作者 | Saurabh Hooda

出品 | CDA数据分析师

What is the Best Python IDE for Data Science?

m创建，于1991年首次发布，解释的高级编程语言是为通用编程而开发的。Python解释器可在多种操作系统上使用，包括Linux，MacOS和Windows。以下是最受欢迎的Python IDE /编辑器，基于受此博客启发的KDnuggets民意调查。

随着近30年的运行过程，Python在编程社区中获得了极大的欢迎。使用IDLE或Python Shell写下Python代码对于较小的项目是有效的，但在完成成熟的机器学习或数据科学项目时却不实用。

在这种情况下，您需要使用IDE（集成开发环境）或专用代码编辑器。由于Python是领先的编程语言之一，因此可以使用多种IDE。所以问题是，“哪个是Python最好的IDE？”显然，Python没有单一的IDE或代码编辑器可以加上“最佳”标签。这是因为他们每个人都有自己的优点和缺点。此外，在众多IDE中进行选择可能非常耗时。

不过不要担心，为了帮助您选择正确的，我们已经整理了一些Python的IDE，专门用于处理数据科学项目。这些是：

Atom

平台 - Linux / macOS / Windows

类型 - 通用文本编辑器

Atom是一个免费的开源文本和源代码编辑器，可用于许多编程语言，包括Java，PHP和Python。文本编辑器支持用Node.js编写的插件。尽管Atom可用于多种编程语言，但它通过其有趣的数据科学功能展示了对Python的非凡热爱。

Atom带来的最大功能之一是支持SQL查询。但是，您需要首先安装Data Atom插件才能访问该功能。它为Microsoft SQL Server，MySQL和PostgreSQL提供支持。此外，您可以在Atom中可视化结果，而无需打开任何其他窗口。

另一个有利于Python数据科学家的Atom插件是Markdown Preview Plus。这为编辑和可视化Markdown文件提供了支持，允许您预览，渲染LaTeX方程等。

好处：

• 积极的社区支持
• 与Git的完美整合
• 为管理多个项目提供支持

缺点：

• 可能会遇到旧CPU的性能问题
• 遇到迁移问题

Jupyter Notebook

平台 - Linux / macOS / Windows

类型 - 基于Web的IDE

Jupyter Netbook于2014年诞生于IPython，是一个基于服务器 - 客户端结构的Web应用程序。它允许您创建和操作称为notebook的笔记本文档。对于Python数据科学家来说，Jupyter Notebook是必不可少的，因为它提供了最直观和交互式的数据科学环境之一。

除了作为IDE运行之外，Jupyter Notebook还可用作教育或演示工具。此外，对于刚刚开始使用数据科学的人来说，它是一个完美的工具。您可以使用Jupyter Notebook轻松查看和编辑代码，从而创建令人印象深刻的演示文稿。

通过使用Matplotlib和Seaborn等可视化库，您可以在代码所在的同一文档中显示图形。此外，您可以将整个工作导出为PDF，HTML或.py文件。与IPython一样，Project Jupyter是一系列项目的总称，包括Notebook本身，一个控制台和一个Qt控制台。

好处：

• 允许从notebook创建博客和演示文稿
• 确保可重复的研究
• 在运行它们之前编辑片段

缺点：

• 复杂的安装过程

PyCharm

平台 - Linux / macOS / Windows

类型 - 特定于Python的IDE

PyCharm是Python的专用IDE。PyCharm to Python就是Eclipse的Java。功能齐全的集成开发环境分别提供免费版和付费版，分别称为社区版和专业版。它是随后安装简单设置的最快的IDE之一，并且是数据科学家的首选。

对于那些喜欢IPython或Anaconda发行版的人来说，知道PyCharm可以轻松集成Matplotlib和NumPy等工具。这意味着您可以在处理数据科学项目时轻松使用数组查看器和交互式图。除此之外，IDE扩展了对JavaScript，Angular JS等的支持。这使得它也适合Web开发。

完成安装后，PyCharm可以很容易地用于编辑，运行，编写和调试Python代码。要从一个新的Python项目开始，您只需打开一个新文件并开始写下代码。除了提供直接调试和运行功能外，PyCharm还提供对源代码控制和全尺寸项目的支持。

好处：

• 积极的社区支持
• 事实上的Python开发，包括数据科学和非数据科学项目
• 新手和退伍军人都很容易使用
• 更快的重建索引
• 无需任何外部要求即可运行，编辑和调试Python代码

缺点：

• 装载速度可能会很慢
• 在可以使用现有项目之前，可能需要调整默认设置

Rodeo

平台 - Linux / macOS / Windows

类型 - 特定于Python的IDE

带有橙色的徽标暗示了这个Python IDE是专门为进行数据分析而开发的。如果您对RStudio有一些经验，那么您就会知道Rodeo与它共享许多特征。对于那些不了解RStudio的人来说，它是R语言最流行的集成开发环境。

与RStudio一样，Rodeo的窗口分为四个部分，即文本编辑器，控制台，变量可视化环境以及绘图/库/文件。令人惊讶的是，Rodeo和RStudio都与MATLAB有很大的相似之处。

Rodeo的最佳之处在于它为初学者和退伍军人提供了同样的便利。由于Python IDE允许您在同时创建时进行查看和探索，因此Rodeo无疑是使用Python开始使用数据科学的最佳IDE之一。IDE还提供内置教程并附带辅助材料。

好处：

• 大量的定制
• 查看并探索您实时创建的内容
• 使用自动完成和语法突出显示功能更快地编写代码，并支持IPython

缺点：

• 很多错误
• 不太积极的支持
• 受到记忆问题的困扰

Spyder的

平台 - Linux / macOS / Windows

类型 - 特定于Python的IDE

Spyder是一个开源的专用于Python的IDE。IDE的独特之处在于它针对数据科学工作流程进行了优化。它与Anaconda包管理器捆绑在一起，后者是Python编程语言的标准发行版。Spyder具有所有必需的IDE功能，包括代码完成和集成的文档浏览器。

Spyder特别针对数据科学项目而构建了一个平滑的学习曲线，让您可以快速学习它。在线帮助选项允许您在并行开发项目的同时查找有关库的特定信息。此外，特定于Python的IDE与RStudio有相似之处。因此，从R切换到Python时很适合。

Spyder对Python库的集成支持，如Matplotlib和SciPy，进一步证明了IDE特别适用于数据科学家。除了可观的IPython / Jupyter集成之外，Spyder还拥有独特的“可变浏览器”功能。它允许使用基于表格的布局显示数据。

好处：

• 代码完成和变量探索
• 使用方便
• 非常适合用于数据科学项目
• 整洁的界面
• 积极的社区支持

缺点：

• 缺乏非数据科学项目的能力
• 对于高级Python开发人员来说太基础了

如何为Python选择最佳IDE？

这完全取决于您需要满足的要求类型。尽管如此，这里有一些一般性建议：

• 在使用Python重新开始时，请使用具有较少自定义和其他功能的IDE。那里的注意力越少，开始就越好
• 将IDE功能与您的期望进行比较
• 尝试使用多个IDE可以帮助您更好地了解哪个IDE最适合特定要求