از سال 1991 ، زبان برنامه نویسی python به عنوان یک پرکننده فاصله بین زبان ها در نظر گرفته شد ، روشی برای نوشتن اسکریپت هایی که کار های خسته کننده را خودکار می کنند . (همانطور که یکی از کتاب های معروف در مورد یادگیری پایتون گفته است). یا برای نمونه سازی سریع برنامه هایی که به زبان های دیگر پیاده سازی می شوند .

با این حال ، طی چند سال گذشته ، پایتون به عنوان یک زبان درجه یک در توسعه نرم افزار مدرن ، مدیریت زیرساخت ها و تجزیه و تحلیل داده ها ظاهر شده است. این دیگر یک زبان ابزار پشتیبان نیست . بلکه یک نیروی اصلی در ایجاد برنامه های وب و مدیریت سیستم ها و عامل اصلی انفجار در تجزیه و تحلیل داده های بزرگ و هوش ماشین است.

تعداد ویژگی های موجود در این زبان بسیار ناچیز است و برای تولید اولین برنامه شما به زمان و تلاش نسبتاً کمی نیاز دارید. پایتون به گونه ای طراحی شده است که خوانا و ساده باشد. این سادگی پایتون را به یک زبان تدریس ایده آل تبدیل می کند. و به تازه واردان این امکان را می دهد تا آن را به سرعت انتخاب کنند. در نتیجه ، توسعه دهندگان زمان بیشتری را به فکر راه حل مسئله ای که در تلاش برای حل آن هستند می گذرانند. و زمان کمتری را صرف پیچیدگی های زبان کدنویسی یا رمزگشایی کدهای باقی مانده از دیگران می کنند

پایتون به طور گسترده ای مورد استفاده و پشتیبانی قرار می گیرد

پایتون هم محبوب است و هم به طور گسترده مورد استفاده قرار می گیرد ، رتبه بندی بالا در نظرسنجی ها مانند شاخص Tiobe و تعداد زیاد پروژه های GitHub با استفاده از پایتون گواهی همین موضوع است. پایتون بر روی هر سیستم عامل قابل اجرا است. بسیاری از کتابخانه های بزرگ و سرویس های مبتنی بر API دارای اتصالات پایتون هستند. که به آنها اجازه می دهد تا پایتون با آن سرویس ها ارتباط آزاد داشته باشد یا مستقیماً از آن کتابخانه ها استفاده کند.

پایتون یک زبان “اسباب بازی” نیست

حتی اگر اسکریپت نویسی و اتوماسیون بخش عمده ای از موارد استفاده پایتون را در بر بگیرد . از pythonبرای ساختن نرم افزاری با کیفیت حرفه ای ، هم به عنوان برنامه های مستقل و هم به عنوان سرویس های وب استفاده می شود. pythonممکن است سریعترین زبان نباشد ، اما همه کاره بودن آن, این را جبران می کند.

پایتون به جلو می رود

هر نسخه جدید در زبان پایتون ویژگی های جدید مفیدی را برای همگام سازی با شیوه های مدرن توسعه نرم افزار اضافه می کند. به عنوان مثال عملیات Asynchronous و coroutines اکنون بخشهایی استاندارد از زبان هستند. و نوشتن برنامه های pythonرا که پردازش همزمان انجام می دهند را آسان می کند.

از پایتون در چه استفاده می شود

ابتدایی ترین مورد استفاده از python به عنوان زبان برنامه نویسی و اتوماسیون است. python فقط جایگزینی برای اسکریپت های پوسته یا پرونده های دسته ای نیست. همچنین برای اتوماتیک کردن تعاملات با مرورگرهای وب یا رابط های کاربری گرافیکی برنامه یا انجام تهیه و پیکربندی سیستم در ابزاری مانند Ansible و Salt استفاده می شود . اما اسکریپت نویسی و اتوماسیون با python فقط نوک کوه یخ را نشان می دهد.

برنامه نویسی عمومی با Python

شما می توانید با استفاده از زبان برنامه نویسی Python برنامه های GUI خط فرمان و کراس پلتفرم ایجاد کرده و مستقر کنید. pythonتوانایی تولید باینری مستقل از یک اسکریپت را ندارد .اما بسته های ثالث مانند cx_Freeze و PyInstaller می توانند برای انجام این کار استفاده شوند.

علوم داده و یادگیری ماشین با پایتون

در python، همه چیز یک object است ، از جمله ماژول های python و کتابخانه ها. این اجازه می دهد تا پایتون به عنوان یک تولید کننده کد بسیار کارآمد باشد .و این نوشتن برنامه هایی را که عملکردهای خود را دستکاری می کنند و قابلیت توسعه دارند. که در زبان های دیگر به سختی یا غیرممکن به نظر می رسند را ممکن می کند.

از پایتون همچنین می توان برای ایجاد سیستم های تولید کد ، مانند LLVM ، برای ایجاد کد در زبان های دیگر استفاده کرد.

“کد چسب” در پایتون

python اغلب به عنوان .”زبان چسب”. توصیف می شود . به این معنی که می تواند کدهای متفرقه .(معمولاً کتابخانه هایی با رابط های زبان C). را با هم پیوند دهد. استفاده از آن در علم داده و یادگیری ماشین در این زمینه است . اما این فقط یک مورد از این ایده کلی است. اگر برنامه ها یا دامنه های برنامه ای دارید که می خواهید آنها را متصل کنید . اما نمی توانید مستقیماً آن ها را به هم وصل کنید . می توانید از python برای اتصال آنها استفاده کنید.

پایتون کجا کم می آورد؟

همچنین شایان ذکر است نوعی از کارها هستند که زبان برنامه نویسی Python برای آن های مناسب نیست

پایتون یک زبان سطح بالا است ، بنابراین برای برنامه نویسی در سطح سیستم مناسب نیست . درایورهای دستگاه یا هسته سیستم عامل خارج از حوزه پایتون هستند.

همچنین برای موقعیت هایی که به باینری های مستقل از کراس پلت فرم احتیاج دارند ، ایده آل نیست . شما می توانید یک برنامه مستقل python برای ویندوز ، MacOS و Linux ایجاد کنید ، اما نه با ظرافت یا به سادگی.

سرانجام ، pythonبهترین انتخاب اگر سرعت اجرای کد مد نظر است نیست. برای این ، بهتر است با C / C ++ یا زبان دیگری از این نوع استفاده کنید.

چگونه پایتون برنامه نویسی را ساده می کند

syntax پایتون بر اساس سادگی و آسانی خواندن است . یک “سلام جهان” استاندارد در Python 3.x چیزی بیش از این نیست:

print(“Hello world!”)

پایتون عناصر بسیاری را برای بیان مختصر بسیاری از جریان های رایج برنامه نویسی فراهم می کند. یک نمونه برنامه را برای خواندن خطوط از یک فایل متنی و انتقال به یک لیست در نظر بگیرید . و خطوط را از خط جدید خاتمه یافته خود حذف کنید:

with open(‘myfile.txt’) as my_file:
     file_lines = [x.rstrip(‘\n’) for x in my_file]

شما می توانید چنین چیزی را به عنوان for… حلقه رسمی در python بنویسید. همانطور که در زبان دیگر می نویسید . نکته این است که pythonراهی آسان برای مواردی مانند حلقه هایی که بر روی چندین اشیا تکرار می شوند .و یک عمل ساده بر روی هر عنصر از حلقه را انجام می دهد ، یا کار با مواردی که نیاز به آشکار سازی و دفع صریح دارند ،ارایه می دهد.

ساخت و سازهایی از این دست به توسعه دهندگان پایتون اجازه می دهد تعادل و سختی و خوانایی را حفظ کنند.

پایتون 2 در مقابل پایتون 3

python در دو نسخه در دسترس است ، که به اندازه کافی متفاوت هستند تا کاربران جدید را حق انتخاب بدهند. Python 2.x ، شاخه قدیمی ، تا سال 2020 همچنان پشتیبانی می شد. (یعنی دریافت به روزرسانی های رسمی) . و ممکن است پس از آن به طور غیررسمی ادامه یابد. Python 3.x ، فعلی و آینده این زبان ، دارای بسیاری از ویژگی های مفید و مهمی است که در Python 2.x یافت نمی شود . مانند ویژگی های نحوی جدید .(به عنوان مثال ” اپراتور Walrus “). ، کنترل های بهتر concurrency و interpreter بسیار کارآمدتر.

به دلیل کمبود نسبی پشتیبانی از کتابخانه های ثالث ، پایتون 3 برای مدتی طولانی رشدی کند داشت.

بسیاری از کتابخانه های pythonفقط از پایتون 2 پشتیبانی می کردند و تغییر کار را دشوار می کرد. اما طی چند سال گذشته ، تعداد کتابخانه هایی که فقط از پایتون 2 پشتیبانی می کنند کاهش یافته است. محبوب ترین کتابخانه ها هم با پایتون 2 و هم با پایتون 3 سازگار هستند . امروز پایتون 3 بهترین انتخاب برای پروژه های جدید است. هیچ دلیلی برای انتخاب پایتون 2 وجود ندارد مگر اینکه چاره دیگری نداشته باشید. اگر با پایتون 2 گیر کرده اید ، استراتژی های مختلفی در اختیار دارید.

موفقیت زبان برنامه نویسی Python به اکوسیستم غنی نرم افزار شخص اول و سوم بستگی دارد. پایتون هم از یک کتابخانه استاندارد قوی و هم از مجموعه ای سخاوتمندانه از کتابخانه های سازنده شخص ثالث که به راحتی تهیه می شوند. و به راحتی قابل استفاده هستند ، سود می برد. پایتون با دهه ها گسترش و مشارکت غنی شده است.

کتابخانه های Python

کتابخانه استاندارد python ماژول هایی را برای کارهای معمول برنامه نویسی فراهم می کند . ریاضیات ، مدیریت رشته ها ، دسترسی به پرونده ها و دایرکتوری ها ، شبکه سازی ، عملیات ناهمگام ، رشته کردن ، مدیریت چند پردازشی و غیره. اما همچنین شامل ماژول هایی است که وظایف برنامه نویسی سطح بالا و مورد نیاز برنامه های مدرن را مدیریت می کنند: خواندن و نوشتن قالب های فایل ساختار یافته مانند JSON و XML ، دستکاری فایل های فشرده ، کار با پروتکل های اینترنتی و قالب های داده (صفحات وب ، URL ها ، ایمیل). اکثر کدهای خارجی که یک رابط خارجی سازگار با C را نیاز می کنند با ctypesماژول پایتون قابل دسترسی هستند .

هزاران کتابخانه شخص ثالث که از طریق فهرست بسته Python ( PyPI ) در دسترس هستند . قوی ترین ویترین برای نشان دادن محبوبیت و قابلیت های استفاده پایتون را نشان می دهند.

کمبود های پایتون

مانند C # ، Java و Go ، پایتون دارای مدیریت حافظه جمع آوری زباله است. به این معنی که برنامه نویس برای ردیابی و انتشار اشیا مجبور به اجرای کد نیست. به طور معمول ، جمع آوری زباله به طور خودکار در پس زمینه اتفاق می افتد . اما اگر این مسئله مشکلی در عملکرد ایجاد کند ، می توانید آن را به صورت دستی فعال یا کاملاً غیرفعال کنید . یا مناطقی کامل از اشیا را از جمع آوری زباله معاف کنید، تا عملکرد کد بهتر شود.

استفاده زیاد python از White spaces به عنوان یکی از بهترین و بدترین ویژگی های python ذکر شده است. تورفتگی در خط دوم کد زیر فقط برای خوانایی نیست. این بخشی از نحوه پایتون است. مفسران پایتون برنامه هایی را که از تورفتگی مناسب برای نشان دادن جریان کنترل استفاده نمی کنند .رد می کنند.

with open(‘myfile.txt’) as my_file:
     file_lines = [x.rstrip(‘\n’) for x in my_file]

فضای سفید نحوی ممکن است باعث ناخوشنودی برخی شود. و بعضی از افراد python را به همین دلیل رد می کنند. اما قوانین سختگیرانه تورفتگی در عمل بسیار کمتر از آنچه ممکن است در تئوری به نظر برسد می باشد. نتیجه آن کدی است که تمیزتر و خواناتر است.

یکی دیگر از نکات ناامید کننده، به ویژه برای کسانی که از زبانهایی مانند C یا Java می آیند .نحوه مدیریت تایپ متغیر توسط pythonاست. به طور پیش فرض ، پایتون از تایپ پویا یا “duck” استفاده می کند . که برای کدگذاری سریع بسیار عالی است . اما در پایگاه های کد بزرگ به طور بالقوه مشکل ساز است. همانطور که گفته شد .pythonاخیراً پشتیبانی از نوع اشاره اختیاری را برای کامپایل اضافه کرده است .بنابراین پروژه هایی که ممکن است بخواهند ازتایپ static استفاده کنند می توانند از آن بهره ببرند

آیا پایتون کند است؟ الزاما نه

یک نکته مهم در مورد پایتون کند بودن آن است. از برخی جهات این ، درست است. برنامه های python معمولاً بسیار کندتر از برنامه های متناظر با C / C ++ یا Java اجرا می شوند. بعضی از برنامه های python با بزرگتر شدن کندتر خواهند شد.

چرا اینقدر کند؟ تنها دلیل نیست که اکثر زمان ها پایتون از interpreters استفاده می کند تا compilers. همچنین به این دلیل است که پویایی ذاتی و قابلیت انعطاف پذیری Object ها در پایتون ، بهینه سازی زبان برای سرعت را حتی در هنگام تدوین نیز دشوار می کند . همانطور که گفته شد ، سرعت pythonممکن است آنقدرها که به نظر می رسد مسئله ای نباشد و روش هایی برای افزایش آن وجود دارد.

بهینه سازی عملکرد پایتون

همیشه سرنوشت یک برنامه کند python این نیست که همیشه کند بماند. بسیاری از برنامه های python کند هستند. زیرا از عملکرد موجود در پایتون یا کتابخانه استاندارد آن به درستی استفاده نمی کنند. برنامه نویسان تازه کار پایتون اغلب پایتون را مانند C یا Java می نویسند . عملکرد را نادیده می گیرند. سرعت عملیات ریاضی و آمار را می توان با استفاده از کتابخانه هایی مانند NumPy و Pandas به طرز چشمگیری افزایش داد.

ضرب المثل رایج در مورد توسعه نرم افزار این است که 90 درصد فعالیت های یک برنامه وابسته به 10 درصد کد آن است . بنابراین بهینه سازی این 10 درصد می تواند پیشرفت های اساسی داشته باشد. با استفاده از پایتون ، می توانید با استفاده از پروژه هایی مانند Cython یا Numba ، این 10 درصد را می توان به C یا حتی assembly تبدیل کنید.

سرانجام ، جایگزین های pythonدارای بهینه سازی های سرعتی هستند که CPython فاقد آن است. به عنوان مثال PyPy یک کامپایلر just-in-time (JIT) پایتون است که پایتون را به صورت مستقیم به کد ماشین تبدیل می کند. PyPy می تواند برای بسیاری از عملیات های معمول سرعت های بالاتر از اندازه رایج را ارائه دهد.

زمان توسعه دهنده اغلب بر زمان ماشین غلبه می کند

اجرای یک برنامه pythonمعین ممکن است شش ثانیه طول بکشد در مقابل کسری از ثانیه در یک زبان دیگر. اما ممکن است فقط ده دقیقه طول بکشد تا یک برنامه نویس آن برنامه را با Python بنویسد. اما یک ساعت یا بیشتر زمان برای نوشتن آن در زبان دیگر وقت لازم باشد. مقدار زمان از دست رفته در اجرای برنامه pythonبیشتر از زمان صرفه جویی شده در فرآیند توسعه است.

بدیهی است که هنگامی که شما در حال نوشتن نرم افزاری هستید که دارای بازدهی بالا ، تقاضای همزمان بالا است . مانند یک برنامه تجاری یا پایگاه داده ، این امر کمتر صحت دارد. اما برای بسیاری از برنامه های دنیای واقعی ، در دامنه هایی از مدیریت سیستم گرفته تا یادگیری ماشین ، پایتون ثابت می کند که به اندازه کافی سریع است.

بعلاوه ، انعطاف پذیری و سرعت توسعه پایتون ممکن است نوآوری را فراهم کند. که دستیابی به آن در زبانهای دیگر دشوارتر و وقت گیر است.

هنگامی که سرعت توسعه و راحتی برنامه نویس مهمتر از چند ثانیه زمان بیشتر برای اجرا درماشین است . pythonممکن است بهترین ابزار برای کار باشد.