Python成为AI的主流开发语言，是一个很复杂的问题。包括编程语言特性、AI开发特点、社区环境支持等因素都对这一结果有影响。我这里主要结合个人经历来谈谈我觉得的原因。
作为一个脚本语言，python非常轻量级，很适合做数据处理。比如调整、合并文件内容等。很多操作，甚至可以直接在命令行中做。
如果需要交互、需要留存代码，也可以用ipython，jupiter lab等“类似命令行”的开发工具来完成。结合了轻量级、即时交互、代码留存的优势。
【----帮助Python学习，以下所有学习资料文末免费领！----】
而我们知道，AI开发里很多时候在处理数据，常见的比如清洗数据、数据集分割、分词并根据word2vector词表转成词ID向量、计算评价指标等。用Python，可以很好的完成这些步骤。
而一个人一般同一时间只能写一种代码，不然语法容易弄混，毕竟很多时候都是肌肉记忆，不会过脑子的。记得我刚写python时就喜欢每行后面打个分号。。。所以，预处理后处理都用python解决的花，中间模型的代码也用python解决会更顺一点。
python的pickle包，以及更高级的，tensorflow和huggingface中的dataset对象，也给数据保存和传输带来了很大的便利。
这里说得还不只是那些耳熟能详的神经网络工具。
我们先来看看历史，看看神经网络刚开始火起来的那几年（2012年左右）python环境支撑。这有助于帮助我们了解为什么tensorflow等工具在python中出现。
numpy，1995年，提供了大量矩阵运算工具。
NLTK，2001年，提供了大量自然语言处理工具。
Scikit-learn，2010年，提供了大量传统机器学习的算法与评价指标。
这些工具为基于Python的神经网络工具，如Theano（2008年）、Tensorflow（2015年）等奠定了基础。
当然，同期也有很多竞品。比如C/C++的caffe、OpenCV、word2vector，Java的Stanford CoreNLP，HanLP等。所以，一度有一个说法，是做CV的用C/C++，做NLP的用Python/Java。我在2015年左右刚接触NLP时，还纠结过应该用哪种语言来着。
TensorFlow和Keras都是2015年发布的。早期Keras只支持Theano的backend，后来也支持了TensorFlow。
2015年那会儿，神经网络并不好写。反正我写作业，简单的前馈神经网络，用过java、C#等。而复杂的神经网络，用啥写的都有。因为Theano等库实在太难用，我也见过直接用numpy写CNN的。但这些玩意儿对初学者实在不友好。
而keras简直是神器，居然支持layer对象，居然直接有fit和evaluate方法，极大地方便了初学者学习神经网络，从而提高了Python在AI 开发中的地位。
后来的Tensorflow和Pytorch吸收了很多keras中优秀的特性。并且基于这些，有了很多更高级的工具，如DGL和transformers等，让python的环境生态得以蓬勃发展。同时，由于python的用户群体很大，很多其它工具也都开始提供python接口。比如Stanford CoreNLP（2016年）。
而我觉得，这些的根源，主要是Tensorflow和Keras的成功所吸引的用户群体和业界的关注。
刚开始学习python，如果你连完整的学习步骤都没有规划好，基本不可能学会python。他把Python所有方向路线做了整理，形成各个领域的知识点汇总。（图片太太太太太大了，这里放不了没完整版可以文末免费领取）
从事数据分析需要用到的一些硬技能，如python、SQL等工具如何使用！
我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。
学python就与学数学一样，是不能只看书不做题的，直接看步骤和答案会让人误以为自己全都掌握了，但是碰到生题的时候还是会一筹莫展。
因此在学习python的过程中一定要记得多动手写代码，教程只需要看一两遍即可。
我们学习Python必然是为了找到高薪的工作或者高报酬的兼职，下面是一些公司所能用到的实战项目，学完这些相信大家一定可以找到满意的工作。
11 Django框架
18 通用爬虫模块使用
…
21 数据分析
还有其他的一些东西，比如说我自己出的Python入门图文类教程，没有电脑的时候用手机也可以学习知识，学会了理论之后再去敲代码实践验证，还有Python中文版的库资料、MySQL和HTML标签大全等等，这些都是可以送给粉丝们的东西。