Python是人工智能的首选编程语言吗？
在所有编程语言里，Python并不算萌新，从1991年发布第一个版本，至今已经快30年了。
最近几年，随着人工智能概念的火爆，Python迅速升温，成为众多AI从业者的首选语言。
根据机器学习及数据科学调查报告，在工具语言使用方面，Python是数据科学家和人工智能从业者使用最多的语言。
IEEE综览（IEEE Spectrum）发布的最受欢迎编程语言列表中，Python同样位列第一。
为什么？
原因1：Python是一种说人话的语言
所谓“说人话”，是指这种语言：
开发者不需要关注底层
语法简单直观
表达形式一致
我们先来看几个代码的例子：
C 语言Hello World 代码：
int main()
{
printf("Hello, World!");
return 0;
}
Java 语言Hello World 代码：
public class HelloWorld {
public static void main(String[] args){
System.out.println("Hello World!");
}
}
Python 语言Hello World代码：
print("Hello World!")
仅仅是一个Hello World程序，就能看出区别了，是不是？
编译 VS 解释
当然，仅仅是一个Hello World的话，C和Java的代码也多不了几行。
可是不要忘了，C和Java的代码要运行，都必须先经过编译的环节。
对于C语言来说，在不同的操作系统上使用什么样的编译器，也是一个需要斟酌的问题。一旦代码被copy到新的机器，运行环境和之前不同，还需要重新编译，而那台机器上有没有编译器还是一个问题，安装上编译器后，也许和之前最初的编译器有所区别，还得修改源代码来满足编译环境的需求……
我到底做错了什么？我只是想运行一个别人写的程序而已[泪目]
而Python则不用编译，直接运行。而且都可以不用写文件，一条条语句可以直接作为命令行运行。不要太方便咯。
语言语法
和Python比，Java的语法更“啰嗦”。
从上面的例子已经可以看出，创建一个链表，Java还需要声明和逐个插入节点，而Python则可一行代码完成从链表创建到插入节点及赋值的全部操作。
这还只是一个例子。在真正的使用中就会发现，对于很多非常简单基础的操作，Java非让你很别扭地写好几行，Python直接一句搞定。
这样的结果就是，Python写起来省事，读起来也方便。可读性远超Java。
表达风格
在10年或者更久远之前，Python经常被用来和Perl相提并论。毕竟在那个时候，C是系统级语言，Java是面向对象语言，而Python & Perl则是脚本语言的双子星。
Python和Perl在设计层面有一个非常大的区别：
Python力求让不同的人在撰写同样功能实现的代码时，所用的表达形式尽量一致；
而Perl则是故意追求表达的千姿百态，让同一个人在不同地方写同样功能时所用具体形式都不同。
从哲学层面讲，Perl的追求更加自由主义，更利于释放人类的多样化天性。也确实有很多Geek范儿程序员因为这一点推崇毫无限制的Perl，鄙视到处设限的Python。
然而，Perl写的程序——那叫一个乱七八糟！
当你想遇到问题，想在网上找点实例代码看看的时候，搜到的Perl example千姿百态，很难找到一种“大众”的解法。而不同写法之间，还很难保证相容。
这个问题其实在Python vs Java上也有，只不过程度要低得多。
Java语言本身并没有想要把自己变成书写代码诗歌的载体。但是因为它长年大量地被应用在企业级软件的后台开发，夹杂进了太多并非语言本身却又与其使用不可分割的东西，进一步加剧了Java的繁杂。
如果不是想成为代码诗人，或者语言大师，只是想用尽量简单直接的方法，把事情做了，首选语言确实是Python。
原因2：强大的AI支持库
矩阵运算
NumPy由数据科学家Travis Oliphant创作，支持维度数组与矩阵运算。结合Python内置的math和random库，堪称AI数据神器！有了它们，就可以放心大胆玩矩阵了！
大家知道，不管是Machine Learning，还是Deep Learning，模型、算法、网络结构都可以用现成的，但数据是要自己负责I/O并传递给算法的。
而各种算法，实际上处理的都是矩阵和向量。
使用NumPy，矩阵的转置、求逆、求和、叉乘、点乘……都可以轻松地用一行代码搞定，行、列可以轻易抽取，矩阵分解也不过是几行代码的问题。
而且，NumPy在实现层对矩阵运算做了大量的并行化处理，通过数学运算的精巧，而不是让用户自己写多线程程序，来提升程序效率。
有了Python这种：语法简洁明了、风格统一；不需要关注底层实现；连矩阵元素都可以像在纸上写公式一样；写完公式还能自动计算出结果的编程语言，开发者就可以把工作重心放在模型和算法上了。
ML模型
用Python实现大多数经典模型，几十上百行代码就够了。
当然，对于普通用户，也可以连算法都不用管，只是调用Scikit-Learn的接口就可以了。
比如，训练和使用一个logistic Regression模型，只需要下面几行代码就可以了：
# import the LogisticRegression
from sklearn.linear_model import LogisticRegression
# Use default parameters
classifier = LogisticRegression()
# train model
classifier.fit(train_set, target)
# do test
y_hat = classifier.predict(test_set)
# print out test results
print y_hat
支持图表
Python还有许多图标方面的支持库。用来生成dashboard上的各种图形表格，是非常简单的事情。
原因3：规模效应
语言简单易学，支持库丰富强大，这两大支柱从早期就奠定了Python的江湖地位。
根据以高收入国家Stack Overflow问题阅读量为基础的主要编程语言趋势统计，可以看出，近年来，Python已然力压Java和Javascript，成为目前发达国家增长最快的编程语言。
由图可见，2012年之后，对于Python相关问题的浏览量迅速增长，从时间上看，这一趋势正好和近几年人工智能的发展重合。
技术的普及推广就像滚雪球，早期的积累相对缓慢，一旦过了临界点，就是大爆发。
别的不说，就说现在tensorflow，caffe之类的深度学习框架，主体都是用Python来实现，提供的原生接口也是Python。
如今，Python在AI领域的老大地位已经奠定。