作者：Saurabh Hooda
前言
在开始学习 Python 之前，要选择最适合您的 IDE。在本文中，我们试验了许多可用的工具，记录了它们的优缺点，并给出如何选择对您来说最好的 Python IDE 的建议。
Python 于 1991 年首次发布，他的作者是 Guido vanRossum，是为通用变成开发的解释型高级编程语言。Python 解释器可在多种操作系统上使用，包括 Linux，MacOS 和 Windows。
伴随着近 30 年的运转，Python 在编程社区中获得了极大的欢迎。对较小的项目来说，使用 IDLE 或 Python Shell 来编写 Python 代码是有效的，但要完成成熟的机器学习或数据科学项目时这两种却不实用。
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，因此有众多 IDE 可供选择。那么问题来了，「谁才是 Python 最好的 IDE？」
显然，Python 没有某一个 IDE 或代码编辑器可以冠名「最佳」。这是因为他们都有各自的优劣势。此外，在众多 IDE 中进行选择可能会非常耗时。
不过不要担心！因为我们已经做好了。为了帮助您选择适合的 IDE，我们整理了一些比较有名的，专门用于处理数据科学项目的 Python IDE。
Atom
平台：Linux / macOS / Windows官方网站：https://atom.io/ 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，并且文本编辑器中支持用 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 为 table 带来最大功能之一是支持 SQL 查询。但首先您需要安装 Data Atom 插件才能使用。它支持 MicrosoftSQL Server，MySQL 和 PostgreSQL。此外，在 Atom 中无需打开任何其他窗口就可以显示结果。
另一个有利于数据科学家的 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。
优势：
- 活跃的社区支持
- 与Git的完美整合
- 为管理多个项目提供支持
劣势：
- 可能会遇到旧CPU的性能问题
- 存在迁移问题
JupyterNotebook
平台：Linux / macOS / Windows官方网站：https://jupyter.org/ 类型：基于 Web 的 IDE
JupyterNotebook 于 2014 年诞生自 IPython，它是一个基于服务器 - 客户端结构的 Web 应用程序。它允许您创建和操作称为 notebooks 的笔记本文档。对于用 Python 的数据科学家来说，JupyterNotebook 是必不可少的，因为它提供了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。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。使用 JupyterNotebook 可以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，在同一文档中支持同时显示图形和代码。此外，也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。
优势：
- 允许从 notebooks 创建博客和演示文稿
- 保证了可重复的研究
- 在运行之前可以编辑片段
劣势：
- 复杂的安装过程
PyCharm
平台：Linux / macOS / Windows官方网站：https://www.jetbrains.com/pycharm/ 类型：Python 专用的 IDE
PyCharm 是 Python 的专用 IDE。PyCharm 对 Python 来说就像 Eclipse 之于 Java。它具备功能齐全的集成开发环境，分别提供免费版和付费版(称为社区版和专业版)。PyCharm 是安装与设置的最快的 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，要知道 PyCharm 可以轻松集成 Matplotlib 和 NumPy 等工具。这意味着处理数据科学项目时可以使用数组查看器和交互式图。除此之外，PyCharm 扩展了对 JavaScript，Angular JS 等的支持。这使得它也同样适合 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，只需打开一个新文件就可以开始写代码。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。
优势：
- 活跃的社区支持
- Python 开发，包括数据科学和非数据科学项目
- 新手和成手都很容易使用
- 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
劣势：
- 加载速度可能会很慢
- 在使用现有项目之前，可能需要调整默认设置
Rodeo
平台：Linux / macOS / Windows官方网站：https://rodeo.yhat.com/ 类型：特定于 Python 的 IDE
带有橙色的 logo 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 有一些了解，您会发现 Rodeo 与 RStudio 共享许多功能。这里为不了解 RStudio 的人解释一下，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成手提供了同样的便利。由于 Rodeo 允许您在创建的同时进行查看和探索，因此它无疑是使用 Python 开始数据科学的最佳 IDE 之一。IDE 还提供内置教程，并附带帮助材料。
优势：
- 大量的定制化
- 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
劣势：
- 很多 bug
- 不太积极的支持
- 受到内存问题的困扰
Spyder
平台：Linux / macOS / Windows官方网站：https://www.github.com/spyder-ide/spyder 类型：特定于 Python 的 IDE
Spyder 是一个开源的 Python 专用 IDE。它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 具备所有必需的 IDE 功能，包括代码补全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。在线帮助可以支持开发项目的同时查找有关库的特定信息。此外，它与 RStudio 有相似之处。因此，非常适合从 R 切换到 Python。
Spyder 对 Python 库(如 Matplotlib 和 SciPy)的集成支持，进一步证明了它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。
优势：
- 代码补全和变量探索
- 使用方便
- 非常适合用于数据科学项目
- 整洁的界面
- 积极主动的社区支持
劣势：
- 缺乏支持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？
这完全取决于您希望 IDE 能满足的需求。尽管如此，这里有一些通用的建议：
- 在刚开始接触 Python 时，请使用具有较少自定义项和附加功能的 IDE。在刚开始时对这类功能的注意力越少越好
- 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
———— / END / ———
