面向Python应用的大学教学改革初探

面向Python应用的大学教学改革初探面向Python应用的大学教学改革初探

0引言

随着时代的开展，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、效劳模式的变革，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根本技能，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，他们就不再是最正确选择。

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，有完善丰盛的工具包，正在得到越来越多的应用，而且越来越被重视。2022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。

1Python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开展，出现了许多不同的程序设计语言，示例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GuidovonRossum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发明出来。

同C/C++和Java等语言相比，Python有下列优势：

〔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〕丰盛的库。Python有强大的规范库，并且Python的生态系统开始拓展到第三方包，示例用于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，有丰盛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，示例数据采集〔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。示例在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GoogleBrain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立一个计算图，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〕GoogleAppEngine：GoogleAppEngine〔GAE〕，是谷歌推出的云平台，它完全把CPU、内存等硬件根底设施抽象化，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GooglePythonAPI，很方便地在GAE上创立、部署、运行Python程序。

〔3〕Caffe〔ConvolutionalArchitectureforFastFeatureEmbedding〕：Caffe是由BerkeleyAIResearch〔BAIR〕和BerkeleyVisionandLearningCenter〔BVLC〕社《^奉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〔IndustrialLight〕采用Python制作商业动画，在“阿贝斯〔Abyss〕〞“星球之旅〔StarTrek〕〞“IndianaJones〞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；RedHat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2022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，已编着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缺乏和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计划和实施效果[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：规范I/O〔终端打印等〕、文件I/O和网络I/O。以《K端I/O为例：

#include

intmain〔〕

{

charname[20]；

scanf〔"%s"，name〕；

printf〔"Hello%s＼n"，name〕；

return0；

}

以上用C语言编写的有效代码共计8行，输入输出都采用规范库函数。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++对数组越界进行了爱护，从而提高系统平安性。

如果采用Java实现，那么有效代码共10行。由于Java的面向对象编程思想，下面这个例如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。示例，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。

/*BasicI/OinJava*/

importjava.io.BufferedReader；

importjava.io.IOException；

importjava.io.InputStreamReader；

publicclassHelloWorld{

publicstaticvoidmain〔String[]args〕throwsException{

BufferedReaderreader=newBufferedReader〔newInputStreamReader〔System.in〕〕；

Stringname=reader.readLine〔〕；

System.out.printf〔"Hello%s＼n"，name〕；

}

}

相比之下，基于Python的代码那么非常短小简洁：

importsys

name=sys.stdin.readline〔〕

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在根本终端I/O操作上的比拟，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ApachePOI开源库。而利用Python对Excel文件进行读取那么需要利用Pandas开源数据处理分析库，例如代码如下：

importpandas

df=pandas.read_excel〔'sample.xls'〕printdf.columns

values=df['列名'].values

FORMAT=['列名1'，'列名2'，'列名3']

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提供了规范的连接、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对数据库有比拟好的语言级别支持，相应的驱动也比拟丰盛。Python也提供语言级别的支持，同时第三方库十分丰盛，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++不能比较的。表2为Python与C++、Java在数据库操作上的比拟。

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

丰盛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提供了丰盛的数据可视化工具，如pandas、Seaborn、Bokeh、matplotlib等。下面以matplotlib为例表明如何利用Python完成数据绘图与可视化。

假定我们要展现的数据用CSV格式保留，内容见表3。目标是基于matplotlib进行直观的数据总体分布展示，示例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：

importmatplotlib.pyplotasplt

importpandasaspd

df=pd.read_csv〔"example.csv"〕

fig=plt.figure〔〕

ax1=fig.add_subplot〔1，4，1〕

ax1.hist〔df["Age"]，bins=5〕

plt.axis〔[20，45，0，5]〕

plt.title〔"Agedistribution"〕

plt.xlabel〔"Age"〕

plt.ylabel〔"Employee"〕

plt.show〔〕

ax2=fig.add_subplot〔1，4，2〕

ax2.boxplot〔df["Age"]〕

ax3=fig.add_subplot〔1，4，3〕

ax3.bar〔df["Age"]，df["Income"]〕

ax3.set_title〔"Incomedistribution"〕

ax3.set_xlabel〔"Age"〕

ax3.set_ylabel〔"Income"〕

ax4=fig.add_subplot〔1，4，4〕

ax4.scatter〔df["Age"]，df["Income"]〕

ax4.set_title〔"Incomedistribution"〕

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，丰盛了基于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GoogleTensorflow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