大家好，今天小编关注到一个比较有意思的话题，就是关于python编程心得论文的问题，于是小编就整理了2个相关介绍Python编程心得论文的解答，让我们一起看看吧。
python数据分析论文选题？
1 基于MapReduce的气候数据的分析
5 基于hbase搜索引擎的设计与实现
6 基于Spark-Streaming的黑名单实时过滤系统的设计与实现
7 客户潜在价值评估系统的设计与实现
为有些人宁愿花费很多时间去自己手工配置Python环境, 也不用Anaconda？
我是python自学者，有点体会不得不说，我接触anaconda是因为网上有些视频教的代码编写，是在jupyter上操作的，我前期配置的pycharm里面没有jupyter，因为在自己的pycharm里面测试不出来简单的代码的运行，为了想要个结果，这才从网上了解到anaconda能使用jupyter,才从网上下载anaconda.
在使用jupyter中才慢慢了解anaconda是管理这些环境的软件，但是网上带着新手去入门anaconda的讲解少之又少，有了，因为基础问题又看不懂，以简入深的***反正我没找到，所以这就是我没开始用的原因。
希望提出问题的人多开源点anaconda的免费讲解，让我们迈过高高的门槛，进入大门。
主要还是python 已经是配置非常简单的 开发语言了，对于用过其他开发语言的朋友来说，这些简单的配置根本不是问题。还有就是Anaconda 其实也有一样的依赖问题，很多包的检测和安装并不一定准确，我自己就中过刀。如果使用了Anaconda 安装python 的话，所有的环境配置等等都依赖了Anaconda，很多时候有些配置在开发的时候是需要调配的，这样不同的workspace 可以进行不同的性能测试。还有就是自由，拥抱开源，就是不想被一种工具绑定，以至于以后没有法子摆脱这种工具。比如WIN，好用的很，但是我们现在绝大部分的计算机用户，已经无法摆脱WIN 了。
其实这说明该类人应该不是从事算法工作的, 因为使用Anaconda的人员, 基本是要使用很多算法库的 而且这些算法库积累起来很大 下载很慢, Anaconda主要是集成了 算法库 和常用的套件. 都是为了方便算法开发的.
愿意换很多时间去手工配置Python环境的同事, 更多是运维和脚本开发的人员, 因为在linux环境中 基本就是普通 python 环境, 所以可以保持环境的一致 方便调试
建议新手先使用普通的 python 环境 , 之后根据自己工作的需要来选择接下来的平台 如果是算法开发 Anaconda 是唯一的选择
python门槛相对较低，使用者大体分为两类，一类是算法研究人员，另一类是专业程序员。前者比较倾向于直接使用最简单的配置方法，用anaconda，后者则倾向于自己动手。
专业程序员，往往具有以下这些特点：具有软件工程的，动不动就是需求分析、概要设计/详细设计、测试、实施、运维；追求性能；强调兼容性、可维护性、可测试性、稳定性；喜欢使用git、SVN等版本管理工具；最终作品常常用于生产环境，主要服务于用户。
而算法研究人员则有很大的不同。他们把python只是作为一个工具，用来探索算法、分析数据、总结规律的，甚至干脆就是用来写论文的。他们不太考虑性能、稳定性等问题。
最极端的例子，他们用python，花了很大精力，可能就得出一个y=ax+b，但是这个a和b就是精华，是极具技术含量的。而如何将这个[_a***_]放到生产环境，则是交给专业程序员。程序员可能会使用其他语言去实现它。
至于为什么专业程序员喜欢自己动手，这可能与他们平时的习惯有关，很多程序员都在Linux下进行开发，早都习惯了自己动手的思维模式，这和windows区别比较大。还有就是上面提到的，东西往往都要跑在生产环境(而不是理论研究)，需要考虑很多东西，追求灵活性和可掌控性，要的就是“一切尽在掌控之中”的感觉。
我们拿开车来说，有的人只是作为代步工具，自动挡，能开、安全、好看就行。而有的人是作为比赛工具(赛车手)或盈利工具(出租车)，区别就大了，大家可以自己体会。
到此，以上就是小编对于python编程心得论文的问题就介绍到这了，希望介绍关于python编程心得论文的2点解答对大家有用。
