为什么选择Python

本文有浓烈的个人偏好，每个语言都有各自的特点，选择适合自己的就好。

本人在接触Python之后，对其甚是喜欢。网上虽然有关于其在空间数据处理方面的中文文章，但总体不多。计划写一些关于Python在GIS和遥感等空间数据处理分析方面的应用。在后续的文章中将主要包括Python的入门、基本环境配置、常用工具包及其在遥感和GIS数据处理方面的基本应用。

前言

作为一个非计算机专业的人，接触过的编程语言其实也不算少了。入门的经典C语言就不必说了，本科还曾经选修过VB和java（上完课就还给老师了），用过C#，C++做一些小软件，现在主要用Python偶尔加R辅助，再加上曾尝试写过一两行代码的IDL和Matlab。正所谓贪多嚼不烂，哪一个都没能精通甚至谈的上熟练使用。出国留学之后，希望能做一些和机器学习相关的内容，网上搜罗一遍，看各种语言之争，最后决定从Python入手，至少到目前觉得Python值得我投入那么多时间去学习掌握它。

为什么选择Python

因为学会Python你就能飞了。。。

1. Python方便灵活

之前对于矢量或栅格数据的处理，非常严重的依赖于ArcGIS和ENVI，尤其是数据读取，如ArcGIS 的.shp，ENVI的.img，以及LiDAR的.las等这类独有的格式，离开了这些专业软件基本就不知道该怎么对付这类数据了。所以在选择语言的时候，矢栅数据读取以及数据基本分析（空间分析，遥感影像的）是否灵活方便很重要，这也是为什么在学校时都是学的基于ArcGIS Engine和IDL二次开发（好像GIS专业的特长就是二次开发似的，总感觉这就像是软件开发世界的二等公民）。Python在一定程度上能够解决这个问题，不再依赖于特定的软件平台，毕竟那些对工具依赖性强的工作，你的价值越依附于工具，你越是要警惕自己的思考能力被工具剥夺。

2. Python库丰富

可以说我在了解Python各种库上面花费了很多时间，有时间应该整理一个表格分类列出来有用的工具包。至少，在矢量数据方面，有GDAL，Geopandas，leafet，rasterio；fiona而栅格数据方面，通用的图像处理有opencv，scikit-image，用于遥感图像的有spectral-python。更重要的是，如果想涉足机器学习，python更有从较通用的sklearn到深度学习的Tensorflow、keras等一大票工具包等着你。

3. Python资源多

在此是指有问题基本都能在stackoverflow等找到答案，也有很多相关的书籍。

4. 代码共享方便

这里特指Juypter Notebook的.ipynb文件。文字说明，代码，图在一个文件里面，也可以在gist和nbviewer直接在线共享浏览，微软和anaconda也提供了在线运行环境，申请个账号就能直接运行代码。

4. Python"上手快"

之所以列在最后，我对这点是有些质疑的。因为没有一定的编程功底和对编程语言的理解，很难说的上上手快。装个flask包，敲几行代码运行起来一个网站，不能称之为上手了。我一开始对着些教程敲代码，的确感觉python能在相对短的时间内，用较少的代码完成一些复杂的工作，但都是在利用已有的工具包的情况下，当实际需要处理数据时，还是要非常频繁的去google或翻之前的资料，很多情况都是没有能够深入的去理解。

Python能做什么

对GIS和遥感数据来说，Python能做的事情，那简直是不要太多。

1. 数据读取和处理

2. 脚本

ArcGIS，ENVI等商业软件都可以用Python做脚本语言，QGIS，SNAP和EnMAP等开源工具也用到了它。

3. 机器学习

更时髦的词，可以用地理空间智能，时空大数据等等。

4. Web开发

GeoDjango

5. 桌面开发

Python结合tkinter和pyqt，也能胜任，但没啥优势可言。不过，貌似除了三维、VR/AR，普通的桌面开发也已经颓废，被Web和移动端占据了。

总结

一句话总结： Python的生态系统庞大，应用场景丰富。