数十年来，Fortran 一直是科学计算的首选语言，因其运行速度极快。20世纪80年代，当程序员的时间价值超过计算时间时，人们需要更易于学习和使用的编程语言。在研究领域，传统的“编写-编译-执行”工作流逐渐被“交互-探索-可视化”工作流所取代。在此背景下，MATLAB、IDL、Mathematica 和 Maple 等工具应运而生。

现代科学计算不仅仅局限于数值计算。它需要具备多功能性：处理大规模数据集，提供比单纯数值数组更丰富的数据结构，支持网络调用，与数据库对接，与其他网页应用协同工作，处理多种数据格式，支持团队协作，便于文档编写等。

MATLAB vs. Python

MATLAB 是专有软件，价格昂贵且难以扩展。Python 则是开源的、由社区驱动的、可移植的、功能强大的且可扩展的。Python 在字符串处理、命名空间、类以及图形用户界面（GUI）方面表现更优。尽管 MATLAB（及其 Simulink 工具箱）拥有庞大的库资源，但 Python 正在迎头赶上，因为越来越多的科学项目正在采用它。据称，MATLAB 在可扩展性、复杂数据结构、内存管理、系统任务和数据库编程方面表现不佳。

MATLAB $\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space vs.\space\space\space\space\space\space\space \space\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space\space$ Python

然而，Python 也存在一些批评声音。其语法不够一致，因为不同包由不同开发者编写，满足不同需求。例如，SciPy 中存在两个常微分方程（ODE）求解器，但它们使用不兼容的语法。包之间功能重复也可能导致混淆。在数据回归、边值问题和偏微分方程（PDE）方面，MATLAB 表现更佳。

2014 年，Konrad Hinsen 指出，对于那些代码只写一次且很少维护的小规模项目，Python 可能并不合适。当 Python 的科学库因弃用旧类、函数和方法而升级时，这一问题尤为突出。

但不可否认的是，Python 至少在某些场景下是合适的。

为什么选择 Python 进行科学计算？

• Python 不仅适用于数值操作，还提供一个计算生态系统，能够满足现代科学家的各种需求。

• Python 在系统集成方面表现出色。鸭子类型（duck typing）是其中一个重要特性，有助于处理诸如数据类型、内存视图、PyCapsule 以及 NumPy 数组等科学计算中的常见问题。

• Python 易于学习和使用。它具有自然流畅的语法，使研究人员能够更直接地表达和探索想法，而不必与底层语言的语法细节搏斗。

• 使用 Python 时，性能瓶颈可以在低级别进行优化，同时不牺牲高级别的易用性。研究人员可以以渐进方式探索和可视化想法。IPython/Jupyter 笔记本和 matplotlib 为此提供了支持。各种 Python 工具可以在同一运行时环境中协同工作并共享数据，无需仅通过文件系统交换数据。

---

在下一课中，我们将探讨谁最能从本课程中受益，以及你将从中获得什么。