可视化编程软件知乎

‘壹’ 如何自学编程python

首先先了解Python语言的四大发展方向。目前Python的主要方向有web后端开发、大数据分析网络爬虫和人工智能，当然如果再细分的话还有自动化测试、运维等方向。

在学习Python的基础语法时，并不需要太多的基础，基本只要熟练使用电脑日常功能并对Python感兴趣就可以了，但如果想要在人工智能领域方向发展的话，线性代数、概率、统计等高等数学知识基本是必需的，原因在于这些知识能够让你的逻辑更加清晰，在编程过程中有更强的思路。

分享一个千锋Python的学习大纲给你

第一阶段 - Python 数据科学

Python 基础语法

入门及环境安装 、基本语法与数据类型、控制语句、错误及异常、错误处理方法、异常处理方法 、常用内置函数 、函数创建与使用、Python 高级特性、高级函数、Python 模块、PythonIO 操作 、日期与时间 、类与面向对象 、Python 连接数据库

Python 数据清洗

数字化 Python 模块Numpy、数据分析利器Pandas、Pandas 基本操作、Pandas 高级操作

Python 数据可视化

数据可视化基础、MLlib（RDD-Base API）机器学习、MatPlotlib 绘图进阶、高级绘图工具

第二阶段 - 商业数据可视化

Excel 业务分析

Excel 基础技能、Excel 公式函数、图表可视化、人力 & 财务分析案例、商业数据分析方法、商业数据分析报告

Mysql 数据库

Mysql 基础操作（一）、Mysql 基础操作（二）、Mysql 中级操作、Mysql 高级操作、电商数据处理案例

PowerBI

初级商业智能应用 （PowerQuery）、初级商业智能应用 （PowerPivot）、初级商业智能应用案例、存储过程、PowerBI Desktop 案例、PowerBI Query 案例

统计学基础

微积分、线性代数基础、统计基础

Tableau

Tableau 基本操作、Tableau 绘图、Tableau 数据分析、Tableau 流量分析

SPSS

客户画像、客户价值模型、神经网络、决策树、时间序列

第三阶段 - Python 机器学习

Python 统计分析

数据准备、一元线性回归、多元线性回归、一般 logistic 回归、ogistic 回归与修正

Python 机器学习基础

机器学习入门、KNN 讲义、模型评估方法、模型优化方法、Kmeans、DBSCAN、决策树算法实战

Python 机器学习中级

线性回归、模型优化方法、逻辑回归、朴素贝叶斯、关联规则、协同过滤、推荐系统案例

Python 机器学习高级

集成算法 - 随机森林、集成算法 -AdaBoost、数据处理和特征工程、SVM、神经网络、XGBoost

第四阶段 - 项目实战

电商市场数据挖掘项目实战

项目背景 & 业务逻辑 、指定分析策略 、方法实现与结果 、营销活动设计及结果评价 、撰写数据分析报告

金融风险信用评估项目实战

项目背景 & 业务逻辑 、建模准备 、数据清洗 、模型训练 、模型评估 、模型部署与更新

第五阶段 - 数据采集

爬虫类库解析 、数据解析 、动态网页提取 、验证码、IP 池 、多线程爬虫 、反爬应对措施 、scrapy 框架

第六阶段 - 企业课

团队户外拓展训练 、企业合作项目课程 、管理课程 、沟通表达训练 、职业素养课程

以上就是零基础Python学习路线的所有内容，希望对大家的学习有所帮助。

‘贰’ 国内有哪些好的数据可视化工具，推荐一下

诚然，数据可视化可谓是数据分析工作的最后一道工序，前面的作业做得再好，如果不能很好地展现出来，那就算是临门一脚、功亏一篑了……下面给大家列出好用的数据可视化工具清单，希望可以为你的学习或工作带来一些帮助。

1、强大的R可视化包-ggplot2

R是一款偏向于统计分析的脚本语言软件，基于S语言开发，如果你是R语言忠实fans，我相信你一定不会不知道R里单独的一个绘图包—ggplot2，之所以给ggplot2“强大”的头衔，一方面确实能够轻松应付各个领域的图像绘制，静态的，动态的，说的出名字的，个性化特制的；另一方面小编就是学统计学的，自然相对熟悉这个包。

ggplot2由Hadley Wickham在2005年创造。受欢迎的原因是将图形分解为语素（如尺度、图层）的思想。ggplot2可以作为R语言基础绘图包的替代，同时ggplot2预设有多种印刷及网页尺寸。

当然有些数据分析软件也带透视表、绘图功能，如MySQL、SPSS，但数据可视化不作为主要功能，这里就不如上面较详细说了。

‘叁’ 怎样学习web前端 w3school 知乎

我也在W3Cschool学过HTML，总感觉缺了点什么，然后就去报了培训班，跟老乎档芦师说我要学用HTML做出好看的EDM设计，于是老师就让我照着EDM案例模仿学习，很快我岁带就拿到了网页设计师的认证，卖给客户$100一个，很快就赚回了培训费。这算不算最早期的知识付费，还赚了？

学习需要动力，总是停留在理论层面是没有价值的，所谓的实操也不是一场考试认证，而是做出商业化项目作品，看客户是否愿意为你付费？正好有一个机蠢销会，让你做属于自己的3D可视化项目，这里了解一下什么是3D可视化？就是带有基础数据的3D效果图。

‘肆’ java工作流框架有哪些 知乎

java工作流框架有哪些 ；常见的如JBPM、Activity都可以‘也有一些针对全自主知识产权的：
自主知识产权的MyApps低代码快速开发平台产品，这是国内首款可视化配置式开发平台，平台集流程引擎、表单引擎和报表引擎等核心科技于一体，其快速灵活的开发特性及对中国式流程管理业务模式和操作习惯的精准拿捏展现了独到的优势。开发者通过管理后台的可视化界面，对表单排版及流程节点之间关联进行编辑操作，开发者在没有任何编程语言基础的情况下也能开发出各种业务场景的应用。为企业用户提供应用系统开发所需要的一切基础设施，平台涵盖了对企业的业务流程需求分析，设计，快速开发部署，仿真测试，运行维护，更新和发布，流程绩效分析和管理，流程改进等对企业绩效管理（BPM）进行全生命周期支持。myApps从第一版开发到目前已经有14年的历史，已经包含100多万行源代码。
优势概括
1) 微服务：高扩可展性，每个服务都能独立部署，扩容和缩容方便，能够有效地提高利用率；
2) 多时态：分为授权时、设计时、运行时。设计时：操作并存储表单、流程、视图、报表等。授权时：操作并存储用户、部门、权限等。运行时：实际用户使用系统并存储业务数据。
3) 多种部署模式：支持单机和集群部署、云端部署；
4) 集群化：由过去的对等集群架构演化为所有微服务都可以动态伸缩，涉及到负载均衡由前端单点转移至调用方；
5) 配置化：包括服务的依赖关系解耦，对应用透明无侵入；
6) 版本化：指在服务升级或线上bug修复等场景下所需要的多版本管理，服务的提供者与消费者在发布引用时须指定版本号。
7) 异步化：常用的性能优化方式，在合适的场景下，异步化可以带来更大的吞吐量、更短的响应时间，而且还具备隔离外部不稳定性的作用。
8）机卡分离：做好数据备份和升级系统的分开，便于轻松升级到新版本，

‘伍’ 吐血整理：C++编程语言资源汇总

关于 C++ 框架、库和资源的一些汇总列表，内容包括：标准库、Web应用框架、人工智能、数据库、图片处理、机器学习、日志、代码分析等。有需要的小伙伴可以收藏一下！

C++标准库，包括了STL容器，算法和函数等。

C++ Standard Library：是一系列类和函数的集合，使用核心语言编写，也是C++ISO自身标准的一部分。

Standard Template Library：标准模板库

C POSIX library ： POSIX系统的C标准库规范

ISO C++ Standards Committee ：C++标准委员会

C++通用框架和库

Apache C++ Standard Library：是一系列算法，容器，迭代器和其他基本组件的集合

ASL ：Adobe源代码库提供了同行的评审和可移植的C++源代码库。

Boost ：大量通用C++库的集合。

BDE ：来自于彭博资讯实验室的开发环境。

Cinder：提供专业品质创造性编码的开源开发社区。

Cxxomfort：轻量级的，只包含头文件的库，将C++ 11的一些新特性移植到C++03中。

Dlib：使用契约式编程和现代C++ 科技 设计的通用的跨平台的C++库。

EASTL ：EA-STL公共部分

ffead-cpp ：企业应用程序开发框架

Folly：由Facebook开发和使用的开源C++库

JUCE ：包罗万象的C++类库，用于开发跨平台软件

libPhenom：用于构建高性能和高度可扩展性系统的事件框架。

LibSourcey ：用于实时的视频流和高性能网络应用程序的C++11 evented IO

LibU ： C语言写的多平台工具库

Loki ：C++库的设计，包括常见的设计模式和习语的实现。

MiLi ：只含头文件的小型C++库

openFrameworks ：开发C++工具包，用于创意性编码。

Qt ：跨平台的应用程序和用户界面框架

Reason ：跨平台的框架，使开发者能够更容易地使用Java，.Net和Python，同时也满足了他们对C++性能和优势的需求。

ROOT ：具备所有功能的一系列面向对象的框架，能够非常高效地处理和分析大量的数据，为欧洲原子能研究机构所用。

STLport：是STL具有代表性的版本

STXXL：用于额外的大型数据集的标准模板库。

Ultimate++ ：C++跨平台快速应用程序开发框架

Windows Template Library：用于开发Windows应用程序和UI组件的C++库

Yomm11 ：C++11的开放multi-methods.

btsk ： 游戏 行为树启动器工具

Evolving Objects：基于模板的，ANSI C++演化计算库，能够帮助你非常快速地编写出自己的随机优化算法。

Neu：C++11框架，编程语言集，用于创建人工智能应用程序的多用途软件系统。

Boost.Asio：用于网络和底层I/O编程的跨平台的C++库。

libev ：功能齐全，高性能的时间循环，轻微地仿效libevent，但是不再像libevent一样有局限性，也修复了它的一些bug。

libevent ：事件通知库

libuv ：跨平台异步I/O。

音频，声音，音乐，数字化音乐库

FMOD ：易于使用的跨平台的音频引擎和音频内容的 游戏 创作工具。

Maximilian ：C++音频和音乐数字信号处理库

OpenAL ：开源音频库—跨平台的音频API

Opus：一个完全开放的，免版税的，高度通用的音频编解码器

Speex：免费编解码器，为Opus所废弃

Tonic： C++易用和高效的音频合成

Vorbis： Ogg Vorbis是一种完全开放的，非专有的，免版税的通用压缩音频格式。

生物信息，基因组学和生物技术

libsequence：用于表示和分析群体遗传学数据的C++库。

SeqAn：专注于生物数据序列分析的算法和数据结构。

Vcflib ：用于解析和处理VCF文件的C++库

Wham：直接把联想测试应用到BAM文件的基因结构变异。

压缩和归档库

bzip2：一个完全免费，免费专利和高质量的数据压缩

doboz：能够快速解压缩的压缩库

PhysicsFS：对各种归档提供抽象访问的库，主要用于视频 游戏 ，设计灵感部分来自于Quake3的文件子系统。

KArchive：用于创建，读写和操作文件档案（例如zip和 tar）的库，它通过QIODevice的一系列子类，使用gzip格式，提供了透明的压缩和解压缩的数据。

LZ4 ：非常快速的压缩算法

LZHAM ：无损压缩数据库，压缩比率跟LZMA接近，但是解压缩速度却要快得多。

LZMA ：7z格式默认和通用的压缩方法。

LZMAT ：及其快速的实时无损数据压缩库

miniz：单一的C源文件，紧缩/膨胀压缩库，使用zlib兼容API，ZIP归档读写，PNG写方式。

Minizip：Zlib最新bug修复，支持PKWARE磁盘跨越，AES加密和IO缓冲。

Snappy ：快速压缩和解压缩

ZLib ：非常紧凑的数据流压缩库

ZZIPlib：提供ZIP归档的读权限。

并发执行和多线程

Boost.Compute ：用于OpenCL的C++GPU计算库

Bolt ：针对GPU进行优化的C++模板库

C++React ：用于C++11的反应性编程库

Intel TBB ：Intel线程构件块

Libclsph：基于OpenCL的GPU加速SPH流体仿真库

OpenCL ：并行编程的异构系统的开放标准

OpenMP：OpenMP API

Thrust ：类似于C++标准模板库的并行算法库

HPX ：用于任何规模的并行和分布式应用程序的通用C++运行时系统

VexCL ：用于OpenCL/CUDA 的C++向量表达式模板库。

C++ B-tree ：基于B树数据结构，实现命令内存容器的模板库

Hashmaps： C++中开放寻址哈希表算法的实现

Bcrypt ：一个跨平台的文件加密工具，加密文件可以移植到所有可支持的操作系统和处理器中。

BeeCrypt：

Botan： C++加密库

Crypto++：一个有关加密方案的免费的C++库

GnuPG： OpenPGP标准的完整实现

GnuTLS ：实现了SSL，TLS和DTLS协议的安全通信库

Libgcrypt

libmcrypt

LibreSSL：免费的SSL/TLS协议，属于2014 OpenSSL的一个分支

LibTomCrypt：一个非常全面的，模块化的，可移植的加密工具

libsodium：基于NaCI的加密库，固执己见，容易使用

Nettle 底层的加密库

OpenSSL ： 一个强大的，商用的，功能齐全的，开放源代码的加密库。

Tiny AES128 in C ：用C实现的一个小巧，可移植的实现了AES128ESB的加密算法

数据库，SQL服务器，ODBC驱动程序和工具

hiberlite ：用于Sqlite3的C++对象关系映射

Hiredis： 用于Redis数据库的很简单的C客户端库

LevelDB： 快速键值存储库

LMDB：符合数据库四大基本元素的嵌入键值存储

MySQL++：封装了MySql的C API的C++ 包装器

RocksDB：来自Facebook的嵌入键值的快速存储

SQLite：一个完全嵌入式的，功能齐全的关系数据库，只有几百KB，可以正确包含到你的项目中。

调试库， 内存和资源泄露检测，单元测试

Boost.Test：Boost测试库

Catch：一个很 时尚 的，C++原生的框架，只包含头文件，用于单元测试，测试驱动开发和行为驱动开发。

CppUnit：由JUnit移植过来的C++测试框架

CTest：CMake测试驱动程序

googletest：谷歌C++测试框架

ig-debugheap：用于跟踪内存错误的多平台调试堆

libtap：用C语言编写测试

MemTrack —用于C++跟踪内存分配

microprofile- 跨平台的网络试图分析器

minUnit ：使用C写的迷你单元测试框架，只使用了两个宏

Remotery：用于web视图的单一C文件分析器

UnitTest++：轻量级的C++单元测试框架

Cocos2d-x ：一个跨平台框架，用于构建2D 游戏 ，互动图书，演示和其他图形应用程序。

Grit ：社区项目，用于构建一个免费的 游戏 引擎，实现开放的世界3D 游戏 。

Irrlicht ：C++语言编写的开源高性能的实时#D引擎

Polycode：C++实现的用于创建 游戏 的开源框架（与Lua绑定）。

CEGUI ： 很灵活的跨平台GUI库

FLTK ：快速，轻量级的跨平台的C++GUI工具包。

GTK+： 用于创建图形用户界面的跨平台工具包

gtkmm ：用于受欢迎的GUI库GTK+的官方C++接口。

imgui：拥有最小依赖关系的立即模式图形用户界面

libRocket ：libRocket 是一个C++ HTML/CSS 游戏 接口中间件

MyGUI ：快速，灵活，简单的GUI

Ncurses：终端用户界面

QCustomPlot ：没有更多依赖关系的Qt绘图控件

Qwt ：用户与技术应用的Qt 控件

QwtPlot3D ：功能丰富的基于Qt/OpenGL的C++编程库，本质上提供了一群3D控件

OtterUI ：OtterUI 是用于嵌入式系统和互动 娱乐 软件的用户界面开发解决方案

PDCurses 包含源代码和预编译库的公共图形函数库

wxWidgets C++库，允许开发人员使用一个代码库可以为widows， Mac OS X，Linux和其他平台创建应用程序

bgfx：跨平台的渲染库

Cairo：支持多种输出设备的2D图形库

Horde3D 一个小型的3D渲染和动画引擎

magnum C++11和OpenGL 2D/3D 图形引擎

Ogre 3D 用C++编写的一个面向场景，实时，灵活的3D渲染引擎（并非 游戏 引擎）

OpenSceneGraph 具有高性能的开源3D图形工具包

Panda3D 用于3D渲染和 游戏 开发的框架，用Python和C++编写。

Skia 用于绘制文字，图形和图像的完整的2D图形库

urho3d 跨平台的渲染和 游戏 引擎。

Boost.GIL：通用图像库

CImg ：用于图像处理的小型开源C++工具包

CxImage ：用于加载，保存，显示和转换的图像处理和转换库，可以处理的图片格式包括 BMP, JPEG, GIF, PNG, TIFF, MNG, ICO, PCX, TGA, WMF, WBMP, JBG, J2K。

FreeImage ：开源库，支持现在多媒体应用所需的通用图片格式和其他格式。

GDCM：Grassroots DICOM 库

ITK：跨平台的开源图像分析系统

Magick++：ImageMagick程序的C++接口

MagickWnd：ImageMagick程序的C++接口

OpenCV ： 开源计算机视觉类库

tesseract-ocr：OCR引擎

VIGRA ：用于图像分析通用C++计算机视觉库

VTK ：用于3D计算机图形学，图像处理和可视化的开源免费软件系统。

最后， 对于学习编程或者在工作想升职的程序员兄弟，如果你想更好的提升你的编程能力帮助你提升水平！ 笔者这里或许可以帮到你~

编程学习书籍分享：

编程学习视频分享：

分享（源码、项目实战视频、项目笔记，基础入门教程）

欢迎转行和学习编程的伙伴，利用更多的资料学习成长比自己琢磨更快哦！

‘陆’ python 和 r 的区别 知乎

有人说Python和R的区别是显而易见的，因为R是针对统计的，python是给程序员设计的，其实这话对Python多多少少有些不公平。2012年的时候我们说R是学术界的主流，但是现在Python正在慢慢取代R在学术界的地位。不知道是不是因为大数据时代的到来。

Python与R相比速度要快。Python可以直接处理上G的数据；R不行，R分析数据时需要先通过数据库把大数据转化为小数据（通过groupby）才能交给R做分析，因此R不可能直接分析行为详单，只能分析统计结果。所以有人说：Python=R+SQL/Hive，并不是没有道理的。

Python的一个最明显的优势在于其胶水语言的特性，很多书里也都会提到这一点，一些底层用C写的算法封装在Python包里后性能非常高效(Python的数据挖掘包Orange canve 中的决策树分析50万用户10秒出结果，用R几个小时也出不来，8G内存全部占满)。但是，凡事都不绝对，如果R矢量化编程做得好的话（有点小难度），会使R的速度和程序的长度都有显着性提升。

R的优势在于有包罗万象的统计函数可以调用，特别是在时间序列分析方面，无论是经典还是前沿的方法都有相应的包直接使用。
相比之下，Python之前在这方面贫乏不少。但是，现在Python有了pandas。pandas提供了一组标准的时间序列处理工具和数据算法。因此，你可以高效处理非常大的时间序列，轻松地进行切片/切块、聚合、对定期/不定期的时间序列进行重采样等。可能你已经猜到了，这些工具中大部分都对金融和经济数据尤为有用，但你当然也可以用它们来分析服务器日志数据。于是，近年来，由于Python有不断改良的库（主要是pandas），使其成为数据处理任务的一大替代方案。

做过几个实验：
1. 用python实现了一个统计方法，其中用到了ctypes，multiprocess。
之后一个项目要做方法比较，又用回R，发现一些bioconctor上的包已经默认用parallel了。（但那个包还是很慢，一下子把所有线程都用掉了，导致整个电脑使用不能，看网页非常卡~）
2. 用python pandas做了一些数据整理工作，类似数据库，两三个表来回查、匹配。感觉还是很方便的。虽然这些工作R也能做，但估计会慢点，毕竟几十万行的条目了。
3. 用python matplotlib画图。pyplot作图的方式和R差异很大，R是一条命令画点东西，pylot是准备好了以后一起出来。pyplot的颜色选择有点尴尬，默认颜色比较少，之后可用html的颜色，但是名字太长了~。pyplot 的legend比R 好用多了，算是半自动化了。pyplot画出来后可以自由拉升缩放，然后再保存为图片，这点比R好用。

总的来说Python是一套比较平衡的语言，各方面都可以，无论是对其他语言的调用，和数据源的连接、读取，对系统的操作，还是正则表达和文字处理，Python都有着明显优势。 而R是在统计方面比较突出。但是数据分析其实不仅仅是统计，前期的数据收集，数据处理，数据抽样，数据聚类，以及比较复杂的数据挖掘算法，数据建模等等这些任务，只要是100M以上的数据，R都很难胜任，但是Python却基本胜任。

结合其在通用编程方面的强大实力，我们完全可以只使用Python这一种语言去构建以数据为中心的应用程序。
但世上本没有最好的软件或程序，也鲜有人能把单一语言挖掘运用到极致。尤其是很多人早先学了R，现在完全不用又舍不得，所以对于想要学以致用的人来说，如果能把R和Python相结合，就更好不过了，很早看过一篇文章——让R与Python共舞，咱们坛子里有原帖，就不多说了，看完会有更多启发。

BTW： 如果之前没有学过R，可以先学Python然后决定是不是学R，如果学了R，学Python的时候会更快上手。

‘柒’ 学python可以做什么

1WEB开发

在国内，豆瓣一开始就使用Python作为web开发基础语言，知乎的整个架构也是基于Python语言，这使得web开发这块在国内发展的很不错。

尽管目前Python并不是做Web开发的首选，但一直都占有不可忽视的一席。Python中有各类Web框架，无论是简单而可以自由搭配的微框架还是全功能的大型MVC框架都一应俱全，这在需要敏捷开发的Web项目中也是十分具有优势的。广泛使用（或曾经广泛使用）Python提供的大型Web服务包括知乎、豆瓣、Dropbox等网站。加之Python本身的“胶水”特性，很容易实现在需要大规模性能级计算时整合其它语言，同时保留Web开发时的轻便快捷。

除此之外，Python中还有大量“开箱即用”的模块，用于与各种其它网站的对接等相关功能。如果希望开发个微信公众号相关功能，wechat-sdk/weixin-python等包，能够使你几乎完全不用管文档中提及的各种服务器交互细节，专注于功能实现即能完成开发。

目前，国内的Python web开发主要有两个技术栈：

（1）Django

Django是一个高级的敏捷web开发框架，如果学会了，撸一个网站很快。当然如果纯粹比撸网站的速度，基于ruby的Ruby on rails显然更快，但是Django有一个优势就是性能优秀，更适合国内网站的应用场景。国外的着名图片社区Pinterest早期也是基于Django开发的，承受了用户快速增长的冲击。所以说如果你想快速开发一个网站，还能兼顾APP客户端的API调用需求，Django是可以信赖的。

（2）Flask

相对于Django，Flask则是一个轻量级的web框架，Flask的最大的优势是性能优越，适合配合手机客户端开发后台API服务。国内基于Flask的Restful API服务这快很火，也是需求最大的。知名的比如网络、网易、小米、陌陌等等很多公司都有基于Flask的应用部署。当然，如果你想做一个传统的web网站，还是建议使用Django，Flask的优势是后端、API，不适合构建全功能网站。

2网络爬虫

网络爬虫是Python比较常用的一个场景，国际上，google在早期大量地使用Python语言作为网络爬虫的基础，带动了整个Python语言的应用发展。以前国内很多人用采集器搜刮网上的内容，现在用Python收集网上的信息比以前容易很多了。

Python在这个方面有许多工具上的积累，无论是用于模拟HTTP请求的Requests、用于HTML DOM解析的PyQuery/BeautifulSoup、用于自动化分布式爬取任务的Scrapy，还是用于最简化数据库访问的各种ORM，都使得Python成为数据爬取的首选语言之一。特别是，爬取后的数据分析与计算是Python最为擅长的领域，非常容易整合。目前Python比较流行的网络爬虫框架是功能非常强大的scrapy。

3人工智能与机器学习

人工智能是现在非常火的一个方向，AI热潮让Python语言的未来充满了无限的潜力。现在释放出来的几个非常有影响力的AI框架，大多是Python的实现，为什么呢？

因为Python足够动态、具有足够性能，这是AI技术所需要的技术特点。比如基于Python的深度学习库、深度学习方向、机器学习方向、自然语言处理方向的一些网站基本都是通过Python来实现的。机器学习，尤其是现在火爆的深度学习，其工具框架大都提供了Python接口。Python在科学计算领域一直有着较好的声誉，其简洁清晰的语法以及丰富的计算工具，深受此领域开发者喜爱。

6桌面程序

Python也可以用于桌面软件开发（如sublime text等），甚至移动端开发（参看kivy）。Python简洁方便，各种工具包齐全的环境，能大幅度减少开发者的负担。着名的UI框架QT有Python语言的实现版本PyQT。Python简单易用的特性加上QT的优雅，可以很轻松的开发界面复杂的桌面程序，并且能轻松实现跨平台特性。

7多媒体应用

可以用Python里面的PIL、Piddle、ReportLab 等模块对图象、声音、视频、动画等进行处理，还可以用Python生成动态图表和统计分析图表。另外，还可以利用PyOpenGl模块非常快速有效的编写出三维场景。