為什麼選擇Python

個人微信號：361318358

本文有濃烈的個人偏好，每個語言都有各自的特點，選擇適合自己的就好。

本人在接觸Python之後，對其甚是喜歡。網上雖然有關於其在空間數據處理方面的中文文章，但總體不多。計劃寫一些關於Python在GIS和遙感等空間數據處理分析方面的應用。在後續的文章中將主要包括Python的入門、基本環境配置、常用工具包及其在遙感和GIS數據處理方面的基本應用。

前言

作為一個非計算機專業的人，接觸過的編程語言其實也不算少了。入門的經典C語言就不必說了，本科還曾經選修過VB和java（上完課就還給老師了），用過C#，C++做一些小軟體，現在主要用Python偶爾加R輔助，再加上曾嘗試寫過一兩行代碼的IDL和Matlab。正所謂貪多嚼不爛，哪一個都沒能精通甚至談的上熟練使用。出國留學之後，希望能做一些和機器學習相關的內容，網上搜羅一遍，看各種語言之爭，最後決定從Python入手，至少到目前覺得Python值得我投入那麼多時間去學習掌握它。

為什麼選擇Python

因為學會Python你就能飛了。。。

之前對於矢量或柵格數據的處理，非常嚴重的依賴於ArcGIS和ENVI，尤其是數據讀取，如ArcGIS 的.shp，ENVI的.img，以及LiDAR的.las等這類獨有的格式，離開了這些專業軟體基本就不知道該怎麼對付這類數據了。所以在選擇語言的時候，矢柵數據讀取以及數據基本分析（空間分析，遙感影像的）是否靈活方便很重要，這也是為什麼在學校時都是學的基於ArcGIS Engine和IDL二次開發（好像GIS專業的特長就是二次開發似的，總感覺這就像是軟體開發世界的二等公民）。Python在一定程度上能夠解決這個問題，不再依賴於特定的軟體平台，畢竟那些對工具依賴性強的工作，你的價值越依附於工具，你越是要警惕自己的思考能力被工具剝奪。

可以說我在了解Python各種庫上面花費了很多時間，有時間應該整理一個表格分類列出來有用的工具包。至少，在矢量數據方面，有GDAL，Geopandas，leafet，rasterio；fiona而柵格數據方面，通用的圖像處理有opencv，scikit-image，用於遙感圖像的有spectral-python。更重要的是，如果想涉足機器學習，python更有從較通用的sklearn到深度學習的Tensorflow、keras等一大票工具包等著你。

在此是指有問題基本都能在stackoverflow等找到答案，也有很多相關的書籍。

這裡特指Juypter Notebook的.ipynb文件。文字說明，代碼，圖在一個文件裡面，也可以在gist和nbviewer直接在線共享瀏覽，微軟和anaconda也提供了在線運行環境，申請個賬號就能直接運行代碼。

4. Python」上手快」

之所以列在最後，我對這點是有些質疑的。因為沒有一定的編程功底和對編程語言的理解，很難說的上上手快。裝個flask包，敲幾行代碼運行起來一個網站，不能稱之為上手了。我一開始對著些教程敲代碼，的確感覺python能在相對短的時間內，用較少的代碼完成一些複雜的工作，但都是在利用已有的工具包的情況下，當實際需要處理數據時，還是要非常頻繁的去google或翻之前的資料，很多情況都是沒有能夠深入的去理解。

Python能做什麼

對GIS和遙感數據來說，Python能做的事情，那簡直是不要太多。

ArcGIS，ENVI等商業軟體都可以用Python做腳本語言，QGIS，SNAP和EnMAP等開源工具也用到了它。

更時髦的詞，可以用地理空間智能，時空大數據等等。

GeoDjango

5. 桌面開發

Python結合tkinter和pyqt，也能勝任，但沒啥優勢可言。不過，貌似除了三維、VR/AR，普通的桌面開發也已經頹廢，被Web和移動端佔據了。

總結

一句話總結： Python的生態系統龐大，應用場景豐富。

推薦閱讀：