python用途适合做什么

python中的作用域有4种：

然后我们Python程序员必须注意：

1.只有Python模块、类、及函数才能引入新作用域；

2.对于一个Python变量，内部作用域先声明就会覆盖外部变量，不声明直接使用，就会使用外部作用域的变量(这时只能查看，无法修改)；

3.如果Python函数内部作用域要修改外部作用域变量的值时, 全局变量要使用 global 关键字，嵌套作用域变量要使用 nonlocal 关键字。

谷歌的AI击败了一位围棋大师，是一种衡量人工智能突然的快速发展的方式，也揭示了这些技术如何发展而来和将来可以如何发展。

人工智能是一种未来性的技术，目前正在致力于研究自己的一套工具。一系列的进展在过去的几年中发生了：无事故驾驶超过300000英里并在三个州合法行驶迎来了自动驾驶的一个里程碑;IBM Waston击败了Jeopardy两届冠军;统计学习技术从对消费者兴趣到以万亿记的图像的复杂数据集进行模式识别。这些发展必然提高了科学家和巨匠们对人工智能的兴趣，这也使得开发者们了解创建人工智能应用的真实本质。

哪一种编程语言适合人工智能?

你所熟练掌握的每一种编程语言都可以是人工智能的开发语言。人工智能程序可以使用几乎所有的编程语言实现，最常见的有：Lisp,Prolog,C/C++，近来又有Java，最近还有Python.

LISP

像LISP这样的高级语言在人工智能中备受青睐，因为在各高校多年的研究后选择了快速原型而舍弃了快速执行。垃圾收集，动态类型，数据函数，统一的语法，交互式环境和可扩展性等一些特性使得LIST非常适合人工智能编程。

PROLOG

这种语言有着LISP高层和传统优势有效结合，这对AI是非常有用的。它的优势是解决“基于逻辑的问题”。Prolog提供了针对于逻辑相关问题的解决方案，或者说它的解决方案有着简洁的逻辑特征。它的主要缺点(恕我直言)是学起来很难。

C/C++

就像猎豹一样，C/C++主要用于对执行速度要求很高的时候。它主要用于简单程序，统计人工智能，如神经网络就是一个常见的例子。Backpropagation 只用了几页的C/C++代码，但是要求速度，哪怕程序员只能提升一点点速度也是好的。

JAVA

新来者，Java使用了LISP中的几个理念，最明显的是垃圾收集。它的可移植性使它可以适用于任何程序，它还有一套内置类型。Java没有LISP和Prolog高级，又没有C那样快，但如果要求可移植性那它是最好的。

Python

Python是一种用LISP和JAVA编译的语言。按照Norvig文章中对Lips和Python的比较，这两种语言彼此非常相似，仅有一些细小的差别。还有JPthon，提供了访问Java图像用户界面的途径。这是PeterNorvig选择用JPyhton翻译他人工智能书籍中程序的的原因。JPython可以让他使用可移植的GUI演示，和可移植的http/ftp/html库。因此，它非常适合作为人工智能语言的。

在人工智能上使用Python比其他编程语言的好处

优质的文档平台无关，可以在现在每一个*nix版本上使用和其他面向对象编程语言比学习更加简单快速Python有许多图像加强库像Python Imaging Libary,VTK和Maya 3D可视化工具包，Numeric Python, Scientific Python和其他很多可用工具可以于数值和科学应用。Python的设计非常好，快速，坚固，可移植，可扩展。很明显这些对于人工智能应用来说都是非常重要的因素。对于科学用途的广泛编程任务都很有用，无论从小的shell脚本还是整个网站应用。最后，它是开源的。可以得到相同的社区支持。AI的Python库

总体的AI库

AIMA：Python实现了从Russell到Norvigs的“人工智能：一种现代的方法”的算法pyDatalog：Python中的逻辑编程引擎SimpleAI：Python实现在“人工智能：一种现代的方法”这本书中描述过的人工智能的算法。它专注于提供一个易于使用，有良好文档和测试的库。EasyAI：一个双人AI游戏的python引擎(负极大值，置换表、游戏解决)

机器学习库

PyBrain 一个灵活，简单而有效的针对机器学习任务的算法，它是模块化的Python机器学习库。它也提供了多种预定义好的环境来测试和比较你的算法。PyML 一个用Python写的双边框架，重点研究SVM和其他内核方法。它支持Linux和Mac OS X。scikit-learn旨在提供简单而强大的解决方案，可以在不同的上下文中重用：机器学习作为科学和工程的一个多功能工具。它是python的一个模块，集成了经典的机器学习的算法，这些算法是和python科学包(numpy,scipy.matplotlib)紧密联系在一起的。MDP-Toolkit这是一个Python数据处理的框架，可以很容易的进行扩展。它海收集了有监管和没有监管的学习算饭和其他数据处理单元，可以组合成数据处理序列或者更复杂的前馈网络结构。新算法的实现是简单和直观的。可用的算法是在不断的稳定增加的，包括信号处理方法(主成分分析、独立成分分析、慢特征分析)，流型学习方法(局部线性嵌入)，集中分类，概率方法(因子分析，RBM),数据预处理方法等等。 自然语言和文本处理库NLTK 开源的Python模块，语言学数据和文档，用来研究和开发自然语言处理和文本分析。有windows,Mac OSX和Linux版本。案例

做了一个实验，一个使用人工智能和物联网做员工行为分析的软件。该软件通过员工情绪和行为的分心提供了一个有用的反馈给员工，从而提高了管理和工作习惯。

使用Python机器学习库，opencv和haarcascading概念来培训。建立了样品POC来检测通过安置在不同地点的无线摄像头传递回来基础情感像幸福，生气，悲伤，厌恶，怀疑，蔑视，讥讽和惊喜。收集到的数据会集中到云数据库中，甚至整个办公室都可以通过在Android设备或桌面点击一个按钮来取回。

开发者在深入分析脸部情感上复杂点和挖掘更多的细节中取得进步。在深入学习算法和机器学习的帮助下，可以帮助分析员工个人绩效和适当的员工/团队反馈。

结论

python因为提供像 scikit-learn的好的框架，在人工智能方面扮演了一个重要的角色：Python中的机器学习，实现了这一领域中大多的需求。D3.js JS中数据驱动文档时可视化最强大和易于使用的工具之一。处理框架，它的快速原型制造使得它成为一门不可忽视的重要语言。AI需要大量的研究，因此没有必要要求一个500KB的Java样板代码去测试新的假说。python中几乎每一个想法都可以迅速通过20-30行代码来实现(JS和LISP也是一样)。因此，它对于人工智能是一门非常有用的语言。

装饰器模式是一个强大的模式，可以给一个函数增加额外的方法而不用修改原来的代码。比如，当我们需要给原来的代码添加日志记录时，需要将原来的代码进行修改，在函数里面增加日志记录的代码。但如果使用装饰器模式，使用装饰器装饰原来的代码，将日志记录放在装饰器里，就可以避免修改原有代码，同时又实现了所需的功能。这种编程模式就叫做面向切面编程。

Python学习交流 643692991

日志记录实例

比如，我们有一个函数 func :

def func():print('func')

现在，我们需要记录一下这个函数执行时的日志记录，即记录一下函数执行的时间，输出执行时间和方法名。日志输出函数如下：

from datetime import datetime as dtdef log(func): print('['+str(dt.now())+']'+func.__name__)func()

好了，当我们想使用 func 函数的时候该怎么做呢？不是直接 func() ，而是如下：

log(func)

那么，会输出：

[2017-09-10 20:51:09.970854]func

这就实现了调用 func 时，同时进行日志记录。但这样做很明显会有问题，就是我们需要把所有调用 func 的地方改为 log(func) ，这很麻烦，并且会需要改很多代码。所以，我们换一种写法：

def log(func):def wrapper():print('['+str(dt.now())+']'+func.__name__)func() return wrapper

请注意，这就是一个装饰器了！

里面那个 wrapper 的意思就是装饰、包裹的意思。我们将 func 函数装饰一下变成了一个新的函数然后返回它。那该如何使用呢？如下：

func = log(func) func()

使用方法就是用log装饰器将func装饰一下后返回覆盖掉原有的func即可。

装饰器语法糖

所谓的语法糖的意思就是添加一个语法，让代码更简单的意思。Python为装饰器也提供了一个语法糖，就是 @ 符号。我们可以使用这个符号声明这是一个装饰器。如下，我们使用语法糖的写法给 func 添加 log 这个装饰器：

@logdef func():return print('func')

这样写好后，直接调用 func() 即可同时输出日志了：

[2017-09-10 21:10:50.933021]funcfunc

装饰器给函数传参

我们把 func 函数改一改：

def func(msg):print("-->" + msg)

现在，我们要给函数输入参数了，而原来那个 log 装饰器是没有带参数的，所以用不了了。下面，我们就要实现一个可以给函数传参数的装饰器：

def log(func):def wrapper(msg):print('['+str(dt.now())+']'+func.__name__) return func(msg) return wrapper

这样一改， log 就又可以用了，给 func 再加上语法糖：

@logdef func(msg):print("-->" + msg)# outputfunc('hello')

output:

[2017-09-10 21:16:26.677027]func-->hello

这样一改，装饰器就又可以用了。那如果我再给 func 又加一个参数呢？再加一个参数呢？我如果给 func 加不定数个参数呢？又该怎么做呢？再改 log 吗？我知道大家心里肯定也意识到了这个方法的不靠谱。

别着急，下面我们就写一个更强力的 log 装饰器，来让装饰器可以装饰任何函数，而不用管那个函数又多少个参数。使用Python的可变参数 *args 和关键字参数 **kwargs 即可。修改 log，如下：

def log(func):def wrapper(*args, **kwargs):print('['+str(dt.now())+']'+func.__name__) return func(*args, **kwargs) return wrapper

带参数的装饰器

装饰器本身也可以带参数，比如说，我们给 log装饰器添加一个参数 is_show 用于是否显示日志输出。如下：

def log(is_show=True):def wrapper(func):def inner_wrapper(*args, **kwargs):if is_show:print('['+str(dt.now())+']'+func.__name__) return func(*args, **kwargs) return inner_wrapper return wrapper

作为对比，我们写两个 func：

代码还是有点乱。缩进感觉太麻烦了，所以大家将就着看。我尽量去优化他，像大家推荐一个学习氛围非常好的群，大家都非常乐意解答，乐意交流沟通，就等你的到来。如果你正在学习python，小编欢迎你加入，大家都是Python党，不定期分享干货（只有Python爬虫，框架，零基础都有），包括我自己整理的一份2017最新的Python资料和零基础入门教程，欢迎初学和进阶中的小伙伴。

# 默认显示日志@log(True)def func1():print("func1")# 默认不显示日志@log(False)def func2(): print("func2")

谷歌的AI击败了一位围棋大师，是一种衡量人工智能突然的快速发展的方式，也揭示了这些技术如何发展而来和将来可以如何发展。

人工智能是一种未来性的技术，目前正在致力于研究自己的一套工具。一系列的进展在过去的几年中发生了：无事故驾驶超过300000英里并在三个州合法行驶迎来了自动驾驶的一个里程碑;IBM Waston击败了Jeopardy两届冠军;统计学习技术从对消费者兴趣到以万亿记的图像的复杂数据集进行模式识别。这些发展必然提高了科学家和巨匠们对人工智能的兴趣，这也使得开发者们了解创建人工智能应用的真实本质。

哪一种编程语言适合人工智能?

你所熟练掌握的每一种编程语言都可以是人工智能的开发语言。人工智能程序可以使用几乎所有的编程语言实现，最常见的有：Lisp,Prolog,C/C++，近来又有Java，最近还有Python.

LISP

像LISP这样的高级语言在人工智能中备受青睐，因为在各高校多年的研究后选择了快速原型而舍弃了快速执行。垃圾收集，动态类型，数据函数，统一的语法，交互式环境和可扩展性等一些特性使得LIST非常适合人工智能编程。

PROLOG

这种语言有着LISP高层和传统优势有效结合，这对AI是非常有用的。它的优势是解决“基于逻辑的问题”。Prolog提供了针对于逻辑相关问题的解决方案，或者说它的解决方案有着简洁的逻辑特征。它的主要缺点(恕我直言)是学起来很难。

C/C++

就像猎豹一样，C/C++主要用于对执行速度要求很高的时候。它主要用于简单程序，统计人工智能，如神经网络就是一个常见的例子。Backpropagation 只用了几页的C/C++代码，但是要求速度，哪怕程序员只能提升一点点速度也是好的。

JAVA

新来者，Java使用了LISP中的几个理念，最明显的是垃圾收集。它的可移植性使它可以适用于任何程序，它还有一套内置类型。Java没有LISP和Prolog高级，又没有C那样快，但如果要求可移植性那它是最好的。

Python

Python是一种用LISP和JAVA编译的语言。按照Norvig文章中对Lips和Python的比较，这两种语言彼此非常相似，仅有一些细小的差别。还有JPthon，提供了访问Java图像用户界面的途径。这是PeterNorvig选择用JPyhton翻译他人工智能书籍中程序的的原因。JPython可以让他使用可移植的GUI演示，和可移植的http/ftp/html库。因此，它非常适合作为人工智能语言的。

在人工智能上使用Python比其他编程语言的好处

优质的文档平台无关，可以在现在每一个*nix版本上使用和其他面向对象编程语言比学习更加简单快速Python有许多图像加强库像Python Imaging Libary,VTK和Maya 3D可视化工具包，Numeric Python, Scientific Python和其他很多可用工具可以于数值和科学应用。Python的设计非常好，快速，坚固，可移植，可扩展。很明显这些对于人工智能应用来说都是非常重要的因素。对于科学用途的广泛编程任务都很有用，无论从小的shell脚本还是整个网站应用。最后，它是开源的。可以得到相同的社区支持。AI的Python库

总体的AI库

AIMA：Python实现了从Russell到Norvigs的“人工智能：一种现代的方法”的算法pyDatalog：Python中的逻辑编程引擎SimpleAI：Python实现在“人工智能：一种现代的方法”这本书中描述过的人工智能的算法。它专注于提供一个易于使用，有良好文档和测试的库。EasyAI：一个双人AI游戏的python引擎(负极大值，置换表、游戏解决)

机器学习库

PyBrain 一个灵活，简单而有效的针对机器学习任务的算法，它是模块化的Python机器学习库。它也提供了多种预定义好的环境来测试和比较你的算法。PyML 一个用Python写的双边框架，重点研究SVM和其他内核方法。它支持Linux和Mac OS X。scikit-learn旨在提供简单而强大的解决方案，可以在不同的上下文中重用：机器学习作为科学和工程的一个多功能工具。它是python的一个模块，集成了经典的机器学习的算法，这些算法是和python科学包(numpy,scipy.matplotlib)紧密联系在一起的。MDP-Toolkit这是一个Python数据处理的框架，可以很容易的进行扩展。它海收集了有监管和没有监管的学习算饭和其他数据处理单元，可以组合成数据处理序列或者更复杂的前馈网络结构。新算法的实现是简单和直观的。可用的算法是在不断的稳定增加的，包括信号处理方法(主成分分析、独立成分分析、慢特征分析)，流型学习方法(局部线性嵌入)，集中分类，概率方法(因子分析，RBM),数据预处理方法等等。 自然语言和文本处理库NLTK 开源的Python模块，语言学数据和文档，用来研究和开发自然语言处理和文本分析。有windows,Mac OSX和Linux版本。案例

做了一个实验，一个使用人工智能和物联网做员工行为分析的软件。该软件通过员工情绪和行为的分心提供了一个有用的反馈给员工，从而提高了管理和工作习惯。

使用Python机器学习库，opencv和haarcascading概念来培训。建立了样品POC来检测通过安置在不同地点的无线摄像头传递回来基础情感像幸福，生气，悲伤，厌恶，怀疑，蔑视，讥讽和惊喜。收集到的数据会集中到云数据库中，甚至整个办公室都可以通过在Android设备或桌面点击一个按钮来取回。

开发者在深入分析脸部情感上复杂点和挖掘更多的细节中取得进步。在深入学习算法和机器学习的帮助下，可以帮助分析员工个人绩效和适当的员工/团队反馈。

结论

python因为提供像 scikit-learn的好的框架，在人工智能方面扮演了一个重要的角色：Python中的机器学习，实现了这一领域中大多的需求。D3.js JS中数据驱动文档时可视化最强大和易于使用的工具之一。处理框架，它的快速原型制造使得它成为一门不可忽视的重要语言。AI需要大量的研究，因此没有必要要求一个500KB的Java样板代码去测试新的假说。python中几乎每一个想法都可以迅速通过20-30行代码来实现(JS和LISP也是一样)。因此，它对于人工智能是一门非常有用的语言。

装饰器模式是一个强大的模式，可以给一个函数增加额外的方法而不用修改原来的代码。比如，当我们需要给原来的代码添加日志记录时，需要将原来的代码进行修改，在函数里面增加日志记录的代码。但如果使用装饰器模式，使用装饰器装饰原来的代码，将日志记录放在装饰器里，就可以避免修改原有代码，同时又实现了所需的功能。这种编程模式就叫做面向切面编程。

Python学习交流 643692991

日志记录实例

比如，我们有一个函数 func :

def func():print('func')

现在，我们需要记录一下这个函数执行时的日志记录，即记录一下函数执行的时间，输出执行时间和方法名。日志输出函数如下：

from datetime import datetime as dtdef log(func): print('['+str(dt.now())+']'+func.__name__)func()

好了，当我们想使用 func 函数的时候该怎么做呢？不是直接 func() ，而是如下：

log(func)

那么，会输出：

[2017-09-10 20:51:09.970854]func

这就实现了调用 func 时，同时进行日志记录。但这样做很明显会有问题，就是我们需要把所有调用 func 的地方改为 log(func) ，这很麻烦，并且会需要改很多代码。所以，我们换一种写法：

def log(func):def wrapper():print('['+str(dt.now())+']'+func.__name__)func() return wrapper

请注意，这就是一个装饰器了！

里面那个 wrapper 的意思就是装饰、包裹的意思。我们将 func 函数装饰一下变成了一个新的函数然后返回它。那该如何使用呢？如下：

func = log(func) func()

使用方法就是用log装饰器将func装饰一下后返回覆盖掉原有的func即可。

装饰器语法糖

所谓的语法糖的意思就是添加一个语法，让代码更简单的意思。Python为装饰器也提供了一个语法糖，就是 @ 符号。我们可以使用这个符号声明这是一个装饰器。如下，我们使用语法糖的写法给 func 添加 log 这个装饰器：

@logdef func():return print('func')

这样写好后，直接调用 func() 即可同时输出日志了：

[2017-09-10 21:10:50.933021]funcfunc

装饰器给函数传参

我们把 func 函数改一改：

def func(msg):print("-->" + msg)

现在，我们要给函数输入参数了，而原来那个 log 装饰器是没有带参数的，所以用不了了。下面，我们就要实现一个可以给函数传参数的装饰器：

def log(func):def wrapper(msg):print('['+str(dt.now())+']'+func.__name__) return func(msg) return wrapper

这样一改， log 就又可以用了，给 func 再加上语法糖：

@logdef func(msg):print("-->" + msg)# outputfunc('hello')

output:

[2017-09-10 21:16:26.677027]func-->hello

这样一改，装饰器就又可以用了。那如果我再给 func 又加一个参数呢？再加一个参数呢？我如果给 func 加不定数个参数呢？又该怎么做呢？再改 log 吗？我知道大家心里肯定也意识到了这个方法的不靠谱。

别着急，下面我们就写一个更强力的 log 装饰器，来让装饰器可以装饰任何函数，而不用管那个函数又多少个参数。使用Python的可变参数 *args 和关键字参数 **kwargs 即可。修改 log，如下：

def log(func):def wrapper(*args, **kwargs):print('['+str(dt.now())+']'+func.__name__) return func(*args, **kwargs) return wrapper

带参数的装饰器

装饰器本身也可以带参数，比如说，我们给 log装饰器添加一个参数 is_show 用于是否显示日志输出。如下：

def log(is_show=True):def wrapper(func):def inner_wrapper(*args, **kwargs):if is_show:print('['+str(dt.now())+']'+func.__name__) return func(*args, **kwargs) return inner_wrapper return wrapper

作为对比，我们写两个 func：

代码还是有点乱。缩进感觉太麻烦了，所以大家将就着看。我尽量去优化他，像大家推荐一个学习氛围非常好的群，大家都非常乐意解答，乐意交流沟通，就等你的到来。如果你正在学习python，小编欢迎你加入，大家都是Python党，不定期分享干货（只有Python爬虫，框架，零基础都有），包括我自己整理的一份2017最新的Python资料和零基础入门教程，欢迎初学和进阶中的小伙伴。

# 默认显示日志@log(True)def func1():print("func1")# 默认不显示日志@log(False)def func2(): print("func2")