摘要：屬于前一種，而且日益被用于數學計算機器學習和多種數據科學應用。近來，由于擁有多個針對機器學習自然語言處理數據視覺化數據探索數據分析和數據挖掘的插件，豐富的數據科學生態體系得到了較大的發展，甚至有將數據科學社區化的趨勢。

譯者注：本文的英文原文地址是：Python for Data Science vs Python for Web Development，發布時間是10月29日。譯者一開始在Python日報上看到推薦，初步看看了，覺得對于決定學習Python的方向有一定參考價值。不過，在翻譯過程中，越來越覺得這其實就是一篇搞Python數據科學培訓的公司寫的軟文，里面寫的內容還是比較淺的，只適合像我這樣的初學者了解大致情況。當然，文章提到了Python作為網絡開發技能的市場需求并不是很高，這點感覺并不是沒有根據。作為一篇軟文，它成功地激起了我學習數據科學的興趣，而原因嘛，自然就是做數據科學工作的工資比一般開發工作，高很多（按文章中信息圖的數據，比一般崗位的年薪高5萬美刀！！！）！

Python編程語言擁有諸多用于網絡應用開發、圖形用戶界面、數據分析、數據可視化等工作的框架和特性。Python可能不是網絡應用開發的理想選擇，但是正被很多機構廣泛用于評估大型數據集（dataset）、數據可視化、進行數據分析或制作原型。在數據科學領域，Python編程語言正不斷獲得用戶的親睞，而作為網絡開發語言，Python顯得有點過時了。本篇博文，就是要對這兩種截然不同的Python使用方式，進行詳細的對比，并且幫助大家明白一點：如果要利用Python做數據科學工作，并沒有必要了解它用于網絡開發的部分。

從頂級金融機構到最小的大數據創業公司，各行各業、各種規模的機構都在使用Python編程語言支撐業務運作。Python作為數據科學編程語言，不僅受頂級大數據公司歡迎，還有眾多技術創業企業擁泵。它還位列2015推薦學習的前10種編程語言。

世上只有兩種編程語言：一種是總是被人罵的，一種是從來沒人用的。
-- Bjarne Stroustrup

Python屬于前一種，而且日益被用于數學計算、機器學習和多種數據科學應用。除了性能依賴性強和底層的業務外，它能夠做其他任何事情。利用Python編程語言的最好選擇，就是做數據分析和統計計算。學習面向網絡開發的Python，需要程序員掌握像Django這樣的多種網絡框架協助建設網站；但是學習面向數據科學的Python，則要求數據科學家學習如何使用正則表達式和科學計算庫，并掌握數據可視化的概念。由于目的、方向不同，那些不了解Python網絡開發的程序員，能很輕松地走上利用Python編程語言做數據科學工作的道路。

Python是一個有著23年歷史的強大動態編程語言，語言表現力很強。程序員編碼完成后，不需要編譯器即可運行程序。面向網絡開發的Python支持多種編程范式，包括結構化編程（structured programming）、函數式編程（functional programming）和面向對象編程（object-oriented programming, OOP）。Python代碼可以很容易地嵌入到許多擁有編程接口的網絡應用中。但是，Python更是開發學術研究和科學計算程序的絕佳選擇，這些程序要求運行快速、數學計算精確。

而面向網絡編程的Python，則要求程序員學習多種網絡開發框架，這個學習難度比較大，因為現有Python網絡開發框架的文檔不太容易理解。當然，不容否認的是，要想利用Python開發一個動態網站或網絡應用，學習網絡框架是必需的。

目前，Python社區已經有多種免費的網絡應用開發框架，比如：

Django是幫助完美主義者按時完成工作的Python網絡開發框架（譯者注：原文是Django is the python web development framework for perfectionists with deadlines。這也是Django官網上對該框架的描述）。使用Django進行網絡開發，最適合的場景是開發那些依靠數據庫驅動，同時也具備類似自動化后臺管理界面和模板系統等炫酷功能的應用。對于不需要太多功能的網絡開發項目來說，Django可能是大材小用，主要是它的文件系統容易讓人搞混，而且文件目錄結構要求嚴格。使用Django進行Python網絡開發的公司有紐約時報、Instagram和Pinterest（譯者注：Pinterest聯合創始人Paul Sciarra在Quora上的回答提到了使用Django，Quora地址）。

Flask是針對初學者的框架，它簡單，輕量，初學者很快就可以上手開發單頁網絡應用。這個框架并不支持驗證，沒有數據抽象層和其他許多框架所包括的組件。它不是一個全棧開發框架，也只用于小型網站的開發。（譯者注：其實Pinterest也使用了Flask，只是沒用在整站開發上，而是用來開發API，具體見鏈接。）

CherryPy框架強調要符合Python語言規范，做到程序員像進行面向對象編程一樣開發網絡應用。它還是諸如TurboGears和Web2py等流行全棧框架的基礎模板引擎。

還有很多其他框架，包括Pyramid、Bottle和Pylons等，但是無論Python開發者使用哪一種框架，他/她都要花精力仔細地研究教程和文檔。

Python作為網絡開發語言，很可能是一個不太現實的選擇：

面向網絡開發的Python需要非標準化、昂貴的主機服務，尤其是程序員使用流行的Python網絡框架開發網站時。由于利用PHP進行網絡編程如此的便捷，大部分的用戶沒有興趣在Python上投入太多的精力。

面向網絡開發的Python與諸如PHP、Java或Ruby on Rails等語言不同，不是一個經常需要的技能。但是面向數據科學的Python卻越來越受歡迎，而且由于它更多地被用于機器學習和其他數據科學程序，Python更是招聘數據科學家的公司所最看重的技能。

面向網絡開發的Python已經經歷了較長的發展，但是它的學習曲線并沒有像PHP這樣的網絡編程語言那么高。

Python編程是驅動大數據、金融、統計和數字運算的核心科技，而它的語法卻像英語一樣易懂。近來，由于擁有多個針對機器學習、自然語言處理、數據視覺化、數據探索、數據分析和數據挖掘的插件，豐富的Python數據科學生態體系得到了較大的發展，甚至有將數據科學社區Python化的趨勢。今天，面向數據科學的Python已經具備了清洗、轉換和處理大數據的所有工具。對于數據分析師崗位來說，掌握Python也是最受歡迎的技能。一名具備Python編程能力的數據科學家，可以在紐約掙到平均年薪14萬美元的工資。

數據科學家喜歡那些能夠快速輸出原型，幫助他們輕松地記錄下自己的想法和模型的編程環境。他們喜歡通過分析巨量的數據集，得出結論，完成工作。而Python編程語言則是開發數據科學應用的多面手，因為它能幫助數據科學家，以最短最優的時間進行編碼、調試、運行并獲取結果，從而高效地完成工作。

一名技術嫻熟的企業數據科學家的真正價值，在于利用多種數據視覺化手段，向公司的不同利益相關者有效地傳遞數據模式和預測。否則，數據科學工作就是一場零和游戲。Python以其優良特性，符合高強度科學計算的幾乎所有方面要求，這使得它成為在不同的數據科學應用之間進行編程的絕佳選擇，原因很簡單：開發人員僅用一種語言就可以完成開發和分析工作。面向數據科學的Python將企業業務的不同部分連接在一起，提供了一個數據分享和處理的直接媒介。

Python遵循統一的設計哲學，注重可用性、可讀性，對于數據科學的學習曲線也較低。

Python有很高的可擴展性，且與Matlab、Stata等語言相比，運行更加快速。

另外，Python生態系統中還在涌現出更多的數據視覺化庫，以及炫酷的應用編程結構，目的是使用圖形更好地展現數據分析的結果。Python社區有著諸如Sci-Kit learn、NumPy、Pandas、Statsmodel和SciPy等許多優秀的數據分析庫。這些庫的數量還在不斷增長。

數據分析與Python編程語言十分契合。如果你決定要通過Python語言學習數據科學，那么你應該考慮的下一個問題，就是Python庫中有哪些是可以完成大部分的數據分析工作？接下來，我們給大家介紹全球的企業數據科學家都在使用的Python數據分析庫。

NumPy

Numpy是使用Python開發的高級（high level）工具的基礎。這個庫不能用于高級數據分析，但是深入理解Numpy中面向數組的計算，可以幫助數據科學家有效使用Pandas庫。

SciPy

SciPy主要用于科學計算，擁有許多不同的模塊，可用于特殊函數、圖像處理、插值法（interpolation）、線性代數、常微分方程（ODE）求解器以及其他多種用途。這個庫還可以與NumPy數組一起使用，實現許多高效的數學運算。

Pandas

Pandas是用于數據再加工最好的庫，因為它使得處理遺失的數據、自動數據對齊（data alignment）變得更加簡單，它還支持處理從不同的數據源收集而來的索引數據。

SciKit
這個流行的機器學習庫擁有多種回歸、分類和聚類算法，還支持gradient boosting、向量機、樸素貝葉斯模型和邏輯回歸。這個庫還被設計成能夠與NumPy和SciPy進行交互。

Matplotlib

這是一個二維繪圖庫，有著交互性很強的特性，生成的圖標可以放大、推移，并且能夠用于發行刊物印刷出版。而且，還支持多平臺的交互環境。

Matplotlib、NumPy和SciPy是科學計算的基礎。還有許多其他的Python庫，諸如用于網絡挖掘的Pattern，用于自然語言處理的NLTK，用于深度學習的Theano，用于爬取網絡的Scrappy，IPython，Statsmodels，Mlpy等。對于初學Python數據科學的人，他們需要很好地掌握上面提到的優秀數據分析庫。