首先python是解釋語言，寫程序很方便，所以做研究的人喜歡用它。正如為什么很多做研究的人用Matlab那樣。出成果才是研究者關心的事情，實現只要方便就行。

然而在性能方面，我拿 python 和 c++ 做個比較。

c++ 的cpu效率是遠遠高于 python 的，這點大家都承認吧。不過 python 是一門膠水語言，它可以和任何語言結合，基于這個優點，很多數據處理的python 庫底層都是 c++ 實現的，意思就是說：你用python寫code，但效率是c++的。只有那些for 循環，還是用python的效率。

近年來機器學習最要是深度學習，而深度學習使用cuda gpu加速遠比cpu要快，而cuda 是c++寫的。所以現在TensorLayer、theano 等深度學習庫都是 python 編程、底層c++。

而那些for 循環的效率，在整體耗時里面完全可以忽略！

有的人就會說，那為什么不直接用c++ 寫cuda？不是更快嗎？我想告訴大家，如果沒有多年的cuda經驗，寫出來的代碼效率絕對是個問題。

學習Python編程語言，是大家走入編程世界的最理想選擇。無論是學習任何一門語言，基礎知識，就是基礎功非常的重要，找一個有豐富編程經驗的老師或者師兄帶著你會少走很多彎路， 你的進步速度也會快很多，無論我們學習的目的是什么，不得不說Python真的是一門值得你付出時間去學習的優秀編程語言。在選擇培訓時一定要多方面對比教學，師資，項目，就業等，慎重選擇。

1. Python是解釋語言，這讓寫程序方便不只一點。舉例來說，在C等編譯語言里寫一個矩陣乘法，需要自己分配操作數（矩陣）的內存、分配結果的內存、手動對BLAS接口調用gemm、最后如果沒用smart pointer還得手動回收內存空間。Python幾乎就是import numpy; numpy.dot兩句話的事。
Update (2015-5-7): 當然現在很多面向C/C++庫已經支持托管的內存管理了，這也讓開發過程容易了很多，但解釋語言仍然有天生的優勢——不需要編譯時間。這對機器學習這種需要大量prototyping和迭代的研究方向是非常有益工作效率的。

2. Python的開發生態成熟，有很多非常有用的庫可以用。除了上面說到的NumPy，還有SciPy、NLTK、os（自帶）等等不一而足。Python靈活的語法還使得包括文本操作、list/dict comprehension等非常實用的功能非常容易高效實現（編寫和運行效率都高），配合lambda等使用更是方便。這也是Python良性生態背后的一大原因。相比而言，Lua雖然也是解釋語言，甚至有LuaJIT這種神器加持，但其本身很難做到Python這樣，一是因為有Python這個前輩占領著市場份額，另一個也因為它本身種種反常識的設計（比如全局變量）。不過借著Lua-Python bridge和Torch的東風，Lua似乎也在寄生興起。

3. 寫程序方便對做機器學習的人很重要。因為經常需要對模型進行各種各樣的修改，這在編譯語言里很可能是牽一發而動全身的事情，Python里通常可以用很少的時間實現。

4. Python的效率不差。解釋語言的發展已經大大超過許多人的想象。很多比如list comprehension的語法糖都是貼近內核實現的。除了JIT[1]之外，還有Cython可以大幅增加運行效率。最后，得益于Python對C的接口，很多像gnumpy, theano這樣高效、Python接口友好的庫可以加速程序的運行，在強大團隊的支撐下，這些庫的效率可能比一個不熟練的程序員用C寫一個月調優的效率還要高。