喜欢 Python 的人，应用场景和 Java 派系完全不一样好吧…… 无论是 Data Scientist，还是一对开源小项目，哪个符合软件工程的流程了？

@ssynhtn 如果堆栈和性能无关，那你了解它干嘛？自娱自乐嘛？

@jadetang All right，我说的那个优化针对的是堆上面对象的优化。当然，我不写 Java，只是对 JVM 上面 GC 神调教的案例略有耳闻。如果你有兴趣，我觉得你可以去查找一下这方面的资料。

如果是科班的话，入门 C/C++ 就是要手工 malloc/free 堆内存的。再往后，操作系统甚至需要知道 malloc/free 的算法。

不是我太严苛，楼主如果连堆和栈都不知道，怎么知道为什么尾递归不好？怎么优化大型服务器 Java 程序，免得 gc 破坏实时性？堆和栈，这是基础中的基础，如果连这类基础都不愿意去知道，你写得程序只能停留在 getXXX/setXXX 以及拖几个控件的程度。

先学点数学，能坚持下来不觉得枯燥，再说学编程的事情。

Session 是种基础概念，不是类库里面那个 session 对象或者类。用 token 也是在维持一种 session，用 cookie 照样是维持 session。

讲道理楼主的回答让人强烈感觉到他是知其然不知其所以然，无论是 session 还是前面的数据库。自身硬件不过硬，在应聘这个双向选择的过程中，被拒还不行吗？

@keepsmilence JetBrains 全家桶支持自动同步。。。

建议学习 Python3。写库兼顾 2&3 的话，一定要以 3 的思维去写，用 six 去兼顾 2。

另外不建议字符串常量用 u'xxx'。根据我的经验，除非你写 web framework，或者常量要用中文，否则直接用字符串最好（ 2 下面解释为多字节，3 下面解释为 unicode ）。不然会碰到各种奇怪的 bug。

搞搞 ML 竞赛也不错。

https://www.kaggle.com/
https://www.tensorflow.org/
http://scikit-learn.org/stable/

另外，确实用不用 mac 因学校而异的。我校 THU 没有劳什子的客户端限制，网页就能登录。作为 cs 学科，大部分作业报告也可以交 pdf （所以可以 markdown 和 latex ），没有 office 的限制。看 ppt 的话，office for mac 2016 已经够了，而且还是学校批量授权。课程用的编程环境也基本不牵扯到 windows only，第一门编程课、以及算法课的官方环境都是 gcc。另外 THU 也没有什么 java, php, mfc 之类的水课，所以用什么系统都是可以的。

@oroge 搞 ai 特别是 deep learning 的，再好的本子都救不了。服务器才是正确的选择。当然，自己攒 GTX1080 固然可以，可进实验室用实验室的资源，才是正道中的王道。

另外 cs 的话，第一年老老实实学点数学。当然双线操作，同时学数学和学编程也是不错的选择，但是别把数学丢掉了。至少微积分、线性代数、概率论得学得好一点，可以这么说，这三门学科不学好，将来你只有码农一条发展道路；但是学好了，你的路会多出来很多的。

别信人家说什么死命学编程，学一堆库，搞一堆项目的说法。没有相应的项目需求，没有带你的项目组长，你现在捣鼓的库大部分都不是最佳的 industry practice。还不如老老实实跟着学校的指导学数学，要知道过了这村就没这店了。

刚上大学千万不要配台式机，否则你的结局就是宅寝室四年。

你竟然看得下去？我现在除非项目需要，不然任何一种新语言的“书”都是看不下去的。而当项目需要的时候，看什么书啊不要怂直接上。

Thomas Calculus，先试试看吧。如果觉得数学不是那么枯燥，可以考虑走 ML 路线。

想要有序，请使用 collections.OrderedDict

最后一个，补充一条：其四是 Native Library 绑定。包括 Cython 的混合编译器，你可以写自己的 Native Code。或者现成的比如 NumPy。不要小看 Native Library 这一条，它会从根本上改变你写程序的思路。比如你原来习惯写 for 循环的，因为 Python 自身很慢要依赖 Native Library，你不得不把要做的操作搞成 batch operation，然后用 Native Library 一并执行。

比如用了 NumPy，你写一个分段函数 f(x) = x/2 (x^2==0) ; 3x+1 (x%2==1)。当 x 是一个大数组的时候，你会选择这么写：

f = lambda x: ((x / 2) * (x%2 == 0) + (3*x + 1) * (x%2 == 1))
print(f(np.arange(N)))

因为 for 循环真的很慢，if 判断也很慢，所以哪怕你用 NumPy 把操作变成了 O(4N)，也比用 Python 写一个裸的要快得多，当 N 很大的时候。

我觉得像 pickle 这种只能算小技巧，用它可以写程序，不用它也能写差不多程序。

Python 里面真正影响深远的特性，会真正影响整个程序的结构。首要的一个特性是 GIL，这导致了 CPython 写多线程就是渣渣，所以众多网络库走了 coroutine / multi-processing 的路子。coroutine 的代表是 gevent，multi-processing 可以算上各种 wsgi 容器，比如 uwsgi 和 gunicorn。

其二可以算上 Threading Local Storage，包括 Flask 的 request context，TensorFlow 的 default graph / session，等等。这是一个设计技巧，可以让你的程序在 coroutine 或者 multi-threading （有时候可以用，比如 TensorFlow 大量使用
C++ 绑定，在进入 C++ 程序段的时候会释放 GIL ）的 context 下面，把一些全局变量当做单线程环境使用，是一种设计上的抽象。而且该特性对 gevent 之类的 coroutine 是透明的。

其三可以推 monkey patch。比如 gevent 可以对整个 Python 进程进行 monkey patch，使得所有 socket + threading 的多线程程序透明地转化为 socket + coroutine 的程序。

@Swiftfrog ThinkPad 比果子的机器厚。。。。

这只能说青菜萝卜各有所爱吧，有人追求轻便，有人追求键盘手感。