如果您正在考虑学习Python，或者您最近刚开始学习，
您可能会问自己：“我到底可以用Python做什么？”
这是个棘手的问题，因为Python有很多用途。
但是随着时间的推移，
我发现Python主要可用于一下三个方面：
Web开发
数据科学——包括机器学习、数据分析和数据可视化
脚本编写
我们就依次来看看吧。
如果你在学习Python的过程中遇见了很多疑问和难题，可以加-q-u-n 227 -435-450里面有软件视频资料免费
像Django和Flask这样基于Python的Web框架最近在web开发中变得非常流行。
这些web框架帮助您用Python创建服务器端代码（后端代码）。
这些代码在您的服务器上而不是在用户设备以及浏览器上（前端代码）运行。
如果您不熟悉后端代码和前端代码之间的区别，请参阅下面脚注。
但是，等等，我为什么需要web框架呢？
那是因为web框架让构建通用后端逻辑变得更简单了。
这包括把不同的URL映射到Python代码块、处理数据库和生成用户在浏览器中看到的HTML文件。
我应该用哪个Python web框架？
Django和Flask是两种最流行的Python web框架。
如果您刚刚开始学习，那么可以用它们中的任何一个。
Django和Flask有什么区别？
主要的对比：
Flask提供简洁、灵活和细粒度控制。它很是客观（让您决定如何实现想要的东西）。
Django提供一种包罗万象的体验：您可以获得管理面板、数据库接口、ORM（object-relational mappling，对象关系映射），还有开箱即用的应用程序和项目的目录结构。
您应该选择：
Flask，如果您专注于体验和学习机会，或者您想对选用哪个组件有更大的控制权（例如您想使用哪个数据库和如何与它们交互）。
Django，如果你专注于最终的产品。特别是如果您正在做一个简单的应用程序（如一个新闻网站、电子商店，或者博客）并且希望有一个直接明了的做法。
换句话说，如果您是位初学者，Flask可能是个更好的选择，因为用到的组件比较少。
如果您想要更多的定制，那么Flask也是个更好的选择。
而且，根据我的数据工程师朋友的看法，
Flask更适合创建那些所谓的REST API的东西，因为它比Django更灵活。
另一方面，
如果您想构建一些简单的东西，
Django会让您更快地达到目标。
好，我们接着谈谈下一个！
首先，我们来回顾一下什么是机器学习。
我认为，解释什么是机器学习的最好方法莫过于举个例子。
假设您想开发一个程序用于自动检测图片中的内容。
因此，对于下面的这张图片（图片1），您希望您的程序能识别出这是条狗。
图1
而对于下面的这张图片（图片2），您希望您的程序能识别出它是张桌子。
图2
您也许会说，我可以用几行代码搞定。例如，如果在图片上有很多淡棕色的像素，那么我们可以说那是狗。
或者，您可以找到在照片中检测边缘的方法。然后，您也许会说，如果有很多直边，那么那就是一张桌子。
但是，这种方法很快就遇到麻烦了。如果图片上是条没有棕色毛发的白狗怎么办？如果图片上显示的只是桌子的圆形部分呢？
轮到机器学习大显身手了。
机器学习可实现一些算法，能自动检测给定输入中的模式。
比如，您给机器学习的算法提供1000张狗的照片和1000张桌子的照片。那么，它将会学习区别狗和桌子。当您给出一张狗或桌子的新图片时，它将能够识别出是狗还是桌子。
我认为，这和婴儿学习新事物有点类似。婴儿是如何知道一样东西看起来像狗，而另一样东西看起来像桌子呢？可能就是从大量的例子中学到的。
您也许不会明确地告诉一个婴儿：“如果一样东西是毛茸茸的，并且有着淡棕色的毛发，那么它可能是条狗。”
您可能只是说：“那是条狗。这也是条狗。这是桌子。那也是桌子。”
机器学习算法的工作方式大致相同。
您可以把同样的想法应用于：
推荐系统（像YouTube、Amazon和Netflix在用的）
面部识别
声音识别
您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
您可以使用任何一个上述算法来解决我刚才解释过的图片标注问题。
有一些流行的Python机器学习库和框架，其中最流行的两个是scikit-learn和TensorFlow。
scikit-learn附带了一些更流行的内置机器学习算法。我刚才提到了其中的几个。
TensorFlow更像是个低级库，它允许您构建自定义机器学习算法。
如果您刚开始一个机器学习项目，那么我建议您先用scikit-learn。如果您开始遇到效率问题，那么我建议用TensorFlow。
请注意，您需要微积分和线性代数的基本知识以理解这些课程中的某些内容。
为了帮助您理解，我在这里给您举个简单的例子。假设，您为一家在线销售产品的公司工作。
那么，作为数据分析师，您也许会画一个类似的条形图。
条形图1-由Python生成
从这张图上，我们可以看到，在某个特定的周日，对于某件产品来说，男性购买了400多件，而女性购买了大约350件。
作为一个数据分析师，您也许会对其中的差异做出几个可能的解释。
一个很显然的可能解释是，该产品在男性中比在女性中更流行。另一个可能的解释是，样本量太小，这个差异是偶尔产生的。还有一个可能的解释是，在周日，由于某种原因，男性比女性更倾向于购买该产品。
为了搞明白哪个解释是正确的，您可能绘制另一张图，如下图所示：
折线图1-由Python生成
我们不再只显示周日的数据，而是整整一周的数据。正如您所见，从这张图中，我们可以看到，这种差异在不同的日子里很一致。
从这个简单的分析中，您可能得出了结论，对这种差异，一个最有说服力的解释就是，这个产品更受男性而不是女性欢迎。
另一方面，如果您看到是如下所示的图呢？
折线图2-同样由Python生成
那么，如何解释出现在周日的差异呢？
您也许会说，也许出于某种原因，男性在周日更倾向于购买该产品。或者，也许只是巧合，男性在周日购买了更多的该产品。
好了，这是个简化的例子，展示了数据分析在真实世界中看起来的样子。
我在谷歌和微软工作的时候做过数据分析，跟这个例子非常相似，只是更复杂一些罢了。事实上，我在谷歌工作时，是用Python来做这种分析，而我在微软的时候，用的是JavaScript。
在这两家公司工作的时候，我用SQL从数据库中提取数据。然后，我会用Python和Matplotlib（在谷歌工作时）或JavaScrip和D3.js（在微软工作时）进行数据可视化和分析。
最流行的数据可视化库之一是Matplotlib。
刚开始学习的话，它是个不错的库，因为：
它容易上手
其他一些库，如seaborn是以它为基础的。因此，学习Matplotlib可以帮助您随后学习其他库。
我会推荐Python 3，因为它更现代化，并且目前它更受欢迎。
脚注：对于后端代码和前端代码的的说明（万一您对这些术语不熟悉）。
假设，您想做个类似于Instagram的东西。
那么，您需要为每种想支持的设备创建前端代码：
Swift用于iOS设备
Java用于安卓设备
JavaScript用于web浏览器
每组代码都将在对应类型的设备/浏览器上运行。这组代码将决定应用的布局看上去的样子，单击时按钮的外观等等。
但是，您仍然需要存储用户信息和照片的能力。除了在用户的设备商储存这些信息，您还会希望将这些信息储存在服务器上，这样，每个用户的关注者就能看到用户的照片。
这里就是后端代码/服务器端代码的用武之地了。您需要编写后端代码以执行以下操作：
持续跟踪谁在关注谁
压缩照片，以免占据太多存储空间
在发现功能中给每个用户推荐照片和新账号
好了，这就是后端代码和前段代码之间的区别。
顺便说一下，Python不是编写后端/服务器端代码的唯一好选择。还有很多其他流行的选择，包括Node.js，它是基于JavaScript的。
