python做科學家

『壹』 為什麼越來越多的科學家使用python，Ruby而非Fortran

需要強調的一點是， 語言只是工具， 在特定應用場景下滿足特定需要的工具，
脫離應用場景來談不但沒有意義而且還會扣友善度。以下經驗（吐槽）都是針對大規模科學計算的， 個人電腦寫一個下午的代碼，然後跑十分鍾的代碼趁早去用
Python/R/Matlab/Ruby， 上手容易， 功能強大， 網上資源豐富， 絕對是您無悔的選擇。

大家的難用都是從
fortran77那裡感受來的，看過80年代的Fortran77代碼，混亂程度簡直爆表。再看2000年左右的Fortran95代碼，馬馬虎虎，
算是中規中矩的結構化語言。最近看過2010年左右的Fortran2003 code（Fortran的lua介面）
。抽象類，構造函數滿天飛，我擦好多feature都不知道。

所以你們批判的不是Fortran， 而是任性的，非結構化的coding
style。這不過恰巧搞科學的這票人都不太鳥coding standard和coding style，
所以Fortran寫出來的代碼大都比較亂， 這是使用者自身需要學習一個， 跟語言本身關系不大吧。見過師弟師妹們寫的C代碼，
比Fortran版本的還魔幻。

而C和C++裡面也有goto， 也有extern可以不做函數參數參數檢查，倒是沒見你們怎麼噴。Fortran裡面也有interface來聲明函數原型， 倒也沒見你們怎麼用。

比
如elemental， pure， 函數重載， forall， where，
Fortran95新加的功能一大部分是為並行度設計的，其語法也非常偏向高維的大數組操作， 自動並行化（openmp
workshare）用起來簡直比C++爽不知道多少倍。在OpenMP+MPI的場合加上千核量級的並行度，還是有優勢的。還有一種東西叫CAF，
CoArray Fortran， 專門針對大並行度的超級計算機添加了很多新語法，估計知道的人不多。

更不要說Fortran2003/2008支持面向對象。當然在虛函數方面好像比C++缺了一個功能， 其他都是完整復刻的。

所
以真要批判， 請先看看Fortran95/2003/2008在來批判， 哪怕只看目錄或者Feature
List也好。真正值得噴的是Fortran95裡面的mole的mod file的依賴問題， 寫Makefile很麻煩，
還有就是輸入輸出功能太弱， 必須要靠lua，hdf5，netcdf， json這些第三方工具來支撐。

至少說，只要不用implicit，Fortran編譯的時候可以精確地告訴你哪一行有問題。（對，我就是說給C++黨的， 最近做習題被虐的不要不要的）

如
果要用心做好一個代碼， 並行度在幾千CPU核心的量級上， 有核心維護團隊， 用戶在百人千人量級上的話，正確的姿勢是，
Fortran負責運算密集部分， C++/C負責常用邏輯和介面，
python/ruby/lua負責做膠水，負責暴露給不太關心細節的終端用戶。這套東西199幾年就有人在做，
結果到現在大家還在吵哪一個更好的問題。

-----2016-02-07 補充-------
獲悉Fortran2008裡面終
於對變數聲明坑進行了修補， 在2008之前的版本中， 變數只能在函數的開始部分聲明， 實際的聲明語句可能距離使用語句較遠，
同時可能引發臨時變數誤修改的情況， Fortran2008內加入了BLOCK結構， 可以當地生成臨時變數，
並顯式指明生存期，即使在BLOCK內部使用goto強行跳出， 編譯器也會釋放臨時變數，即
mole m
implicit none

contains
subroutine test1(a, b)

integer，intent(in) :: a
integer, intent(out) :: b

....（執行語句）

TMP1 : BLOCK
integer :: temp_var
temp_var = a*b
a = temp_var
END BLOCK TMP1

....（執行語句）

end subroutine test1
end mole m

『貳』 Python作為一門編程語言，學完了python能做什麼工作

Python是一種高級編程語言，因為有很多包，你可以快速開始，很多公司都在使用。在學習Python之後，可能適合的職業主要集中在以下幾個方面：

產品管理器通常需要准備PPT報告各種數據，並且Python數據分析師也可以使用Python很多工作。如今，數據分析師基本上沒有說Python，因為Python內部數據分析太多，熊貓，Numpy，Scikit學習，Matplotlib，Tensorflow .許多數據科學家也在使用Python，所以如果數據分析，那麼有興趣學習，還可以考慮網路的方向探索Python培訓。這也很明顯。現在對Python的需求如此之高，很多人已經開始學習Python，總是被教導，教育培訓也是一個持久的行業。至少有一些編程基礎在Python之後，然後學習一些新興語言，觸摸旁路，並正確做訓練。財務顧問現在處於數字轉型，金融方向本身是一堆數據。這是大量數據。它是很多手工工作，付款和責任，現在，自動化得到改善，對於財務人員的要求也很高，如果你可以在這些數據的基礎上進行一些分析，它也是非常繁榮的做一個好主意，它非常受歡迎。

『叄』 為何Python是數據科學家的最佳選擇

數據科學工作需要用到數學和統計科學的知識，因此選擇數據科學語言時要考
慮其對數值處理、統計分析、矩陣運算等的良好支持。Python中提供了第三方包NumPy和
SciPy，它們很好地提供了這些功能。其次，從事數冊早據科學工作還需要整合各種數據源、
開發數據應用。這些需要語言能支持各種資料庫的連接、不同數據格式文件讀取、與企業
當前的應用整合以及外部數據爬取等功能。Python作為一門高級面向對象編程語言可以完
美完成上述工作。最後，數據科學家還需要結合領域知識完成數據分析、機器學習，最終
形成報告。而利用基於Python的Jupyter Notebook，數據科學家可以進行可重復的數據分
析，快速與團隊分享，編寫分析報告，同時基於Python第三方軟體包Scikit-learn、
Tensorflow、Pytorch和Keras，既可以完成傳統的機器學習應用開發，又可以完成最前沿
的深度學習橋首應用開發。數據科學工作需要用到數學和統計科學的知識，因此選擇數據科學語言時要考
慮其對數值處理、統計分析、矩陣運算等的良好支持。Python中提供了第三方包NumPy和
SciPy，它們很好地提供了這些功能。其次，從事州消雀數據科學工作還需要整合各種數據源、
開發數據應用。這些需要語言能支持各種資料庫的連接、不同數據格式文件讀取、與企業
當前的應用整合以及外部數據爬取等功能。Python作為一門高級面向對象編程語言可以完
美完成上述工作。最後，數據科學家還需要結合領域知識完成數據分析、機器學習，最終
形成報告。而利用基於Python的Jupyter Notebook，數據科學家可以進行可重復的數據分
析，快速與團隊分享，編寫分析報告，同時基於Python第三方軟體包Scikit-learn、
Tensorflow、Pytorch和Keras，既可以完成傳統的機器學習應用開發，又可以完成最前沿
的深度學習應用開發。

『肆』 為什麼越來越多的科學家使用Python，Ruby而非Fortran

Fortran語言作為一種上古語言，其實被淘汰也不為過，單就編程語言來講，估計要被很多語言吊打。
但是啊但是，你看，搞科學研究的，不是每個人都可以做吧？很多科學家並不是特別地偏愛Fortran，只是在很多研究領域，早於計算機的逗伍發明，對科學家而言，很多時候計算是一個很大的瓶頸。
剛好計算機出來宴指沖之後，Fortran整出來，科學家們十分高興地找到了能代替他們完成計算的編程語言，然後就一發不可收拾了，慢慢地就積累了一批優秀的代碼（以及更多你看不到的稀爛的代碼），等老闆帶徒弟搞研究，一來已經有很多大量的Fortran代碼可以用，二來你自己搞個其他語言寫的代碼，老闆表示看不懂可如何是好。所以自然地繼承下來（並順便發揚光大了）。
如果Python和Fortran處在同樣的歷史機遇下，我估計現在很多人都不知道有這么個語言了。
和Fortran語言境遇類似的還有一個叫做COBOL，據說現在還晌殲有代碼運行在商業應用上。