人生苦短，我用。
那我还是来介绍一下它（凑一波字数）吧。
一种面向对象的解释型计算机程序设计语言, 名叫（英国发音: /ˈpaɪθən/ 美国发音: /ˈpaɪθɑːn/）, 它是由荷兰人Guido van在1989年发明的, 第一个公开发行版是在1991年发行。它属于纯粹的自由软件, 它的源代码和解释器遵循GPL(GNU )协议。其语法简洁清晰, 它的特色之一是强制把空白符(white space)用作语句缩进。它拥有丰富和强大的库。它常常被人昵称为胶水语言, 它能够把用别的语言制作的各类模块, 特别是C/C++, 很轻易地联结到一块, 常见的一种应用情形是, 先使用快速生成程序的原型, 有时甚至是程序的最终界面, 接着对其中有特殊要求的部分, 用更恰当的语言改写, 像3D游戏里的图形渲染模块, 性能要求特别高, 就能够用C/C++重新编写, 之后封装成可以调用的扩展类库, 需要留意的是在您运用扩展类库时或许得考虑平台问题, 某些可能不提供跨平台的实现。7月20日, 遭IEEE公布的2017年编程语言排行榜里, 处于高居首位的位置。
百度百科
有不少新闻提到过, 在数据科学领域处于首位。可以这么讲, 随着深度学习和机器学习的热度上升, 又一次掀起一股热潮, 当然说它是深度学习的语言也不太准确, 实际上在深度学习里它主要起胶水语言的作用, 就像大家都熟悉的那样, 其底层是C++, 只是提供了接口。
首先, 总体而言是这么个情况, 那就是写起来速度较快, 然而运行速度较慢。同样的功能得以实现, 对于C和C++而言, 或许需要100行代码, 可也许仅仅只需10行（这里的数字不一定精准, 不过能够节省编写时间这倒是真的）。与此同时, 最为强大的大概要数丰富且强大的库了（在这点上跟R颇为相像, 故而二者都很流行）。
这里简介一些重点库。
1 常用库
爬虫, 它是举世闻名的, 它是分布式爬虫框架, 它不仅仅是简单的库, 等等。
机器学习, 有个叫-learn的, 那可是相当厉害的一个库, 差不多所有机器学习算法都被它涵盖了, 应该是这样的, 还有NLTK, 也就是自然语言处理工具包, 等, 之所以用一个等, 是因为要说起来, 除了-learn, 我确实不太清楚还有啥，hhh。
网站：（重量级网页框架）、Flask（轻量级网页框架）等。
科学计算用于处理数据, 其中包括Numpy即数组矩阵神器, 还有Scipy也就是科学计算神器咧, 另外还有熊猫包那可是R语言玩家转过来后最爱的。
可视化, 有风格式的包, 有散点图矩阵神器, 有R语言可视化神器的版本, 这个神器是个js库, 不过也有各种流行语言的接口等。
机器学习的一部分是深度学习, 要了解深度学习, 那就去看知乎吧, 这是强行蹭上一波热点。
地学相关方面: 有画地图的库, 有画地图的库, 有对应的版本, 还有GDAL也就是开源GIS库, 有地理编码神器, 有地理数据的熊猫包, geopy这个还没玩过, PySAL是空间计量经济学的一个神包等, （只因跟地学相关的包实在太多 , 若后面有空的话 , 考虑会重点介绍几个包）。
另外, 在此再多提及两个与之相关的包, 其一为arcpy, 知晓的同学都清楚, 它是内嵌的极为厉害的工具, 能够极其便利地调用各类功能, 不过存在一点, 即它不开源（毕竟其属于商业软件, 故而那些老是想着在自己所安装的上使用arcpy的同学可以别白费功夫了）, 再者要多提及一个Esri公司新推出的API for, 此内容在先前的用户大会观感里面已经讲过了, 它是基于和的一套API, 仍具备一些值得去探索玩味的价值, 后续也会考虑就此内容进行介绍。
2 安装
实在是, 安装这个事情小之又小哩。毕竟, 是开源语言, 一路next下去就安装顺当完毕了耶。唯一存在的问题大概只怕, 是要去配个环境变量。
官网
值得一提的是那当下关于2.0与3.0所存在的争论, 2.0朝着3.0的过渡实则做得并不太好, 然而3.0具备它自身的一系列优势, 2.0现阶段呈现出的稳定状态相比之下较为突出, 众多的包暂时还没有迁移至3.0版本上, 不过近期numpy释出的一则通知, 意味着3.0时代已然来临。
numpy团队宣布2020年停止支持2.0
我自己, 仍是在使用2.7, 然而, 也正在思索学习3的相关事宜（实际上也并非特别繁杂）, 要是你才刚开始着手, 那从3.0起步也并无不妥之处。
显然若是针对科学计算范畴而言, 能够思索径直实施安装举措, 也并非是沿着起始点逐一进行安装操作 , 而是有着别样的方式。
（一个开源的发行版本）
说的是一个开源发行版本, 它涵盖了conda以及其余一百八十多个科学包与其相应依赖项。由于含有众多科学包数量众多的缘故, 它的下载文件偏大些，大概有五百兆字节。要是仅须某些包, 或者是想要节省带宽资源抑或存储空间的话, 也能够运用这个规模较小的发行版, 它仅仅包含conda以及。
百度百科
3 pip和conda
再来谈谈题目当中的这俩家伙, 实际上conda在上面进行介绍之时已然提及过了, 此二者均为包管理的工具, 还是相当不错的, 这个部分也对这两个工具的使用方法予以介绍。
pip安装就不提了，不清楚可以自己百度。
安装包的命令如下：
pip install packages然而一顿操作猛如虎之后。
事实上，我们去找一下pip的文件就明白为什么了。
位置处于那条安装路径的下方, pip显然是个exe程序呢, 这次只要开启这个cmd, 将其定位至pip的exe所在的文件夹下方, 接着pip这么操作就没问题了, 运用查看已然安装的包的命令来进行测验。
pip list
实话说conda的功能命令跟pip的差别真不是特别大, 所以这里就不做过多介绍了, 与此同时献上conda查看包之后呈现的结果图。
