面向Python应用的大学教学改革初探
0 引 言
随着时代的发展，构建在互联网生态模式之上的云计算、大数据、人工智能等新技术，正渗透到每一个行业，引发产业生产、服务模式的变革，并且已经取得一系列重要成果。在此背景下，大学教学如何跟上时代步伐，是值得每一个高校教师深入思考的问题。程序设计作为计算机专业大学生的必修课程和必须掌握的基本技能，其教学改革在新时代下尤显必要。
传统的大学教学中，一直都以C/C++或Java作为教学语言。诚然，C/C++和Java是当今使用人数最多的语言，但在“互联网+”时代，面对大数据分析时，特别是面对数据采集、仿真建模、结果验证与数据可视化时，他们就不再是最佳选择。
Python作为一种解释型超高级语言，具备交互式、可移植、面向对象的特点。它功能强大，适用于多种操作系统，有完善丰富的工具包，正在得到越来越多的应用，而且越来越被重视。2017年4月，北京理工大学计算机学院和高等教育出版社联合承办了“第一届高等学校Python语言及计算生态教学研讨会”，提出了计算生态的概念[1]，大力推动了Python教学。在此背景下，根据我们在Python教学和科研中的应用经验，对如何进行基于Python计算生态的教学改革进行探讨。
1 Python语言的兴起与优势
从20世纪中期到今天，短短的70年间，电子计算机经历了飞速的发展，出现了许多不同的程序设计语言，例如Pascal、Fortran、C、C++、Java、PHP、C#等，这些不同的语言，都体现了不同的设计哲学，也反映了不同的时代特点。
然而，每种程序设计语言都有其局限性。Python的设计者Guido von Rossum希望有一种语言，既具有C方便地调用计算机功能接口的能力，又可以像一些脚本语言一样轻松地编程。Python正是在这种背景下被创造出来。
同C/C++和Java等语言相比，Python有以下优势：
（1）简单易学。Python是一种代表简单主义思想的语言，语法简单，学习起来容易上手。这使学生能够专注于解决问题而不是学习语言本身。
（2）解释性。Python写的程序不需要编译成二进制代码，可以直接从源代码运行程序。这使得Python更加简单，更易于移植。
（3）面向对象。Python既支持面向过程的编程，也支持面向对象的编程。
（4）可扩展性。为了提升运行效率，可以采用C/C++来编写关键代码，然后在Python程序中使用它们。
（5）混合编程。Python被称为胶水语言，是由于可以很容易地将Python与其他语言进行混合编程。这样方便地利用已有的各种工具包，提高开发效率。
（6）丰富的库。Python有强大的标准库，并且Python的生态系统开始拓展到第三方包，例如用于Web框架的web.py ，用于科学计算的numpy，以及用于数据可视化的matplotlib等。
Python作为一种跨平台编程语言，已经被移植在以Linux、Windows、Mac、Android为代表的许多平台上。由于Python的开放性，有丰富的来自开源社区的成熟库支持，从而可以基于Python完成各种工作，例如数据采集（如网络爬虫）、图像处理、机器学习、科学计算等。
2 针对Python的应用支持与国内外课程建设情况
正由于Python具有上述优点，它获得了业界的广泛支持。例如在Google公司，Python是继C++和Java之后，使用率排名第三的编程语言，使用Python的开发团队也是Google的第三大研发部门。
（1）Tensorflow：TensorFlow是由Google Brain小组开发的用于机器学习和深度神经网络的工具。据统计，Tensorflow是目前使用人数最多的开源深度学习框架[2]。TensorFlow本身是使用C++实现的，然后用Python封装。Tensorflow可以根据用户给出的所有指令创建一个计算图，该图被内部优化和编译成可执行的C++代码。这样Tensorflow就可以利用Python 带来的开发速度和C++带来的执行速度。
（2）Google App Engine：Google App Engine（GAE），是谷歌推出的云平台，它完全把CPU、内存等硬件基础设施抽象化，这样只需要关注代码的编写，不需要关注硬件、操作系统或者物理位置。Python是GAE最早支持编程的语言之一，任何使用Python编写的程序，都可以配合Google Python API，很方便地在GAE上创建、部署、运行Python程序。
（3）Caffe（Convolutional Architecture for Fast Feature Embedding）：Caffe是由Berkeley AI Research（BAIR）和Berkeley Vision and Learning Center （BVLC）社?^贡献者开发的另一个深度学习框架。同Tensorflow一样，Caffe也是采用C++进行编写，然后提供Python封装，从而既可以利用C++的高执行效率，也可享受Python的高开发效率。
（4）在好莱坞，工业光魔公司（Industrial Light） 采用Python制作商业动画，在“阿贝斯（Abyss）”“星球之旅（Star Trek）”“Indiana Jones”等超级大片中惊艳登场。 （5）ERP和CRM软件的开发也开始基于Python完成；Red Hat曾用Python和Tk一起成功开发配置和管理操作系统的可视界面，整个系统可以全面控制Linux操作系统，并根据用户选择对配置文件作自动更新。
正由于Python是受到业界的欢迎，国外很多高校（如麻省理工学院、斯坦福大学、加州大学洛杉矶分校等）已经用Python作为程序设计语言的教学对象。在Coursera等在线教育平台上，可以发现有来自密歇根大学、莱斯大学、约翰霍普金斯大学等众多高校的Python课程；国内南京大学张莉老师的课程也在其中。然而国内这方面的工作做得还远远不够。截至2015年，我国开设Python语言教学的高校不超过10所[3]。目前在国内大力推动Python教学改革的主要有北京理工大学嵩天老师等人，已编著并出版相应的大学教材[4]，受到广泛欢迎。哈尔滨工业大学车万翔老师等人分析了C语言作为入门语言的不足和Python作为入门语言的优势，阐述了计算机专业高级语言程序设计课程的改革方案和实施效果[5]。南京大学张莉老师发表了《基于MOOC的“用Python玩转数据”翻转课堂实践与研究》，研究证明：采用Python教学可以较好地提高学生的主动学习能力、学习兴趣和热情以及问题求解能力[6]。
3 基于Python的教学科研应用改革案例
3.1 输入输出
输入输出（I/O）是每个程序都必须具备的重要功能。常见的I/O可以分为3类：标准I/O（终端打印等）、文件I/O和网络I/O。以?K端I/O为例：
/* Basic I/O in C */
#include
int main（）
{
char name[20]； /* char数组，保存第一行输入，作为名字输出 */
scanf（"%s"， name）； /*读取第一行输入 */
printf（"Hello %s＼n"， name）；
return 0；
}
以上用C语言编写的有效代码共计8行，输入输出都采用标准库函数。由于C语言本身设计方面的缺陷（如果第一行输入超出char数组大小），可能导致严重的缓冲区溢出问题。针对这一问题，C++对数组越界进行了保护，从而提高系统安全性。
如果采用Java实现，则有效代码共10行。由于Java的面向对象编程思想，下面这个示例程序中多了很多对象构造的流程，引用的库看起来也相对较多，如下所示。我们只需要对这段代码进行稍微修改，就可以实现网络I/O和文件I/O。例如，替换“System.in”，就能够实现对文件或者网络流读取。将“Reader”和“InputStream”替换，就能够实现写入。
/ * Basic I/O in Java */
import java.io.BufferedReader；
import java.io.IOException；
import java.io.InputStreamReader；
public class HelloWorld {
public static void main（String[] args） throws Exception { /*所有Java程序的入口函数 */
/* 新建输入对象，用来读取标准输入。其中对象构造有嵌套*/
BufferedReader reader = new BufferedReader（new InputStreamReader（System.in））；
String name = reader.readLine（）； /* 读取第一行输入 */
System.out.printf（"Hello %s＼n"， name）；
}
}
相比之下，基于Python的代码则非常短小简洁：
/* Basic I/O in Python */
import sys
name = sys.stdin.readline（） /* 读取第一行输入 */
print（"Hello " + name）
有效代码仅仅只有3行！同样，替换其中的“sys.stdin”可以实现对文件读取。对于动态类型的Python来说，所有的变量都不需要繁复的声明，直接用就可以，再加上解释执行的特点，无需定义入口函数即可运行。
以上是对C/C++、Java、Python在基本终端I/O操作上的比较，当推广到文件I/O和网络I/O后，Python的优势会更突出，详见表1。
3.2 数据操作
数据处理是大数据时代我们面临的首要问题。然而，由于信息化系统建设过程中，数据可能以不同的结构存在，可能是纯文本文件、CSV格式，也可能是Excel格式，或者是各种不同厂商的数据库格式。
当然，可以采用C++或Java来读取各种异构数据源，但过程相当繁琐，需要利用各种底层驱动，甚至是一些商业化组件。以Excel文件读取为例，为了处理Excel数据，C/C++代码需要用到libxl商业库，而Java也需要用到Apache POI开源库。而利用Python对Excel文件进行读取则需要利用Pandas开源数据处理分析库，示例代码如下：
/* Read Excel in Python */
import pandas
df = pandas.read_excel（'sample.xls'） print df.columns /* 输出列名 */
values = df['列名'].values /* 获取某一列的所有数据 */
FORMAT = ['列名1'， '列名2'， '列名3'] /* 获取指定列组成的数据帧 */
df_selected = df[FORMAT]
总的来说，在数据库操作方面，C++、Java和Python的支持都非常好。C++和Java都为SQL提供了标准的连接、驱动管理类，不同的数据库只需要加载不同的驱动就可以。Java对数据库有比较好的语言级别支持，相应的驱动也比较丰富。Python也提供语言级别的支持，同时第三方库十分丰富，甚至一种数据库有多个不同的连接库。另外值得一提的是， 尽管当前很多流行的分布式大数据平台及分布式数据库使用Java编写，但利用Python同样能够方便地基于第三方库实现操作Hbase、Hive以及其他非关系数据库，如Mongodb、Redis等，这种特点是C/C++不能比拟的。表2为Python与C++、Java在数据库操作上的比较。
由于Python对各种文件和数据库的支持都非常好，它十分适合编写数据库之间，数据库与文件之间相互导入导出数据的脚本，是大数据处理的首选语言。
3.3 数据可视化
丰富的可视化数据图形能够更好地对数据进行展示。利用数据可视化，可方便分析人员从宏观上了解数据的形态和分布，或者进行最后的结果展示。
Python提供了丰富的数据可视化工具，如pandas、Seaborn、Bokeh、matplotlib等。下面以matplotlib为例说明如何利用Python完成数据绘图与可视化。
假定我们要展现的数据用CSV格式保存，内容见表3。目标是基于matplotlib进行直观的数据总体分布展示，例如利用直方图统计年龄分布、利用箱体图展示薪资水平、利用散点图绘制年龄与收入的相关关系。完整代码如下：
import matplotlib.pyplot as plt
import pandas as pd
df = pd.read_csv（"example.csv"） /* ?x取数据 */
fig = plt.figure（）
ax1 = fig.add_subplot（1，4，1） /* 定义展示布局 */
ax1.hist（df["Age"]， bins = 5） /* 定义直方图 */
plt.axis（[20，45，0，5]）
plt.title（"Age distribution"）
plt.xlabel（"Age"）
plt.ylabel（"Employee"）
plt.show（）
ax2 = fig.add_subplot（1，4，2） /* 确定图在画布中的位置 */
ax2.boxplot（df["Age"]） /* 定义箱线图 */
ax3 = fig.add_subplot（1，4，3）
ax3.bar（df["Age"]，df["Income"]） /* 定义条形图 */
ax3.set_title（"Income distribution"）
ax3.set_xlabel（"Age"）
ax3.set_ylabel（"Income"）
ax4 = fig.add_subplot（1，4，4）
ax4.scatter（df["Age"]，df["Income"]） /* 定义散点图 */
ax4.set_title（"Income distribution"）
ax4.set_xlabel（"Age"）
ax4.set_ylabel（"Income"）
plt.show（）
得到的可视化效果如图1所示。
Python的开放性还表现为利用支持库，实现如图1所示的各类统计效果和复杂的展示（如地图、热力图以及复杂网络等）。此外，除了构建在Python之上的原生库，还有大量其他的数据可视化工具包（如基于Javascript的Plot.ly、百度的Echart等），这些工具包同时也提供Python的调用封装，丰富了基于Python的可视化效果，体现了强大的Python计算生态。
3.4 图像处理与深度神经网络
深度学习的出现点燃了研究者对神经网络和机器学习的研究热情，特别是基于Google Tensorflow的AlphaGo接连击败世界围棋冠军，更加吸引了人们对深度学习的关注。在深度学习领域，很多优秀的开源平台与框架（如Tensorflow、Caffe、Theano、MXNet等）都提供Python接口。这也从侧面反映出Python计算生态已经建立。下面以Tensorflow提供的Python接口为例，介绍Python在图像处理与深度神经网络方面的应用。
卷积神经网络是深度学习的一个重要模型。Tensorflow已经屏蔽了关于卷积神经网络的具体结构，如神经元函数、拓扑连接状态等。程序员只需要通过参数指定，就能完成网络模型的设计，例如
conv1 = tf.layers.conv2d（inputs=input_layer，filters=32，kernel_size=[5， 5]， padding="same"，activation=tf.nn.relu）
pool1 = tf.layers.max_pooling2d（inputs=conv1， pool_size=[2， 2]， strides=2）
通过设置输入层ID、激活函数、padding方法、核大小等参数，就可以唯一确定输入层、卷积层、池化层，再通过调整参数并选择一定的学习算法，结合pillow、scikit-image等基于Python的图像处理工具包，从而可以利用深度网络自动完成特征学习，完成模式识别或图像分类工作。
4 结 语
每一种程序设计语言的发展都与时代背景密切相关。Python作为一种开放性语言，具有简洁高效的特点，并且拥有丰富的标准库和第三方工具包，使得它处理起各类数据具有得天独厚的优势。教学实践证明，Python在输入输出、数据操作、数据可视化、图像处理与深度神经网络等有诸多优点，显示Python计算生态已经逐渐形成并不断完善。根据多年的实际教学效果来看，由于学生能够快速基于Python编写强大的应用模块，这对于提升学生学习兴趣、提高知识掌握水平，是大有裨益的。在今后的教学工作中，具有一定的推广价值。
