一、缘由
最早听说Python是在今年1月底到北京一个厂商（做汽车驾驶模拟器的）那里看设备，听他们的CTO介绍模拟软件的脚本控制是用的Python，（当时我还把Python叫做“飞森”，而不是“派森” 囧）。第一次听说了这个语言，但也没太在意，因为导师一直跟我说用好一门语言就够了。从上大学到现在，先后用过C、Basic、C++以及ASP（一看就不是计算机专业的，我大学认识的几个计算机专业的同学，大多都是Pascal - Delphi - Java这条路线）。这几年主要在用C#，觉得C#还不错，又可以做本地程序，也可以做ASP.NET程序，所以也没想再学其他语言了。
寒假做了一个交通网络分析的计算程序，这个程序前期已经有一些基础了，核心算法用的是QuickGraph库。QuickGraph提供了经典图论里边的绝大部分算法，如最短路、最大流、遍历、支撑树等，不错的一个东西，但是没有复杂网络分析的算法。一开始我是利用QuickGraph的数据结构，然后自己写复杂网络分析算法。但是写的很累，正好也过年了，就暂时放下了这个工作。
过年的时候闲着没事，上网找是不是有直接提供复杂网络分析算法的库，还真找到了两个：igraph和networkx。（见http://igraph.sourceforge.net/和http://networkx.lanl.gov/），其中，igraph是用C写的，但提供了Python的接口；networkx就纯粹是用Python实现的一个库了。下载了它们的文档，发现正是我想要的东西：成熟的复杂网络分析算法，大量的示例程序。要想直接利用这两个库，肯定要学Python语言了。我想，反正各种语言都差不多，学就学吧。
二、语法
学语言肯定要先从基本语法学起。Python的语法的确很简单，因为有C#编程基础，学习起来没遇到什么困难。比起C#，Python少了花括号，完全靠缩进解决结构问题。一开始我不太习惯，特别是写函数定义、循环控制等语句时总丢后边的冒号。现在好多了，习惯会慢慢养成（现在变成写C#程序总加冒号，然后调试器就开始不停的问候我 囧）。另外Python没有switch，因为我做科学计算，涉及到条件控制比较多，一开始用ifelifelif……觉得很烦人，后来发现用dict就很方便，比switch还要简单优美。
说到dict呢，顺便说一下Python内置的list、tuple和dict类型。这个的确很方便，在C#里做同样的事情要引用Collections，而Python就简单的多了，对于做科学计算的确简化了许多工作。不过Python用类型不事先定义，一开始我还是不太习惯，总是int a,str b的，后来发现，这不就是C#里的generics嘛！是个好东西啊！而且Python的函数功能也很强大，有匿名函数、多返回值、列表内涵、关键字参数等等，极大的简化了编程工作。最早在STL、Boost及C#里看到这些特性的时候我还惊为天人，学了Python才知道这东西也没那么神秘——基本手段嘛。
此外，Python还有一个很nice的功能就是exec、execfile和eval。对我来说这个非常实用，因为做计算时总有些函数需要在运行时才导入，例如y =a +func(b)，func()的形式事先不知道，运行时根据用户需要输入。以前用别的语言实现这个功能要费好大劲（用表达式解析器等），现在Python直接内置了它。换句话说，Python可以作为Python程序自己的脚本语言！Python实在也太强大了！正如那句Python社区中很有名的话所说的：“battery included”！要我说，Python不仅带了电池，充电器它TMD都带着呢！
三、库及跨平台
Python的第三方库很多，特别是计算这一块，Python比C#的库要丰富一些，而且用的人更多。我现在已经用了igraph和networkx(图论与复杂网络)、numpy和scipy（数值计算）以及matplotlib和cairo（图表和可视化），python(x,y)项目里还集成了更多的科学计算库。当然这和搞科学计算的老外大多用非windows平台有关，我接触的多数人都是用unix/linux平台（给人家发Email都不好意思带word附件），在这些平台下虽然有Mono支持C#，但用的人毕竟还少。C和Fortran的科学计算库倒是不少，不过多数都提供了Python的封装或Python写的替代品，所以就不需要自己重复造轮子了。我现在已经完全放弃了扩展那个QuickGraph的想法，因为我再作两年也赶不上igraph和networkx，而且关键是我做的东西还没人用 囧……
此外，Python可用的GUI库也很多：Tkinter，wxPython，PyQt，PyGTK，PyWin等等一大堆。除了PyWin，大多数GUI都是跨平台的。这点很好，再也不用担心MS卡脖子了（偶现在还是在用D版，以后限制严格了就到Linux下接着做这点事），自己的知识、技术可以一直积累延续，而不用从头开始。当然GUI库不可能都学都用，学好一个应该就够了。试了上面几个库后，我选择了PyQt4，原因是看到它Demo里做的东西比较漂亮，而且Qt的信号/插槽（signals/slots）机制也比回调（callback）机制好理解。此外，对初学者很重要的一点是，Qt的中文书比wxPython要多。注意不是PyQt，PyQt的中文书还是比较少的。wxPython我只找到了一本很厚的《wxPython In Action》。书是不错，不过我比较怕看厚书，因为时间总是有限的，最好都是In Nutshell之类的小册子，头天睡前翻一翻，第二天就可以写出想要的东西来。
四、Web开发
我学Python的主要目的是为了做一些数值计算的小程序，因为做网络分析总是要对大量的数据进行分析计算，Python简洁的语法和丰富的第三方库可以极大地提高我的工作效率。不过作研究只是为了兴趣，要养家糊口还是要做一些短平快的项目（惨！）。这两年做的比较多的就是与工程相结合的Web应用（因为我导师的方向是GIS与交通设计信息化）。以前一直是用ASP.Net在做，从1.0到2.0再到3.5，一路做下来对ASP.Net已经比较熟了。因为学Python，也特意关注了一下Python的Web开发功能。
现在看来似乎Django很热（这个我又不知道应该怎么念，不过恰好我有个朋友叫“邸建国”，所以我第一眼看到Django就念成这个音了 :）。
五、体量和效率
因为做科学计算，我很重视语言及开发环境的“轻量级”。什么叫“轻量级”呢？对我来说就是在我256M内存的老本上能欢快地跑起来 囧……。我的烂机是单位淘汰的一台联想昭阳V80，CPU是P4 1.6的，让他跑.Net 3.5的确是难为他老人家了！所以在这台机器上我主要用Dev C++和SharpDevelop（Visual Studio在这台机器上启动都很困难）作数值计算的程序。我的另外一台本本是小黑X61，这个性能还可以，我用它上网、写论文、玩游戏等等（不过X61的显卡很弱，做OpenGL的程序时得到单位的工作站上，当然玩实况和FIFA也得去那个工作站上:）。因为大规模网络分析花的时间会比较长（几小时到几天），这些计算的脏活累活就扔给V80了。现在用Python，IDE我选了PythonWin和Spyder，感觉这两个IDE还比较轻量，很适合我的硬件环境。
Python的运行效率我感觉和C#差不多，因为都用了虚拟机，但Python比C/C++还是要差一截。我对比了igraph（C写的）和networkx（Python写的）两个库，生成同样规模的一个随机图，igraph比networkx运行时间少一个数量级（Drew Conway做的对比结果也类似，见这里）。换句话说，对于大规模的网络分析问题就是等几小时和等几天的区别了。不过还好，大多数老牌的科学计算库都是用C和Fortran写的，并且提供了Python接口，所以也不必太担心。我们可以把Python当作“胶水”[1]来用：对于效率要求很高的部分，就调用C/C++库或自己写C/C++的模块，这也是我选择Python语言的一个主要考虑。
点击链接加入群聊【Python自动化测试交流群】
想要python自动化学习资料的也可以加群免费领取哦(备注：csdn666方便快速审核)
