是的，你是对的——因为 C 和 C++ 更难使用，并且更多的样板代码会混淆你的模型构建逻辑。当您构建模型时，您必须快速且频繁地进行迭代，通常会丢弃大量代码。从长远来看，每次都必须编写样板代码会大大减慢您的速度。使用 R 的 caret 包或 Python 的 scikit-learn 库，我可以用 5-10 行代码训练一个模型。

生态系统也发挥着重要作用。例如，Ruby 易于使用，但社区从未真正看到对机器学习库的需求达到 Python 社区所拥有的程度。R 比 Python 更广泛地使用（仅用于统计和机器学习），因为它的生态系统的实力和满足这种需求的悠久历史。

值得指出的是，这些 R 和 Python 库中的大多数都是用 C 或 Fortran 等低级语言编写的，以提高速度。例如，我相信 Google 的 TensorFlow 是用 C 构建的，但为了让最终用户更轻松，它的 API 是用 Python 编写的。

任何现代解释语言相对于 C++ 的优势。 像任何权衡一样，这些在某些情况下是优势，在其他情况下是劣势。但是，您不希望这些便利的情况变得越来越少，因为硬件变得更快并且高级语言实现变得更加有效。没有编译步骤。在 my_program.py 中编写代码，然后使用 python my_program.py 运行它。没有内存管理。您不必为新变量显式分配内存，也不必显式释放已完成的内存。解释器将为您分配内存并在安全时释放它。高级本机数据类型。字符串、元组、列表、集合、字典、文件对象等都是内置的。例如，{"x": "y"} 定义了一个字典（哈希表），其中字符串“x”作为键，字符串“y”

Python 的特殊优势： 特别干净、直接的语法。这是 Python 语言的一个主要目标。熟悉 C 和 C++ 的程序员会发现语法熟悉但更简单，没有大括号和分号。鸭打字。如果一个对象支持 .quack，请继续调用 .quack 而不用担心该对象的特定类型。迭代器、生成器和推导。要获取文件中每一行的第一个字符，您可以编写：

file = open("file.txt") list_of_first_characters = [line[0] for line in file] file.close()

这仅对文件进行一次迭代。（这些特殊功能只是高级语言功能的简单内置语法的冰山一角。如果您感兴趣，请查看装饰器。）庞大的标准库。只是随机选择一些示例，Python 附带了几个 XML 解析器、csv 和 zip 文件读取器和写入器、用于使用几乎所有 Internet 协议和数据类型的库等。对构建 Web 应用程序的强大支持。与 Ruby 和 JavaScript 一起，Python 在 Web 开发社区中非常流行。有几个成熟的框架和支持社区可以帮助您入门。

这是因为您浪费了很多时间来配置和构建代码本身，而不是解决实际问题。示例...要加载数据，您必须在 C 中初始化内存，然后您需要稍后处理它。在 Python 中，您只需调用一个方法来加载它。垃圾收集器稍后会在您不需要时为您处理。这是一个非常简单的场景。

Python 和 R 以及这些“脚本语言”（在引号中，因为它们的用途远远超过它们的脚本起源）盛行，因为数据科学家通常具有编程和数学的混合背景。当然，如果以一种幼稚的方式完成，开销可能会很大，但是对于许多这些分析引擎和库来说，生态系统正在改善。

• 许多分析库直接或间接使用 numpy，或者使用类似于 numpy 的一些技术，即将数据保存在高效的运行时表示中，并使用 Python 灵活的 API 直接对数据进行操作，而不是装箱的值。
• Weld是一个旨在统一所有数据表示的项目，特别适用于跨框架数据传输（例如，将内存中的一个框架表示之间的数据复制到另一个框架）。
• TensorFlow 实际上是用 C++ 编写的，但大多数人通过 Python API 与之交互。这会将内存中的图构造为应用程序描述，但是当您创建 a 时tf.Session，它会在其运行时实例化 C++ 对象以对应于图。因为每个操作都是粗粒度的（用户对每个输入重复说“给我结果”），大部分繁重的工作是由 C++ 中的运行时完成的。