为什么Python赢了，别的语言都干嘛去了？

人工智能时代，为什么Python大放异彩，别的语言都干嘛去了?

为什么不是使用者众多的Java?也许是Java啰里啰唆，不如Python那么简洁?

为什么不是Ruby? 和Python一样简洁，但是更加优雅。

为什么不是微软大力支持的C#?

为什么不是C++? 嗯， 其实很多AI核心库如TensorFlow就是C++写的， Python更像个“壳”，但是别的语言怎么没有成为“壳”呢?

先把这个疑问放下，看一个故事。

1

上个世纪90年代，一个叫Jim Hugunin的小伙子在俄勒冈州阿什兰市的一个公园里玩杂耍，这时候他遇到了施乐PARC的科学家Pavel Curtis, Pavel告诉Jim，有一门叫做Python的语言，非常的酷，用Python编程就像用自然语言一样，Python就像是可执行的伪代码，当程序员想快速地分享想法时，使用Python最合适不过了。

这些话应该在Jim的脑海中扎下了根。

1995年，当Jim Hugunin 正在麻省理工学院和他的硕士论文“搏斗”时，他广泛地使用了Matlab，因为在那篇论文中，他需要对实验结果进行数据分析，和理论值比较。

Matlab在数据分析领域表现非常棒，但是一旦超出这个领域，就糟糕透顶。为了克服Matlab的缺点，Jim将C语言，Python和Matlab拼凑在一起，终于完成了论文。

Jim 受够了Matlab，完成论文后，他就开始写一个Python的扩展，以便像Matlab那样自然地支持数据分析，同时又不牺牲Python作为一个通用编程语言的强大的功能。

这个Python扩展就是Numeric ，也就是大名鼎鼎的NumPy的前身。

NumPy，以及后来发展起来的SciPy、Matplotlab等， 共同构成了AI时代做应用编程的基础。

Jim在当时为什么选择了Python，而不是其他语言来开发数据分析的扩展呢? 这是一种巧合吗?

首要的原因就是喜欢，“Python编程就像用自然语言一样”。

其次当时可以选择的语言也不多，C,C++这种“复杂”的语言肯定不合适， Java, JavaScript才刚刚诞生，Perl擅长的是字符串处理，Ruby是日本人发明的，估计影响力还在日本国内，Matz本人又忽视了社区和类库的发展。

2

可是，NumPy是Python的扩展，难道别的语言如Ruby，Java就不能也写个类似的类库，和Python竞争吗?

NumPy, SciPy被开发出来的时候，普通的做应用开发的程序员很少使用，它的主要用户是大学的研究人员、学者和数据科学家，这些人并不是专业的开发人员，他们也不想成为专业的开发人员，他们只要能利用工具解决问题就行了。

由于Python简洁易懂，并且有NumPy这样的类库，在数据分析和科学计算领域，积累起了大量的Python代码。

假设你是一个研究生，你进实验室的时候，你的师兄丢给你几万行没有注释的代码，是使用Python的NumPy/SciPy做数值分析， 虽然你很讨厌Python的语法，但是你会用你最喜欢的语言如Java/Ruby来重写它们吗?大概率不会吧。

先发优势让Python锁定了数据科学领域的开发，当AI爆发的时候，Python扶摇直上，就吃尽了红利，垄断了市场，别的语言难以和它竞争。

推荐我们的Python学习扣qun：784758214 ，看看前辈们是如何学习的！从基础的python脚本到web开发、爬虫、django、数据挖掘等【PDF，实战源码】，零基础到项目实战的资料都有整理。送给每一位python的小伙伴！每天都有大牛定时讲解Python技术，分享一些学习的方法和需要注意的小细节，点击加入我们的 python学习者聚集地

3

总结一下，Python的简洁易懂再加上早期在数据科学领域的先发优势，让它在AI时代获胜，有偶然也有必然。

最后再来提一下Jim Hugunin，他完成了Python扩展Numeric , 把维护的工作交给了其他人，挥一挥衣袖，不带走一片云彩。

在对Numeric做性能测试的时候，Jim比较了Python和其他很多语言， 他震惊地发现Java在一些简单的数值运算上居然和C语言一样快!于是他开始了一项工作，把Python移植到JVM， 这就是Jython。

后来他也加入了施乐PARC，在那里他又参与设计了著名的AOP库AspectJ， 掀起了面向切面编程的热潮。

2004加入微软后，他又把Python移植到了.NET平台，即IronPython。

这四项工作，完成任意一项，都足以在软件发展史上写下自己的名字，而Jim居然都完成了，真乃奇人也!