python做科学家

‘壹’ 为什么越来越多的科学家使用python，Ruby而非Fortran

需要强调的一点是， 语言只是工具， 在特定应用场景下满足特定需要的工具，
脱离应用场景来谈不但没有意义而且还会扣友善度。以下经验（吐槽）都是针对大规模科学计算的， 个人电脑写一个下午的代码，然后跑十分钟的代码趁早去用
Python/R/Matlab/Ruby， 上手容易， 功能强大， 网上资源丰富， 绝对是您无悔的选择。

大家的难用都是从
fortran77那里感受来的，看过80年代的Fortran77代码，混乱程度简直爆表。再看2000年左右的Fortran95代码，马马虎虎，
算是中规中矩的结构化语言。最近看过2010年左右的Fortran2003 code（Fortran的lua接口）
。抽象类，构造函数满天飞，我擦好多feature都不知道。

所以你们批判的不是Fortran， 而是任性的，非结构化的coding
style。这不过恰巧搞科学的这票人都不太鸟coding standard和coding style，
所以Fortran写出来的代码大都比较乱， 这是使用者自身需要学习一个， 跟语言本身关系不大吧。见过师弟师妹们写的C代码，
比Fortran版本的还魔幻。

而C和C++里面也有goto， 也有extern可以不做函数参数参数检查，倒是没见你们怎么喷。Fortran里面也有interface来声明函数原型， 倒也没见你们怎么用。

比
如elemental， pure， 函数重载， forall， where，
Fortran95新加的功能一大部分是为并行度设计的，其语法也非常偏向高维的大数组操作， 自动并行化（openmp
workshare）用起来简直比C++爽不知道多少倍。在OpenMP+MPI的场合加上千核量级的并行度，还是有优势的。还有一种东西叫CAF，
CoArray Fortran， 专门针对大并行度的超级计算机添加了很多新语法，估计知道的人不多。

更不要说Fortran2003/2008支持面向对象。当然在虚函数方面好像比C++缺了一个功能， 其他都是完整复刻的。

所
以真要批判， 请先看看Fortran95/2003/2008在来批判， 哪怕只看目录或者Feature
List也好。真正值得喷的是Fortran95里面的mole的mod file的依赖问题， 写Makefile很麻烦，
还有就是输入输出功能太弱， 必须要靠lua，hdf5，netcdf， json这些第三方工具来支撑。

至少说，只要不用implicit，Fortran编译的时候可以精确地告诉你哪一行有问题。（对，我就是说给C++党的， 最近做习题被虐的不要不要的）

如
果要用心做好一个代码， 并行度在几千CPU核心的量级上， 有核心维护团队， 用户在百人千人量级上的话，正确的姿势是，
Fortran负责运算密集部分， C++/C负责常用逻辑和接口，
python/ruby/lua负责做胶水，负责暴露给不太关心细节的终端用户。这套东西199几年就有人在做，
结果到现在大家还在吵哪一个更好的问题。

-----2016-02-07 补充-------
获悉Fortran2008里面终
于对变量声明坑进行了修补， 在2008之前的版本中， 变量只能在函数的开始部分声明， 实际的声明语句可能距离使用语句较远，
同时可能引发临时变量误修改的情况， Fortran2008内加入了BLOCK结构， 可以当地生成临时变量，
并显式指明生存期，即使在BLOCK内部使用goto强行跳出， 编译器也会释放临时变量，即
mole m
implicit none

contains
subroutine test1(a, b)

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

....（执行语句）

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

....（执行语句）

end subroutine test1
end mole m

‘贰’ Python作为一门编程语言，学完了python能做什么工作

Python是一种高级编程语言，因为有很多包，你可以快速开始，很多公司都在使用。在学习Python之后，可能适合的职业主要集中在以下几个方面：

产品管理器通常需要准备PPT报告各种数据，并且Python数据分析师也可以使用Python很多工作。如今，数据分析师基本上没有说Python，因为Python内部数据分析太多，熊猫，Numpy，Scikit学习，Matplotlib，Tensorflow .许多数据科学家也在使用Python，所以如果数据分析，那么有兴趣学习，还可以考虑网络的方向探索Python培训。这也很明显。现在对Python的需求如此之高，很多人已经开始学习Python，总是被教导，教育培训也是一个持久的行业。至少有一些编程基础在Python之后，然后学习一些新兴语言，触摸旁路，并正确做训练。财务顾问现在处于数字转型，金融方向本身是一堆数据。这是大量数据。它是很多手工工作，付款和责任，现在，自动化得到改善，对于财务人员的要求也很高，如果你可以在这些数据的基础上进行一些分析，它也是非常繁荣的做一个好主意，它非常受欢迎。

‘叁’ 为何Python是数据科学家的最佳选择

数据科学工作需要用到数学和统计科学的知识，因此选择数据科学语言时要考
虑其对数值处理、统计分析、矩阵运算等的良好支持。Python中提供了第三方包NumPy和
SciPy，它们很好地提供了这些功能。其次，从事数册早据科学工作还需要整合各种数据源、
开发数据应用。这些需要语言能支持各种数据库的连接、不同数据格式文件读取、与企业
当前的应用整合以及外部数据爬取等功能。Python作为一门高级面向对象编程语言可以完
美完成上述工作。最后，数据科学家还需要结合领域知识完成数据分析、机器学习，最终
形成报告。而利用基于Python的Jupyter Notebook，数据科学家可以进行可重复的数据分
析，快速与团队分享，编写分析报告，同时基于Python第三方软件包Scikit-learn、
Tensorflow、Pytorch和Keras，既可以完成传统的机器学习应用开发，又可以完成最前沿
的深度学习桥首应用开发。数据科学工作需要用到数学和统计科学的知识，因此选择数据科学语言时要考
虑其对数值处理、统计分析、矩阵运算等的良好支持。Python中提供了第三方包NumPy和
SciPy，它们很好地提供了这些功能。其次，从事州消雀数据科学工作还需要整合各种数据源、
开发数据应用。这些需要语言能支持各种数据库的连接、不同数据格式文件读取、与企业
当前的应用整合以及外部数据爬取等功能。Python作为一门高级面向对象编程语言可以完
美完成上述工作。最后，数据科学家还需要结合领域知识完成数据分析、机器学习，最终
形成报告。而利用基于Python的Jupyter Notebook，数据科学家可以进行可重复的数据分
析，快速与团队分享，编写分析报告，同时基于Python第三方软件包Scikit-learn、
Tensorflow、Pytorch和Keras，既可以完成传统的机器学习应用开发，又可以完成最前沿
的深度学习应用开发。

‘肆’ 为什么越来越多的科学家使用Python，Ruby而非Fortran

Fortran语言作为一种上古语言，其实被淘汰也不为过，单就编程语言来讲，估计要被很多语言吊打。
但是啊但是，你看，搞科学研究的，不是每个人都可以做吧？很多科学家并不是特别地偏爱Fortran，只是在很多研究领域，早于计算机的逗伍发明，对科学家而言，很多时候计算是一个很大的瓶颈。
刚好计算机出来宴指冲之后，Fortran整出来，科学家们十分高兴地找到了能代替他们完成计算的编程语言，然后就一发不可收拾了，慢慢地就积累了一批优秀的代码（以及更多你看不到的稀烂的代码），等老板带徒弟搞研究，一来已经有很多大量的Fortran代码可以用，二来你自己搞个其他语言写的代码，老板表示看不懂可如何是好。所以自然地继承下来（并顺便发扬光大了）。
如果Python和Fortran处在同样的历史机遇下，我估计现在很多人都不知道有这么个语言了。
和Fortran语言境遇类似的还有一个叫做COBOL，据说现在还晌歼有代码运行在商业应用上。