比较官方的说法，python是一种解释型语言，解释型语言是指代码一行一行的解释执行，就好像有个 同声传译 ，你每说一句话，他都能不间断地给你翻译，把你说的话（意指写好的代码）翻译成机器能够理解的语言。对于机器来说，这些翻译后的语言就是机器语言，就是指令，机器收到指令后，就会根据指令执行对应的操作。
与解释型语言相对的，有编译型语言，编译型语言则通过编译器先将代码翻译成机器语言，再交给机器去执行。举个例子，我方主持了一个会议，参会的分别有英国人、俄国人和西班牙人，他们三方都带了自己的同声传译。假如是解释型语言呢，我在开会的时候用一种每个同声传译都听得懂的的语言，也就是一种官方用语。这样我可以不间断地用这种语言来做交流，因为这些翻译人员都会为这三国参会人员同步翻译成目标语言，你应该也注意到了，解释型语言类似于一种通用的语言。而如果是编译型语言呢，我会让我这边的3个翻译人员将我的一份中文演讲稿，分别翻译成英文版的、俄文版的和西班牙语版的，在开会的时候，我只要交给参会的国际友人去翻阅就好了。解释型语言侧重的是一种通用的、能够实时解释翻译的特性，而编译型语言侧重的是有针对性、提前准备的特性。然而，在开会的时候，解释型效率是没有那么高的，因为需要同声传译消耗时间去做翻译，而编译型的效率会高些，因为翻译工作已经在开会前做好了，只需要参会人员理解并且执行就好。
1989年的圣诞节，荷兰程序员Guido van Rossum（ 吉多·范罗苏姆 ，以下简称吉多）在家休假无聊，为了打发时间，他开发了一种新的解释型语言。可见，该程序员无聊的时候，就是写代码。因为作者非常喜欢 Monty Python's Flying Circus （巨蟒剧团之飞翔的马戏团，这是英国的一个电视喜剧），就拿python作为这个新语言的名字。我想大家不一定都知道这部喜剧，但是可能都听说过python，可能微信在几天前给你推过python相关的培训广告，可能一些学校已经将掌握python基础概念作为一门选修课，可能你的智能家居里的操作系统有一部分核心代码是用python实现的，可能你的手机里有一个插件也是用python实现的，python现在的应用范围非常广泛，功能也非常强大。
吉多之前在 荷兰数学和计算机科学研究学会 上班，在那里，他为ABC编程语言工作了好多年。 ABC语言长这样的
这是一个函数，你也许看不懂，根据英文单词，或许可以大概猜出点什么。这里只想让你知道，python也差不多长这样，相比较会更容易理解些。
ABC虽然是一门编程语言，它的定位是作为教学或原型设计的工具，是专门为学校老师或者科研人员设计的。ABC的定位决定了它受众不是很广泛，并且它也有使用门槛，对计算机不了解的人，没有经过一段时间的学习，可能根本就上不了手。所以，ABC并不能作为一门通用的编程语言，在业内也无法获得成功。虽然说ABC没有python那么成功，但是ABC可以说是"the mother of python"，作者在很多地方都借鉴了ABC，取其精华、取其糟粕。现如今，python是长这样的
可能对于没接触过编程的人来说，它们两不都是一样的，不都是一堆英文字母么，我都看不懂。但是对于初学计算机课程，那些需要学习C语言的人来说，python相比较算是更容易理解了。python非常简短，一些复杂的流程，在C语言中，可能需要几十行代码，但是在python中，可能就只需要几行代码。当然不同的业务场景，可能不是这样的，但是普遍情况下，用python的开发效率是非常高的。python适合快速开发，适合产品快速迭代出新。
1999年1月，也就是语言面世的10年后， 吉多 向DARPA(Defense Advanced Research Projects Agency，美国国防部一个负责科研的下属机构)申请资金。我去翻了下该申请的修订版，修订版在1999年8月份提交，修订版比第一版内容更具有概括性，并且内容翔实，条理清晰，值得翻阅。
该修订版叫 Computer Programming for Everybody ，直译过来，就是针对每个人的计算机编程，翻译为通俗易懂的词——人人编程，人人编程是一种 社会 现象，每个人都有一定的编程能力，并且对计算机有一定的认识，了解软硬件是怎么运转起来的，了解一些软硬件的设计规范，能够通过编程来表达自己的想法，能够通过编程来配置自己的软件，通过编程来控制自己的机器，以改善自己的生活。举个例子，你在某宝买了一个扫地机器人，该机器人支持定义打扫路线，支持设置扫地机器人在需要更换扫把的时候，指示灯显示指定的颜色。你知道扫地机器人可以做什么，有什么操作习惯，这是基于你对一些机器的理解，如果你用过很多软件，或者参与过软件的设计，你大概都知道一些软件可能都有“设置”、“编辑”或“帮助”等菜单键。这种设计思维，或者操作习惯，都是很多软件都有的，有了这种认识之后，你面对很多同类型的软件、或者同类型的产品，就大概能够知道从那里入手，以及对它有什么功能，都有一个初步的期待或者认识。既然大家都了解计算机了，那么计算机的一些概念或者说是理念，可以说是属于常识的一部分，面对一些计算机或者说智能设备，也大概知道从哪里上手使用。我觉得这就是作者要达到的愿景。
该修订版主要有几个目的：
在这里，他想从推广python开始，因为python作为一门适合快速开发的工具，既适合专家，也适合初学者，同时python有一个活跃的且不断增长的用户群体，这个用户群体对他这个申请也非常感兴趣，愿意为之努力。python的用户数多，说明已经在市场得到了一定的认可，并且这个用户群体也愿意为python的发展做贡献，这对于一门编程语言来说，最好不过了。
该提案的 基本论点 部分写得很好，他说他想普及计算机应用，但并非通过介绍新的硬件，或者新软件这种形式，而是通过赋予每个人编程能力来实现。信息技术的发展给了人们各种强大的计算机，它们以桌面电脑、笔记本电脑或者嵌入式系统的形式存在，如果用户在软件设计和实现上有一个通用的认知，那将会极大地促进生产和创造，并且对未来有深远的影响。试想一下，如果你有一种修改和配置软件的能力，并且你可以把你的修改通过社区网站分享其他人，其他人碰到同样的问题的话，就可以参照你的方法。这种能力在紧急的情况下是很重要的，你不必等专家来给你解决问题，你自己就可以尝试解决这些问题。说到这里，你有没有想起贴吧，或者论坛，论坛有很多个板块，不同的领域分不同的板块，假如你想root手机（手机越狱，指解除手机厂商的限制，获取手机的用户最高权限，以实现对手机的某种控制），你可以到论坛上root板块找答案，这种形式可谓跟吉多提到的是一样的。如果你对你的手机或者电脑有更深入的了解，你可以通过编程改善你的输入法，或者改变你的显示器冷暖色等等，这些都是对你生活有帮助的。吉多在这里就是想达到这种状态，简单点说，人人都对计算机有一定的了解，且都有处理计算机问题的能力。
为了实现这个目标，作者制定了5年计划，这个5年计划如下：
5年计划循序渐进，由浅入深。1999年3月，美国国防部对此进行了回应，同意拨款给他。作者的5年计划在1999年底开始实施，虽然想推进5年，但是只收到1年的资金支持。不过，作者还是没有放弃这个项目，一直推进，直到他不再参与python的工作。当时美国国防部对他们提供了多少资金呢，我没看到官方公开的数据。2013年有报道称，DARPA向Continuum Analytics提供3百万美元的支持，让该公司给python开发数据处理以及数据可视化工具。具体数字是否可靠，这个尚不清楚，但管中窥豹，可见美国国防部对该项目表示认可，并提供了资金支持。Continuum Analytics有一个比较有名的工具，叫Anaconda，Anaconda可以理解为是python + 各种科学计算库的工具箱，Anaconda官网有这么一句话
翻译为“Continuum Analytics的Anaconda是使用python的、领先的开源科学计算平台，我们赋予那些正在改变世界的人超能力。”
在查资料的时候，我发现了一个wiki论坛, 该论坛对该项目进行了评价，论坛列出了该项目成功的地方和失败的地方，以及一些 社会 人士的看法。论坛这样总结道，这个项目成功的地方在于：
这个项目失败的地方在于：
回想自己初学python的时候，我觉得这个总结是很公正的。python确实容易入门，有编程基础的人可能只需要一个星期就能掌握python的一些基本语法。相比C语言，python对于初学者是很友好的，很容易让人上手。但是，要深入理解python，并没有这么简单，需要花很多时间去磨练。接手一个使用python的项目，你需要花一些时间精力去熟悉，去摸透里面的逻辑，这对于初学者来说，是无法避免的。 对于一个程序员来说，作者能想象到以后计算机的普及应用，以及用户的认知水平，还有他能够做什么，通过什么来实现，能有这些远大的抱负，这是非常不容易的。西方世界经常说到“change the world，make the world a better place”，作者也确实做到了，他设计的python在计算机世界里扮演者一个非常重要的角色。如果通过 科技 能够改变世界，那么python就是改变世界的其中一步。1980-2000年，美国对 科技 公司是政策扶持、技术扩散，这期间涌现了如IBM、HP、思科等 科技 公司，大家熟知的微软和苹果都是在这期间上市的。python可以说是这个 科技 运动的一个缩影，在 科技 浪潮的推动下，python得到了长足的发展。
很多 科技 或工业相关的网站会根据当年编程语言的流行度做下排名，它们会列出当年在业界最受欢迎的编程语言。其中，IEEE Spectrum 和 TIOBE 的2021年度编程语言是python，如果我还没记错的话，TIOBE的2020年度编程语言也是python。可见python是非常受欢迎的，用现在的话讲，就是“网红”编程语言。现在，很多计算设备上都有python的身影，小到智能家居、手机、智能手表，大到锂电车、工控车床、甚至航天飞机都有python的身影。你可能在浏览网页的时候，右下角弹出一个“7天python入门”的广告，可见python现在还是有很多需求，因为有需求，所以才有人去投广告，才会有人去找培训机构。
作者在给美国国防部的提案中写到，他想跟高中或大学展开合作，设计一些python的课程，针对不同年级，设计不同水平的课程。现在来看，他确实是做到了，现在哈佛、密歇根大学等排名靠前的大学，都有python课程，python在这些大学的CS（计算机科学）课程中应用非常广泛，可以说是作为CS导论的一个教学工具。在一些比较高级的课程，比如数据科学、人工智能等都可以看到python的身影，这是因为学术界以及工业界为python提供了一些处理科学计算和大数据的工具，这也归功于美国国防部的支持。美国有许多编程夏令营，针对不同年龄段有不同的课程，并且也有许多支持python代码的编程竞赛。Google在coursera上有一个面向初学者的课程，该课程叫 Google IT Automation with Python，完成课程大约需要 8 个月，课程建议每周花5小时学习，课程结束后就可以获得Google颁发的证书。可见，不管是工业界，还是教育界，都对python有不同程度的支持。这里打个岔，第一版的Google搜索引擎还是用python写的，作者也在Google工作了一段时间。
现如今，每隔一段时间，就有一个PyCon活动，这个活动汇聚世界各地的开发者，每年都有开发者来展示他们使用python的成功案例，或者表达自己对python的新功能或者缺陷的看法。可见，python用户社区一直都是很活跃的。这让我想到了某新能源 汽车 ，该 汽车 用户有很高的粘性，有一位车主跟我说过，他们有一个微信群，里面有该新能源 汽车 的高管，很多车主乐意在里面指出问题，或者提建议，因为这些高管会对问题或者建议做出相应的反馈。用户愿意提意见，产品经理愿意广开言路，采纳多方建议，实属不易。python社区也差不多如此。
几年前，你是否看过一个新闻，《人工智能“网红”编程语言Python进入山东小学课本》，这是2017年澎湃网的一则新闻，里面讲了python进入了山东省小学六年级教材，作为一门“网红”编程语言，它是否适合低龄学生，这个倒是没细说，但是可见国内有些地方是把编程作为一种比较基础的能力来考量。python往低龄阶段渗透是否合适呢，我在翻资料的时候瞥到韩国高丽大学的一篇论文，论文讲述小学生在学习python的过程中会碰到一些困难，比如经常少打了一些括号，经常拼错单词，经常碰到语法错误，以及对这些现象的看法。还有，南京师范大学有一篇报道，讲述了中学生学习在学习python时，采用面向问题的学习模式，我理解是case by case的教学模式，这种模式有利于学生培养学生的计算机思维，以及帮助他们理解一些计算机相关的概念，解决计算机相关的问题。
python是否适合低龄学生呢，我觉得这个是值得讨论的话题。最后还要问你一句，你会让你的小孩学习python么，从什么时候开始学呢？你的娃因为不知道打多少个括号嚎啕大哭时，你能帮得上忙么？你到时候需要专门请一个程序员来给你的娃做家教么？
关于python外文参考文献举例如下：
1、A Python script for adaptive layout optimization of trusses.
翻译：用于桁架的自适应布局优化的Python脚本。
2、a python library to extract, compare and evaluate communities from complex networks.翻译：用于从复杂网络中提取，比较和评估社区的python库。
3、Multiscale finite element calculations in Python using SfePy.
翻译：使用SfePy在Python中进行多尺度有限元计算。
4、Python-based Visual Recognition Classroom.
翻译：基于Python的视觉识别教室。
5、High‐performance Python for crystallographic computing.
翻译：用于晶体学计算的高性能Python。
6、Python programming on win32.
翻译：Win32上的Python编程。
7、A Python package for analytic cosmological radiative transfer calculations.
翻译：一个用于分析宇宙学辐射传递计算的Python包。
Python genes get frantic after a meal.
翻译：饭后Python基因变得疯狂。
A Python toolbox for controlling Magstim transcranial magnetic stimulators.
翻译：用于控制Magstim经颅磁刺激器的Python工具箱。
参考资料来源：百度百科-参考文献
参考资料来源：中国知网-a python library
拿金融数据做分析，用python编程的方式进行分析
Python做数据分析可以用pandas，这个库就是金融分析公司开发的
金融数据可以是信用卡欺诈防范，可以是股票预测 等等
主要是两点或者三点
第一个是爬虫的技术框架，这个比较好，理解了
第二个是医疗数据内容以及可视化选择，就比如说医疗数据，你是用饼图还是柱状图去反映一些病情
然后写一些代码实践上的技术考量，以及运行结果
这就是核心了，然后照着论文框架套一下就可以了
关注这个问题快一周了，到目前来说还是没发现什么太大的惊喜。我感觉建筑设计界还是要学习一个，不要看到深度学习很火，就弄个大新闻，把这玩意往建筑设计上搬呀。
其实深度学习这事儿到底怎么就能和建筑设计挂钩上？如果单单指“深度学习”，那我的理解是套用了许多层的人工神经网络，这种技术能在建筑设计中扮演什么角色？我目前还真没发现直接用深度学习这种技术来辅助建筑设计的例子。但是如果把题主提问的概念放宽松一点，变成“如何使用机器学习等算法来帮助建筑设计”，那我想还是有比较好的例子的。
机器学习技术是用来让程序的运行性能随着输入量和时间的积累慢慢提高的一种技术。例如你写了一个程序来预测一栋别墅的房价，这个程序的作用是能根据输入数据的[城市，街道，区位，面积，户型，..]等参数预测房价，为了提高程序预测的准确度，你需要先给程序喂一些已经有了估价结果的数据，程序学习一定的数据以后就能自己预测房价了。那么，这种程序工作的方式和我们做建筑设计的工作流程有什么联系呢？ 我们做设计时，同样也是先调研和参考大量同类建筑的案例，积累到一定量以后，才能自己动手开始做设计。了解了这一点，便可以设想一种利用机器学习来辅助建筑设计的思路：先让程序学习以前的建筑设计方案，然后程序就能自己去做设计了！
这篇2010年的论文 Computer-generated residential building layouts 可以说就是以上思路的典范。作者自称“使用数据驱动的方式设计了能自动创建视觉效果非常好的建筑布局的工具”，但我觉得论文的质量是远远超过了这样谦逊的描述，因为论文实现的思路极大程度借鉴了现实中建筑师开展设计工作的流程，而且用了贝叶斯网络这个非常漂亮的数学模型描述了一个建筑program在空间中的分布，而贝叶斯网络的训练数据全部来自真实的建筑师的设计方案。个人认为用机器学习的思路去处理建筑布局问题相比于过去十年来Shape Grammar的那种Procedural Modeling的思路来得更为正确。
论文是怎么展开的呢？首先，作者总结了前人工作，说明了以前基于穷举的算法都行不通，要在3D空间中去穷举这么复杂的空间分配问题就和猴子随意敲键盘得到一部莎士比亚作品的难度差不多。接着作者又批判了上个世纪90年代Muller搞的Shape Grammar那一套也不行，因为Shape Grammar就是图形语法，我们知道，编程语言是是基于有限规则的语法集生成的，而建筑设计中这样的规则条款很难形式化描述，而且会倾向于让语法数量变得无穷多。顺带一提，几十年前计算机科学家在攻克语音识别和机器翻译难题的时候，也是认为自然语言是完全基于有限的规则生成的，但后来才发现行不通，直到后来改成基于统计的方法进行研究后，才有了突破性进展。 那么shape grammar不适合建筑设计的另外一点在于，建筑设计不是玩弄图形变换的游戏，每一个建筑空间都有基于功能，心理和效用等因素的考虑。之前也有过用shape grammar分析赖特壁炉式住宅的语法规则的论文，但是应用范围实在太窄。所以这条路是走不通的。
论文作者认为，做方案，一定要基于人的舒适和心理需求，习惯和社会关系等因素，将他们综合考量后才会有比较合理的结果。例如，房间的形状最好是凸包而不要做成凹的，因为在采光上，家具摆放和视线上方正规整的形体都更优；建筑各个功能要形成开放性 - 私密性的梯度，因为这正反映了建筑被使用的方式。 为了研究更好的方法，作者去找到了一家建筑事务所的建筑师们向他们咨询职业建筑师的工作方式，得到了一个特别有用的结论：建筑师在初期和客户咨询后，在画平面的详图之前，一般都会用泡泡图来思考问题，而泡泡图则反映了一个建筑方案高度浓缩的信息，包括私密性，房间邻接关系，采光，业主喜好和文化习俗。
泡泡图在在建筑师看来是展开方案设计工作的第一步，在计算机科学家看来则是一种复杂的数据结构——图。从使用者或者任务书弄出一张泡泡图是建筑师专业能力的体现，不管这种能力是基于长期训练的素养也好，还是临时起意的构想也好，我们知道这张图包含的信息量很大就对了。 那现在问题是，如何让计算机来生成这样一张泡泡图呢？
这个时候就要轮到本回答开始的机器学习算法登场了。作者用来一个概率图模型——贝叶斯网络来描述建筑师做出来的泡泡图。用人话说，就是用这玩意来描述建筑方案中每一个部分在空间中的概率分布。好像说起来还是不太容易懂，但总之，我们知道了，这个模型可以让电脑知道对应一个成功的建筑方案，客厅、卧室和走廊等出现在某些位置的概率比出现在另外一些的位置的概率高，而概率高的位置正是合理的位置，这样就更容易生成好的方案。
针对贝叶斯网络的训练，作者搞了120套住宅建筑方案作为训练数据来喂给程序吃。现在程序总算是知道建筑方案的基本做法了，以下就是基于贝叶斯网络生成的泡泡图：
搞定了泡泡图之后，怎么从这玩意生成建筑平面呢？ 作者几经周折，最后用了Metropolis算法来搞定。具体的生成过程描述都在论文里面有写，我就不详细写了（其实是看不懂。） 再下一步是生成3D模型，作者比较自豪地说，他搞的这个算法真正实现了多层建筑方案的生成，而以前的基本只能生成单层的平面，作用有限。以下是一些成果：搞定了泡泡图之后，怎么从这玩意生成建筑平面呢？ 作者几经周折，最后用了Metropolis算法来搞定。具体的生成过程描述都在论文里面有写，我就不详细写了（其实是看不懂。） 再下一步是生成3D模型，作者比较自豪地说，他搞的这个算法真正实现了多层建筑方案的生成，而以前的基本只能生成单层的平面，作用有限。以下是一些成果：6张平面有几张是人做的方案，剩下的都是机器做的，大家可以猜一下机器做的是哪几个。答案论文里面有说。6张平面有几张是人做的方案，剩下的都是机器做的，大家可以猜一下机器做的是哪几个。答案论文里面有说。
最后是生成的3D模型，家具是手工布置的。还是颇具真实度呢！
作者最后提到，准备把这个东西运用到更多的建筑类型上，例如办公楼等。如果这玩意儿成熟，再也不用担心建筑师不失业了，偶也！
最后我再说说对这玩意的评价吧。最近几十年知识工作的自动化简直如火如荼地吹遍天南地北的各个行业，许多人都担心低端的劳动职位会不会被取代，例如驾驶汽车，快递，写新闻稿，翻译，速记等等等，这种担心真的不是毫无理由啊！当优雅简洁的数学模型遇到计算机这个可以暴力计算的机器，结合起来就创造了一类又一类可成规模复制的智能机器，想想还是让人后怕的。不过也不用太担心就是，建筑设计行业人所占的因素还是很大的，很多时候甲方找人做设计，都是看重设计师本身，出了专业能力外，沟通，人格魅力，背景，执照等的背书也是很重要的，不过未来这种建筑界持续了很久的行业模式会不会被颠覆就不得而知了。另外，程序也需要吃许多训练数据才能提高自己的设计修养，在目前来看建筑设计的各位同行都把自己搜集的方案当成宝一样藏着，数据量的大而全也很难保证，不知道以后BIM的普及会不会让这方面得到改善。
