一、为什么我们要选用Python进行建模
目前做科学计算，主要使用MATLAB， R语言， Python 这三种语言。
首先讲MATLAB，确实好用，但是呢……
- MATLAB是一款价格不菲的商用软件（什么，你说可以用盗版，盗版MATLAB最多自己学习的时候玩玩，你用盗版MATLAB工作或者搞学术试试）；
- 其次，MATLAB语言虽算不上难学，也真的没有达到简单易懂的程度；
- 最后，MATLAB主要专注于工程和科学计算，领域有限，在工作中经常遇到要处理文件管理、界面设计、网络通信这样五花八门的要求，MATLAB这时候就显得有点不够用了。
其次呢，R语言，不知道小伙伴们用过没，我学过一点，并不深入。R语言据说是统计学家Ross Ihaka和Robert Gentlemen共同开发的，可以说是专门为数据处理而生的语言。曾经是学术界的主流，但是其地位正在被Python取代，主要是因为：
- R语言在处理大数据上的乏力，处理大数据时往往需要先用数据库把大数据转换成小数据；
- 速度上不够快，比不过Python，一些底层算法用C语言写完之后封装成Python包可以使Python处理数据的速度大大提升。
Python呢，下面罗列Python的优点（缺点就不讲了）：
- 最重要的，易学、易读、易维护；
- 具备极其丰富的扩展库，很多开源的科学计算软件包都提供了Python接口，比如计算机视觉库OpenCV、三维可视化库VTK之类的，Python专门的科学计算库就更多了，比如说我们之前的文章中提到的NumPy，matplotlib和SciPy（这个好像暂时还没用过）还有Pandas和scikit-learn这样功能强大库可供使用。
- 作为一门被广泛应用的语言，Python可以实现科学计算所需要的各种附加功能，自由度极高。
二、Python2还是Python3
这个问题仁者见仁，看习惯吧，我个人用的Python3.4.4，我喜欢用最新版的前一版，同时具备新功能和对旧版本的兼容性。现在大部分常用的第三库都已经支持Python3了，像NumPy、SciPy、matplotlib、Cython、Pandas、OpenCV和Spyder等。但是少量库还没有移植过来，像Traits、TVTK和Mayavi这样的。
三、选择什么样的工具
- Anaconda
这个软件我在公司的一台32位XP系统中没有装成功，试了几次之后放弃了。
我用的是Windows
Anaconda安装时，你可选择修改PATH环境变量和注册表，这样就可以在命令行中使用conda命令来管理扩展库了。
有这么几个常用命令：
conda list ->列出所有的扩展库
conda update 扩展库名 ->升级扩展库
conda install 扩展库名 ->安装扩展库
conda search 模板 ->搜索符合模板的扩展库
- WinPython或者Python(x,y)
这两个其实是同一个作者开发的，现有Python(x,y)然后有WinPython，我两个都试了一下，感觉WinPython用户友好度更高一点，安装简便，甚至可以装在U盘里面，便携性和兼容性都很好，推荐WinPython。
WinPython扩展库的安装可以通过WinPython Control Panel 进行安装，操作起来很简单，就不介绍了。
- 其他
另外还有Enthought Canopy和Sage，这两个我没有用过，就不乱讲了，以后有时间试一下给大家出个详细的评测报告吧……
四、IDE选择
- Spyder
这个正是我现在在用的：
它具有模仿MATLAB的工作空间的功能，可以很方便地观察和修改数组的值。显示哪些窗口可以自定义，很方便。
使用中出现了一些小问题，比如说str()函数报错，cmd prompt 乱码之类的，后来就没有用Spyder跑过比较长的代码了，调试起来太麻烦了，于是，我转向了PyCharm。
- PyCharm
这算一个非常强大的PythonIDE，功能十分强大，界面也挺好看的。不过就初学者而言，没有必要，功能多了反而迷眼。等以后要开发大型应用程序的时候再学也不迟。
我对比使用了一段时间之后发现这个确实好用，比Spyder省心多了。
