件纯粹的事情，那简直是一种享受。
开源，也即开放源代码，意思是所有用户都可以看到源代码。
Python 的开源体现在两方面：
① 程序员使用 Python 编写的代码是开源的。
比如我们开发了一个 BBS 系统，放在互联网上让用户下载，那么用户下载到的就是该系统的所有源代码，并且可以随意修改。这也是解释型语言本身的特性，想要运行程序就必须有源代码。
② Python 解释器和模块是开源的。
官方将 Python 解释器和模块的代码开源，是希望所有 Python 用户都参与进来，一起改进 Python 的性能，弥补 Python 的漏洞，代码被研究的越多就越健壮。
这个世界上总有那么一小撮人，他们或者不慕名利，或者为了达到某种目的，会不断地加强和改善 Python。千万不要认为所有人都是只图眼前利益的，总有一些精英会放长线钓大鱼，总有一些极客会做一些炫酷的事情。
开源并不等于免费，开源软件和免费软件是两个概念，只不过大多数的开源软件也是免费软件；Python 就是这样一种语言，它既开源又免费。
如果你想区分开源和免费的概念，请猛击：开源就等于免费吗？用事实来说话
用户使用 Python 进行开发或者发布自己的程序，不需要支付任何费用，也不用担心版权问题，即使作为商业用途，Python 也是免费的。
这里所说的高级，是指 Python 封装较深，屏蔽了很多底层细节，比如 Python 会自动管理内存（需要时自动分配，不需要时自动释放）。
高级语言的优点是使用方便，不用顾虑细枝末节；缺点是容易让人浅尝辄止，知其然不知其所以然。
解释型语言一般都是跨平台的（可移植性好），Python 也不例外，我们已经在《编译型语言和解释型语言的区别》中进行了讲解，这里不再赘述。
面向对象是现代编程语言一般都具备的特性，否则在开发中大型程序时会捉襟见肘。
Python 支持面向对象，但它不强制使用面向对象。Java 是典型的面向对象的编程语言，但是它强制必须以类和对象的形式来组织代码。
Python 的模块众多，基本实现了所有的常见的功能，从简单的字符串处理，到复杂的 3D 图形绘制，借助 Python 模块都可以轻松完成。
Python 社区发展良好，除了 Python 官方提供的核心模块，很多第三方机构也会参与进来开发模块，这其中就有 Google、Facebook、Microsoft 等软件巨头。即使是一些小众的功能，Python 往往也有对应的开源模块，甚至有可能不止一个模块。
Python 的可扩展性体现在它的模块，Python 具有脚本语言中最丰富和强大的类库，这些类库覆盖了文件 I/O、GUI、网络编程、数据库访问、文本操作等绝大部分应用场景。
这些类库的底层代码不一定都是 Python，还有很多 C/C++ 的身影。当需要一段关键代码运行速度更快时，就可以使用 C/C++ 语言实现，然后在 Python 中调用它们。Python 能把其它语言“粘”在一起，所以被称为“胶水语言”。
Python 依靠其良好的扩展性，在一定程度上弥补了运行效率慢的缺点。
除了上面提到的各种优点，Python 也是有缺点的。
运行速度慢是解释型语言的通病，Python 也不例外。
Python 速度慢不仅仅是因为一边运行一边“翻译”源代码，还因为 Python 是高级语言，屏蔽了很多底层细节。这个代价也是很大的，Python 要多做很多工作，有些工作是很消耗资源的，比如管理内存。
Python 的运行速度几乎是最慢的，不但远远慢于 C/C++，还慢于 Java。
但是速度慢的缺点往往也不会带来什么大问题。首先是计算机的硬件速度运来越快，多花钱就可以堆出高性能的硬件，硬件性能的提升可以弥补软件性能的不足。
其次是有些应用场景可以容忍速度慢，比如网站，用户打开一个网页的大部分时间是在等待网络请求，而不是等待服务器执行网页程序。服务器花 1ms 执行程序，和花 20ms 执行程序，对用户来说是毫无感觉的，因为网络连接时间往往需要 500ms 甚至 2000ms。
不像编译型语言的源代码会被编译成可执行程序，Python 是直接运行源代码，因此对源代码加密比较困难。
开源是软件产业的大趋势，传统程序员需要转变观念。
“编程零基础，可以学习 Python 吗”，这是很多初学者经常问我的一个问题。当然，在计算机方面的基础越好，对学习任何一门新的编程语言越有利。但如果你在编程语言的学习上属于零基础，也不用担心，因为无论用哪门语言作为学习编程的入门语言，总是要有一个开始。
就我个人的观点，Python 作为学习编程的入门语言是再合适不过的。凡是在大学计算机专业学习过 C 语言的同学都感同身受，认为 C 语言不是很好的入门语言，很多曾经立志学习编程的读者，在学习了 C 语言之后，就决心不再学习编程。因此，是否学会 C 语言，好像成为了进入编程行业的筛选标准。
但是，如果将 Python 作为编程入门语言，就不会出现类似 C 语言的那些窘境问题。目前，逐渐有高校开始使用 Python 作为软件专业大学生（甚至也包含非软件专业）的入门编程语言。
本教程始终贯彻的思想就是，零基础也能学 Python，教程的目标就是和初学者一起，从零基础开始学习 Python。因此，编程零基础的你，无需犹豫，尽管放胆来学。
除此之外，很多初学者还面临这样一个问题，那就是教程已经学完啦，教程中的代码也都已经亲自编写并运行通过了，但还是不知道如何开发一个真正的应用程序，面对问题还是不知道如何下手解决。
如果你深有同感，只能说明你缺乏练习，代码编辑量太少。从编程零基础到专业程序员的过程，除了学习更多的基础知识，更要刻意地去培养自己的编程思维，这没有捷径，只有靠不断积累自己的代码量。
当然，增加代码量并不是要我们去盲目地编写代码，如果找不到增加代码量的方向，可以从阅读别人的代码开始。需要注意的是，在阅读他人编写的代码时，要边阅读边思考，多问几个为什么，例如代码为什么要这么写，有什么意图，有没有更简单的方法可以实现等等，必要情况下还可以给代码进行必要的注释。不仅如此，在完全理解他人代码的前提下，还可以试图对代码做修改，实现一些自己的想法。做到这些，才能说明你将别人的代码消化吸收了。
初学者在写代码或者调试代码的过程中，肯定会遇到很多问题，怎么办呢？最好的方法就是借助网络寻找答案，看看类似的问题别人是如何解决的，千万不要总是局限在自己的思维范围中。在这里，给大家推荐一个专门针对编程答疑解惑的网站 Stack OverFlow。
Python 作为一种功能强大的编程语言，因其简单易学而受到很多开发者的青睐。那么，Python 的应用领域有哪些呢？
Python 的应用领域非常广泛，几乎所有大中型互联网企业都在使用 Python 完成各种各样的任务，例如国外的 Google、Youtube、Dropbox，国内的百度、新浪、搜狐、腾讯、阿里、网易、淘宝、知乎、豆瓣、汽车之家、美团等等。
概括起来，Python 的应用领域主要有如下几个。
Python 经常被用于 Web 开发，尽管目前 PHP、JS 依然是 Web 开发的主流语言，但 Python 上升势头更猛劲。尤其随着 Python 的 Web 开发框架逐渐成熟（比如 Django、flask、TurboGears、web2py 等等），程序员可以更轻松地开发和管理复杂的 Web 程序。
例如，通过 mod_wsgi 模块，Apache 可以运行用 Python 编写的 Web 程序。Python 定义了 WSGI 标准应用接口来协调 HTTP 服务器与基于 Python 的 Web 程序之间的通信。
举个最直观的例子，全球最大的搜索引擎 Google，在其网络搜索系统中就广泛使用 Python 语言。另外，我们经常访问的集电影、读书、音乐于一体的豆瓣网（如图 1 所示），也是使用 Python 实现的。
图 1 用 Python 实现的豆瓣网
不仅如此，全球最大的视频网站 Youtube 以及 Dropbox（一款网络文件同步工具）也都是用 Python 开发的。
很多操作系统中，Python 是标准的系统组件，大多数 Linux 发行版以及 NetBSD、OpenBSD 和 Mac OS X 都集成了 Python，可以在终端下直接运行 Python。
有一些 Linux 发行版的安装器使用 Python 语言编写，例如 Ubuntu 的 Ubiquity 安装器、Red Hat Linux 和 Fedora 的 Anaconda 安装器等等。
另外，Python 标准库中包含了多个可用来调用操作系统功能的库。例如，通过 pywin32 这个软件包，我们能访问 Windows 的 COM 服务以及其他 Windows API；使用 IronPython，我们能够直接调用 .Net Framework。
通常情况下，Python 编写的系统管理脚本，无论是可读性，还是性能、代码重用度以及扩展性方面，都优于普通的 shell 脚本。
人工智能是项目非常火的一个研究方向，如果要评选当前最热、工资最高的 IT 职位，那么人工智能领域的工程师最有话语权。而 Python 在人工智能领域内的机器学习、神经网络、深度学习等方面，都是主流的编程语言。
可以这么说，基于大数据分析和深度学习发展而来的人工智能，其本质上已经无法离开 Python 的支持了，原因至少有以下几点：
VS Code 是微软推出的一款代码编辑工具（IDE），有关它的下载、安装和使用，后续章节会做详细介绍。
总之，AI 时代的来临，使得 Python 从众多编程语言中脱颖而出，Python 作为 AI 时代头牌语言的位置，基本无人可撼动！
Python 语言很早就用来编写网络爬虫。Google 等搜索引擎公司大量地使用 Python 语言编写网络爬虫。
从技术层面上将，Python 提供有很多服务于编写网络爬虫的工具，例如 urllib、Selenium 和 BeautifulSoup 等，还提供了一个网络爬虫框架 Scrapy。
自 1997 年，NASA 就大量使用 Python 进行各种复杂的科学运算。
并且，和其它解释型语言（如 shell、js、PHP）相比，Python 在数据分析、可视化方面有相当完善和优秀的库，例如 NumPy、SciPy、Matplotlib、pandas 等，这可以满足 Python 程序员编写科学计算程序。
很多游戏使用 C++ 编写图形显示等高性能模块，而使用 Python 或 Lua 编写游戏的逻辑。和 Python 相比，Lua 的功能更简单，体积更小；而 Python 则支持更多的特性和数据类型。
比如说，国际上指明的游戏 Sid Meier’s Civilization（文明，如图 2 所示）就是使用 Python 实现的。
图 2 Python 开发的游戏
除此之外，Python 可以直接调用 Open GL 实现 3D 绘制，这是高性能游戏引擎的技术基础。事实上，有很多 Python 语言实现的游戏引擎，例如 Pygame、Pyglet 以及 Cocos 2d 等。
以上也仅是介绍了 Python 应用领域的“冰山一角”，例如，还可以利用 Pygame 进行游戏编程；用 PIL 和其他的一些工具进行图像处理；用 PyRo 工具包进行机器人控制编程，等等。有兴趣的读者，可自行搜索资料进行详细了解。
在学习过程中，很多小伙伴经常抱怨，计算机编程语言种类太多，根本学不过来，可能用了 Java 很多年，突然最近的项目需要用 Python，就感到不知所措，压力山大。
再举个例子，Facebook 的主流语言是 Hack（PHP 的进化版本），但对于刚刚入职的工程师而言，100 个里至少有 95 个之前根本没有用过 Hack 或者 PHP。不过，这些人上手都特别快，基本上只需要 1~2 周，日常编程就变得毫无压力。
那么，他们是怎么做到的呢？
首先，如果你具有一定的编程基础，接触一门新的编程语言时会发现，不同的编程语言之间其实是相通的，因为编程语言本就是人类控制计算机的一系列指令，即便是不同的编程语言，它们在语法规则方面也大同小异。
因此，在原有编程基础上再学习一门新的编程语言，并没有那么难。学习过程中，首先要做到的就是明确区别。例如，学习 Python 的条件和循环语句时，可以比对 C 语言或者 C++ 语言的语法是怎样的；学习 Python 中的字符串相加时，可以对比 Java 语言中字符串相加的语法。
除了能够明确区分各编程语言的不同点，还要能将它们联系起来灵活运用。比如说，Python 语言的优势是擅长数据分析，因此它广泛应用于人工智能（AI）、机器学习等领域（例如机器学习用到的 TensorFlow 框架就是用 Python 写的），但是涉及到底层的矩阵运算等操作时，就需要依赖 C++ 语言，因为它的速度快，运行效率更高。
事实上，很多公司都是根据不同的需求选择不同的编程语言进行开发。毕竟，哪怕只是几十到几百毫秒的速度差距，对用户体验来说都是决定性的。
如果 Python 是你接触的第一门编程语言，那也不必担心。我们知道，虽然同为人机交互的桥梁，但 Python 比 C++、Java 等，语言更简洁，也更接近英语，对初学者很友好，这也是 Python 语言的一个显著特点。
对于初学者来说，要做的就是专注于 Python 这一门语言，明确学习的重点，把握好学习节奏，由浅入深循序渐进地学习。根据本人多年的学习工作经验，把编程语言的学习分为以下 3 步，无论你是否有编程基础，都可以对照着来做。
任何一门编程语言，其囊括的知识面都是非常广泛的，从基本的变量赋值、条件循环、到文件操作、并发编程等，千万不要等到把所有知识点都学完了才开始练习，因为到那时你会发现，前面好不容易记住的知识都忘记了。
学习编程，是十分讲究实战的，没有捷径可走，越早练习，练得越多越勤，学习效果就越好。
学习编程语言，在追求快和高效的同时，每一种编程语言都有必要的编码规范，一定不能忽略。
要想成为一名优秀的程序员，从起步阶段就要刻意地去培养自己的编程规范。例如，在刚开始编写代码时，不要将原本多行的代码全部写到一行，也不要随便用 a、b、c 等字母作为变量的名称。
要想真正熟练地掌握 Python（或者其它编程语言），拥有大中型产品的开发经验是必不可少的，它会让你站得更高，望得更远。
例如，我们几乎每天都会用搜索引擎，但你了解一个搜索引擎的服务器端实现吗？这是一个典型的面向对象设计，需要定义一系列相关的类和函数，还要从产品需求、代码复杂度、效率以及可读性等多个方面综合考量，同时在上线后还要进行各种优化等。
本教程中无法让你完成一个上亿用户级产品的实践，但设置有一些小项目，可以帮你掌握必要的开发知识。最后，这里为你准备了一章 Python 学习的知识图谱，涵盖了 Python 的核心知识，其中的大部分内容本教程都会做详细讲解。
Python知识体系框架（点击查看高清大图）
和 Python 2.x 版本相比，Python 3.x 版本在语句输出、编码、运算和异常等方面做出了一些调整，本节就对这些调整一一做一下简单介绍。
本节适合有 Python 基础的学员阅读，初学者可先跳过本节，整体学完 Python 之后，再回过头来阅读。
在 Python2.x 中，输出数据使用的是 Print 语句，例如：
>>> print “3,4”
3,4
或者
>>> print(3,4)
(3,4)
但是在 Python 3.x 中，print 语句没有了，取而代之的是 print 函数，例如：
>>> print(3,4)
3 4
如果还像 Python 2.x 中那样使用 print 语句，Python 编译器就会报错，例如：
>>> print “3,4”
File “”, line 1
print “3,4”
^
SyntaxError: Missing parentheses in call to ‘print’
相比 Python 2.x 默认采用的 ASCII 编码，Python 3.x 默认使用 UTF-8 编码，可以很好地支持中文或其它非英文字符。
例如，输出一句中文，使用 Python 2.x 和 Python 3.x 的区别如下：
#Python 2.x
>>>str =“C语言中文网”
>>>str
‘C\xe8\xaf\xad\xe8\xa8\x80\xe4\xb8\xad\xe6\x96\x87\xe7\xbd\x91’
#Python 3.x
>>>str =“C语言中文网”
>>>str
‘C语言中文网’
不仅如此，在 Python 3.x 中，下面的代码也是合法的：
>>>中国=“China”
>>>print(中国)
China
和其他语言相比，Python 的除法运算要高端很多，它的除法运算包含 2 个运算符，分别是 / 和 //，这 2 个运算符在 Python 2.x 和 Python 3.x 的使用方法如下：
在 Python 2.x 中，使用运算符 / 进行除法运算的方式和 Java、C 语言类似，整数相除的结果仍是一个整数，浮点数除法会保留小数点部分，例如：
>>>1/2
0
>>>1.0/2
0.5
但是在 Python 3.x 中使用 / 运算符，整数之间做除法运算，结果也会是浮点数。例如：
>>>1/2
0.5
使用运算符 // 进行的除法运算叫做 floor 除法，也就是输出不大于结果值的一个最大的整数（向下取整）。此运算符的用法在 Python 2.x 和Python 3.x 中是一样的，举个例子：
#Python 2.x
>>> -1//2
-1
#Python 3.x
>>> -1//2
-1
在 Python 3.x 版本中，异常处理改变的地方主要在以下几个方面：
有关 Python 2.x 版本和 Python 3.x 版本处理异常的示例代码如下所示：
#Python 2.x
>>> try:
… raise TypeError,“类型错误”
… except TypeError,err:
… print err.message
…
类型错误
#Python 3.x
>>> try:
… raise TypeError(“类型错误”)
… except TypeError as err:
… print(err)
…
类型错误
在 Python 3.x 中，表示八进制字面量的方式只有一种，并且必须写成“0o1000”这样的方式，原来“01000”的方式不能使用了。举个例子：
#Python 2.x
>>> 0o1000
512
>>> 01000
512
#Python 3.x
>>> 01000
File “”, line 1
01000
^
SyntaxError: invalid token
>>> 0o1000
512
Python 2.x 中的不等于运算符有 2 种写法，分别为 != 和 <>，但在 Python 3.x 中去掉了 <>，只有 ！= 这一种写法，例如：
#Python 2.x
>>> 1!=2
True
>>> 1<>2
True
#Python 3.x
>>> 1!=2
True
>>> 1<>2
File “”, line 1
1<>2
^
SyntaxError: invalid syntax
Python 3.x 中对数据类型也做了改动，比如说：
Python 3.x 去除了 long 类型，现在只有一种整形 int，但它的行为就像是 Python 2.x 版本中的 long。
Python 3.x 新增了 bytes 类型，对应 Python 2.x 版本的八位串，定义 bytes 字面量的方法如下所示：
>>>b=b’China’
>>>type(b)
<type ‘bytes’>
字符串对象和 bytes 对象可以使用 .encode() 或者 .decode()方法相互转化，例如：
>>>s=b.decode()
>>>s
‘China’
>>>b1=s.encode()
>>>b1
b’China’
Python 3.x 中，字典的 keys()、items() 和 values() 方法用返回迭代器，且之前的 iterkeys() 等函数都被废弃。同时去掉的还有 dict.has_key()，改为用 in 替代。
本节所介绍的只是 Python 3.x 的一部分改动，由于篇幅有限，这里不再具体指出，教程中涉及到时再给大家详细介绍。
Python 自发布以来，主要有 3 个版本，分别是：
3 个版本中，Python 3.0 是一次重大的升级，为了避免引入历史包袱，Python 3.0 没有考虑与 Python 2.x 的兼容，这也就导致很长时间以来，Python 2.x 的用户不愿意升级到 Python 3.0。
除此之外，造成目前这种状况的另一个原因是，将现有应用从 Python 2.x 迁移到 Python 3.x 是一项不小的挑战。虽然有 2to3（后续会介绍）之类的工具可以进行代码的自动转换，但无法保证转换后的代码 100% 正确。而且，如果不做人工修改的话，转换后的代码性能可能还不如转换前。因此，将现有的复杂代码库迁移到 Python 3.x 上可能需要付出巨大的精力和成本，某些公司无法负担这些成本。
目前，根据统计显示，使用 Python 2.x 的开发者仍占 63.7%，而Python 3.x 的用户占 36.3%，由此可见，使用 Python 2.x 的用户还是占多数。在 2014 年，Python 创始人宣布，将 Python 2.7 支持时间延长到 2020 。
那么，初学者应该选择什么版本呢？本教程建议大家选择 Python 3.x 版本，理由有以下几点：
使用 Python 3.x 已经是大势所趋
目前，虽然使用 Python 2.x 的开发者居多，但使用 Python 3.x 的开发者正在迅速增加，如图 1 所示：
图 1 Python 3.x 是大势所趋
另外，根据 PEP-404 这份文档，Python 2.x 版本将不会再发布 2.8 版本，且未来非常重要的项目（如 Django、Flask 和 Numpy）可能都将放弃对 2.x 的支持，仅支持 Python 3.x。因此，从长远来看，学习 Python 3.x 只有好处。
本教程也是以 Python 3.x 来介绍 Python 编程，因此，为了同步，强烈建议初学者选择 Python 3.x。
Python 3.x在 Python 2.x 的基础上做了功能升级
Python 3.x 对 Python 2.x 的标准库进行了一定程序的重新拆分和整合，比 Python 2.x 更容易理解，特别是在字符编码方面。Python 2.x 中对于中文字符串的支持性能不够好，需要编写单独的代码对中文进行处理，否则不能正确显示中文，而 Python 3.x 已经将该问题成功解决了。
Python 3.x 和 Python 2.x 思想基本是共通的
Python 3.x 和 Python 2.x 思想基本上是共通的，只有少量的语法差别，学会的 Python 3.x，只要稍微花点时间学习 Python 2.x 的语法，即可灵活运用这两个不同版本了。
注意，选择 Python 3.x 也不是没有弊端，很多扩展库的发行总是会滞后于 Python 的发行版本，甚至目前还有很多库不支持 Python 3.x。
因此，在选择 Python 时，一定要先考虑清楚自己的学习目的，比如说，打算做哪方面的开发，此方向需要用法哪些扩展库，以及这些扩展库支持的最高 Python 版本等，明确这些问题后，再选择适合自己的版本。
关于 Python 3.x 和 Python 2.x 具体的区别，可阅读《Python 3 和 Python 2 区别》一节。
本节内容针对已有 Python 基础的学员，初学者可直接跳过本节内容，继续往下学习。
由于 Python 2.x 和 Python 3.x 的差别较大，因此 Python 2.x 的多数代码无法直接在 Python 3.x 环境中运行。而由于兼容性的原因，我们在网络上查找的资源多数是Python 2.x 的代码，如果想要在 Python 3.x 环境下运行，就需要修改源代码。
针对这一问题，Python 官方提供了一个将 Python 2.x 代码自动转换为 Python 3.x 代码的小工具，它就是 2to3.py，通过该工具可以将大部分 Python 2.x 代码转换为 Python 3.x 代码。
接下来，就给大家详细介绍一下，如何使用 2to3.py 将 Python 2.x 代码转换成 Python 3.x 代码。
假设我们现在有 Python 2.x 的代码，要将其转换成 Python 3.x 代码，需要按照一下几个步骤进行操作：
找到 2to3.py 文件，该文件保存在 Python 安装路径下的 “Tools\scripts” 目录中。比如说，我们将 Python 安装在了“G:\Python\Python36”目录中，那么 2to3.py 文件则保存在 “G:\Python\Python36\Tools\scripts ”目录中，如图 1 所示：
图 1 Python 2.x 转 Python 3.x 的工具
将 2to3.py 文件复制到要转换代码所在的目录中。
打开命令行窗口，并进入要转换代码文件所在的目录。例如，该文件保存在“E:\change”目录下，则在命令行窗口中可输入如下命令：
C:\users\Demo>E:
E:>cd change
E:\change>
调用 2to3.py 工具转化代码。例如，要转化的文件名称为 demo.py 文件，可以使用下面的代码：
Python 2to3.py -w demo.py
执行此行代码之后，将会在 “E:\change” 目录下创建一个 demo.py 文件的备份文件，名称为 demo.py.bak，同时，原 demo.py 文件的内容被转换为 Python 3.x 对应的代码。
注意，在使用 2to3.py 转换 python 2.x 代码前，尽量不要把要转换的代码保存在 C 盘中，因此如果保存在 C 盘，可能会因权限问题导致转换不能正常完成。
通过前面章节对 Python 语言的介绍，到目前为止，Python 已经历经了 3 个版本的迭代，读者不禁要问，Python 为什么要不断的升级呢？作为程序猿的我们，怎样才能及时了解 Python 的最新变化呢？
首先解决第一个问题，Python 不断升级的原因很简单，因为用户有了更高的需求。人们之所以设计新的编程语言，是因为他们发现现有的语言已经无法以最佳方式来解决问题。此外，Python 的使用范围越来越广，人们发现它有许多可以改进的地方，应该做出这样的改进。
Python 的很多改进都是有特定应用领域的需求驱动的，其中最重要的领域是 Web 开发，这一领域需要 Python 改进对并发的处理。
还有一些是由于 Python 的历史原因导致的，随着使用 Python 的不断深入，发现了 Python 的一些不合理之处。比如，有些是标准库模块结构混乱或冗余，有些是程序设计缺陷。
那么，怎样才能及时追踪 Python 的更新动态呢？这就需要借助 Python PEP 文档。
要知道，虽然各种各样的 Python 语句修改方案会以邮件列表的形式进行讨论，但 Python 社区有一种应对变化的固定方法，即只有发布了名为 PEP 的新文档，新的变化才会生效。
PEP（Python Enhancement Proposal），全称是 Python 改进方案。它是提交 Python 变化的书面文档，也是社区对这一变化进行讨论的出发点。值得一提得是，PEP 文档的整个目的，格式以及工作流程的标准格式，都包含 PEP 1 文档中。
PEP 文档对 Python 十分重要，它主要有以下 3 个用途：
所有提交过的 PEP 都被汇总在 PEP 0 文档中。
需要注意的是，如果读者对 Python 语言的未来发展方向感兴趣，但苦于没有时间追踪 Python 邮件列表中的讨论，那么 PEP 0 是信息来源的不错选择，它会告诉你哪些文档已被接受但尚未实施，哪些文档仍在审议中。
不仅如此，PEP 还有其他的用途，比如说，人们常常会问以下类似的问题：
多数情况下，关于该功能的某个 PEP 文档已经给出了上述问题的详细回答。
另外，还有关于 Python 语言功能的 PEP 文档并没有通过，这些文档可作为历史资料来参考。
确切地说，本教程介绍的是用 C 语言编写实现的 Python，又称为 CPython。平时我们所讨论的 Python，指的其实就是 CPython。
随着编程语言的不断发展，Python 的实现方式也发生了变化，除了用 C 语言实现外，Python 还有其他的实现方式。例如，用 Java 语言实现的 Python 称为 JPython，用 .net 实现的 Python 称为 IronPython 等等。
Python 的这些实现方式虽然诞生比 CPython 晚，但一直在努力地跟上主流，并在不同的生产环境中不断地使用并推广 Python。
Python 的实现方式有很多种，Python 官网上介绍了 20 多种语言变体、方言或 C 语言之外的 Python 解释器实现。其中一些只是实现了语言核心语法、功能和内置扩展的一个子集，但至少有几个与 CPython 几乎完全兼容。更重要的是，在这些不同的实现方式中，虽然有些只是玩具项目或实验，但大部分都是为了解决某些实际问题而创建的，这些问题要么使用 CPython 无法解决，要么需要开发人员花费巨大的精力，这里举几个例子：
由于受到篇幅的限制，本节仅给大家介绍几种 Python 开发人员最常用的几种 Python 实现方式。
Stackless Python 自称 Python 增强版。之所以名为 Stackless（无栈），是因为它没有依赖 C 语言的调用栈，实际上就是对 CPython 做了一些修改，添加了一些新的功能。
在新添加的功能中，最重要就是由解释器管理的微线程，用来替代依赖系统内核上下文切换和任务调度的普通线程，既轻量化又节约资源。
Stackless Python 最新可用的版本是 2.7.9 和 3.3.5，分别实现的是 Python 2.7 和 3.3。在 Stackless Python 中，所有的额外功能都是内置 stackless 模块内的框架。
Stackless Python 并不是最有名的 Python 实现，但很值得一提，因为它引入的思想对编程语言社区有很大的影响。例如，将 Stackless Python 中的内核切换功能提取出来并作为一个独立包发布，名为 greenlet，是许多有用的库和框架的基础。
此外，Stackless Python 的大部分功能都在 PyPy 中重新实现，PyPy 是另一个 Python 实现，我们将稍后介绍。
Jython 是 Python 语言的 Java 实现。它将代码编译为 Java 字节代码，开发人员在 Python 模块中可以无缝使用 Java 类。
Jython 允许人们在复杂应用系统（例如 J2EE）中使用 Python 作为顶层脚本语言，它还将 Java 应用引入到 Python 中，一个很好的例子就是，在 Python 程序中可以使用 Apache Jackrabbit（这是一个基于 JCR 的文档仓库 API）。
Jython 最新可用的版本是 Jython 2.7，对应的是 Python 2.7 版。它宣称几乎实现了 Python 所有的核心标准库，并使用相同的回归测试套件。Jython 3.x 版正在开发中。
Jython 与 CPython 实现的主要区别如下所示：
这一语言实现的主要缺点是缺少对 C/Python 扩展 API 的支持，因此用 C 语言编写的 Python 扩展在 Jython 中无法运行。这种情况未来可能会发生改变，因为 Jython 3.x 计划支持 C/Python 扩展 API。
某些 Python Web 框架（例如 Pylons）被认为是促进 Jython 的开发，使其可用于 Java 世界。
IronPython 将 Python 引入 .NET 框架中，这个项目受到微软的支持，因为 IronPython 的主要开发人员都在微软工作。可以这么说，IronPython 是推广语言的一种重要实现。
除了 Java，.NET社区是最大的开发者社区之一。
值得一提的是，微软提供了一套免费开发工具，名为 PTVS（Python Tools for Visual Studio，用于Visual Studio 的 Python 工具），可以将 Visual Studio 转换为成熟的 Python IDE。这是作为 Visual Studio 的插件发布的，在 GitHub 可以找到其开源代码。
IronPython 最新的稳定版本是 2.7.5，与 Python 2.7 兼容。与 Jython 类似，Python 3.x 的实现也在开发中，但还没有可用的稳定版本。
虽然 .NET 主要在微软 Windows 系统上运行，但是 IronPython 也可以在 Mac OS X 和 Linux 系统上运行，这一点要感谢 Mono，一个跨平台的开源 .NET 实现。
与 CPython 相比，IronPython 的主要区别或优点如下：
说到弱点，IronPython 也与 Jython 非常类似，因为它也不支持 C/Python 扩展 API。对于想要使用主要基于 C 扩展的 Python 包（例如 NumPy）的开发人员来说，这一点很重要。
有一个叫作 ironclad 的项目，其目的是在 IronPython 中无缝使用这些扩展，其最新支持的版本是2.6，开发已经停止。
PyPy 可能是最令人兴奋的 Python 实现，因为其目标就是将 Python 重写为 Python。在 PyPy 中，Python 解释器本身是用 Python 编写的。
在 Python 的 CPython 实现中，有一个 C 代码层来实现具体细节。但在 PyPy 实现中，这个 C 代码层用 Python 完全重写。这样，你可以在代码运行期间改变解释器的行为，并实现 CPython 难以实现的代码模式。
目前 PyPy 的目的是与 Python 2.7 完全兼容，而 PyPy3 则与 Python 3.2.5 版兼容。
以前对 PyPy 感兴趣主要是理论上的原因，只有喜欢深入钻研语言细节的人才会对它感兴趣。PyPy 通常不用于生产环境，但这些年来这种状况己经发生改变，PyPy 通常比 CPython 实现要快得多。基于这一特性，使得越来越多的开发人员决定在生产环境中切换到 PyPy。
PyPy 与 CPython 实现的主要区别在于以下几个方面：
与几乎所有其他的 Python 实现类似，PyPy 也缺乏对 C/Python 扩展 API 的完全官方支持。但它至少通过 CPyExt 子系统为 C 扩展提供了某种程度的支持，虽然文档不完整，功能也尚未完善。此外，社区正在努力将 NumPy 迁移到 PyPy 中，因为这是最需要的功能。
在 2019年 8 月份 TOIBE 编程语言社区公布的编程语言排行榜中，Python 已经超过了 C++，稳居排行榜第 3 名（如图 1 所示）。
图 1 TOIBE 编程社区排行榜
我们应该知道，Python 之所有在 14 年后“崛起”，得益于机器学习和数学统计应用的兴起。至于 Python 适合数学统计和机器学习的原因，很多读者可能并不会想到，Jupyter Notebook 功不可没。可以好不夸张地说，作为一名 Python 工程师，如果不会使用 Jupyter Notebook，可能会真的太落伍了。
本节，就带领大家学习一下 Jupyter Notebook。
说了这么多，到底什么是 Jupyter Notebook 呢？按照 Jupyter 创始人的说法，起初他是想做一个综合 Ju（Julia）、Py（Python）和 R 三种科学运行语言的计算工具平台，所以将其命名为 Jupyter。
Jupyter 发展到现在，已经成为了一个几乎支持所有语言，能够把软件代码、计算输出、解释文档、多媒体资源整合在一起的多功能科学运行平台。Jupyter Notebook 的工作界面如图 2 所示。
图 2 Jupyter Notebook界面（点此查看高清大图）
如图 2 所示，只要直接输入代码并运行，它就会直接在代码下面显示输出结果。那么，Jupyter Notebook 对 Python 的影响真的有那么大吗？
衡量一个技术的影响力，或者说想利用自己的技术影响世界时，必定绕不开技术对教育界的影响力。
以微软的 Word 文本处理系统为例，从纯技术角度来讲，它的单机设计理念早已过时，但以 Google Doc 为代表的在线文档系统，并没有想象中实现对 Word 的降维打击。最直接的原因归咎于用户习惯，多数用户已经习惯使用 Word 来编辑、修改文档啦，之所以会这样，是因为我们从小学、中学，一直到大学期间，都在学习使用 Word。而且到了工作中，老员工还会带着新员工继续使用 Word。
从 2017 年开始，已经有大量的北美顶尖计算机课程开始使用 Jupyter Notebook 作为教学工具，而在这之前，一直使用的都是 Python 命令行的形式。不仅如此，Jupyter Notebook 在工业界的影响力更大。
例如，在 Facebook 中，几乎所有的中小型程序（比如内部的线下分析软件，机器学习模块的训练等）都是借助与Jupyter Notebook完成。同时，在硅谷其他的一线大厂中，也全部使用 Jupyter Notebook（他们用的是改进定制型的Jupyter Notebook，名称 Google Colab）。
了解了以上这些，相信你已经认可了 Jupyter Notebook 的江湖地位。
但需要注意的是，不是说那个技术流行，就盲目跟从。对于技术的选择，要学习独立的思考，切勿人云亦云。以 Facebook 为例，之所以它选择 Jupyter Notebook 等技术，很大程序上因为它有几百个产品线，几万个工程师，而如果是几个人的团队，使用同样的技术反倒成了拖累。
这里给大家总结了几点 Jupyter Notebook 的优势：
在软件开发过程中，频繁地进行上下文切换，会影响生产效率。举个例子，假设你需要切换窗口去看一些文档，再切换窗口去用另一个工具画图，不断地切换窗口就会成为影响效率的因素。
而 Jupyter Notebook 则不同，它会将所有和软件编写的资源全部放在一个地方，无需切换窗口就可以轻松找到。
在机器学习和数据统计领域，Python 编程的实验性特别强，比如为了测试 100 种不同的方法，有时就需要将一小块代码重写 100 遍，在这种情况下，如果使用传统的 Python 开发流程，每一次测试都要将所有代码重新跑一遍，会花费开发者很多时间。
Jupyter Notebook 引进了 Cell 的概念。每次测试可以只跑一小块的代码，并且在代码下方立刻就能看到运行结果。
如此强的交互性，满足了 Python 程序员可以专注于问题本身，不会被频繁的工具链拖累，也不用在命令行之间来回切换，所有工作都能在 Jupyter Notebook 上完成。
同样是在机器学习和数学统计领域，我们可能会借鉴他人分享的代码，但当我们拷贝过来想要运行时，却需要使用 pip 安装一大堆依赖的库，足以让人抓狂。而 Jupyter Notebook 就可以解决这个问题。
例如，Jupyter 官方的 Binder 平台以及 Google 提供的 Google Colab 环境，它们可以让 Jupyter Notebook 变得和 Google Doc 在线文档一样。比如用 Binder 打开一份 GitHub 上的 Jupyter Notebook 时，就不需要安装任何 Python 库，直接在打开代码就能运行。
本节，仅是为了让初学者对 Jupyter Notebook 有一个初步的了解，具体 Jupyter Notebook 的安装和使用，网络上有很多详细的教程，这里不再做过多描述。
注意，本教程仍旧使用 Python 内置的 IDLE 作为教学工具。
